SPSS简单数据
分析
定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析
量
表
关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf
(或问卷)编制中的SPSS应用
所谓量表(或问卷)编制就是将初步设计的问卷(或者其他人的问卷),通过预
进行系统、
标准
excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载
的分析,最后确试获得数据,在数据的基础上对问卷中的每个题
定是否需要将此题剔除,或者保留在问卷中。最后形成一个信效度较好的问卷。
举例量表(或问卷):青少年偏差行为问卷
一、我们建立一个SAV文件(SPSS数据文件),把预试中得到的结果输入到数据文件中。
二、通过升、降序等方式剔除异常数据。
次数分布 sav、txt、excel
三、先对问卷中的反向题进行处理(本问卷没有设计反向题,感兴趣的同学可以先根据操作图示,并参阅其他资料先行学习)
所谓反向题是指:问卷中常有反向计分的题项,以李克特5点量表而言,正向题的题项通常给予1、2、3、4、5分,而反向题的题项计分时,便要给予5、4、3、2、1分;以4点量表而言,正向题通常给予1、2、3、4分,而反向题计分时则分别要给予4、3、2、1分。因此,我们在这一阶段要将题项计分的方式化为一致。本青少年偏差行为问卷是一个5点量表,正向题的题项是给予1、2、3、4、5分,如果有反向题(当然实际上本问卷没有)则本来的实际计分为5、4、3、2、1分,需要进行转化,具体计分的转换情形为:
5——1
4——2
3——3
2——4
1——5
这样就和正向题保持一致了。
spss操作如下:
1
2
四、计算量表的总分total,并剔除异常数据
五、进行项目分析
(一)题总相关的计算:使用皮尔逊积差相关(一般要求达0.4以上)
(二)计算题项区分度:使用高低分组T检验(独立样本),假设检验要达到显著水平。
3
1、进行高低分组
(1)对记录进行排序,找到高低分组的临界分数点。(一般为27,或者33,)
32 62
4
(2)产生一个新的分组变量
5
(3)独立样本T检验
6
7
分析,构建量表结构效度 五、因子
8
首先进行因子分析适合度检验
然后提取因子
9
旋转
计算因子得分此处不予以考虑,跳过,直接点击options
10
结果分析:
各问题之间的相关系数矩阵
问题A1与
问题A2之
间的相关系
数为.625
问题A1与
问题A2之
间的相关系
数为.625的
显著性水平
为.000
如果相关矩阵中的相关系数大都小于 0.3 ,而且未达到显著性水平,则说
明变量间的相关性普遍较低,它们存在潜在共同因子的可能性较小,就不再
11
适合于做因子分析;如果相关系数都较大,则进一步通过KMO和巴特莱球形
检验分析。
KMO检验结果为.960>=0.5,巴特莱球形检验结果sig.=0.000,差异显著,
说明
关于失联党员情况说明岗位说明总经理岗位说明书会计岗位说明书行政主管岗位说明书
此两项检验都表明此观测数据适合做因子分析。
没有提取因提取因子之后,Communalities 子之前,即即后面提取的
Initial Extraction 还是用25个4个因子,4个
因子,25个因子可以解释A1 1.000 .602
因子可以解问题A1 60.2%A2 1.000 .556 的变异 释问题A1A3 1.000 .658 所有的变异 A4 1.000 .699
A5 1.000 .686
A6 1.000 .479
A7 1.000 .639
A8 1.000 .632
A9 1.000 .449
A10 1.000 .618
A11 1.000 .579
A12 1.000 .527
A13 1.000 .494
A14 1.000 .609
A15 1.000 .486
A16 1.000 .455
A17 1.000 .583
A18 1.000 .616
A19 1.000 .609
A20 1.000 .603
A21 1.000 .536
A22 1.000 .620
A23 1.000 .464
12
A24 1.000 .558
A25 1.000 .597
Extraction Method: Principal
Component Analysis.
Total Variance Explained
解说总变异量:因子的特征值(eigenvalue)须大于1,方决定选取之成份。
Extraction Sums of Squared Rotation Sums of Squared
Initial Eigenvalues Loadings Loadings
最初的特征值 提取后的平方和负荷量 旋转后的平方和负荷量
% of Cumulative
Varianc%
e 提取因子后
此因子 因子1的特
对全部 征值,而小
观测数Cumulative 于1的因子
据变异Total % % of % of 4—25则被
特征的解释累计变异解释ComponenVariancCumulative Varianc去掉
值 量 量 t Total e % Total e
1 11.2244.883 44.883 11.2244.883 44.883 5.6422.568 22.568
1 1 2 因子1的特
征值 2 1.723 6.893 51.776 1.723 6.893 51.776 4.4117.651 40.220
3
3 1.409 5.637 57.414 1.409 5.637 57.414 4.2917.194 57.414
8
4 .946 3.784 61.198
因子1能解5 .827 3.308 64.506
释全部观测 6 .740 2.961 67.467
数据变异的 7 .661 2.644 70.111 44.883% 8 .649 2.596 72.707
9 .608 2.431 75.139 因子1和2
共能解释 10 .577 2.309 77.448
全部观测 11 .530 2.122 79.569 数据变异 12 .508 2.033 81.603 的
13 .481 1.924 83.526 51.776%
14 .446 1.782 85.308
15 .428 1.713 87.022
13
16 .404 1.615 88.636
17 .385 1.540 90.176
18 .361 1.443 91.619
19 .344 1.374 92.993
20 .332 1.327 94.320
21 .328 1.312 95.632
22 .311 1.243 96.875
23 .277 1.108 97.983
24 .268 1.070 99.053
25 .237 .947 100.000 Extraction Method: Principal Component Analysis.
旋转后的成分(因子)矩阵
aRotated Component Matrix
Component
1 2 3 A1 .760 .081 .133 A10 .732 .205 .199 A7 .717 .160 .315 A12 .702 .125 .137 A17 .697 .233 .207 A8 .681 .324 .252 A2 .617 .236 .346 A25 .616 .369 .286 A23 .476 .452 .182 A15 .469 .439 .269 A11 .053 .758 .028 A24 .218 .713 .044 A16 .078 .630 .229 A20 .292 .593 .408 A9 .275 .574 .209 A22 .263 .551 .497 A21 .223 .525 .459 A18 .451 .523 .373 A13 .424 .455 .328 A5 .179 .179 .789
14
A4 .211 .186 .788
A3 .355 .181 .707
A14 .252 .230 .702
A19 .382 .442 .517
A6 .484 .071 .489
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 5 iterations.
经最大变异数转轴法旋转后,取因素负荷量(factor loading)绝对值大于0.5(或0.6)者,因素负荷量为变量所属因素间之相关。此处因在0.5-0.6间的问题(即变量)太多,如果都删除,问卷题项会变得太少,因此,我们选大于0.5为标准。所以,我们删除A23 、A15、A13、A6四个问题。然后再进行一次因子分析。
除了将A23 、A15、A13、A6四个问题拿出来不进行因子分析外,其他步骤如上,结果发现A18又变得小于0.5。
aRotated Component Matrix
Component
1 2 3
A1 .771 .149 .042
A10 .738 .177 .223
A7 .717 .294 .164
A12 .713 .158 .098
A17 .707 .229 .207
15
A8 .683 .258 .314
A2 .626 .360 .192
A25 .619 .322 .330
A5 .186 .795 .127
A4 .227 .794 .137
A3 .372 .707 .134
A14 .255 .706 .199
A22 .266 .549 .497
A19 .393 .546 .388
A21 .228 .521 .467
A11 .071 .054 .797
A24 .229 .070 .747
A16 .091 .265 .630
A9 .285 .241 .573
A20 .288 .473 .524
A18 .463 .425 .475
Extraction Method: Principal Component
Analysis.
Rotation Method: Varimax with Kaiser
Normalization.
a. Rotation converged in 5 iterations.
所以,我们进一步删除A18后再进行一次因子分析。
除了将A23 、A15、A18、A13、A6五个问题拿出来不进行因子分析外,其他步骤
如上,结果发现剩下的问题都满足大于0.5的条件。
16
aRotated Component Matrix
Component
1 2 3
A1 .772 .148 .040
A10 .740 .179 .221
A7 .720 .296 .167
A12 .712 .160 .093
A17 .705 .232 .195
A8 .684 .263 .317
A2 .628 .362 .193
A25 .620 .325 .322
A5 .188 .796 .126
A4 .227 .795 .135
A14 .256 .708 .199
A3 .374 .708 .129
A22 .267 .554 .491
A19 .393 .549 .366
A21 .231 .526 .457
A11 .077 .061 .806
A24 .229 .082 .750
A16 .096 .270 .633
A9 .288 .246 .569
A20 .286 .479 .513
Extraction Method: Principal Component
Analysis.
Rotation Method: Varimax with Kaiser
Normalization.
a. Rotation converged in 5 iterations.
至此,我们把问题A23 、A15、A18、A13、A6排除后,剩下的问题保留在量表中,
效度分析结束,我们可以报告说,所有问题的因子负荷值都大于0.5。
六、信度分析:使用内部一致性系数(克隆巴赫)
17
18
一般来说,问卷(或一个问卷因素,本例中偏差行为问卷只有一个因素,就是偏
19
差行为的严重程度,有的问卷可能包括若干因素,例如16pf就是16个因素,则是看每个因素的Alpha系数)Alpha系数(上图中.9040)大于0.80是比较满意的,而大于0.70是可以接受的,那么问卷中的每一题目都可以保留。如果连0.70都达不到,就要看每个题目的被删除后Alpha的变化情况,就是 ,把那些题目被删除后Alpha值会大大提高的题目逐个删除,直到总体Alpha达到0.80或0.70。记住一定要逐一删除,因为只要一个题目变化了,整个结果都会随之变化。
至此,一个信效度较好的问卷就产生了,我们可以放心地进行正式使用,再收集数据,再进行描述统计或推论统计,所得结果就比较可靠了。
20