2025年大学《应用统计学》专业题库- 多元统计分析在心理学研究中的应用

2025年大学《应用统计学》专业题库——多元统计分析在心理学研究中的应用考试时间：______分钟总分：______分姓名：______一、选择题（每题2分，共20分）1.在心理学研究中，研究者希望探索一组观测变量背后潜在的共同因素结构，最适宜采用的多元统计方法是？A.聚类分析B.判别分析C.主成分分析D.对应分析2.已知某研究者收集了同一群被试在三个不同认知任务上的得分，并希望简化这些变量，保留尽可能多的信息，同时减少维度，主成分分析相比因子分析最突出的优点是？A.能明确指出潜在构念的数量和名称B.通常能解释更大部分的原始变量方差C.结果更易于解释为心理学理论中的具体变量D.能直接用于预测新的被试群体分类3.对于两个分类变量（例如，性别：男/女；情绪状态：积极/消极），如果研究者想考察不同性别群体在情绪状态分布上是否存在差异，最适合使用的多元统计方法是？A.线性回归B.单因素方差分析C.对应分析D.典型相关分析4.在进行因子分析时，研究者通常需要对初始因子载荷矩阵进行旋转，目的是？A.提高因子解释的方差比例B.使因子载荷的绝对值尽可能大C.增加因子数量D.使因子结构更符合心理学理论预期，易于解释5.聚类分析属于一种什么样的统计方法？A.参数检验方法B.假设检验方法C.非参数检验方法D.统计预测方法6.若研究者使用判别分析建立了区分两类人群（如正常组与抑郁症患者组）的判别函数，该函数的系数反映了？A.各个自变量之间的相关程度B.各个自变量对分类贡献的大小和方向C.样本均值之间的差异D.判别函数所能解释的总方差7.在心理学研究中，若研究者对不同地区的教师进行问卷调查，收集了多个态度量表得分，并想了解这些态度量表之间是否存在内部一致性或结构关系，可以考虑使用？A.聚类分析B.信度分析（如Cronbach'sα）C.探索性因子分析D.相关分析8.下列哪种情况最适合使用典型相关分析？A.分析一个自变量对一个因变量的线性影响B.分析两组变量之间的线性关联关系C.将多个观测变量降维为少数几个主成分D.对多个样本进行分类9.进行主成分分析时，选择保留多少个主成分通常依据？A.因子载荷的大小B.解释的总方差百分比C.特征值是否大于1D.载荷矩阵的形状10.在使用聚类分析对被试进行分组后，研究者需要评估分组结果的合理性，可以采用的方法包括？A.计算组内平方和与组间平方和B.进行方差分析检验各组均值是否存在显著差异C.考察各样本点到其所属聚类中心的距离D.分析不同聚类内部的相似性程度二、填空题（每空2分，共20分）1.多元统计分析主要处理的是每个样本观测到______个以上变量的情况。2.因子分析的目标是识别变量之间潜在的共同______，并尝试用这些潜在的共同因素来解释变量的协方差或相关关系。3.聚类分析的目标是将样本划分为若干个内部相似、外部不同的______。4.判别分析是一种有监督的学习方法，其目标是根据已知的样本类别，建立判别函数来______新的样本所属的类别。5.主成分分析是一种降维技术，它通过线性组合原始变量生成新的、不相关的变量，即______。6.在因子分析中，衡量因子解释原始变量方差贡献大小的是______。7.选择合适的入样标准是进行聚类分析时需要考虑的一个重要问题，常用的方法有______和______。8.判别分析中，常用的判别效果评价指标包括______和______。9.进行探索性因子分析时，常用的因子载荷提取方法包括______法和______法。10.当研究者需要分析两个分类变量之间的关系时，可以使用______来可视化这种关系。三、计算题（共30分）1.某研究测量了30名大学生在数学焦虑（X1）、考试焦虑（X2）和社交焦虑（X3）三个维度上的得分，假设已通过软件计算出相关矩阵如下（部分）：||X1|X2|X3||-------|------|------|------||X1|1.00|0.65|0.40||X2||1.00|0.55||X3|||1.00|要求：（1）若进行主成分分析，请计算第一主成分的方差贡献率和累计方差贡献率（保留两位小数）。（8分）（2）假设第一主成分的特征值为2.73，第二主成分的特征值为0.81，第三主成分的特征值为0.46。请计算第一主成分在X1、X2、X3上的载荷（保留两位小数）。（7分）2.假设通过探索性因子分析（主成分法提取因子，经正交旋转后得到因子载荷矩阵如下）：||因子1|因子2||---------|-------|-------||学习焦虑|0.82|0.10||考试焦虑|0.75|0.25||社交焦虑|0.35|0.65|要求：（1）请解释这两个因子可能代表心理学上的哪些潜在构念。（6分）（2）请解释变量“社交焦虑”在这两个因子上的载荷含义。（6分）四、简答题（每题10分，共30分）1.简述在心理学研究中，使用主成分分析与因子分析解决不同问题的区别。2.简述在进行聚类分析时，如何选择合适的聚类数量？3.在心理学研究中，使用判别分析进行预测时，如何评价其预测效果的好坏？五、论述题（20分）试结合心理学研究实例，论述因子分析在心理测量学（如量表开发）中的应用价值、可能遇到的问题以及如何解释其结果。试卷答案一、选择题1.C2.B3.C4.D5.C6.B7.C8.B9.B10.C二、填空题1.多2.因素3.类别（或群）4.预测5.主成分6.方差解释率（或特征值）7.系统聚类法；k-均值聚类法（或其他合理答案）8.判别正确率；马氏距离（或其他合理答案）9.主成分法；最大似然法（或其他合理答案）10.对应分析三、计算题1.（1）解：总方差为3（变量个数），特征值分别为2.73,0.81,0.46。第一主成分方差贡献率=2.73/3=0.91（或91.00%）累计方差贡献率=2.73/3=0.91（或91.00%）答：第一主成分的方差贡献率为0.91，累计方差贡献率为0.91。（2）解：第一主成分的载荷计算公式为：load=(特征值/总变量数)^(1/2)*协方差矩阵中变量i与主成分的交叉项。由于未给出原始协方差矩阵，通常假设相关矩阵已通过方差标准化（即相关系数矩阵乘以特征值的平方根），此时载荷近似等于相关系数。载荷=(2.73/3)^(1/2)*相关系数X1载荷=(2.73/3)^(1/2)*0.65≈0.60X2载荷=(2.73/3)^(1/2)*0.65≈0.60X3载荷=(2.73/3)^(1/2)*0.40≈0.36（注：若严格按未标准化的协方差矩阵计算，需先求协方差矩阵，再进行特征分解，过程更复杂，通常在考试中会隐含或简化处理）答：第一主成分在X1、X2、X3上的载荷分别为约0.60,0.60,0.36。2.（1）解：因子1在X1（学习焦虑）、X2（考试焦虑）上载荷高，在X3（社交焦虑）上载荷低；因子2在X1、X2上载荷较低，但在X3（社交焦虑）上载荷高。结合变量含义，因子1可能代表与“学业相关”的焦虑，因子2可能代表与“社交情境”相关的焦虑。答：因子1可能代表学业焦虑因子，因子2可能代表社交焦虑因子。（2）解：“社交焦虑”在因子1上的载荷为0.35，表示该变量与因子1的相关程度相对较低，或者说它主要不是由因子1解释的。“社交焦虑”在因子2上的载荷为0.65，表示该变量与因子2的相关程度较高，说明社交焦虑这个特质很大程度上可以被“社交焦虑因子2”解释。答：载荷0.35表示社交焦虑与学业焦虑因子关联较弱，载荷0.65表示社交焦虑与社交焦虑因子关联较强，该变量主要属于因子2。四、简答题1.解析思路：区分主成分分析与因子分析的核心目标与结果。答：主成分分析的目标是降维，通过线性组合原始变量生成新变量（主成分），这些主成分是原始变量的加权和，保留了原始数据的大部分变异信息，但本身没有明确的心理意义，主要用于数据简化或作为后续分析的输入。因子分析的目标是探索性揭示变量背后的潜在共同结构（因子），认为多个观测变量的变异是由少数几个未直接观测到的潜在因子共同引起的，因子具有潜在的心理构念意义，主要用于理论构建和变量简化（如量表开发）。因此，主成分分析侧重于数据压缩和保留信息，而因子分析侧重于发现潜在结构并赋予心理学解释。2.解析思路：梳理选择聚类数量时常用的几种方法及其逻辑。答：选择聚类数量是聚类分析的关键步骤，常用方法包括：（1）肘部法则（ElbowMethod）：计算不同k值下的总聚类内平方和（SSE），绘制k与SSE的关系图，寻找图形中弯曲点（“肘部”）对应的k值。该点意味着再增加k值，聚类效果的提升（SSE的减少）不再显著。（2）轮廓系数法（SilhouetteMethod）：对于每个样本，计算其与所属聚类中心的距离（a）以及与最近非所属聚类中心的距离（b），计算轮廓系数s=(b-a)/max(a,b)。计算每个样本的轮廓系数并取平均值，评估不同k值下的平均轮廓系数。选择平均轮廓系数最大的k值。轮廓系数值越接近1，表示聚类效果越好，样本与其所属聚类越相似，与其它聚类越不相似。（3）业务或理论意义：结合心理学研究问题，看分成k个类是否具有明确的理论或实际意义。例如，研究者可能预先知道存在三种人格类型。（4）样本在各聚类中的分布：观察不同k值下样本在各聚类中的分布情况，选择分布相对均衡且符合预期的k值。3.解析思路：明确评价判别分析预测效果的核心指标及其含义。答：评价判别分析预测效果好坏主要看其分类准确性和预测能力。常用指标包括：（1）判别正确率（ClassificationAccuracy）：指被正确分类的样本数量占总样本数量的比例。正确率越高，说明判别函数的预测效果越好。（2）马氏距离（MahalanobisDistance）：用于衡量样本点到其所属类别中心的距离，可以用来评估样本的异质性和分类的紧凑性，也可用于判断新样本的归属。（3）Fisher判别式统计量：用于评估每个自变量对区分类别的贡献大小，较大的Fisher值表示该变量是较好的判别变量。（4）误分情况分析：具体分析哪些样本被错误分类，及其原因，有助于改进模型。除了上述指标，还可以通过交叉验证等方法评估模型的泛化能力。五、论述题解析思路：构建完整论述框架，涵盖应用价值、问题挑战、结果解释，并结合心理学实例。答：因子分析在心理测量学，特别是量表开发中具有重要应用价值。其核心在于通过分析多个观测项目（题目）之间的相关性，识别出少数几个无法直接测量的潜在构念（因子），这些构念被认为是引起观测变量共同变异性根源。例如，在开发一个测量“数学焦虑”的量表时，研究者可能包含多个题目，如“做数学题时我感到心跳加速”、“我对数学考试感到害怕”等。通过因子分析，可以检验这些题目是否确实测量同一个潜在的“数学焦虑”构念。如果题目高度载荷在同一个因子上，且该因子能解释大部分题目间的共同变异，则支持该构念的存在，有助于筛选题目、构建结构清晰且有效的测量工具。然而，因子分析的应用也面临挑战和问题。首先，因子分析结果的解释具有一定的主观性，选择因子数量（提取多少因子）、因子旋转方法（正交或斜交）、因子载荷的解释等步骤都可能影响最终结果。研究者需要结合理论知识和研究目的进行判断。其次，因子分析依赖于一些统计假设，如变量服从多元正态分布、测量误差相对较小且等方差等，若数据严重偏离这些假设，结果可能不可靠。再次，探索性因子分析