《探索性因素分析及SPSS应用》.ppt

2004-3-10 Exploratory Factor Analysis SPSS Application Exploratory Factor Analysis SPSS Application 《心理学研究方法》第十三章演示 数据简化技术—— 探索性因素分析及SPSS应用 Data Reduction Technique—— Exploratory Factor Analysis SPSS Application 提 纲 第一节 因素分析原理概述 一、因素分析基本原理 二、因素分析模型及条件 三、SPSS因素分析功能选项 第二节 因素分析的步骤 一、数据适当性考察和因素数确定 二、求解因素模式 三、因素的解释和命名——因子旋转 第三节 斜交旋转和因子值应用 一、因子相关时的旋转——斜交旋转法 二、因子值的意义及应用 （可选讲） 因素分析的主要目的 心理学研究中的一些心理特质（如自我、人格、智力等）往往都是一些“潜在变量”，只能通过对一些可观测的“外显变量”的测量间接反应之。用一般的多元统计方法往往使得对数据的分析和描述陷入混乱。不仅如此，变量间的高度相关还会极大地削弱某些统计方法的效果。 数据化简技术：主成分分析、对应分析、典型相关分析、多维量表法等 。因素分析主要针对等距尺度变量。 其主要目的： 1.通过寻找或确定几个较少的假想“因子”来反映多个观测变量中蕴含的大部分信息，从而浓缩或化简观测数据。 2.浓缩后的因子代表了数据间的基本结构，通过得到的因子估计值使研究者更方便地掌握数据的本质特质以及因子和观测变量之间的关系。 因素分析的发展历程 思想基础： 包括启蒙运动（ the Enlightenment ）在内的思潮对绝对论（ absolutism ）的批判：任何实体都可能不是它表现出的模样，而是对其潜在现象的反映；符号主义（ Symbolism ）、表现主义（ Expressionism）。19世纪兴起的对机械唯物主义的批判，提倡宏观论。 发展历程： 最早由Karl Pearson (1901) 引入； 最早由Charles Spearman在创立其智力理论时应用； Thurstone (1931)发展的“common factor theory”是其重要的理论基础，1940’s-1960’s是其发展的辉煌期。 因素分析的发展历程 三种主要应用观点： 特质理论（ Trait theory ）： Spearman, Thurstone, Cattell 回答：一组观测变量背后潜在的基本特质是什么？ Dust bowl empiricism： Godfrey Thompson, Henry Kaiser 回避了内容和理论，而关注应用 聚类分析（Cluster analysis）： Holzinger, Tyron, Bailey 相信较低水平的观测（如项目）可以被整合成较高水平的具有理论价值的构念。 第一节 因素分析原理概述 Common Factor Theory及变异分解 题项1:我对我的薪水感到满意； 题项2:我对工作中的同事感到满意； 题项3:我对工作中的上司感到满意。 问题：我测量的是一个东西吗？ 因素分析假设变量的变异可分解成三个部分： 公因子方差：各变量间的公共变异； 特殊因子方差：不能由公因子解释的、变量特有的变异； 误差方差：变量中不可信的、无法解释的变异； 三者间的关系图示： 一 因素分析基本原理 1 - h2 指变量的变异中无法被公因子模型解释的部分比例 因素分析使用变量间的相关（标准化数据的协方差）系数来估计公因子及连接因子和变量间的结构关系（因素负荷）。 一 因素分析基本原理 主成分分析法（ principal component analysis,PCA）: 一种独立于因素分析的数据化简方法，SPSS默认的分析方法。用以寻找将变量以最优方式结合成少数几个成分，保持总变异，主成分数=变量数，主成分是变异的几何抽象，不一定复合真实情况。信息保留较多。 主因子分析法（common factor analysis,PFA or CFA）: 假设公因子可以完全解释变量间的相关关系，而不一定能完全解释变量的变异（即不考虑特殊因子），用以确定变量背后的结构并估计因子得分，更符合实际情况。通常在主成分分析的基础上进行，只分析公共变异。常用于对变量方差不了解并不太考虑信息丢失的情况。 一 因素分析基本原理 将一组相关的观测变量转换成少数几个不相关的公因子，变换不改变变量的总方差，第一个主成分具有最大方差，随后抽取