SPSS视频教程内容目录和跳转链接

SPSS问卷效度分析教程

微博@mlln-cn, 并附上文章url链接, 我就能回答你的问题奥!

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。

参考

注意
本文由jupyter notebook转换而来, 您可以在这里下载notebook
有问题可以直接在下方留言
或者给我发邮件675495787[at]qq.com
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