spss教程2利用spss进行量表分析.doc

SPSS教程2：?利用SPSS进行量表分析 信息来源：生物谷　更新时间：2006-9-5 18:40:12 本节将介绍利用SPSS软件对量表进行处理分析。　　在获取原始数据后，我们利用SPSS对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的临界比率值——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，主要介绍利用SPSS软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：　　　　?其中　　（1）为第i个变量的标准化分数。　　（2）Fm为共同因素。　　（3）m为所有变量共同因素的数目。　　（4）为变量的唯一因素　　（5）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，其次是次大者，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，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SPSS软件对量表进行分析。 　　二、利用SPSS对量表进行因素分析 　　【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所示。 ??? 　　将该量表发放给20人回答，假设