《心理学研究方法》十三章节演示.pptVIP

《心理学研究方法》第十三章演示;提 纲;因素分析的主要目的;因素分析的发展历程;因素分析的发展历程;第一节 因素分析原理概述; 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）。 ;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;二 因素分析模型及条件;观测变量标准化，变量和因素的均值均为0，方差均为1； 公共因素和独特因素间不相关，各独特因素之间也不相关（尤其在公因子分析法中）； 观测变量间线性相关，一般绝大部分应不低于0.3； 正交模型要求公因子之间相互独立，尤其是主成分分析中； 等距型数据，一些特殊情况下等级型数据也可以接受； 最好是多元正态数据，尤其极大似然法； 样本量越小，样本数据的分布和线性关系越需要加以检验，最好是100以上。;子对话框 ;第二节 因素分析步骤;例13-1 某研究者收集了100名被试对六种政策的回答数据，其中六个变量col1—col6分别表示“政府应当投入更多的教育经费”、“政府应当投入更多的经费减少失业”、“政府应当控制大企业”、“政府应当通过用校车送孩子上学加速废止种族隔离”、“政府应当增加少数民族的工作配额”和“政府应当扩展领先计划”。 ;筛选观测变量;样本数据适当性考察;;确定公因子数;;因素模式解法;例子求解和结果阅读;因子解特征值及因子贡献率: 因子贡献反映的则是单个因子解释的数据总方差。所有公因子的累计贡献等于所有变量的共同度之和；如果公因子数等于变量数（主成分分析）则也等于原观测变量的总方差。公因子j 的贡献记为Vj，等于所有模型/因素负荷矩阵中每列因子负荷的平方和；更常用“贡献率” 指标（相等）；主成分特征值等于其因子贡献。;因子负荷矩阵: 表示第i个变量中第j个因子被反映的程度，衡量公因子相对重要性，相当于标准化回归系数，表示因子和变量间关系的密切程度。正交模型中，因素负荷矩阵（因素模式，factor pattern ）等于因素结构矩阵（因素与变量相关矩阵，factor structure ）。;因子的解释和命名——因子旋转;正交旋转：因子轴之间保持90度角（因子不相关） SPSS提供三种基于“正交极大准则”的正交旋转法： 方差最大法（Varimax）：使各因子（列）上与该因子有关的负荷平方的方差最大，即拉开列上各变量的负荷差异，最常用； 四次方最大法（Quartimax）：使各变量（行）上因子负荷平方的方差达到最大，即拉开行上的负荷差异，易产生综合因子，大部分变量在该因子上都有较高负荷； 平均正交法（Equamax）：上两种方法综合。 在Rotation对话框选择Varimax旋转，选中复选框因素负荷图（Loading plot），在Options对话框选中将负荷较低（0.3）的值隐藏并按负荷大小排列（负荷量为0.3表示因素只解释了该变量方差的10%，忽略 ）。;比较结果，旋转解保留了原来的2个因素，累计方差贡献不变，但各因素特征值大小平均了，相应地，所解释的方差比例相比抽出解也更加平均了，2因子各解释了约35%和30%的方差。 ;典型的简单结构：可以看到变量col1、col2、col3和因子1有较大相关，变量col4、col5、col6和因子2有较大相关，变量对因子的归属一目了然。 根据这些因子所解释的变量的含义，我们不妨将因子1、2分别命名为“经济政策”和“民族政策”。 ;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 ;SPSS斜交旋转法： 直接斜交极小法（Direct Oblimin）： 由参数δ（Delta）控制倾斜程度，该参数控制因子轴的倾斜程度，其中δ≤0.8。一般δ取大负值时表示因子间倾斜程度越低，越不相关。 Promax法： Procrustes变换的一种特例，通过扩大初始简单结构中元素的大小差距（2次方或4次方）来取得简单结构。其参数κ（Kappa）即乘方数，κ1。此法比直接斜交旋转法的计算速度快，因此常