spss基本操作-姜永志知识内容.ppt

SPSS简介与基本操作;一、研究设计;;;;;二、量表分析;;;三、因素分析; ;;特征值 特征值是指每个变量在某一公共因子上的因子负荷的平方总和。在因子分析的公共因子提取中，特征值最大的公共因子会最先被提取，最后提取特征值最小的公共因子。因子分析的目的就是使因子维度简单化，希望以最小的公共因子能对总变异量作最大的解释，因而提取的因素愈少愈好，而提取因子之累积解释的变异量则愈大愈好。;;;;进行统计检验 在因子分析过程中提供了几种检验方法来判断变量是否适合做因子分析。主要统计方法有如下两种： ;KMO(Kaiser-Meyer-Olkin)检验：KMO统计量用于检验变量间的偏相关性是否足够小，是简单相关量和偏相关量的一个相对指数，由下式求得： ;;（3）决定旋转方法;（4）因子的命名;因子分析的对话框介绍;;“Analyze”指定提取因子的依据： Correlation matrix: 相关系数矩阵（系统默认，当原有变量存在数量级的差异时，通常选择该选项） Covariance matrix: 协方差矩阵;Rotation 按钮;Factor Scores 按钮;Option 按钮;案例分析;操作步骤;*;*;;结果分析; 巴特利球形检验统计量为131.051，相应的概率Sig为0.000，因此可认为相关系数矩阵与单位阵有显著差异。同时，KMO值为0.762，根据Kaiser给出的KMO度量标准可知原有变量适合作因子分析。; 右表是因子分析的初始解，显示了所有变量的共同方差数据。“Initial”列是因子分析初始解下的变量共同方差。它表示，对原有9个变量如果采用主成分分析方法提取所有特征值（9个），那么原有变量的所有方差都可被解释，变量的共同方差均为1（原有变量标准化后的方差为1）。“Extraction”列是在按指定提取条件（本例提取3个因子）提取特征值时的共同方差。可以看到，所有变量的共同方差均较高，各个变量的信息丢失都较少。因此本次因子分析提取的总体效果较理想; 上表中，第一列是因子编号，以后三列组成一组，每组中数据项的含义依次是特征根值，方差贡献率和累计方差贡献率。 ; 右图中，横坐标为因子数目，纵坐标为特征值。可见，第1个因子的特征值??高，对解释原有变量的贡献最大；第4个以后的因子特征值都较小，对解释原有变量的贡献很小，已经成为可被忽略的“高山脚下的碎石”，因此提取3个因子是适合的。; 从表中可以看到，9个变量在第1个因子上的负荷都很高，意味着它们与第1个因子的相关程度高，其余2个因子与9个变量的相关性相对较小。另外还可看到，这3个因子的实际含义比较模糊。; 从右表可知，用主成分分析法进行方差极大法旋转后，在校生数、招生数、毕业生数、专任教师数和经费比例5个变量在第1个因子上有较高的负荷，第1个因子主要解释这5个变量，其意义代表中等职业教育的相对规模大小，可解释为发展规模； ; 右图是负荷散点图，这里为3个因子的三维因子负荷散点图，以3个因子为坐标，给出各原始变量在该坐标中的负荷散点分布。;*;; 上表显示了3个因子的协方差矩阵。3个因子两两之间的相关系数为0，说明经因子分析提取后的3个因子之间没有相关性，实现了因子分析的设计目标，同时也说明是经过了正交旋转法而得。;*;; 总结： 样本量： 1. 样本量与变量数的比例应在5：1以上。 2. 总样本量不得少于100，而且原则上越大越好。 公因子数量的确定： 1. 主成分累积贡献率 80~85%以上 2. 特征值大于1 3. 综合判断 4. 因子分析时更重要的是因子的可解释性 ;四、信度分析;;五、描述统计与相关分析;相关分析; 相关系数的取值范围在?1和+1之间，即?1≤r≤+1。其中： ? 若0＜r≤1，表明变量之间存在正相关关系，即两个变量的相随变动方向相同； ? 若?1≤r＜0，表明变量之间存在负相关关系，即两个变量的相随变动方向相反； ;Date;Date;Date;Bivariate过程? 调用此过程可对变量进行相关关系的分析，计算有