中介效应作业.docx

第三次统计作业（探索性因素分析）第二大组第3小组严安（201521430049）本次测验共收集3376名被试的问卷，首先对数据进行初步分析，考虑到问卷为网络作答，可能存在被试不认真作答，故删除10题得分标准差为0（即所有题目得分均一样）的被试共148名。首先对数据进行缺失值处理，统计结果如下：Univariate StatisticsNMeanStd. DeviationMissingNo. of ExtremesaCountPercentLowHighQ132162.301.06512.400Q232152.221.04813.400Q332092.221.05819.600Q432091.921.00319.600Q532182.231.09610.300Q632113.12.93217.500Q732092.181.04419.600Q832102.291.06618.600Q932042.471.14224.700Q1032142.521.17414.400a. Number of cases outside the range (Q1 - 1.5*IQR, Q3 + 1.5*IQR).每个问题的缺失值都不到1%，所以不删除问题；在因素分析中采用listwise的方法，删除有数据缺失的被试。最后分析的数据是3098个被试。Listwise MeansNumber of casesQ1Q2Q3Q4Q5Q6Q7Q8Q9Q1030982.302.222.211.912.223.122.182.282.462.51第一次因素分析一、检查数据是否适合做因子分析 1. 计算相关系数矩阵变量之间的相关均显著，达到因子分析的要求。2. 计算反映象相关矩阵如果原变量中确实能提取出公因子，那么在控制了这些影响后的偏相关系数必然很小。反映象相关矩阵的对角线上的元素为某变量的MSA。MSA均大于0.8。3. Bartlett test of sphericityBartlett’s test of sphericity, p0.001。这说明变量之间的相关足够大，适合做因子分析。4. KMOKMO=0.898。KMO值接近1.KMO值越接近于1，意味着变量间的相关性越强，原有变量越适合作因子分析。Kaiser给出了常用的KMO度量标准:　0.8以上表示适合做因子分析。二．抽取因子采用主成分分析，基于特征根大于1时，只能抽取出1个因子。这十个项目中，Q10的共同度低于0.3，予以删除。CommunalitiesInitialExtractionQ11.000.447Q21.000.573Q31.000.631Q41.000.447Q51.000.504Q61.000.333Q71.000.586Q81.000.648Q91.000.396Q101.000.289Extraction Method: Principal Component Analysis.Total Variance ExplainedComponentInitial EigenvaluesExtraction Sums of Squared LoadingsTotal% of VarianceCumulative %Total% of VarianceCumulative %14.85448.54048.5404.85448.54048.5402.9679.67158.2113.8818.80767.0184.7017.00974.0275.6136.12980.1566.5755.75285.9087.4354.35390.2618.3883.87894.1399.3033.02697.16510.2842.835100.000Extraction Method: Principal Component Analysis.第二次因素分析删除第十题后进行因素分析，同样的，KMO and Bartletts Test，MSA均符合因素分析的要求。因素分析结果如下：九个项目共同度均大于0.3。CommunalitiesInitialExtractionQ11.000.434Q21.000.588Q31.000.639Q41.000.459Q51.000.504Q61.000.325Q71.000.603Q81.000.665Q91.000.400Extraction Method: Principal Component Analysis.同样根据特征根大于1标准只能提取一个因子，但我们从解释百分比和碎石图可以发现，因子2能解释较大一部分变异，更重要的是，根据问卷题目的编制原则（题目描述可分两类）以及已有研究和理论的支持，问卷应当分为两个维度。Total Variance