利用SPSS进行量表分析报告文案

第五节利用SPSS进行量表分析

在第五章调查研究中，我们介绍了量表的类型、编制的步骤及其应用，在本节将介绍利用SPSS 软件对量表进行处理分析。

在获取原始数据后，我们利用SPSS对量表可以作出三种分析，即项目分析、因素分析和信度分析。

项目分析，目的是找出未达显著水准的题项并把它删除。它是通过将获得的原始数据求出量表中题项的临界比率值一一CR值来作出判断。通常，量表的制作是要经过专家的设计与审查，因此，题项一般均具有鉴别度，能够鉴别不同受试者的反应程度。故往往在量表处理中可以省去这一步。

因素分析，目的是在多变量系统中，把多个很难解释，而彼此有关的变量，转化成少数有概念化意义而彼此独立性大的因素，从而分析多个因素的关系。在具体应用时，大多数采用“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，目的是对量表的可靠性与有效性进行检验。如果一个量表的信度愈高，代表量表愈稳定。也就表示受试者在不同时间测量得分的一致性，因而又称“稳定系数”。根据不同专家的观点，量表的信度系数如果在0.9 以上，表示量表的信度甚佳。但是对于可接受的最小信度系数值是多少，许多专家的看法也不一致，有些专家定为0.8 以上，也有的专家定位0.7 以上。通常认为，如果研究者编制的量表的信度过低，如在0.6 以下，应以重新编制

较为适宜。

在本节中，主要介绍利用SPSS软件对量表进行因素分析。

一、因素分析基本原理

因素分析是通过求出量表的“结构效度”来对量表中因素关系作出判断。在多变量关系中，变量间线性组合对表现或解释每个层面变异数非常有用，主成份分析主要目的即在此。变量的第一个线性组合可以解释最大的变异量，排除前述层次，第二个线性组合可以解释次大的变异量，最后一个成份所能解释总变异量的部份会较少。

主成份数据分析中，以较少成份解释原始变量变异量较大部份。成份变异量通常用“特征值” 表示，有时也称“特性本质”或“潜在本质”。因素分析是一种潜在结构分析法，其模式理论中，假定每个指针（外在变量或称题项）均由两部分所构成，一为“共同因素”、一为“唯一因素”。共同因素的数目会比指针数（原始变量数）还少，而每个指针或原始变量皆有一个唯一因素，亦即一份量表共有n个题项数，则会有n个唯一因素。唯一因素性质有两个假定：

（1）所有的唯一因素彼此间没有相关；

（2）所有的唯一因素与所有的共同因素间也没有相关。

至于所有共同因素间彼此的关系，可能有相关或可能皆没有相关。在直交转轴状态下，所有的共同因素间彼此没有相关；在斜交转轴情况下，所有的共同因素间彼此就有相关。因素分析最

常用的理论模式如下:

其中

（1）为第i个变量的标准化分数。

（2）Fm为共同因素。

（3）m为所有变量共同因素的数目。

（4）为变量的唯一因素

（5 ）为因素负荷量。

因素分析的理想情况，在于个别因素负荷量不是很大就是很小，这样每个变量才能与较少的共同因素产生密切关联，如果想要以最少的共同因素数来解释变量间的关系程度，则彼此间或与共同因素间就不能有关联存在。

在因素分析中，有两个重要指针：一为“共同性”，二为“特征值”

从共同性的大小可以判断这个原始变量与共同因素间之关系程度。而各变量的唯一因素大小就是1减掉该变量共同性的值。（在主成份分析中，有多少个原始变量便有多少个成份，所以共同性会等于1，没有唯一因素）。

在因素分析的共同因素抽取中，特征值最大的共同因素会最先被抽取，其次是次大者，最后抽取得共同因素的特征值最小，通常会接近0 （在主成份分析中，有几个题项，便有几个成份, 因而特征值的总和刚好等于变量的总数）。将每个共同因素的特征值除以总题数，为此共同因素

可以解释的变异量，因素分析的目的之一，即在因素结构的简单化，希望以最少的共同因素，能对总变异量作最大的解释，因而抽取得因素愈少愈好，但抽取因素的累积解释的变异量愈大愈好

我们通过一个例子说明如何利用SPSS软件对量表进行分析。

二、利用SPSS对量表进行因素分析

【例6-9 】现要对远程学习者对教育技术资源的了解和使用情况进行了解，设计一个里克特量表，如表6-27 所示。

将该量表发放给20 人回答，假设回收后的原始数据如表6-28 所示。

操作步骤：

1.录入数据

定义变量“ A1”、“ A2”、“ A3”、“ A5”、“ A6”、“ A7”、“ A8”、“ A9”、“ A10”，并按照表输入数据，如图6-33 所示。

2.因素分析

(1)选择“ AnalyzeData ReductionFactor …”命令，弹出“ Factor Analyze ” 对话框，将变量“ A1”到“ A10”选入“ Variables ”框中，如图6-34所示。

2 ）设置描述性统计量

单击图6-34 对话框中的“ Descriptives …”按钮，弹出“ Factor Analyze:Descriptives 因素分析：描述性统计量）对话框，如图6-35 所示。

①“Statistics ”（统计量）对话框

A “Univariate descriptives ”（单变量描述性统计量）：显示每一题项的平均数、标准差。

B “ Initial solution ”（未转轴之统计量）：显示因素分析未转轴前之共同性、特征值、变异数百分比及累积百分比。

②“Correlation Matric ”（相关矩阵）选项框

A “ Coefficients ”（系数）：显示题项的相关矩阵

B “ Significance levels ”（显著水准）：求出前述相关矩阵地显著水准。

C “Determinant ”（行列式）：求出前述相关矩阵地行列式值。

D “ KMOand Bartlett ' s test of sphericity ”（KMO与Bartlett 的球形检定）：显示

KMO 抽样适当性参数与Bartlett ' s 的球形检定。

E “Inverse ”（倒数模式）：求出相关矩阵的反矩阵。

F “ Reproduced” （重制的）：显示重制相关矩阵，上三角形矩阵代表残差值；而主对角线及下三角形代表相关系数。

G “ Anti-image ”（反映像）：求出反映像的共变量及相关矩阵。

在本例中，选择“ Initial solution ”与“ KMO and Bartlett ' s test of sphericity 项，单击“ Continue ”按钮确定。

（3）设置对因素的抽取选项

单击图6-34 对话框中的“ Extraction …”按钮，弹出“ Factor Analyze:Extraction ” 素分析：抽取）对话框，如图6-36 所示。