spss使用說(shuō)明書(shū)(轉(zhuǎn)載)-SPSS軟件對(duì)量表進(jìn)行處理分析

spss使用說(shuō)明書(shū)（轉(zhuǎn)載）--一SPSS軟件對(duì)量表進(jìn)行處理分析修改瀏覽權(quán)限|刪除本節(jié)將介紹利用SPSS軟件對(duì)量表進(jìn)行處理分析。在獲取原始數(shù)據(jù)后，我們利用SPSS對(duì)量表可以作出三種分析，即項(xiàng)目分析、因素分析和信度分析。項(xiàng)目分析，目的是找出未達(dá)顯著水準(zhǔn)的題項(xiàng)并把它刪除。它是通過(guò)將獲得的原始數(shù)據(jù)求出量表中題項(xiàng)的臨界比率值——CR值來(lái)作出判斷。通常，量表的制作是要經(jīng)過(guò)專(zhuān)家的設(shè)計(jì)與審查，因此，題項(xiàng)一般均具有鑒別度，能夠鑒別不同受試者的反應(yīng)程度。故往往在量表處理中可以省去這一步。因素分析，目的是在多變量系統(tǒng)中，把多個(gè)很難解釋?zhuān)舜擞嘘P(guān)的變量，轉(zhuǎn)化成少數(shù)有概念化意義而彼此獨(dú)立性大的因素，從而分析多個(gè)因素的關(guān)系。在具體應(yīng)用時(shí)，大多數(shù)采用“主成份因素分析”法，它是因素分析中最常使用的方法。信度分析，目的是對(duì)量表的可靠性與有效性進(jìn)行檢驗(yàn)。如果一個(gè)量表的信度愈高，代表量表愈穩(wěn)定。也就表示受試者在不同時(shí)間測(cè)量得分的一致性，因而又稱“穩(wěn)定系數(shù)”。根據(jù)不同專(zhuān)家的觀點(diǎn)，量表的信度系數(shù)如果在0.9以上，表示量表的信度甚佳。但是對(duì)于可接受的最小信度系數(shù)值是多少，許多專(zhuān)家的看法也不一致，有些專(zhuān)家定為0.8以上，也有的專(zhuān)家定位0.7以上。通常認(rèn)為，如果研究者編制的量表的信度過(guò)低，如在0.6以下，應(yīng)以重新編制較為適宜。在本節(jié)中，主要介紹利用SPSS軟件對(duì)量表進(jìn)行因素分析。一、因素分析基本原理因素分析是通過(guò)求出量表的“結(jié)構(gòu)效度”來(lái)對(duì)量表中因素關(guān)系作出判斷。在多變量關(guān)系中，變量間線性組合對(duì)表現(xiàn)或解釋每個(gè)層面變異數(shù)非常有用，主成份分析主要目的即在此。變量的第一個(gè)線性組合可以解釋最大的變異量，排除前述層次，第二個(gè)線性組合可以解釋次大的變異量，最后一個(gè)成份所能解釋總變異量的部份會(huì)較少。主成份數(shù)據(jù)分析中，以較少成份解釋原始變量變異量較大部份。成份變異量通常用“特征值”表示，有時(shí)也稱“特性本質(zhì)”或“潛在本質(zhì)”。因素分析是一種潛在結(jié)構(gòu)分析法，其模式理論中，假定每個(gè)指針（外在變量或稱題項(xiàng)）均由兩部分所構(gòu)成，一為“共同因素”、一為“唯一因素”。共同因素的數(shù)目會(huì)比指針數(shù)（原始變量數(shù)）還少，而每個(gè)指針或原始變量皆有一個(gè)唯一因素，亦即一份量表共有n個(gè)題項(xiàng)數(shù)，則會(huì)有n個(gè)唯一因素。唯一因素性質(zhì)有兩個(gè)假定：（1）所有的唯一因素彼此間沒(méi)有相關(guān)；（2）所有的唯一因素與所有的共同因素間也沒(méi)有相關(guān)。至于所有共同因素間彼此的關(guān)系，可能有相關(guān)或可能皆沒(méi)有相關(guān)。在直交轉(zhuǎn)軸狀態(tài)下，所有的共同因素間彼此沒(méi)有相關(guān)；在斜交轉(zhuǎn)軸情況下，所有的共同因素間彼此就有相關(guān)。因素分析最常用的理論模式如下：Zj:電迫珀-汨遼比+玄硬3+"其中(1)為第i個(gè)變量的標(biāo)準(zhǔn)化分?jǐn)?shù)。Fm為共同因素。m為所有變量共同因素的數(shù)目。匚為變量E的唯一因素毗為因素負(fù)荷量。因素分析的理想情況，在于個(gè)別因素負(fù)荷量毗不是很大就是很小，這樣每個(gè)變量才能與較少的共同因素產(chǎn)生密切關(guān)聯(lián)，如果想要以最少的共同因素?cái)?shù)來(lái)解釋變量間的關(guān)系程度，則口彼此間或與共同因素間就不能有關(guān)聯(lián)存在。-所謂的因素負(fù)何量，是因素結(jié)構(gòu)中原始變量與因素分析時(shí)抽取出共同因素的相關(guān)。在因素分析中，有兩個(gè)重要指針：一為“共同性”，二為“特征值”。-所謂共同性，就是每個(gè)變量在每個(gè)共同因素之負(fù)荷量的平方總和(一橫列中所有因素負(fù)荷量的平方和)，也就是個(gè)別變量可以被共同因素解釋的變異量百分比，這個(gè)值是個(gè)別變量與共同因素間多元相關(guān)的平方。從共同性的大小可以判斷這個(gè)原始變量與共同因素間之關(guān)系程度。而各變量的唯一因素大小就是1減掉該變量共同性的值。（在主成份分析中，有多少個(gè)原始變量便有多少個(gè)成份，所以共同性會(huì)等于1，沒(méi)有唯一因素）。-所謂特征值，是每個(gè)變量在某一共同因素之因素負(fù)荷量的平方總和（一直行所有因素負(fù)荷量的平方和）。在因素分析的共同因素抽取中，特征值最大的共同因素會(huì)最先被抽取，其次是次大者，最后抽取得共同因素的特征值最小，通常會(huì)接近0（在主成份分析中，有幾個(gè)題項(xiàng)，便有幾個(gè)成份，因而特征值的總和剛好等于變量的總數(shù)）。將每個(gè)共同因素的特征值除以總題數(shù)，為此共同因素可以解釋的變異量，因素分析的目的之一，即在因素結(jié)構(gòu)的簡(jiǎn)單化，希望以最少的共同因素，能對(duì)總變異量作最大的解釋?zhuān)蚨槿〉靡蛩赜儆茫槿∫蛩氐睦鄯e解釋的變異量愈大愈好。我們通過(guò)一個(gè)例子說(shuō)明如何利用SPSS軟件對(duì)量表進(jìn)行分析。二、利用SPSS對(duì)量表進(jìn)行因素分析【例6-9】現(xiàn)要對(duì)遠(yuǎn)程學(xué)習(xí)者對(duì)教育技術(shù)資源的了解和使用情況進(jìn)行了解，設(shè)計(jì)一個(gè)里克特量表，如表6-27所示。恿恿6-2?遠(yuǎn)怨學(xué)習(xí)習(xí)對(duì)敎肓技未資誦的了孵和使用間題題項(xiàng)從未瘦用很少便用有時(shí)便用經(jīng)常便用總是淒用12343M電腦A2A3錄慷帶姑網(wǎng)上躋A5檢囲畫(huà)或囪持陰A6電子耐A7電子討龍勵(lì)A(yù)3CA1課障A?視頻會(huì)徴A]0視聽(tīng)會(huì)諛將該量表發(fā)放給20人回答，假設(shè)回收后的原始數(shù)據(jù)如表6-28所示表乩盈匣姑數(shù)翳、7目AtA2A3MA5A7ASA9A100115511L1111021552221L1034333431411044344442斗220544334斗1斗110643333斗23|21C744443314110?J531j111!1445斗斗斗2斗'1'154355斗3533lk5A3斗44222125A544斗352213355222i311t453斗33325:2215455333252216444435!4!1175445554544迢廠23斗1"5'~「11195455553533203A45552511操作步驟：1?錄入數(shù)據(jù)隨住*占肓6"隨住*占肓6"gjwJ-cIfdVfj*>rdw[jribSPSSfWWrtr卩帀定義變量“AT'、“A2”、“A3”、“A5”、“A6”、“A7”、“A8”、“A9”、“A10”，并按照表輸入數(shù)據(jù)，如圖6-33所示。工lei蜀2.因素分析(1)選擇“AnalyzeDataReductionFactor…”命令，彈出"FactorAnalyze'對(duì)話框,將變量“AT”到“AT0‘選入"Variables'框中，如圖6-34所示。Sclejflicnvariable：QcscripUves-.ISclejflicnvariable：QcscripUves-.IExlrsdioh,.-Scores,r（2）設(shè)置描述性統(tǒng)計(jì)量單擊圖6-34對(duì)話框中的“Descriptives…'按鈕，彈出“FactorAnalyze:Descriptives”（因素分析：描述性統(tǒng)計(jì)量）對(duì)話框，如圖6-35所示。x|x|InverseReproducedInverseReproducedAntHmageStatistics廠Univariatedescriptives*Initialsolutionr-CirrelationMatrixCoefficientsSignificancelevelsdeterminantpKMOandBartlett'stestifsphericityEO匚Pc」“…c?Tic-c*;“4■■:fEF1去心拓?±ttthE±!2；1\壬①“Statistics”（統(tǒng)計(jì)量）對(duì)話框A“Univariatedescriptives”（單變量描述性統(tǒng)計(jì)量）：顯示每一題項(xiàng)的平均數(shù)、標(biāo)準(zhǔn)差。B“Initialsolution”（未轉(zhuǎn)軸之統(tǒng)計(jì)量）：顯示因素分析未轉(zhuǎn)軸前之共同性、特征值、變異數(shù)百分比及累積百分比。②"CorrelationMatric”（相關(guān)矩陣）選項(xiàng)框A“Coefficients”（系數(shù)）：顯示題項(xiàng)的相關(guān)矩陣B“Significaneelevels”（顯著水準(zhǔn)）：求出前述相關(guān)矩陣地顯著水準(zhǔn)。C“Determinant”（行列式）：求出前述相關(guān)矩陣地行列式值。D“KMOandBartlett'stestofsphericity”（KMO與Bartlett的球形檢定）：顯示KMO抽樣適當(dāng)性參數(shù)與Bartlett's的球形檢定。E“Inverse”（倒數(shù)模式）：求出相關(guān)矩陣的反矩陣。F“Reproduced”（重制的）：顯示重制相關(guān)矩陣，上三角形矩陣代表殘差值；而主對(duì)角線及下三角形代表相關(guān)系數(shù)。G“Anti-image”（反映像）：求出反映像的共變量及相關(guān)矩陣。在本例中，選擇“Initialsolution”與“KMOandBartlett'stestofsphericity'二項(xiàng)，單擊“Continue”按鈕確定。（3）設(shè)置對(duì)因素的抽取選項(xiàng)單擊圖6-34對(duì)話框中的“Extraction...”按鈕，彈出“FactorAnalyze:Extraction”（因素分析：抽取）對(duì)話框，如圖6-36所示?！癕ethod”（方法）選項(xiàng)框：下拉式選項(xiàng)內(nèi)有其中抽取因素的方法：A“Principalcomponents”法：主成份分析法抽取因素，此為SPSS默認(rèn)方法。B“Unweightedleastsquares”法：未加權(quán)最小平方法。C“Generalizedleastsquare”法：一般化最小平方法。D“Maximumlikelihood”法：最大概似法。E“Principal-axisfactoring”法：主軸法。F“Alphafactoring”法：a因素抽取法。G“Imagefactoring”法：映像因素抽取法?！癆nalyze”（分析）選項(xiàng)框A“Correlationmatrix”（相關(guān)矩陣）：以相關(guān)矩陣來(lái)抽取因素B“Covarianeematrix”（共變異數(shù)矩陣）：以共變量矩陣來(lái)抽取因素。③“Display”（顯示）選項(xiàng)框A“Unrotatedfactorsolution”（未旋轉(zhuǎn)因子解）：顯示未轉(zhuǎn)軸時(shí)因素負(fù)荷量、特征值及共同性。B“Screeplot”（陡坡圖）：顯示陡坡圖。④“Extract”（抽?。┻x項(xiàng)框A“Eigenvaluesover”（特征值）：后面的空格默認(rèn)為1,表示因素抽取時(shí)，只抽取特征值大于1者，使用者可隨意輸入0至變量總數(shù)之間的值。B“Numberoffactors”（因子個(gè)數(shù)）：選取此項(xiàng)時(shí)，后面的空格內(nèi)輸入限定的因素個(gè)數(shù)。在本例中，設(shè)置因素抽取方法為“Principalcomponents”，選取“Correlationmatrix”、“Unrotatedfactorsolution”、“Principalcomponents'選項(xiàng)，在抽取因素時(shí)限定在特征值大于1者，即SPSS的默認(rèn)選項(xiàng)。單擊“Continue”按鈕確定。（4）設(shè)置因素轉(zhuǎn)軸單擊圖6-34對(duì)話框中的“Rotation...”按鈕，彈出“FactorAnalyze:Rotation”（因素分析：旋轉(zhuǎn)）對(duì)話框，如圖6-37所示。圖行-27FactorAnalyze:Rotation（因素分析:旋轉(zhuǎn)）對(duì)話框①“Method”（方法）選項(xiàng)方框內(nèi)六種因素轉(zhuǎn)軸方法：A“None”：不需要轉(zhuǎn)軸B“Varimax”：最大變異法，屬正交轉(zhuǎn)軸法之一。C“Quartimax”：四次方最大值法，屬正交轉(zhuǎn)軸法之一。D“Equamax”：相等最大值法，屬正交轉(zhuǎn)軸法之一。E“DirectOblimin”：直接斜交轉(zhuǎn)軸法，屬斜交轉(zhuǎn)軸法之一。F“Promax”：Promax轉(zhuǎn)軸法，屬斜交轉(zhuǎn)軸法之一。②“Display”（顯示）選項(xiàng)框：A"Rotatedsolution”（轉(zhuǎn)軸后的解）：顯示轉(zhuǎn)軸后的相關(guān)信息，正交轉(zhuǎn)軸顯示因素組型矩陣及因素轉(zhuǎn)換矩陣；斜交轉(zhuǎn)軸則顯示因素組型、因素結(jié)構(gòu)矩陣與因素相關(guān)矩陣。B“Loadingplots”（因子負(fù)荷量）：繪出因素的散步圖。③“MaximumIterationsforConvergenee”：轉(zhuǎn)軸時(shí)之行的疊代最多次數(shù)，后面默認(rèn)得數(shù)字為25，表示算法之行轉(zhuǎn)軸時(shí)，執(zhí)行步驟的次數(shù)上限。在本例中，選擇“Varimax”、“Rotatedsolution”二項(xiàng)。研究者要選擇“Rotatedsolution”選項(xiàng)，才能顯示轉(zhuǎn)軸后的相關(guān)信息。單擊“Continue”按鈕確定。（5）設(shè)置因素分?jǐn)?shù)單擊圖6-34對(duì)話框中的“Scores…”按鈕，彈出“FactorAnalyze:FactorScores”（因素分析：因素分?jǐn)?shù)）對(duì)話框，如圖6-38所示。①“Saveasvariable”（因素存儲(chǔ)變量）框勾選時(shí)可將新建立的因素分?jǐn)?shù)存儲(chǔ)至數(shù)據(jù)文件中，并產(chǎn)生新的變量名稱（默認(rèn)為fact_1、fact_2、fact_3、fact_4等）。在“Method”框中表示計(jì)算因素分?jǐn)?shù)的方法有三種：A“Regression”：使用回歸法。B“Bartlett”：使用Bartlette法C“Anderson-Robin”：使用Anderson-Robin法。②“Displayfactorcoefficientmatrix”（顯示因素分?jǐn)?shù)系數(shù)矩陣）選項(xiàng)勾選時(shí)可顯示因數(shù)分?jǐn)?shù)系數(shù)矩陣。在本例中，取默認(rèn)值。單擊“Continue”按鈕確定。（6）設(shè)置因素分析的選項(xiàng)單擊圖6-34對(duì)話框中的“Options.…按鈕，彈出“FactorAnalyze:Options”（因素分析：選項(xiàng)）對(duì)話框，如圖6-39所示。①“MissingValues”（遺漏值）選項(xiàng)框：遺漏值的處理方式。A“Excludecaseslistwise”（完全排除遺漏值）：觀察值在所有變量中沒(méi)有遺漏值者才加以分析。B“Excludecasespairwise”（成對(duì)方式排除）：在成對(duì)相關(guān)分析中出現(xiàn)遺漏值得觀察值舍棄。C“Replacewithmean”（用平均數(shù)置換）：以變量平均值取代遺漏值。②“CoefficientDisplayFormat”（系數(shù)顯示格式）選項(xiàng)框：因素負(fù)荷量出現(xiàn)的格式。A“Sortedbysize”（依據(jù)因素負(fù)荷量排序）：根據(jù)每一因素層面的因素負(fù)荷量的大小排序。B“Suppressabsolutevalueslessthan”（絕對(duì)值舍棄的下限）：因素負(fù)荷量小于后面數(shù)字者不被顯示，默認(rèn)的值為0.1o在本例中，選擇“Excludecaseslistwise”、“Sortedbysize”二項(xiàng)，并勾選“Suppressabsolutevalueslessthan”，其后空格內(nèi)的數(shù)字不用修改，默認(rèn)為0.1。如果研究者要呈現(xiàn)所有因素負(fù)荷量，就不用選取“Suppressabsolutevalueslessthan”選項(xiàng)。在例題中為了讓研究者明白此項(xiàng)的意義，才勾選了此項(xiàng)，正式的研究中應(yīng)呈現(xiàn)題項(xiàng)完整的因素負(fù)荷量較為適宜。單擊“Continue”按鈕確定。設(shè)置完所有的選項(xiàng)后，單擊“OK”按鈕，輸出結(jié)果。3.結(jié)果分析(1)KMO及Bartlett'檢驗(yàn)如圖6-40所示，顯示KMO及Bartlett'檢驗(yàn)結(jié)果。KMJandBartlett'sTest'Kaiser-Meyer-OlkinMeasureofSamplingAdequa匚y..695BartlettsTestofApprox匚hi-Square234.43SSpheri匚ityelf45Sig..□□□圖&KMOBartlett^驗(yàn)結(jié)果KMO是Kaiser-Meyer-Olkin的取樣適當(dāng)性量數(shù)，當(dāng)KMO值愈大時(shí)，表示變量間的共同因素愈多，愈適合進(jìn)行因素分析，根據(jù)專(zhuān)家Kaiser(1974)觀點(diǎn)，如果KMO的值小于0.5時(shí)，較不宜進(jìn)行因素分析，此處的KMO值為0.695,表示適合因素分析。此外，從Bartlett's球形檢驗(yàn)的值為234.438，自由度為45，達(dá)到顯著，代表母群體的相關(guān)矩陣間有共同因素存在，適合進(jìn)行因素分析。共同性如圖6-41所示，顯示因素間的共同性結(jié)果。LommunalitiesInitialExtractionA11.000.92SA21.000.738A31.0C0.900A41.C00.S72A51.000.501A61.000.S67A71.C00.919AS1.0G0.907A91.000.965A101.000.939Ex-tractionMethod:Principal匚omponentAnalysis.W氐A(chǔ)1田去向魚(yú)共同性中顯示抽取方法威主成份分析法，最右邊一欄為題項(xiàng)的共同性陡坡圖如圖6-42所示，顯示因素的陡坡圖。Plot■57：391UComponentNumber6-42因素的陡坡閣從陡坡圖中，可以看出從第三個(gè)因素以后，坡線甚為平坦，因而以保留3個(gè)因素較為適宜。整體解釋的變異數(shù)一一未轉(zhuǎn)軸前的數(shù)據(jù)如圖6-43所示，顯示的是未轉(zhuǎn)軸前整體解釋的變異數(shù)。xiracfcriSumsofSquorcdLoodingElol-riionSumsofSquaredLoading:Compontr*T&il樂(lè)ofUjriance3dtofV-arw^C^ZumuhlivtWT如bJVArunce:LiEAjldi"叢162SB&3S74t3.5794J8942.SS5弟勺站21.54715.4^7巧XM&154715-4677*1^463J373137Z752S731.03Z如迦1於2舫3641.4111440?45.3f&斗創(chuàng)4J?I為,447$$.357-Ki4坤hUM普倔aCE&E-02環(huán)9a?E-023371102Z2E^033232E-0Zloa.AGOExlrwHonMeHhod:PhnoptflComponenlftnalysii.?fi-43耒轉(zhuǎn)軸萌整悻解釋的吏異數(shù)從圖中可以看出，左邊10個(gè)成份因素的特征值總和等于10。解釋變異量為特征值除以題項(xiàng)數(shù)，如第一個(gè)特征值得解釋變異量為6.358一1063.579%。將左邊10個(gè)成份的特征值大于1的列于右邊。特征值大于1的共有三個(gè)，這也是因素分析時(shí)所抽出的共同因素?cái)?shù)。由于特征值是由大到小排列，所以第一個(gè)共同因素的解釋變異量通常是最大者，其次是第二個(gè)1.547，再是第三個(gè)1.032。轉(zhuǎn)軸后的特征值為4.389、3.137、1.411，解釋變異量為43.885%、31.372%、14.108%，累積的解釋變異量為43.885%、75.257%、89.366%。轉(zhuǎn)軸后的特征值不同于轉(zhuǎn)軸前的特征值。未轉(zhuǎn)軸的因素矩陣如圖6-44所示，顯示的是未轉(zhuǎn)軸的因素矩陣。

ComponentMatrix3匚匚imponent123A5.939.102A4.922.145Al.901-：243.239AS.0S7-.194.-237A6.S74-.206.245A7.S23.474-.129A9.S13.401-.377AID.753.495-.35SA2-.574.206A3-.164.633.6S7ExtractionMethod:P『i門(mén)匚ipal匚匚：mponentAnalysiSv3.3componentsextracted.從圖中可以看出，有3個(gè)因素被抽取，并且因素負(fù)荷量小魚(yú)0.1的未被顯示（6）轉(zhuǎn)軸后的因素矩陣如圖6-45所示，顯示了轉(zhuǎn)軸后的因素矩陣。RotatedCamponentMatrix3匚匚imponent123.Al.265-.141AS；.266A6:■；；；■■汛匹；：271-.107A5\.448-.147A4:工：工；?■矽I”..,_.,4.gs...A10知:A9.308,gi24-.129A7.417A3A2-.557.652ExtractionMethod:Prin匚ipal匚口mponentAnalysis.RotationMethod:Varimai.with-kaiserNormalization.a.Rotationconvergedin5ite