SPSS+AMOS数据分析案例教程-关于中介模
SPSS视频教程内容目录和跳转链接
SPSS+AMOS数据分析案例教程-关于中介模
SPSS视频教程内容目录和跳转链接
R语言快速入门视频教程
Python智联招聘数据分析
LCA潜在类别分析和Mplus应用
Amos结构方程模型数据分析入门教程
倒U关系回归分析中介效应和调节效应分析SPSS视频教程

SPSS问卷效度分析教程

在B站@mlln-cn, 我就能回答你的问题奥!

文章目录
  1. 1. 什么是效度
  2. 2. 效度的举例
    1. 2.1. 结构效度
    2. 2.2. 聚合和区分效度
    3. 2.3. 共同方法偏差
  3. 3. 效度分析的流程
  4. 4. 探索性因子分析流程
  5. 5. 因子分析样本量
  6. 6. 探索性因子分析SPSS操作
  7. 7. 共同方法偏差SPSS操作
  8. 8. 结果解读
    1. 8.1. KMO
    2. 8.2. 方差解释率
    3. 8.3. 模式矩阵:代表回归系数
    4. 8.4. 结构矩阵:代表相关系数
  9. 9. 补充
  10. 10. 视频教程
  11. 11. 参考
  12. 12. 视频教程

什么是效度

效度指的是量表的题目能够测量你所声称的概念, 比如幸福感量表, 效度高指的是幸福感量表能够测量人的幸福感。

因为量表往往测量的是一种主观概念, 不像客观概念那样可以直接的判断测量的准确性, 所以我们需要通过间接的方法验证准确性。

效度与因子分析往往放到一起说, 因为在大部分论文中都是使用因子分析来验证效度, 因为我们的一系列教程都是以写论文为目的, 所以我们这部分也主要以讲解因子分析为主。

效度的举例

  • Face validity(表面效度): 看起来像
  • Content validity(内容效度): 专家看起来像, 有时候会使用一些专家评分来量化
  • 结构效度: 因子分析结果满足理论假设
  • Convergent validity & discriminant Validity (聚合和区分效度):与相关的量表相关高,与不想关的量表相关低
  • Criterion-related validity 校标效度: 求量表与其他指标的相关性

结构效度

探索性因子分析是用来证明结构效度的一种通用的统计方法。EFA是一种数据降维技术,它使用一种称为主成分分析的统计技术,根据上述的双变量相关矩阵,将给定的一组项目汇总为较小的一组因子。这些因素在理想情况下应该与我们试图衡量的基础理论构造相对应。

也就是说提取因子数目与理论一致, 并且理论上相同因子下题目(变量)聚合到一起, 不同理论上因子的题目聚合到不同的因子上。

因子提取的一般规范是每个提取的因子的特征值应大于1 (Kaiser, 1960).。然后,可以使用正交或倾斜旋转技术旋转提取的因子,以生成因子权重。

聚合和区分效度

属于同一因子的题目在该因子上载荷应当超过0.6,或者alpha信度大于0.7, 平均方差提取量AVE超过0.5。 而对于区别效度,题目在非属因子上的载荷应当低于0.3, 或者 很多论文中会求因子之间的相关性,
区别效度主要是AVE的平方根大于这个因子与所有其他因子的相关系数。

共同方法偏差

共同方法偏差不是效度, 但是影响效度。

共同方法偏差(CMB)是由于测量环境/被试本身倾向/测量工具等导致的不同题目(变量)之间具有相关性。举例来说, 有些被试喜欢评高分, 有些被试喜欢评低分, 不管什么样的题目, 被试这种倾向性都会导致题目之间的相关性被高估。

检测你的研究数据是否存在CMB最简单的方法就是Harman的单因子方法: 使用所有题目(变量)进行EFA, 如果第一个因子所能解释的方差超过50%就可以认为你的数据存在CMB。

效度分析的流程


探索性因子分析流程


因子分析样本量

因子分析是一项需要大量样本的方法。因子分析基于变量的相关矩阵,并且相关通常需要较大的样本量才能稳定。 Tabachnick和Fidell(2001,第588页)引用了Comrey和Lee(1992)关于样本量的建议:50例非常差,100例差,200例公平,300例很好,500例非常好,1000例以上是极好的。根据经验,为避免计算困难,样本量应当是变量数的10倍。

探索性因子分析SPSS操作

打开因子分析的对话框

选择因子分析的方法: 主轴因式分解法,

选择因子旋转方法, 这种方法假设因子之间存在相关性, 所以更适合一般问卷数据

共同方法偏差SPSS操作

同上

结果解读

KMO

方差解释率

模式矩阵:代表回归系数

结构矩阵:代表相关系数

补充

Kaiser(1960)的K1标准被滥用, 很多学生把特征值大于1作为提取因子的金标准, 但是其实特征值为1只是下限, 也就是说你提取因子的时候, 可以只提取特征值大于2的,甚至更高的, 这并不维反K1准则。

另外很多学生比较死板, 特征值为1.01和0.99其实差别很小, 但是我们往往保留了特征值为1.01的因子而删除了特征值为0.99的因子。

视频教程

参考

注意
本文由jupyter notebook转换而来, 您可以在这里下载notebook
统计咨询请加QQ 2726725926, 微信 mllncn, SPSS统计咨询是收费的
微博上@mlln-cn可以向我免费题问
请记住我的网址: mlln.cn 或者 jupyter.cn

视频教程

赞助

持续创造有价值的内容, 我需要你的帮助