因素分析 使用lisrel做结构方程模型(验证性因素分析)

上传人:豆浆 文档编号:883967 上传时间:2017-05-20 格式:DOCX 页数:4 大小:20.20KB
返回 下载 相关 举报
因素分析 使用lisrel做结构方程模型(验证性因素分析)_第1页
第1页 / 共4页
因素分析 使用lisrel做结构方程模型(验证性因素分析)_第2页
第2页 / 共4页
因素分析 使用lisrel做结构方程模型(验证性因素分析)_第3页
第3页 / 共4页
因素分析 使用lisrel做结构方程模型(验证性因素分析)_第4页
第4页 / 共4页
亲,该文档总共4页,全部预览完了,如果喜欢就下载吧!
资源描述

《因素分析 使用lisrel做结构方程模型(验证性因素分析)》由会员分享,可在线阅读,更多相关《因素分析 使用lisrel做结构方程模型(验证性因素分析)(4页珍藏版)》请在金锄头文库上搜索。

1、 有关因素分析的一些基本问题(2007-05-27 23:38:16)转载分类: 读书笔记有关因素分析的一些基本问题1、因素分析的意义因素分析的意义主要在于一是寻求数据的基本结构,另一方面是为了简化数据。2、因素分析的基本原理因子分析模型Xi=f1+ai2f2+aimfm+ui (i=1,2,3,4,5,6,k) 在该模型中:(1) f 1,f2,f m 叫做公因子(Common factors),它们是各个观测变量所共有的因子,解释了变量之间的相关。(2) u i 称为特殊因子(Unique factor),它是每个观测变量所特有的因子,相当于多元回归中的残差项,表示该变量不能被公因子所解释

2、的部分。(3) a ij 称为因子负载(Factor loadings),它是第 i 个变量在第 j 个公因子上的负载,相当于多元回归分析中的标准回归系数(i=1,,k;j=1,,m) 。变量 F1 F2 共同性(h 12) 唯一因素X1 a11 a12 a112 +a122 1-h12X2 a21 a22 a212 +a222 1-h22X3 a31 a32 a31 2+a322 1-h32特征值 a112 +a212 +a31 2 a122 +a222 +a322 解释量 (a 112 +a212 +a312)/3 (a 122 +a222+a322)/3 几个重要概念:因素载荷/因素负荷

3、量:原始变量与因素分析抽取出的共同因素的相关,反映了原始变量与共同因素之间关系的密切程度。共同性/公因子方差:每个原始变量在每个共同因素的符合量的平方和,也就是可以被共同因素解释的变异百分比,从共同性的大小可以判断这个原始变量与共同因素之间的关系程度。特征值:每个变量在某一共同因素负荷量的平方总和。特征最大的共同因素首先被抽取。特征值除以总题数为此共同因素可以解释的变异量。因素分析的目的在于以最少的共同因素对总变异量做最大的解释,因而抽取的因素越少越好,但抽取因素之累积解释变异量越大越好。3、进行因素分析的样本规模一般有以下几个指标:(1)绝对样本规模。200 为最低要求;(2)样本与项目数之

4、比,一般要求要大于 5。如,编制一份预试问卷,有 20 到题目(项目数) ,则样本人数最少不少于 100。(3)项目数与因子数之比,要求大于 4。如 20 道题目,抽取的因子不能大于 5 个。4、因素抽取方法的选择?因素抽取方法多采用主成分分析,SPSS 指导手册,也是如此建议。另外也有采用主轴法的。5、关于因素的旋转?正交旋转 正交旋转假定各因素之间是相互独立的,没有相关,其目的在于获得因子的简单结构,即使每个变量在尽可能少的因子上有较高的负载。评:比较简单,概念上比较清晰。但是因素分析模型并没有规定因素之间必须独立;心理学研究中的许多概念是相关的,人为的将其限定为相互独立的因素并不符合事实

5、;正交旋转人为的设置了多余的限制,导致旋转后的因素负荷矩阵简单性 和 清晰性,导致整个 模型的拟合度比斜交旋转要差。斜交旋转 斜交旋转对因子间的是否相关并无限制,比起正交旋转更具有一般性。斜交旋转能提供更多的信息,即因素之间的相关矩阵。另外如果因素之间相关较高的话,还意味着可能存在着“高阶” 因素,还可以进行更高阶的因素分析,这一点是正交旋转办不到的 。6、关于因素个数的确定?一般有如下几种方法:(1) 特征值大于 1 法。(2) 碎石检验法(3) 平行分析法(Parallel analysis)如因素抽取采用最大使似然法,则确定因素个数的具体方法有:(使用前提,所有变量都呈正态分布)(1)p

6、erfect fit test 完全拟合检验;(2)Tuker-Lewis 法;(3)RMSEA 法。更好的一个程序是:(1) 研究者在理论种是否事先假定了因素个数(2) 考虑一些简单的方法,先看一下如特征值大于 1 法和碎石图法(3) 考虑由最大似然法所产生的模型拟合程度的信息(4) 根据以上三方面的信息,将可能的因素压缩到一个比较小的范围(5) 根据第四步确定的因素范围分别抽取不同个数的因素,比较旋转个因素负荷的可解释性,作出最终决定。7、论文写作应注意的论文写作应将因素负荷矩阵的数据全部加以报告。8、双载荷的含义?以及删减题项的标准是什么?在因子载荷矩阵中,首先找出在每个因子上有显著负载

7、的变量,根据这些变量的意义给因子一个合适的名称,具有较高负载的变量对因子名称的影响更大。一般认为绝对值小 0.3 的因子载荷就是显著的。负载的绝对值越大,在解释因子时越重要。因子负载反映了观测变量和因子之间的相关系数,负载的平方表示因子所解释的变量的总方差。如有文章中删除小于 0.3 的题项和在多个题项上载荷大于 0.3 的项目。 每个因子所包含的题目数不能少于 3 个,因子载荷为负,并不代表小,只代表方向。使用 lisrel 做结构方程模型(验证性因素分析)(2012-07-04 15:56:11)主要包括两个过程:数据的预处理和建立模型1 假设数据现在是以 sav 的格式保存在你 E 盘的

8、某个文件夹里的。这时需要在 C 盘建立一个文件夹存放将要分析的 sav 数据。数据应该事先做整理,这个数据文件应该只包括需要分析的变量,而不应该包括其他无关的变量,以方便到后面使用。 (根据经验,prelis 生成的协方差矩阵只有放在 C 盘,需要时才能被找得到)2 file-import external data in other formats.根据对话框,在文件类型里选择你刚刚保存数据的文件类型,点击文件名,打开。为即将产生的 prelis data(后缀名为.psf )命名,比如test.psf。保存,出现 prelis data 的数据表。3 data-define variabl

9、es 先对变量进行定义,比如定义变量的类型、缺失值、重命名变量,如果是分类变量,还可以定义类型标签等。根据需要,我们以定义连续型数据为例:选中一个变量,点击 variable type,选中 continues,如果所有的变量都定义为连续变量,选中apply to all,OK,所有的变量将都是连续型数据。返回到 define variable 对话框,继续定义缺失值:点击 missing values,进入对话框,选中 missing values。导入后数据表中缺失值以-999999.00 表示,在定义缺失值对话框中选中 missing values,在填入框中填入所指定的值即可(如果要定

10、义某个数值范围为缺失,填入最低最高的值即可)点击 apply to all 可以对所有的变量都定义同样的数值为缺失。一般来讲,到此处缺失值就定义完毕了,然而,根据经验如果 global missing value 中不做定义的话,个别功能不能识别出缺失值,因此,建议在此处也进行同样的设置。定义完缺失值,还需要对缺失值进行处理,这里提供两种处理方式,即 listwise(列删)pairwise(对删) 。直接按照默认的列删即可。4.1 如果各变量的缺失值不多,删除带有缺失的样本很可惜,那么可以通过一些算法对缺失值进行填补即可。statistics-multiple imputation,出现对话

11、框,选择带有缺失值的变量进入右边的框,选择 EM 算法或者 MCMC 算法(两种算法的区别可以阅读一些学术文献了解其优缺点,一般这里按照默认的 EM 算法即可) 。其他选项默认。点击 output variable,出现对话框,选择协方差矩阵,勾选 save to file,并命以名字,命名以.cov 为后缀,比如test.cov,勾选 lisrel system data,勾选 save the transformed data to file并命名以 dsf 为后缀。OK 之后,就会产生这些文件保存在 C 盘所建立的文件夹里了。在这里 test.cov 最关键,因为接下来马上需要用。这里等

12、到一个填补缺失值后的 prelis data,协方差矩阵也是根据这个数据表出来的。到此,数据的预处理工作算是完毕了。关闭 prelis data。4.2 第三步只是对原始数据进行了处理,并没有计算协方差矩阵。如果没有 4.1 的情况,应该按照以下步骤得到协方差矩阵:statistics-output option,勾选 save to file,并命以名字,命名以.cov 为后缀,比如 test.cov,勾选 lisrel system data,勾选 save the transformed data to file 并命名以 dsf 为后缀。OK 之后这些文件都会在 C 盘建立的文件夹里。

13、 test.cov 是很关键的,因为接下来马上需要用。到此,数据的预处理工作算是完毕了,关闭 prelis data。5 接下来,是建立模型。建立模型有两种途径:一是之间写 syntax,二是通过 path diagram 建模型。这里主要记录使用 path diagram 的经验。file-new,在下拉框中选择 path diagram,出现对话框,为 path diagram 命名,后缀名为.pth,例如:test.pth。保存之后就会出现绘图窗口。左边小框为观测变量和潜变量的窗口,右边为画布。菜单:setup-title and comments 出现对话框,可以给个题目和注释,不填也

14、可以,直接 next,分组变量,没有不填直接 next。接下来 labels 窗口,左边为观测变量, 点击 add/read variables,出现对话框,read from file,可以选择 lisrel system file 或者 prelis system file,两者的变量名都相同,file name,点击 browse,出现对话框,如果前面选择了 lisrel system file,则出现 dsf 文件,如果前面选择 prelis system file,则出现 psf 文件。OK,观测变量名就加进来了。右边为潜变量,add latent variables,直接命名潜变量

15、即可。next,进入 data 对话框,summary statistics-statistics,下拉框选择 covariances,files 下拉框,选择 external ascii data,browse,选择 C 盘里建的文件夹,找到 test.cov,选择、打开。number of 填入实际的样本量。OK 。6 在右侧的变量窗口里,在观测变量里,点击 Y 列下的方块,显示打叉,表示相应的观测变量为内生潜变量的观测指标,下方的潜变量,在右侧的 Eta 列下打叉,表示相应的潜变量为内生潜变量。把观测变量拖到右边的画布上,外生变量指标放左边,内生变量指标放右边。先拖动内生潜变量到右边的

16、画布,然后拖动外生潜变量(根据经验先拖动内生变量然后拖动外生变量不会出现问题) 。7 根据理论,点击单向箭头连接潜变量和测量指标,外生潜变量和内生潜变量,内生潜变量和内生潜变量(根据理论决定每个路径,同时注意:外生潜变量之间只能用双向箭头表示相关关系,不能用单向箭头表示因果关系,但是内生潜变量之间可以使用单向箭头表示因果关系) 。最后建立好模型。8 setup-built lisrel syntax,生成程序语句,run lisrel ,如果模型和协方差矩阵没有什么问题,潜变量间的路径系数、指标和潜变量间的载荷即可估计出来,并生成一个结果文件test.out。在 test.out 文件中也可以看到路径系数和载荷,另外还可以看到模型的拟合指数等结果信息。9 简单提一下如何修订模型:在 path dia

展开阅读全文
相关资源
相关搜索

当前位置:首页 > 行业资料 > 其它行业文档

电脑版 |金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号