因子分析模型.pptVIP

A2_8可删去。 “压力负荷”包含8个题项，因子负荷在0.057到0.770之间；“心理支持”包含7个题项，因子负荷在0.547到0.741 之间；“课业协助”包含7个题项，因子负荷在0.527到0.846之间。各因子的负荷都在0.5以上，表示潜在变量可以有效反映各指标变量。 案例2： 三个因子的累积解释变异接近50%的最低要求。 案例2： 确定各层面包含的题项变量后，进一步要进行三个层面及整个量表的信度检验，求出其内部一致性α系数。 α系数值越高，表示层面或量表的信度越佳。 信度 信度（reliability）代表量表的一致性或稳定性。采用最多者为克隆巴赫α系数（Cronbach α）,又称为内部一致性系数。 信度检验旨在检验题项删除后，整体量表的信度系数变化情况，如果题项删除后的量表整体信度系数比原先的信度系数高出许多，则此题项与其它题项所要测量的属性或心理特质可能不相同，代表次题项与其它题项的同质性不高，考虑将此题项删除。 克隆巴赫α系数 α系数的值介于0到1之间， α系数越高，内部一致越佳 一般认为大于0.7是可接受的边界值 如果量表题项越多， α系数会越高。 在社会科学研究中，量表包含分层面，则总量表的信度系数最好在0.8以上，0.7-0.8也可以接受；分层面的信度系数最好在0.7以上，0.6-0.7也可以接受。 案例2：各层面的内部一致性信度 [分析]-度量（S）-可靠性分析（R），将每个层面的变量加入，模式选取α选项 案例2：各层面的内部一致性信度 层面1 8个题项的内部一致性α系数值为0.811，修正的项目总相关值介于0.368到0.685之间，项目删除时的α系数值没有大于0.811，说明 8个题项的一致性信度佳。 若要在删除题项，可考虑删除A1_8，因为该题项删除后α系数并没有降低，此外该题项与其它7个题项的总相关低（0.3680.4） 案例2：各层面的内部一致性信度 层面2 7个题项的内部一致性α系数值为0.793，修正的项目总相关值介于0.455到0.607之间，均大于0.4，达到中等相关程度。项目删除时的α系数值没有大于0.793，说明 7个题项的一致性信度佳。 案例2：各层面的内部一致性信度 层面3 7个题项的内部一致性α系数值为0.844，修正的项目总相关值介于0.455到0.750之间，项目删除时的α系数值除题项A3_6稍大于0.844外（删去该题项，其余6项变化不大），其余6个题项的一致性信度佳。 案例2：各层面的内部一致性信度 三个层面的α系数均大于0.7，整体量表的α系数为0.845，表示量表的信度佳。 案例2：分层面个别进行因子分析 若在量表编制过程中参考文献及相关理论后，明确将量表分成几个子量表（层面），各分量表所包括的题项界定得很清楚，且量表也经过专家效度检验和修改，在预试完后，使用者可以层面包括的题项变量分别进行因子分析。 层面1的因子分析 由于因子2包括的题项数较少，可考虑把其中3个题项删去。 层面1的因子分析 5个题项提取一个因子，解释变异量为55.339%，5个题项的负荷量均在0.6以上。 层面1的因子分析 一次删去3个题项可能会遗失部分有用信息，可采用逐题删去法，将题项根据其因子负荷量的高低逐题删去，先删其中最高的A1_8,因为其负荷最高表示其与第一个因子最不密切。 删去A1_8 7个题项提取一个因子，因而不用转轴。7个题项的负荷量均在0.5以上，表示提取的公共因子可以有效反映7个指标变量 层面2的因子分析 由于因子2包括的题项数较少，可考虑把其中3个题项删去。 层面2的因子分析 5个题项提取一个因子，解释变异量为53.399%，5个题项的负荷量均在0.6以上。 删去A2_4 7个题项提取一个因子，因而不用转轴。7个题项的负荷量在0.492-0.777，表示提取的公共因子可以有效反映7个指标变量 层面3的因子分析 由于因子2包括的题项数较少，可考虑把其中2个题项删去。 层面3的因子分析 6个题项提取一个因子，解释变异量为56.824%，6个题项的负荷量均在0.6以上。 删去A3_2 7个题项提取一个因子，因而不用转轴。7个题项的负荷量在0.571-0.844，表示提取的公共因子可以有效反映7个指标变量 层面1的信度 层面2的信度 层面3的信度 Eviews操作 在Group对象选择Proc/Make Factor 因子旋转：点击因子对象工具条的Rotate按钮，或者选择 Proc/Rotate 计算得分：在因子对象的工具条中选择Score,或者选择因子对象的View/Scores 例12.2 一个因子旋转的例子 数据文件“主要城市日照数.sav”，利用因子分析过程分析一年内各个城市的日照情况。 例12.2 例12.2 例12.2 例12.2 因子得分的协方差矩阵为单