《问卷分析(因素分析及其项目分析)》由会员分享，可在线阅读，更多相关《问卷分析(因素分析及其项目分析)（95页珍藏版）》请在金锄头文库上搜索。
1、问卷分析卷分析 杨胜龙杨胜龙重庆能源职业学院重庆能源职业学院上邦高尔夫与酒店管理学院上邦高尔夫与酒店管理学院主要内容主要内容问卷卷项目分析目分析因子分析因子分析实操操实操操项目分析目分析因素分析因素分析项目分析目分析区分度区分度相关法相关法CR值问卷卷项目分析目分析难度（通俗性）度（通俗性）区分度（辨区分度（辨别力）力）实操操区分度（辨区分度（辨别力）力）检验方法：方法：运用运用经验与心理学理与心理学理论知知识；临界比率界比率值（CR值）法；）法；相关法；相关法；临界比率界比率值（CR值）法）法采用求出各个采用求出各个题项的的临界比率界比率值（CR值）的）的方法，将未达方法，将未达显著水平的著
2、水平的题项予以予以删除。即将除。即将总分按从高到低的分按从高到低的顺序排列，得分位于前序排列，得分位于前27%者者为高分高分组，得分后，得分后27%者者为低分低分组，进行高行高低两个低两个组在每在每题得分平均数上的差异得分平均数上的差异显著性著性检验。题项的的CR值达到达到.05以上的以上的显著性的保留。著性的保留。相关法相关法用相关法用相关法计算算题项得分与得分与总问卷得分的相关卷得分的相关系数。系数。题项的的值小于小于0.15并予以剔除。并予以剔除。因子分析因子分析浅浅谈因子分析因子分析应用用实例例因子分析概述因子分析概述因子分析又称因素分析，因子分析又称因素分析，传统的因子分析是的因子分
3、析是探索性的因子分析，即因子分析是基于相关关探索性的因子分析，即因子分析是基于相关关系而系而进行的数据分析技行的数据分析技术，是一种建立在众多，是一种建立在众多的的观测数据的基数据的基础上的降上的降维处理方法。理方法。其主要目的是探索其主要目的是探索隐藏在大量藏在大量观测数据背后数据背后的某种的某种结构，构，寻找一找一组变量量变化的化的“共同因子共同因子”。因子分析能做什么？因子分析能做什么？人的心理人的心理结构具有构具有层次性，即分次性，即分为外外显和内和内隐。但是作。但是作为具有同一性的个体来具有同一性的个体来说，内，内隐的的方面方面总是和外是和外显的方面相互作用，内的方面相互作用，内隐方
4、面制方面制约着外着外显特征。特征。所有我所有我们经常常说，一个人的内在自我会在相，一个人的内在自我会在相当程度上决定他的外在行当程度上决定他的外在行为特征，表特征，表现为某些某些行行为倾向具有高度的一致性或相关性。向具有高度的一致性或相关性。因子分析能做什么？因子分析能做什么？反反过来来说，我，我们可以通可以通过对个体个体进行系行系统的的观察和察和测量，从一量，从一组高度相关的行高度相关的行为倾向中，向中，探索到某种探索到某种稳定的内在心理定的内在心理结构，构，这就是因子就是因子分析所能做的。分析所能做的。因子分析的特点因子分析的特点因子个数因子个数远远少于原有少于原有变量个数；量个数；因子能
5、反映原有因子能反映原有变量的量的绝大部分信息；大部分信息；因子之因子之间的的线性关系不性关系不显著；著；因子具有命名解因子具有命名解释性。性。因子分析分因子分析分类探索性因子分析探索性因子分析验证性因子分析性因子分析因子分析的基本原理因子分析的基本原理因子分析的基本思想和起源因子分析的基本思想和起源因子分析的基本模型因子分析的基本模型因子分析的基本步因子分析的基本步骤因子分析的基本模型因子分析的基本模型共同度共同度公共因子的方差公共因子的方差贡献献因子分析的基本步因子分析的基本步骤样本和本和测量量变量量因子分析适合度因子分析适合度检验因子提取及其因子数确定因子提取及其因子数确定因子旋因子旋转因
6、子命名因子命名谢谢！谢谢！因子旋因子旋转因子旋因子旋转通通过以上两个以上两个图我我们不不难发现，进行因子旋行因子旋转是很是很有必要的，因有必要的，因为这可以使我可以使我们更容易将因子更容易将因子进行分行分组。建立因子分析模型的目的不建立因子分析模型的目的不仅是找出主因子，更重是找出主因子，更重要的是知道每个主因子的意要的是知道每个主因子的意义，以便，以便对实际问题进行分析。如果求出主因子解后，各个主因子的典型行分析。如果求出主因子解后，各个主因子的典型代表代表变量不很突出，量不很突出，还需要需要进行因子旋行因子旋转，通，通过适适当的旋当的旋转得到比得到比较满意的主因子。意的主因子。 旋旋转的方
7、法有很的方法有很多，正交旋多，正交旋转(orthogonal rotation)和斜交旋和斜交旋转(oblique rotation)是因子旋是因子旋转的两的两类方法。最常用方法。最常用的方法是最大方差正交旋的方法是最大方差正交旋转法法(Varimax)。因子提取及其因子数确定因子提取及其因子数确定因子分析的基本目因子分析的基本目标是找出少数几个公共因是找出少数几个公共因子，使子，使这些因子能些因子能够在相当程度上解在相当程度上解释一系列一系列变量数据的量数据的变异。异。因此，如何提取因子以及提取几个因子就成因此，如何提取因子以及提取几个因子就成了因子分析中的基本了因子分析中的基本问题。因子提
8、取及其因子数确定因子提取及其因子数确定因子提取的方法因子提取的方法因子数的确定因子数的确定因子数的确定因子数的确定在提取公因子的时候，我们需要解决另外一个问题：抽取几个公共因子才算合适？每个因子的解释能力都是有限的，它只能反映原变量中一部分的变化信息。变量的剩余变异只能用其他的因子来解释。因此，抽取的公因子数目越多，解释能力越强，遗漏的信息越少。反之则越少，遗漏的变异信息就越多。因子数的确定因子数的确定那是不是因子数目越多越好呢？如果将所有的主成分全部选为因子，则因子数与原变量数相同，这时虽然能够完全的解释原有变量的变异信息，但却失去了因子分析的意义。提取的公因子数越多，就不能达到简化变量结构
9、的目的。所以，在确定因子分析时，我们需要在因子模型的准确性和简单性之间做较好的权衡。下面给大家介绍几种因子分析常用确定因子数的方法。SPSS里常用方法比例法比例法特征特征值大于大于1标准法准法碎石碎石图法法碎石碎石图法法如图知，最左边的一个因子如图知，最左边的一个因子特征值最大，后续因子的特特征值最大，后续因子的特征值迅速减少，所以曲线也征值迅速减少，所以曲线也迅速下降。下降到某一点，迅速下降。下降到某一点，开始变得平缓。平缓就意味开始变得平缓。平缓就意味着对应部分的各因子的特征着对应部分的各因子的特征值或贡献接近，它们在简化值或贡献接近，它们在简化变量的过程中帮助不大，所变量的过程中帮助不大
10、，所以一般不再将其选为公共因以一般不再将其选为公共因子。子。简单的说，这种方法一般是简单的说，这种方法一般是以碎石图曲线从迅速下降到以碎石图曲线从迅速下降到突然变平缓的那个拐点对应突然变平缓的那个拐点对应的因子数来确定的。的因子数来确定的。碎石碎石图法法此种方法比较直观。不足：1.主观性太强；2.关于拐点的概念没有明确的定义；3.当“碎石图”比较模糊时,没有清晰的拐点,此时难以判断何处是拐点；4.此法缺少数量上的标准。比例法比例法此种方法要求提取的m个因子对原变量方差的解释率达到一定的比例。一般建议或者要求达到80%以上。但是实际应用中，根据问题性质和测量工具的成熟水平，也可以将标准定为40%
11、-60%这一较低水平。特征特征值大于大于1标准法准法从前面的讲述中我们知道，因子的特征值与其方差贡献具有对应关系。要求前m个因子的特征值总和达到一定的量。换句话说，选取的因子的特征值应该达到一定量，通常是以特征值大于1为默认标准。特征特征值大于大于1标准法准法这种方法具有简单性和客观性。不足：1.它通常得到误用；2.此标准带有机械性；3.它可能导致过多估计偶尔又会过少估计因子数；4.采用这种方法时,样本容量也会影响因子数。因子提取及其因子数确定因子提取及其因子数确定因子提取的方法因子提取的方法因子提取的方法有很多，主要有主成分方法、加权最小平方法、极大似然法等,我们可以根据需要选择合适的因子提
12、取方法。其中主成分方法是一种比较常用的提取因子的方法。主成分法主成分法在实证数据分析研究中，人们为了尽可能的完整的收集信息，对于每个样本往往要观测他的很多项指标，少到几项，多到几十项，这些指标之间通常不是相互独立而是相关的。因此，从统计分析角度角度来说，人们总是希望把大量的原始指标组合成较少的几个综合指标，从而使分析简化。比如描述一个人的身材需要用的指标有？但是当人们购买衣服时呢？主成分法主成分法因此，主成分法是用变量的线性组合中能产生最大样品方差的那些组合(称主成分)作为公共因子来进行分析的方法。分析出来的主成分与原始变量的关系：1.每个主成分都是各原始变量的线性组合；2.主成分的数目远远少
13、于原始变量的数目；3.主成分保留了原始变量的大部分信息；4.各主成分之间互不相关。样本和本和测量量变量量测量量变量的量的选择公共因子必公共因子必须包括在包括在测量量变量中量中,且且测量量变量量一定要与研究一定要与研究领域域紧密相关。如果密相关。如果测量的量的变量量与研究目的不相关与研究目的不相关,将将导致假的公共因子的出致假的公共因子的出现。统计学家建学家建议,测量量变量的数。目至少量的数。目至少应该是是公共因子数的公共因子数的35倍。倍。样本和本和测量量变量量样本的大小本的大小统计学家建学家建议,根据根据测量的量的变量数决定量数决定样本的本的容量。容量。应达到一个达到一个测量量项目目对应5个
14、被个被试的的标准准,且且样本容量不得少于本容量不得少于100。Comrey和和Lee研究研究,在因素分析中在因素分析中,样本容量本容量达到达到500为非常好非常好.1000或更多或更多则极好极好。因子分析适合度因子分析适合度检验巴特利球形巴特利球形检验（Barlett Test of Sphericity）KMO取取样适合度适合度检验巴特利球形巴特利球形检验用于用于检验相关相关阵是否是是否是单位位阵，即各，即各变量是量是否独立。它是以否独立。它是以变量的相关系数矩量的相关系数矩阵为出出发点，点，Ho：相关系数矩：相关系数矩阵是一个是一个单位位阵。如果巴特。如果巴特利球形利球形检验的的统计计量数
15、量数值较大，且其大，且其对应的的概率概率P值小于小于给定的定的显著性水平（著性水平（.05或或.01），），则应该拒拒绝零假零假设Ho；认为原有原有变量量间的相的相关系数矩关系数矩阵不是不是单位矩位矩阵，变量量间存在相关关存在相关关系，可以系，可以进行因子分析。反之行因子分析。反之.KMO取取样适合度适合度检验是通是通过比比较各各变量量间简单相关系数和相关系数和偏相关偏相关系数（系数（在多元回在多元回归分析中，在消除其他分析中，在消除其他变量影量影响的条件下，所响的条件下，所计算的某两算的某两变量之量之间的相关系的相关系数。数。）的大小判断的大小判断变量量间的相关性，相关性的相关性，相关性强时
16、，偏相关系数，偏相关系数远小于小于简单相关系数，相关系数，KMO值接近接近1。因子分析的基本模型因子分析的基本模型共同度共同度方差反方差反应了数据的了数据的变化程度。某个化程度。某个测验分数分数的方差反的方差反应了被了被试在此在此测验中反中反应的差异性大的差异性大小。小。对于于该差异的来源。差异的来源。因子分析假因子分析假设：每个：每个测验变量都受到公共因量都受到公共因子和随机子和随机误差的影响。因此我差的影响。因此我们的方差可以分的方差可以分为公共因子方差和公共因子方差和误差方差。差方差。因子分析的基本模型因子分析的基本模型共同度共同度而共同度而共同度为所有共同因子所有共同因子对某某变量分数
17、方差量分数方差的的贡献量，反映了献量，反映了该分数的分数的变异中能异中能够被所有被所有公共因子共同解公共因子共同解释的部分。的部分。所以将共同度理解所以将共同度理解为：所以因子：所以因子对这个个变量量共同起作用的程度。共同起作用的程度。很明很明显，因子分析希望能用提取出的公共因，因子分析希望能用提取出的公共因子解子解释测量量变量的量的绝大部分大部分变异，即异，即测量量变量量的共同度越接近的共同度越接近1越好。同越好。同时它也是它也是评估因子估因子分析效果分析效果优劣的重要指劣的重要指标。因子分析的基本模型因子分析的基本模型公共因子方差公共因子方差贡献献因子的方差因子的方差贡献反献反应了了该因子
18、因子对原有原有变异量异量总方差的解方差的解释能力。能力。该值越高，越高，说明相明相应因子因子的重要性越高。的重要性越高。因此，因子的方差因此，因子的方差贡献和方差献和方差贡献率是衡量献率是衡量因子重要性的关因子重要性的关键标准。准。提醒：特征提醒：特征值代表某一因子代表某一因子对所有所有变量量变异异的方差的方差贡献。献。探索性因子分析探索性因子分析探索性因子分析探索性因子分析是指通是指通过研究众研究众多多变量之量之间的内部依的内部依赖关系关系,探求探求观测数据中的基本数据中的基本结构构,并且用少并且用少数几个潜在数几个潜在变量来表示基本的数量来表示基本的数据据结构构。探索性因子分析探索性因子分
19、析目的目的在于用最少的在于用最少的“因子因子”,概括和解概括和解释最大量的最大量的观测事事实,从而建立最从而建立最简洁、最、最基本的概念系基本的概念系统,揭示出事物之揭示出事物之间本本质的的联系。系。提示：我提示：我们常常说的因子分析大都是指探索性的因子分析大都是指探索性因子分析因子分析验证性因子分析性因子分析验证性因子分析是基于一定的理性因子分析是基于一定的理论前提前提,对数据数据进行分析的行分析的统计技技术,用用它来它来检验测验的的维度度,正在逐正在逐渐被接被接受和受和应用。用。探索性因子分析和探索性因子分析和验证性因子分析性因子分析逻辑分析路分析路线探索性因子分析：探索性因子分析：遵循由可直接遵循由可直接观察的数据到数据的内部潜在察的数据到数据的内部潜在影响因子影响因子这一一自下而上自下而上的的逻辑分析路分析路线,探索探索事物之事物之间的本的本质联系。系。探索性因子分析和探索性因子分析和验证性因子分析性因子分析逻辑分析路分析路线验证性因子分析：性因子分析：遵循由理遵循由理论到数据的到数据的自上而下自上而下的的逻辑分析路分析路线,首先提出的理首先提出的理论假假设上可靠的因子上可靠的因子结构模构模型型,再运用再运用实际的的调查数据数据验证之。之。
