2025年大学《应用统计学》专业题库- 多元统计分析在心理评估中的应用

2025年大学《应用统计学》专业题库——多元统计分析在心理评估中的应用考试时间：______分钟总分：______分姓名：______一、选择题（每小题2分，共20分。请将正确选项的代表字母填在题干后的括号内）1.在心理评估中，当研究者希望探索一组观测变量背后潜在的共同因子结构时，最常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.因子分析2.下列哪种多元统计方法主要用于将样本划分为若干个互不重叠的群体，且预先未知群体数量？（）A.因子分析B.聚类分析C.判别分析D.对应分析3.当研究者想根据一组已知类别的样本数据，建立判别函数以预测未知样本的类别时，主要应用的是多元统计中的（）。A.探索性因子分析B.验证性因子分析C.逐步判别分析D.聚类分析4.在因子分析的因子旋转过程中，主成分分析中常用的方差最大化正交旋转方法（Varimax）主要追求的是（）。A.提高因子解释的方差总量B.增大同一因子上不同原始变量的载荷差异C.使不同因子上的原始变量载荷尽可能接近于0D.减少因子间的相关性5.如果一项心理评估研究的目标是寻找能够显著区分焦虑症、抑郁症和正常对照组这三个群体的指标，那么最适合采用的多元统计方法可能是（）。A.因子分析B.聚类分析C.线性判别分析D.典型相关分析6.对于包含多个分类变量的数据集进行降维分析，以揭示不同分类变量之间关系的一种多元统计方法是（）。A.主成分分析B.因子分析C.对应分析D.典型相关分析7.在心理评估的信度分析中，若要检验一个量表的内部一致性，除了可以计算Cronbach'sα系数外，还可以运用（）进行深入分析。A.聚类分析B.因子分析（探索性或验证性）C.判别分析D.对应分析8.下列哪种多元统计方法适用于分析两个分类变量之间的关联性？（）A.因子分析B.聚类分析C.判别分析D.对应分析9.在进行因子分析时，用于评估因子模型拟合程度的指标之一是（）。A.调整后的标准化回归系数B.方差解释率（如累计方差解释率）C.共同度D.偏相关系数10.聚类分析结果的可靠性检验中，常用的方法之一是（）。A.交叉验证B.费希尔判别准则C.碎石图（ScreePlot）分析（用于因子分析）D.卡方检验二、简答题（每小题5分，共20分）1.简述因子分析与主成分分析在心理评估中的主要区别是什么？2.在心理评估中，使用聚类分析进行群体划分时，研究者通常需要关注哪些结果指标来评价聚类效果？3.解释什么是判别分析的“马氏距离”（MahalanobisDistance），并简述它在心理评估中有何应用价值。4.当研究者面对一个包含大量心理量表条目（变量）的数据集，希望减少维度并保留原始信息的大部分时，可以运用哪些多元统计方法？并简述选择其中一种方法的基本思路。三、计算与分析题（共30分）1.（15分）某研究者开发了一个包含5个条目的情绪量表，对100名被试进行了施测。根据探索性因子分析的结果，提取出两个因子，因子载荷矩阵如下（部分）：|因子1|因子2||-------|-------||条目1|0.82||条目2|0.65||条目3|0.30||条目4|0.15||条目5|0.55|请根据此载荷矩阵，回答：（1）条目1和条目5在多大程度上分别与因子1和因子2相关？（2）条目3和条目4在多大程度上分别与因子1和因子2相关？（3）根据载荷大小，简要描述这两个因子可能分别代表了哪些方面的情绪特质。（4）如果采用最大方差旋转（Varimax），你预测条目1和条目5的载荷会发生怎样的变化？为什么？2.（15分）某心理医生希望根据三个指标（焦虑得分、抑郁得分、睡眠质量评分）来区分“正常”、“轻度焦虑”和“中度焦虑”三类来访者。他收集了30名来访者的数据，并进行了线性判别分析。分析结果显示，建立了如下的判别函数（F）：F=1.2*焦虑得分+0.8*抑郁得分-0.5*睡眠质量评分（假定所有变量均已中心化和标准化）。假设某新来的来访者，其标准化后的焦虑得分为1.5，抑郁得分为0.7，睡眠质量评分为-0.8。请计算该来访者的判别得分F值，并根据该医生通常使用的判别阈值（F>0.5为轻度焦虑，F>1.5为中度焦虑）判断该来访者可能属于哪一类？并说明理由。四、论述题（25分）结合心理评估的具体情境，论述选择运用因子分析、聚类分析和判别分析中的一种方法来解决某个研究问题的可能过程。在论述中，应说明：（1）该研究问题是什么？（2）为什么选择该方法而不是其他两种方法？（3）运用该方法可能涉及哪些关键步骤？（4）如何预期并解释该方法的输出结果？（5）该方法在心理评估应用中可能存在的优势和局限性是什么？试卷答案一、选择题1.D2.B3.C4.B5.C6.C7.B8.D9.B10.A二、简答题1.区别：*目的：因子分析旨在探索变量背后潜在的、不可观测的共同因子结构，强调解释原始变量的变异来源；主成分分析旨在通过线性组合原始变量生成少数几个新的综合变量（主成分），强调保留原始数据信息量最大化。*意义：因子分析关注的是变量与因子之间的关系，因子具有潜在意义；主成分分析关注的是主成分本身，主成分是数学构造，通常没有直接的实际意义。*处理方式：因子分析涉及因子旋转以获得更易于解释的因子结构；主成分分析通常不涉及旋转，或使用不旋转的方差最大化方法。*对方差的解释：因子分析解释的是原始变量总方差中的共同方差；主成分分析解释的是原始变量总方差。2.聚类分析评价结果指标：*轮廓系数（SilhouetteCoefficient）：衡量样本在其自身聚类中的紧密度以及与其他聚类的分离度，值越接近1表示聚类效果越好。*软聚类（或称调合系数/轮廓和，RandIndexadjusted）：衡量聚类结果与真实类别标签（若有）或专家分组的吻合程度。*内部指标（如Calinski-Harabasz指数）：基于类内散度与类间散度的比值，值越大表示聚类效果越好，类间分离度越大，类内紧密度越高。*外部指标（如AdjustedRandIndex,Fowlkes-MallowsIndex）：若存在已知的类别标签，用于比较聚类结果与真实类别的一致性。*逻辑一致性检验（如半偏马氏距离、半偏方差分析等）：用于检验聚类分组是否显著优于随机分组。3.马氏距离解释与应用价值：*解释：马氏距离是衡量一个点X（通常是一个样本）到某个中心点（如均值向量或类中心）的“距离”，它考虑了数据的协方差结构。计算公式为D²(X,μ)=(X-μ)ᵀS⁻¹(X-μ)，其中μ是中心点，S是协方差矩阵。它衡量的是在考虑了变量之间相关性以及各自尺度后，点X与中心点的分离程度。具有马氏距离的样本点在多维空间中相对于中心点更“远离”。*应用价值：在心理评估中，马氏距离可用于识别异常值（Outliers）。一个样本如果与其他样本在变量分布的协方差结构上差异很大，其马氏距离可能会很大，从而被识别为异常观测。这在处理可能存在错误记录或极端个案的心理评估数据时很有用。此外，在某些判别分析模型（如典型判别分析）中，马氏距离可用于衡量样本点或群体间的分离度，帮助评估分类效果。4.方法与思路：*方法：可以运用主成分分析（PCA）或因子分析（FA）。*选择PCA思路：如果主要目标是数据降维以可视化或简化后续分析，且不特别强调变量背后潜在共同结构的心理解释，或者研究者相信原始变量是正交的或相关性不强的，可以选择PCA。目标是找到能解释最大方差的主成分，通过保留少数几个主成分来代表原始数据集。*选择FA思路：如果目标是探索变量间潜在的、共同驱动的结构，并希望这些结构（因子）具有潜在的心理意义，以便用于构建理论模型或解释变量关系，应选择FA。目标是提取能够最大化解释变量间共同方差的因子，并通过旋转等方法使因子易于解释。三、计算与分析题1.（15分）（1）条目1与因子1的相关程度（载荷）为0.82。（2）条目3与因子1的相关程度（载荷）为0.30；条目3与因子2的相关程度（载荷）为0.15。（3）根据载荷大小，条目1和条目5与因子1的相关度高，可能与一种情绪特质相关（例如，因子1可能代表“积极情绪”或“兴奋度”）；条目2与因子2的相关度高（0.65），条目5与因子2的相关度也较高（0.55），而条目3和条目4与因子2的相关度低，因子2可能代表与“焦虑/负面情绪”相关的特质。（4）根据最大方差旋转（Varimax）的目标是增大同一因子上不同原始变量载荷的差异，减小不同因子上同一原始变量载荷的差异。预测条目1和条目5（目前都与因子1有较高载荷）可能会在旋转后，其载荷向0或因子2的方向移动（尽管原始数据未给出因子2的完整载荷，但这是Varimax的普遍作用），以使因子1和因子2的结构更清晰，即因子1可能更多地只包含载荷高的条目1，因子2可能包含载荷高的条目2和条目5。条目3和条目4则可能保持低载荷或向因子1/因子2移动但幅度较小。2.（15分）（1）计算判别得分F：F=1.2*(1.5)+0.8*(0.7)-0.5*(-0.8)F=1.8+0.56+0.4F=2.76（2）根据判别阈值：F>0.5为轻度焦虑，F>1.5为中度焦虑。该来访者的判别得分F=2.76。（3）由于2.76>1.5，且2.76>0.5，因此该来访者根据该医生建立的判别函数，被判断可能属于“中度焦虑”类别。（4）理由：计算得到的判别得分F值较高（2.76），超过了区分“中度焦虑”类别的阈值（1.5），同时也超过了区分“轻度焦虑”的阈值（0.5）。这意味着该来访者在标准化后的焦虑、抑郁得分上相对于睡眠质量得分，表现出与“中度焦虑”群体特征更为相似的模式，因此被归类为此类。四、论述题（以下提供一个论述框架和内容示例，具体表述可自行调整）选择方法：因子分析（ExploratoryFactorAnalysis,EFA）（1）研究问题：一项针对大学生群体的研究，旨在探索影响其主观幸福感（SubjectiveWell-being,SWB）的潜在因素结构。研究者收集了包含学业压力、社交支持、身体活动、生活满意度、乐观性等多个维度的自我报告量表数据，希望了解这些维度背后是否存在几个核心的、共同影响大学生幸福感的心理特质或因子。（2）选择原因：选择因子分析是因为研究的主要目的是探索一组观测变量（不同SWB相关维度）背后潜在的、不可观测的共同结构。因子分析能够帮助识别这些共同因素，揭示变量之间的关联性，并简化复杂的测量结构。这与研究目标中“探索潜在因素结构”高度契合。相比之下，聚类分析是用于将个体（学生）分组，而不是探索变量间的潜在结构；判别分析是用于区分已知的群体，而本研究在开始时并未假设存在预定义的幸福感类型，而是想从数据中发掘结构。（3）关键步骤：1.数据准备：收集大学生样本在所选量表上的数据，确保数据符合因子分析的基本假设（如近似正态分布、无明显异常值、变量间相关性适度等），进行数据清洗和标准化（通常对每个变量进行中心化和标准化）。2.探索性因子分析实施：运用统计软件（如SPSS,R）执行EFA。通常从未旋转的因子载荷矩阵开始，查看主要因子上载荷较高的变量。3.因子提取：确定提取的因子数量。常用方法包括特征值（Eigenvalues）法（如选取大于1的特征值）、碎石图（ScreePlot）法、解释方差百分比法等。结合多个标准进行决策。4.因子旋转：对提取出的因子进行旋转，以获得更易于解释的因子结构。常用方法有最大方差旋转（Varimax，正交旋转，使因子内变量载荷分散，因子间载荷为0）或斜交旋转（如Promax，非正交旋转，允许因子间存在相关）。根据研究目的选择合适的旋转方法。5.因子命名与解释：根据旋转后因子载荷矩阵中每个因子上载荷较高的变量，结合心理学理论，为每个因子赋予具有心理学意义的名称，并解释每个因子的含义。6.因子得分计算（可选）：如果需要，可以计算每个样本在各个因子上的得分，用于后续的分析（如相关、回归等）。7.模型评估：检查因子分析的统计指标，如累计方差解释率（说明因子能解释原始变量多少信息）、因子载荷的显著性（如通过巴特利特球形检验、KMO检验和因子载荷的显著性检验，如使用单条目删除法判断因子结构稳定性