SPSS在教育统计中的应用——以PISA数据为例 课件 第15章 因子分析.pptx

第15章因子分析

因子分析是用于证实研究者所设计的测量工具能够用于测量某一潜在特质的强度和内在结构，将一组具有共同特性或有特殊结构关系的测量指标，抽离出背后的潜在关联并进行因素关系探究的统计分析技术。根据分析目的的不同，因子分析可以被分为探索性因子分析（ExploratoryFactorAnalysis，EFA）和验证性因子分析（ConfirmatoryFactorAnalysis，CFA）。其中探索性因子分析是当理论结构不清晰时，探究有多少个因子能解释原始观测变量以及如何解释这些因子；而验证性因子分析是在已有理论结构的基础上，对理论/模型进行检验，同时也能比较不同理论模型的优劣。15因子分析

目录Contents15.1探索性因子分析15.2验证性因子分析

探索性因子分析15.1

1.因子分析模型（1）单因子模型单因子模型是最简单的因子分析形式，它假设所有的变量变化都可以归因于一个单一的潜在因子。这种模型在理论上具有高度的简、洁性，但在实际应用中可能无法充分解释复杂数据中的多变性。（2）多因子模型多因子模型是对单因子模型的拓展，它假设存在多个潜在变量共同影响观测变量的变化。这种模型能更好地捕捉数据中的复杂性和多样性。（3）正交因子模型正交因子模型则是多因子模型的一种特殊形式。在该模型中，因子之间是互不相关的，这种正交性假设简化了因子分析的计算，使得每个因子在解释变量变化时具有独特贡献。15.1探索性因子分析1原理介绍

2.探索性因子分析优势（1）探索性因子分析可以实现降维，在实际操作中不需要预先设定因子的数量和类型。（2）探索性因子分析可以将众多变量聚合为少数几个的因子，以此解释观测变量之间的内在数据结构和规律，从而洞察哪些变量正在测量相同的潜在因素。（3）探索性因子分析能够基于提取的因子，按照权重计算综合得分，为后续研究提供新的视角和思路。15.1探索性因子分析1原理介绍

（1）数据准备。在进行探索性因子分析之前，需要对收集到的教育数据进行预处理，包括数据清洗、缺失值处理、异常值检测等。（2）变量筛选。根据研究目的和数据特点，选择适合进行因子分析的变量。这些变量应该具有一定的相关性和代表性，能够反映教育领域的某个方面或问题。（3）因子提取。在SPSS中，可以选择多种方法进行因子提取，如主成分分析法、最大似然法等。这些方法可以帮助从原始变量中提取出潜在的因子，并计算每个因子的得分。（4）因子旋转。为了使得因子结构更加清晰易懂，可以对提取出的因子进行旋转操作。常用的旋转方法包括正交旋转和斜交旋转。通过旋转，可以得到更加符合实际情况的因子结构。15.1探索性因子分析2操作步骤

（5）因子解释与命名。根据旋转后的因子结构和原始变量的含义，对每个因子进行解释和命名。这些命名应该能够准确反映因子的内涵和特点，为后续的研究和分析提供便利。（6）结果分析与讨论。最后，需要对因子分析的结果进行深入的分析和讨论。这包括比较不同因子的得分差异、探讨因子与原始变量之间的关系、分析因子对研究问题的解释力度等。15.1探索性因子分析2操作步骤

在SPSS软件中实现步骤：（1）依次点击菜单“分析→降维→因子分析”，执行探索性因子分析过程，命令与主设置面板如图所示，并在变量列表中选中需要进行探索性因子分析的观测变量。15.1探索性因子分析2操作步骤

（2）单击“描述”按钮，弹出如上图所示的设置面板，勾选“单变量描述”、“初始解”复选框和“KMO和Bartlett的球形度检验”复选框；单击“继续”按钮返回主界面。（3）单击“提取”按钮，弹出如下图所示的设置面板，选择主成分法，勾选“相关性矩阵”、“未旋转的因子解”和“碎石图”复选框，勾选“基于特征值”且特征值大于1复选框；单击“继续”按钮。15.1探索性因子分析2操作步骤

（4）单击“旋转”按钮，弹出如上图所示的设置面板，勾选“最大方差法”计算因子载荷矩阵和“旋转后的解”；单击“继续”按钮。（5）单击“得分”按钮，弹出如下图所示的设置面板，勾选“保存为变量”将因子得分保存为新变量，勾选“显示因子得分系数矩阵”；单击“继续”按钮。15.1探索性因子分析2操作步骤

以PISA2018数据为例，选取13个项目进行因子分析。（1）KMO和巴特利特检验结果如图所示。该结果用于判断数据是否适合进行因子分析，只有两个检验都满足条件时，才可以进行因子分析。KMO值小于0表示不适合做因子分析；介于0.6~0.7表示可以进行因子分析；介于0.7~0.8表示比较适合进行因子分析；高于0.8表示非常适合进行因子分析。巴特利特检验主要看显著性值，该值一般以0.05为标准，若显著性小于0.05，说明适合进行因子分析。本案例中KMO值为0.796，巴特利特检验，表明数据适合做因子分析。1