因子、信度分析2.ppt

因子分析（Factor Analysis） 因子分析的基本步骤 （1）计算所有变量间的相关矩阵，判断应用因子分析方法是否合适； （2）因子提取； （3）进行因子旋转，通过坐标变换使因子解的意义更容易解释。 （4）决定公共因子个数与对公共因子命名； （5）计算因子得分。 因子分析的要求 受试人数不少于100人，或至少是变量数的两倍； 如果相关矩阵中的大部分相关系数小于0.3，则不适合做因子分析； 符合三项因子检验的要求。 3.KMO检验 用于比较变量间简单相关和偏相关系数。如KMO的值越接近于1，则所有变量之间的简单相关系数平方和远大于偏相关系数平方和，越适合作因子分析。 KMO标准： 0.9KMO 非常适合 0.8KMO0.9 适合 0.7KMO0.8 一般 0.6KMO0.7 不太适合 KMO0.5 不适合 操作步骤 1、单击Analyze打开下拉菜单，选择Data Reduction中， 点击Factor…打开其对话框； 2、在Factor Analysis 对话框左边的变量列表中选入需分析的变量； 3、打开Descriptives 对话框，选中Coeffients输出相关系数矩阵，选中KMO and Bartlett’s test of sphericity 复选框，显示KMO测度和 Bartlett球体检验。 4、打开Rotation对话框，在Method选项中选择Varimax作为旋转方式。 5、打开option对话框，在Coefficient Display Format 选项中选择Sorted by size（负荷系数按其数值大小排列并构成矩阵）和 Suppress absolute values less than:0.10（不显示绝对值小于指定值为0.10的负荷系数）。 结果分析 信度分析 同质性信度 分半信度 再测信度 信度分析 * * 因子分析:通过研究众多原始变量（往往是问卷中的问题）之间的内部依赖关系，探讨观测数据中的基本结构，将彼此相关的原始变量转化成少数有概念意义、彼此独立性大、能反映众多原始变量所代表的主要信息的基础变量（即因子）。 因子分析的目的就是找出变量之间的内在本质联系，研究在丢失信息最少的情况下，如何把众多的原始变量浓缩为少数几个因子。 因子分析 因子分析几个概念： 因子载荷(factor loadings)：在各个因子变量不相关情况下，因子载荷就是原有变量和因子变量的相关系数，因此因子载荷的绝对值越大，则说明原有变量与公共因子的关系越密切。一般来说，负荷量为0.3或更大被认为有意义。 变量共同度(communality)：也称为公共方差，也就是原始变量可以被公共因子解释的方差百分比。变量的共同度越大，表明用这个公共因子来描述些变量就越有效，变量能被因子说明的程度越高。 1.巴特利特球形检验（Bartlett Test of Sphericity） 以变量的相关系数矩阵为出发点，零假设是相关系数是一个单位阵，不适合因子分析。若该值较大，其对应的概率值小于显著性水平，则拒绝零假设，认为相关系数不可能是单位阵，原始变量间存在相关性，适合于因子分析。 2.反映像相关矩阵检验（Anti-image correlation matrix） 以变量的偏相关系数矩阵为出发点，将偏相关系数矩阵的每个元素取反，得到反映像相关矩阵。如果反映像相关矩阵中有些元素的绝对值较大，则说明这些变量不适合作因子分析。 Descriptives： 输出均数与标准差 输出初始分析结果 检验是否适合因子分析 （从上到下，从左到右） 1计算相关系数矩阵 2显著性水平 3相关系数矩阵的行列式 4相关系数矩阵的逆矩阵 5再生相关阵 6反映像相关矩阵检验 7KMO检验和巴特利特球形检验 Option： 载荷系数显示格式： 1 按数值大小排列 2 不显示绝对值小于指定值的载荷系数 Extraction: 1依据相关系数矩阵 2依据协方差矩阵 主成份分析法 1输出未经过旋转的因子载荷矩阵 2输出因子与其特征值的碎石图 指定因子的个数的标准： 1 输入特征值，提取特征值大于该值的因子 2 输入要提取因子的个数 Factor Scores: 将因子得分作为新变量保存在数据文件中 显示因子得分系数矩阵 回归法计算因子得分 选择因子旋转方法： （从上到下，从左到右） 不旋转 方差极大法旋转 直接斜交旋转 四分最大正交旋转 平均正交旋转 余交旋转方法允许因子间相关 Rotation: 输出旋转后的因子载荷矩阵 输出载荷散点图 设置最大迭代次数 例：对师范大学98名非英语专业本科生进行了英语学习动机的问卷调查，