SPSS进行量表分析

1、利用 SPSSS 行量表分析2006-9-518:40:12 信息来源：生物谷SPS 徽程 2:利用 SPSS1 行量表分析http:/ 生物谷网站本节将介绍利用SPSSI对量表进行处理分析。在获取原始数据后，我们利用 SPSS 寸量表可以作出三种分析，即项目分析、因素分析和信度分析。项目分析，目的是找出未达显著水准的题项并把它删除。它是通过将获得的原始数据求出量表中题项白临界比率值一一 CR 值来作出判断。通常，量表的制作是要经过专家的设计与审查，因此，题项一般均具有鉴别度，能够鉴别不同受试者的反应程度。故往往在量表处理中可以省去这一步。因素分析，目的是在多变量系统中，把多个很难解释，而彼此

2、有关的变量，转化成少数有概念化意义而彼此独立性大的因素，从而分析多个因素的关系。在具体应用时，大多数采用“主成份因素分析”法，它是因素分析中最常使用的方法。信度分析，目的是对量表的可靠性与有效性进行检验。如果一个量表的信度愈高，代表量表愈稳定。也就表示受试者在不同时间测量得分的一致性，因而又称“稳定系数”。根据不同专家的观点，量表的信度系数如果在 0.9以上，表示量表的信度甚佳。但是对于可接受的最小信度系数值是多少，许多专家的看法也不一致，有些专家定为 0.8 以上，也有的专家定位 0.7 以上。通常认为，如果研究者编制的量表的信度过低，如在 0.6 以下，应以重新编制较为适宜。在本节中，主要

3、介绍利用 SPSSt 件对量表进行因素分析。一、因素分析基本原理因素分析是通过求出量表的“结构效度”来对量表中因素关系作出判断。在多变量关系中，变量间线性组合对表现或解释每个层面变异数非常有用，主成份分析主要目的即在此。变量的第一个线性组合可以解释最大的变异量，排除前述层次，第二个线性组合可以解释次大的变异量，最后一个成份所能解释总变异量的部份会较少。主成份数据分析中，以较少成份解释原始变量变异量较大部份。成份变异量通常用“特征值”表示，有时也称“特性本质”或“潜在本质”。因素分析是一种潜在结构分析法，其模式理论中，假定每个指针（外在变量或称题项）均由两部分所构成，一为“共同因素”、一为“唯一

4、因素”。共同因素的数目会比指针数（原始变量数）还少，而每个指针或原始变量皆有一个唯一因素，亦即一份量表共有 n 个题项数，则会有 n 个唯一因素。唯一因素性质有两个假定：(1) 所有的唯一因素彼此间没有相关；(2) 所有的唯一因素与所有的共同因素间也没有相关。至于所有共同因素间彼此的关系，可能有相关或可能皆没有相关。在直交转轴状态下，所有的共同因素间彼此没有相关；在斜交转轴情况下，所有的共同因素间彼此就有相关。因素分析最常用的理论模式如下：及三丑口7rLm心卜口+3西3+,+amFm+Uj其中(3) 员为第 i 个变量的标准化分数。(4) Fm 为共同因素。(5) m 为所有变量共同因素的数目

5、。(6) G 为变量左的唯一因素(7) %为因素负荷量。因素分析的理想情况，在于个别因素负荷量不是很大就是很小，这样每个变量才能与较少的共同因素产生密切关联，如果想要以最少的共同因素数来解释变量间的关系程度，则彼此间或与共同因素间就不能有关联存在。所谓的因素负荷量，是因素结构中原始变量与因素分析时抽取出共同因素、4的相关。在因素分析中，有两个重要指针：一为“共同性”，二为“特征值”。所谓共同性，就是每个变量在每个共同因素之负荷量的平方总和(一横列-中所有因素负荷量的平方和)，也就是个别变量可以被共同因素解释的变异量百分比，这个值是个别变量与共同因素间多元相关的平方。从共同性的大小可以判断这个原

6、始变量与共同因素间之关系程度。而各变量的唯一因素大小就是 1 减掉该变量共同性的值。（在主成份分析中，有多少个原始变量便有多少个成份，所以共同性会等于 1,没有唯一因素）。所谓特征值，是每个变量在某一共同因素之因素负荷量的平方总和（一直行所有因素负荷量的平方和）。在因素分析的共同因素抽取中， 特征值最大的共同因素会最先被抽取， 具次是次大者，最后抽取得共同因素的特征值最小，通常会接近 0（在主成份分析中，有几个题项，便有几个成份，因而特征值的总和刚好等于变量的总数）。将每个共同因素的特征值除以总题数，为此共同因素可以解释的变异量，因素分析的目的之一，即在因素结构的简单化，希望以最少的共同因素，

7、能对总变异量作最大的解释，因而抽取得因素愈少愈好，但抽取因素的累积解释的变异量愈大愈好。我们通过一个例子说明如何利用 SPS 敞件对量表进行分析。二、利用 SPSS 寸量表进行因素分析【例 6-9】现要对远程学习者对教育技术资源的了解和使用情况进行了解，设计一个里克特量表，如表 6-27 所小。而也斯屈也学刀者对物嘉技术卷涯的了解和使用间如fi 项从未去用有时使用总是雳用12345A1电筋录音感带A3录像带A4用上资料A5校园网变因帏用A6电子戚件A7电子诂论购A8CAI谡件A9府会议AW视听会议将该量表发放给 20 人回答，假设回收后的原始数据如表 6-28 所示表&尊度帕塞赛、题目婚整、A

8、1A7A3A4ASA7A8A?A1001155t1111:102255222121I03433343141I0443444424?2叶443344141106433334232I0744443324I081S3111111叩:445444241110543s543533543444252212545444352355222一1311H5343332522154553332522644443514I175445554544185A423415I11P545555353320$44555252I操作步骤：1.录入数据定义变量“A1”、A2、“A3、”AH、”A6、“A7、”AG、Ag、“A10T,

9、并按照表输入数据，如图 6-33 所示。t.%一ir 匚iJrlEqd刚31 JT*31&U百用1才wI.11w务田30i与QO3Llj102LUsen300300ygi1IXIGQi，02COIf,Qg*向tQQ101Eiob18加 1时200：100*oo1003:4Kg4痴SOO争诂100,1吨10160D5R4848M200am1141304山40ci00皿2200J12|5$00400200ICO20013i3005005002CO200,10010011itn,14500JWJ30Q3Im500200500JGD3IDO2006iA.j而 aSOQ500AII；61302(U2e1

10、54W54：JL3CC疝300Ico1001co18鸣百00SCO10000 0Q.174400dg500K 国500SCO 00100：moo：500；JOOICO1003m2mI00196004005CO5COJOO,205mdUQ5UC3LU:厘w1田图 a33 录入常据2.因素分析(1)选择“AnalyzeDataReductionFactor,”命令，弹出FactorAnalyze对话框，将变量“A1”至 UA10选入Variables”框中，如图 6-34 所示。HojAtioFt.,.Scores.Qptionsr国吕=34FiitorAftalyi*对话抠(2)设置描述性统计量

11、I的366U032MILH40985.3(64Mi4皿5圳郭357&.1找1U4例/.1101404max4JS4E-42小99431349E-02337铝做10郎EMO3&花飙100XIwEitPKiionWiwcl：PTIIXWICwnpon-tnt防国/也.643耒转用前整体解释的变异数从图中可以看出，左边 10 个成份因素的特征值总和等于 10。解释变异量为特征值除以题项数，如第一个特征值得解释变异量为 6.358+1063.579%。将左边 10 个成份的特征值大于 1 的列于右边。特征值大于 1 的共有三个，这也是因素分析时所抽出的共同因素数。由于特征值是由大到小排列，所以第一个共

12、同因素的解释变异量通常是最大者，其次是第二个 1.547,再是第三个 1.0320转轴后的特征值为 4.389、3.137、1.411,解释变异量为 43.885%、31.372%、14.108%,累积的解释变异量为 43.885%、75.257%、89.366%。转轴后的特征值不同于转轴前的特征值。(5)未转轴的因素矩阵ComponentMatrixComponent123A5,939,102A4,922,145A1,90133,239A8,887-.194,2B7A6,874-.206,245A7,823,474-.129A9,813,401-.377A10,753,495-.356A2,

13、574.605.206白三：苹4.633.697ExtractionMethod;PrincipalComponentAnalysis,3.3componentsextracted.图型耒转轴的因素矩阵从图中可以看出，有 3 个因素被抽取，并且因素负荷量小鱼 0.1 的未被显示(6)转轴后的因素矩阵如图 6-45 所示，显示了转轴后的因素矩阵。RotatedComponentMatrix3Component123Al.266-.141A8：,912.266A6K,271-.107A5,448147A4.暨汨,498AID,237京扫A9,308.924：-.129A7,417,353A3A2,

14、557,?：13,552Extr日匚tiQnMethod:PrincipComponentAnatysis.RotatonMethod:VarimdKwithKaiserNorm司记ation.aRotationconvergedIn5iterations.图通组转轴后的因素矩阵从图中可以看出 A1、A&AaA5、A4 为因素一，A10A9、A7 为因素二,A3、A2 为因素三。题项在其所属的因素层面顺序是按照因素负荷量的高低排列。(7)因素转换矩阵如图 6-46 所示，显示了因素转换矩阵。它是在“FactorAnalysis:Rotation”对话框中“Display”选项框中选择“Rota

15、tedSolution”选项框以后生成该表。ComponentTransformationMatrixComponent1231,786.596-.1632-.348,645,6803,510-.478.715ExtractionMethod:PrincipalComponentAnalysis.RotationMethod:VarimawwithKaiserNormalization.图6-46因素转换矩降4.结果说明根据因素的特征值和旋转后的因素矩阵，采用了主成份分析法抽取出 3 个因素作为共同因素，并使用因素转轴方法中的 Varimax 最大变异法，转轴后去掉了因素负荷量小于 0.1 的的系数，按照从大到小的顺序进行排列，使得变量与因素的关系豁然明了。对其作如表 6-29 所示的因素分析摘要表。转轴后的特征值为 4.389、3.137、1.411,解释变异量为 43.885%、31.372%、14.108%,累积的解释变异量为 43.885%、75.257%、89.366%。转轴后的特征值不同于转轴前的特征值。表&29硼学习看对教