问卷信效度分析.ppt

完 成 結 果 求相關係數和估計共同性 Statisics 統計量 [ Univariarte descripitive] ：單變量描述性統計量，計算每一題項的平均數、標準差。 [ Initial solution] ： 初始解統計量。計算出因素分析未轉軸前之共同性(communality)、特徵值(eigenvalues)、變異數百分比(cumulative percentage) [ Correlation Matrix] ：係數矩陣 [Correlation Matrix]：係數：計算出各題題項之間的相關係數矩陣。 [Significance levels]：顯著水準。計算出相關係數的顯著水準矩陣。 [Determinant]：行列式值。計算相關係數矩陣的行列式值。 [Inverse]：反矩陣。計算相關係數矩陣的反矩陣。 [Reproduced]：重製相關矩陣。上半部代表重製矩陣，下半部代表殘差矩陣。 [Anti-image]：反映像。求出反映像的共變數及相關矩陣。 [KMO and Bartlett’s test of sphericity]：KMO值和巴特烈球形考驗。 決定抽取共同因素的方法 陡坡圖 Method：抽取共同因素的方法 主成份分析（principle component analysis） 未加權最小平方法(Unweighted least squares) 一般化最小平方法（Generalized least squares ） 最大近似法（Maximum-likelihood ） 主軸法（principal- axis factoring） 因素法(Alpha factoring) 映像因素法(Image factoring) 轉軸的方法 Method：轉軸的方法 [None]：不需轉軸 [varimax] ：最大變異法(屬正交轉軸法) [Quartimax]：四次方最大值法(屬正交轉軸法) [Equamax]：相等最大值法（屬正交轉軸法） [Direct Oblimin]：直接斜交轉軸法(屬斜交轉軸法) [Promax]： Promax轉軸法 (屬斜交轉軸法) 輸出情形 [Rotated solution]：顯示轉軸後的相關資訊。 [Roading plot(s)]：顯示轉軸後的因素負荷量圖形。 遺漏值設定 [Exclude cases listwise]：某一筆資料中有遺漏值，不論該缺失值所在變項與該次分析有關否，一律將該筆資料排除不用。 [Exclude cases pairwise]：若要分析的變項該樣本皆缺失資料，則該筆樣本不用。 [Replace with mean]：用平均數取代缺失值，進行計算。 因素負荷量輸出情形 [Sort by size ]：讓因素負荷量依大小序排列。 [Suppress absolute values less than]：設定因素負荷量小於所輸入之設定值時，則因素負荷量不出現。但一般來說，正式的研究論文中應該呈現完整的因素負荷量較為適宜。 各題項間的相關矩陣 因素分析適合度考驗 當KMO值越大時，表示變項間的共同因素越多，越適合進行因素分析。一般來說，如果KMO值小於 .5時，較不宜進行因素分析。 本例中的KMO值為.918，大於.5，所以適合因素分析。 另一種指標為Bartlett’s球形考驗，其卡方值27715.185，達顯著水準，代表相關矩陣間有共同因素存在，因此適合進行因素分析。 效度係數 轉軸後的因素負荷量矩陣 轉軸後的因素負荷量矩陣 轉軸後的因素負荷量矩陣 每一題於五個因素的負荷量取其最大者，便把此題項歸在此因之下。 例如：「期望座位舒適度」題項在各個因素的負荷量為.834、-.055、.051、.096、-.141。因此把「期望座位舒適度」題項類在因素一之內。 在上表中，「因素一」共有7題， 「因素二」共有7題， 「因素三」共有5題， 「因素四」共有3題， 「因素五」共有2題。 一般來說，每一個因素至少要包含3題以上是題項才足以表達出因素的構面。因此，第五因素下是二題則可以刪除。 刪題之後，必須再重新進行一次因素分析，檢驗各構面的題項是否會因刪題之後而改變。 我們可以反覆的進行因素分析，直到各個因素之下的題項至少3題以上者，方可得到最後的因素構面。 刪題後的結果 已轉軸的因素負荷量 由上表可知，四個因素構面之下的題項與第一次因素分析一致，所以已經達到穩定，不再進行因素分析。 利用已轉軸的因素負荷量，進行因素命名。 若因素分析中的結果中，每一個因素之下是題項包含了許多其他原先設定構面之下的題項，則必須重新命名。 資料分析結果呈現 針對國道客運滿意度問卷進行因素分析，首先經過巴特萊球形考驗(Bartlett’s Test of