量表的信度与效度分析.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 即 * * * * * * * * * * * * * * * 探索性因素分析 步骤： 1.研究者经由共变关系的分解，找出最低限度的主要成份（principal component）或共同因素（common factor）。 2.探讨这些主成份或共同因素与个别的变项的关系，找出观察变项与其相对应因素之间的强度，即因素负荷值（factor loading），以说明因素与所属的观察变项的关系与强度。 3.决定因素的内容，为因素取一个合适的名字。 为因素fi 解释变量Xi变异的比例 * 因素分析的条件 因素分析的变项都必须是连续变项，符合线性关系的假设。 顺序与类别变项不得使用因素分析简化结构。 抽样的过程必须具有随机性，并具有一定的规模。 如果研究的母群据有相当的同构型（如学生样本），变项数目不多，样本数可以介于100到200之间。 Gorsuch(1983)建议样本数最少为变项数的五倍，且大于100。 变量之间需具有一定程度的相关，一群相关太高或太低的变项，皆会造成执行因素分析的困难。 相关太低的变项，难以抽取一组稳定的因素，不适于进行因素分析。(通常相关系数绝对值小于0.3不适于进行因素分析) 相关太高的变项，多重共线性(multi-collinearity)明显，有区辨效度不足的疑虑，所获得的因素结构价值不高。 可透过球形检定与KMO检定来检验上述问题。 * 因素分析的数学原理(相关矩阵) 因素分析的基础是变项之间的相关。因此应先计算数个题目(如X1~X10)的两两相关，详细检视该相关矩阵所代表的意义。 * 检验相关系数是否适当的方法 1.Bartlett’s test of sphericity（球形检定）: 一般相关矩阵中的相关系数必须显著的高于0。某一群题目两两之间有高相关，显示可能存有一个因素，多个群落代表多个因素。 如果相关系数都偏低且接近，则因素的抽取越不容易。 Bartlett’s test of sphericity（球形考验）即可用来检验是否这些相关系数不同且大于0。 Barlett球形检定呈现显著 表示相关系数足以作为 因素分析抽取因素之用 * 2.净相关矩阵： 变项之间是否具有高度关联，可以从偏低的净相关（partial correlation）来判断。 因素分析计算过程中，可以得到一个反映像矩阵，呈现出净相关的大小，该矩阵中，若有多数系数偏高，则应放弃使用因素分析。 除了此反映像矩阵之对角线系数以外，该系数称为取样适切性系数(KMO；Kaiser-Meyer-Olkin measure of sampling adequacy)，代表与该变项的有关的所有相关系数与净相关系数之比较值，该系数值越大，代表相关情形良好。其判断原理如下： KMO统计量 因素分析适合性 0.90以上 极佳 0.80以上 良好 0.70以上 中度 0.60以上 平庸 0.50以上 可悲 0.50以下 无法接受 检验相关系数是否适当的方法 * 因素的抽取（factor extraction） 主成份分析法（principle component analysis）: 以线性方程式将所有变项加以合并（linear combination），计算所有变项共同解释的变异量，该线性组合称为主要成份。 第一次线性组合建立后，计算出的第一个主成份估计，可以解释全体变异量的最大一部份。其所解释的变异量即属第一个主成份所有。 分离后所剩余的变异量，经第二个的方程式的线性合并，再抽离出第二个主成份，依此类推，所剩余的共同变异越来越小，每一成份的解释量依次递减，直到无法抽取共同变异量为止。 通常只保留解释量较大的几个成份来代表所有的变项。 主成份分析法适用状况于单纯为简化大量变项为较少数的成份时，以及作为因素分析的预备工作。 因素抽取之目的在于决定测量变项中，存在着多少个潜在的成分或因素 * 主轴因素法(principal axis factors) 与主成份分析法的不同，在于主轴因素法是分析变项间的共同变异量而非全体变异量。 其计算方式是将相关矩阵中的对角线，由原来的1.00改用共同性（communalities）来取代。 目的在抽出一系列互相独立的因素。第一个因素解释最多的原来变项间共同变异量；第二个因素解释除去第一个因素解释后，剩余共同变异量的最大变异；其余因素依序解释剩余的变异量中最大部分。直到所有的共同变异被分割完毕为止。 因素的抽取（factor extraction） * 最小平方法（least squares method） 利用最小差距原理，针对特定个数的