量表的设计与统计分析策略.pptVIP

主成分分析 例中的的数据点是六维的；也就是说，每个观测值是6维空间中的一个点。我们希望把6维空间用低维空间表示。 先假定只有二维，即只有两个变量，它们由横坐标和纵坐标所代表；因此每个观测值都有相应于这两个坐标轴的两个坐标值；如果这些数据形成一个椭圆形状的点阵（这在变量的二维正态的假定下是可能的） 那么这个椭圆有一个长轴和一个短轴。在短轴方向上，数据变化很少；在极端的情况，短轴如果退化成一点，那只有在长轴的方向才能够解释这些点的变化了；这样，由二维到一维的降维就自然完成了。 第五十九页，共九十八页。 主成分分析 当坐标轴和椭圆的长短轴平行，那么代表长轴的变量就描述了数据的主要变化，而代表短轴的变量就描述了数据的次要变化。 但是，坐标轴通常并不和椭圆的长短轴平行。因此，需要寻找椭圆的长短轴，并进行变换，使得新变量和椭圆的长短轴平行。 如果长轴变量代表了数据包含的大部分信息，就用该变量代替原先的两个变量（舍去次要的一维），降维就完成了。 椭圆（球）的长短轴相差得越大，降维也越有道理。 第六十页，共九十八页。 第六十一页，共九十八页。 主成分分析 对于多维变量的情况和二维类似，也有高维的椭球，只不过无法直观地看见罢了。 首先把高维椭球的主轴找出来，再用代表大多数数据信息的最长的几个轴作为新变量；这样，主成分分析就基本完成了。 注意，和二维情况类似，高维椭球的主轴也是互相垂直的。这些互相正交的新变量是原先变量的线性组合，叫做主成分(principal component)。 第六十二页，共九十八页。 主成分分析 正如二维椭圆有两个主轴，三维椭球有三个主轴一样，有几个变量，就有几个主成分。 选择越少的主成分，降维就越好。什么是标准呢？那就是这些被选的主成分所代表的主轴的长度之和占了主轴长度总和的大部分。有些文献建议，所选的主轴总长度占所有主轴长度之和的大约85%即可，其实，这只是一个大体的说法；具体选几个，要看实际情况而定。 第六十三页，共九十八页。 主成分和因子分析SPSS 第六十四页，共九十八页。 第六十五页，共九十八页。 SPSS分析结果 这里的初试特征值（Initial Eigenvalues）就是这里的六个主轴长度，又称特征值。头两个成分特征值累积占了总方差的81.142%。后面的特征值的贡献越来越少。 因此，重点关注前两者得分即可。 第六十六页，共九十八页。 特征值的贡献还可以从SPSS的所谓碎石图看出 第六十七页，共九十八页。 怎么解释这两个主成分。主成分结果实际上是原始变量的线性组合。怎么样的组合呢？SPSS可以输出下面的表。 这里每一列代表一个主成分作为原来变量线性组合的系数（比例）。比如第一主成分作为数学、物理、化学、语文、历史、英语这六个原先变量的线性组合，系数（比例）为-0.806, -0.674, -0.675, 0.893, 0.825, 0.836。 第六十八页，共九十八页。 如用x1,x2,x3,x4,x5,x6分别表示原先的六个变量，而用y1,y2,y3,y4,y5,y6表示新的主成分，那么，原先六个变量x1,x2,x3,x4,x5,x6与第一和第二主成分y1,y2的关系为： X1=-0.806y1 + 0.353y2 X2=-0.674y1 + 0.531y2 X3=-0.675y1 + 0.513y2 X4= 0.893y1 + 0.306y2 x5= 0.825y1 + 0.435y2 x6= 0.836y1 + 0.425y2 这些系数称为主成分载荷（loading），它表示主成分和相应的原先变量的相关系数。 比如x1表示式中y1的系数为-0.806，这就是说第一主成分和数学变量的相关系数为-0.806。 相关系数(绝对值）越大，主成分对该变量的代表性也越大。可以看得出，第一主成分对各个变量解释得都很充分。而最后的几个主成分和原先的变量就不那么相关了。 第六十九页，共九十八页。 李克特量表（Likert scale） 对一组与测量主题有关的陈述语句表明“同意”“符合”“正确”的程度 举例：我目前的糖尿病一点也不严重 1. 非常赞同 2. 比较赞同 3. 说不清楚 4.不太赞同 5. 非常不赞同 三类常用的量表 第二十七页，共九十八页。 数值量表 利用数值來代表反应的強弱 该类型也常见于客观、第三方评价量表 举例： 糖尿病对你现在的生活影响有多严重？ 一点也不严重1 2 3 4 5 6 9 7 8 9 10 极其严重 三类常用的量表 第二十八页，共九十八页。 * 任务：对条目进行测评和筛选。 工作：定性评价和定量评价。定性评价常用专家咨询法和Delphi法。 专家咨询一般采用座谈会形式。 Delp