使用SPSS进行探索式因素分析的教程.docVIP

第4章 探索式因素分析 在社会与行为科学研究中，研究者经常会搜集实证性的量化资料來做验证，而要证明这些资料的可靠性与正确性，则必须依靠测量或调查工具的信度或效度（杨国枢等，2002b）。一份好的量表应该要能够将欲研究的主题构念（Construct，它是心理学上的一种理论构想或特质，无法直接观测得到）清楚且正确的呈现出来，而且还需具有「效度」，即能真正衡量到我们欲量测的特性，此外还有「信度」，即该量表所衡量的结果应具有一致性、稳定性，因此为达成「良好之衡量」的目标，必须有以下两个步骤：第一个步骤是针对量表的题项作项目分析，以判定各项目的区别效果好坏；第二步骤则是建立量表的信度与效度。量表之项目分析、信度检验已于第2、3章有所说明，本章将探讨量表之效度问题。 4-1 效度 效度即为正确性，也就是测量工具确实能测出其所欲测量的特质或功能之程度。一般的研究中最常使用「内容效度」（Content Validity）与「建构效度」（Construct Validity）来检视该份研究之效度。 所谓「内容效度」，是指该衡量工具能足够涵盖主题的程度，此程度可从量表内容的代表性或取样的适切性来加以评估。若测量内容涵盖所有研究计划所要探讨的架构及内容，就可说是具有优良的内容效度。在一般论文中，常使用如下的描述来「交代」内容效度： 而所谓「建构效度」系指测量工具的内容，即各问项是否能够测量到理论上的构念或特质的程度。建构效度包含收敛效度（Convergent Validity）与区别效度（Discriminant Validity），收敛效度主要测试以一个变量（构念）发展出的多项问项，最后是否会收敛于一个因素中（同一构念不同题目相关性很高）；而区别效度为判别问项可以与其它构念之问项区别的程度（不同构念不同题目相关性很低）。衡量收敛效度的统计方式可使用探索式因素分析法（Exploratory factor analysis），简称因素分析。进行因素分析时，若发现各构念的衡量项目皆可收敛于同一个共同因素之下，则表示该量表的收敛效度是可被接受的。至于区别效度，则可采用因素分析与皮尔森相关分析，首先，必须在因素分析法中，各构念的衡量项目皆没有与其它构念的衡量项目收敛于同一个共同因素之下，此外，在皮尔森相关系数矩阵中，不同构念的衡量项目彼此之间关联性很低，如皮尔森系数皆小于0.3，若出现上述两现象显示不同构念的衡量项目间彼此皆不具有强烈的关连性，据此，即可显示出区别效度是可以被接受的。进行量表之建构效度评估时，虽理应同时检视收敛效度与区别效度，然审视国内之硕士论文或一些期刊论文都可发现，大部分都只以因素分析进行收敛效度之评估，并据以说明量表的建构效度，其方法如：同一构念中，若因素负荷量的值愈大（通常取0.5以上者才保留该项目，否则删除后再重新执行一次因素分析），表示收敛效度愈高。此外，也可使用属线性结构方程（Linear Structural Equation）领域的验证性因素分析（Confirmatory Factor Analysis），以进行模式的适合度检定，并检定各构念是否具有足够的收敛效度与区别效度。 4-1因素分析的意义 因素分析（Factor Analysis）属于多元统计分析技术的一种，其主要目的是浓缩数据。它透过研究众多变量之间的内部依赖关系，探求观测数据中的基本结构，并用少数几个假想的变量来表示其基本的数据结构。这些假想变量能够反映原来众多的观测变量所代表的主要信息，并解释这些观测变量之间的相互依存关系，我们把这些假想变量称之为基础变量，即因素（Factors）。因素分析就是研究如何以最少的信息遗失，而能把众多的观测变量浓缩为少数几个因素。 一般在对实际问题做研究时，研究者往往希望尽可能地多多收集与研究主题相关的变量，以期能针对问题有比较全面性的、完整性的掌握和认识。虽然收集这些数据需投入许多的人力、物力与时间成本，虽然它们能够较为整体而精确地描述研究主题，但将这些资料实际用在分析、建模时，这些变量未必能真正发挥研究者预期的作用，也就是说研究者的「投入」和「产出」并非呈合理的正比，相反的，这样的搜集资料行为反而会给研究者于统计分析时带来许多问题，这些问题如下： ■ 计算量的问题 由于研究者所收集的变量相当多，如果这些变量都投入数据的分析与建模，无疑的，这将会增加分析过程中于计算上的工作量。虽然，目前计算机运用普遍且其计算能力亦相当优异，然而对于此种高维的变量和庞大的数据仍是于计算上所不容忽视的。 ■ 变数间的相关性问题 由于研究者针对特定之主题所收集到的诸多变量之间通常或多或少都会存在着相关性。也就是说，变量之间往往具有信息的高度重迭性和高度相关性，这些特质将会给统计方法的应用带来许多不便。例如，在多元线性回归分析中，如果这些众多的解释变