因子分析的发展与应用.docxVIP

因子分析的发展与应用 运用因子分析方法研究了多变量的内部结构，研究了观测数据的基本结构，并使用一些假设变量（因子）来表示基本数据结构。1904年,查尔斯·斯皮尔曼(Charles Spearman)在研究智力时首次采用了因子分析的方法,将因子分析方法运用于实践。随后,因子分析的理论和数学基础逐步得到发展和完善,特别是50年代以后,随着计算机的普及和各种统计软件的出现,因子分析得到了巨大的发展。现在,因子分析已成为教育与社会心理学领域研究中最常用的统计方法之一。但令人遗憾的是,在实际研究的应用中,研究者并不能合理、正确的使用这一方法,导致最后的研究结果缺乏可信度。本文的目的就是通过对探索性因子分析发生原理、步骤的详细探讨,结合其在应用中存在的问题,希望对心理领域中探索性因子分析的运用提出一些实质性的建议,包括样本大小、因子数目、观测变量数目、因子旋转等等。 1 探索性因子分析 探索性因子分析模型(见图1)的一般表达形式为: X1=w11F1+w21F2+……wn1Fn+w1U1+e1 其中,Xn表示观测变量,FM代表因子分析中最基本的公因子(Common factor),它们是各个观测变量所共有的因子,解释了变量之间的相关;Un代表特殊因子(Unique factor),它是每个观测变量所特有的因子,相当于多元回归分析中的残差项,表示该变量不能被公因子所解释的部分;wM代表因子负载(Factor loading),它是每个变量在各公因子上的负载,相当于多元回归分析中的回归系数;而en则代表了每一观测变量的随机误差。 探索性因子分析的过程实质就是寻求F1、F2、......Fm等少数几个公因子以构建因子结构来最大限度地表示所有变量的信息。在探索性因子分析中,一个重要的假设就是所有的特殊因子间及特殊因子与公因子间是彼此独立、不相关的。 2 勘探因素分析的基本步骤 2.1 公共方差大小对因子分析的影响 因子分析中被试的数目一直是依据相应的观测变量的多少来确定的。MacCallum等人(1999)探讨了不同样本大小及不同变量公共方差情况下,所得的因子负载的精确程度,结果发现,如果观测变量的公共方差较高(0.60或更高),那么,即使被试人数很少(60名),因子负载的大小也是比较一致的;如果公共方差水平较低(0.50左右),那么100-200名被试将比较合适。有些研究者研究则发现,在因子分析中,样本容量达到500为非常好,1000或更多则极好。一般认为每个观测变量至少需要10名被试。 同时,研究者认为,探索性因子分析中每个因子至少应包含4个或是更多的变量才能确保因子被有效的识别;也有研究者认为,观测变量的数目至少应该是公共因子的3-5倍;MacCallum 等人(1999)研究发现,如果每个因子含有的变量较多,那么排除变量的公共方差的影响之后,一定样本大小的因子分析中,因子分析的结果也会更精确;侯杰泰、成子娟(1999)则建议,在小样本研究中,应尽量争取多一些题目,且不应将题目合成小组。 2.2 探索性因子分析的一般程序 依据相关矩阵提取出因子之后,研究者就必须确定保留多少个因子才是有意义的或是重要的。SPSS的缺省设置中,采用的是因子特征值≥ 1.0的标准,这一标准通常被称作Kaiser标准。特征值表示了一个因子所解释的方差数,其值等于因子负载的平方和。研究者在实际研究中运用的最多的就是这种标准。 另一种取舍因子的标准是碎石检验法(Scree Test Criterion)。SPSS程序中提供了碎石检验的曲线,一般认为,曲线变平开始前的一个点是提取的最大因子数,该点前的因子就是最后所提取的。 第三种标准是平行分析(Parallel Analysis)。实际这一方法只是碎石检验法的变异体,除了碎石检验中的散点图,该方法还增添了另一条特征值曲线,这些特征值取自相同变量和被试情况下的一组完全随机数据的因子分析结果。当真实数据下的特征值小于随机数据特征值时,该点前的因子即为应提取的数目。 探索性因子分析最常用的提取因子的方法有两种:主成分分析法和主轴因子法。主成分分析法和主轴因子法提取因子的程序基本相同,主要区别在于对观测变量公因子方差的估计不同。在主成分分析法中,假定所有观测变量的方差都能被公因子所解释,即每个变量的公因子方差都为1.0。而在主轴因子法中,它的基本假定是观测变量之间的相关能完全被公因子所解释,而变量的方差不一定完全被公因子所解释,所以,在主轴因子法中,公因子方差就不一定是1.0了。 2.3 正交旋转模型 因子旋转的目的是为了便于理解和解释因子的实际意义,主要有两种方式:正交旋转(Orthogonal rotation)和斜交旋转(Oblique rotation)。正交旋转的基本假定是,因子分析中被提取出来的因子之间是相互独立