《问卷分析(因素分析及其项目分析).pptx》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).pptx（95页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、问卷分析问卷分析 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项目分析问卷项目分析因子分析因子分析实操实操实操实操项目分析项目分析因素分析因素分析项目分析项目分析区分度区分度相关法相关法CRCR值值问卷项目分析问卷项目分析难度（通俗性）难度（通俗性）区分度（辨别力）区分度（辨别力）实操实操区分度（辨别力）区分度（辨别力）检验方法：检验方法：运用经验与心理学理论知识；运用经验与心理学理论知识；临界比率值（临界比率值（CRCR值）法；值）法；相关法；相关法；临界比率值（临界比率值（CR值值）法）法采用求出各个题项的临界比率值（采用
2、求出各个题项的临界比率值（CRCR值）的值）的方法，将未达显著水平的题项予以删除。即将方法，将未达显著水平的题项予以删除。即将总分按从高到低的顺序排列，得分位于前总分按从高到低的顺序排列，得分位于前27%27%者为高分组，得分后者为高分组，得分后27%27%者为低分组，进行高者为低分组，进行高低两个组在每题得分平均数上的差异显著性检低两个组在每题得分平均数上的差异显著性检验。验。题项的题项的CRCR值达到值达到.05.05以上的显著性的保留。以上的显著性的保留。相关法相关法用相关法计算题项得分与总问卷得分的相关系用相关法计算题项得分与总问卷得分的相关系数。数。题项的值小于题项的值小于0.150
3、.15并予以剔除。并予以剔除。因子分析因子分析浅谈因子分析浅谈因子分析应用实例应用实例因子分析概述因子分析概述因子分析又称因素分析，传统的因子分析是探因子分析又称因素分析，传统的因子分析是探索性的因子分析，即因子分析是基于相关关系索性的因子分析，即因子分析是基于相关关系而进行的数据分析技术，是一种建立在众多的而进行的数据分析技术，是一种建立在众多的观测数据的基础上的降维处理方法。观测数据的基础上的降维处理方法。其主要目的是探索隐藏在大量观测数据背后的其主要目的是探索隐藏在大量观测数据背后的某种结构，寻找一组变量变化的某种结构，寻找一组变量变化的“共同因子共同因子”。因子分析能做什么？因子分析能
4、做什么？人的心理结构具有层次性，即分为外显和内隐。人的心理结构具有层次性，即分为外显和内隐。但是作为具有同一性的个体来说，内隐的方面但是作为具有同一性的个体来说，内隐的方面总是和外显的方面相互作用，内隐方面制约着总是和外显的方面相互作用，内隐方面制约着外显特征。外显特征。所有我们经常说，一个人的内在自我会在相当所有我们经常说，一个人的内在自我会在相当程度上决定他的外在行为特征，表现为某些行程度上决定他的外在行为特征，表现为某些行为倾向具有高度的一致性或相关性。为倾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？反过来说，我们可以通过对个体进行系统的观反过来说，我们可以通过对个体
5、进行系统的观察和测量，从一组高度相关的行为倾向中，探察和测量，从一组高度相关的行为倾向中，探索到某种稳定的内在心理结构，这就是因子分索到某种稳定的内在心理结构，这就是因子分析所能做的。析所能做的。因子分析的特点因子分析的特点因子个数远远少于原有变量个数；因子个数远远少于原有变量个数；因子能反映原有变量的绝大部分信息；因子能反映原有变量的绝大部分信息；因子之间的线性关系不显著；因子之间的线性关系不显著；因子具有命名解释性。因子具有命名解释性。因子分析分类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验证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
6、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骤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贡献公共因子的方差贡献因子分析的基本步骤因子分析的基本步骤样本和测量变量样本和测量变量因子分析适合度检验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转因子旋转因子命名因子命名谢谢！谢谢！因子旋转因子旋转因子旋转因子旋转通过以上两个图我们不难发现，进行因子旋转是很通过以上两个图我们不难发现，进行因子旋转是很有必要的，因为这可以使我们更容易将因子进行分有必要的，因为这可以使我们更容易将因子进行分组。组。建立因子分析模型的目的不仅是找出
7、主因子，更重建立因子分析模型的目的不仅是找出主因子，更重要的是知道每个主因子的意义，以便对实际问题进要的是知道每个主因子的意义，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变量不很突出，还需要进行因子旋转，通过适代表变量不很突出，还需要进行因子旋转，通过适当的旋转得到比较满意的主因子。当的旋转得到比较满意的主因子。旋转的方法有很旋转的方法有很多，正交旋转多，正交旋转(orthogonal rotation)(orthogonal rotation)和斜交旋转和斜交旋转(oblique rotation)(oblique rotat
8、ion)是因子旋转的两类方法。最常用的是因子旋转的两类方法。最常用的方法是最大方差正交旋转法方法是最大方差正交旋转法(Varimax)(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标是找出少数几个公共因子，因子分析的基本目标是找出少数几个公共因子，使这些因子能够在相当程度上解释一系列变量使这些因子能够在相当程度上解释一系列变量数据的变异。数据的变异。因此，如何提取因子以及提取几个因子就成了因此，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问题。因子分析中的基本问题。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数的确定因子数
9、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。
10、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值大于特征值大于1 1标准法标准法碎石图法碎石图法碎石图法碎石图法如图知，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，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
11、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。碎石图法碎石图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%-60%这一较低水平。特征值大于特征值大于1标准法标准法从前面的讲述中
12、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。特征值大于特征值大于1标准法标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
13、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
14、主成分之间互不相关。样本和测量变量样本和测量变量测量变量的选择测量变量的选择公共因子必须包括在测量变量中公共因子必须包括在测量变量中,且测量变量且测量变量一定要与研究领域紧密相关。如果测量的变量一定要与研究领域紧密相关。如果测量的变量与研究目的不相关与研究目的不相关,将导致假的公共因子的出将导致假的公共因子的出现。现。统计学家建议统计学家建议,测量变量的数。目至少应该是测量变量的数。目至少应该是公共因子数的公共因子数的3535倍。倍。样本和测量变量样本和测量变量样本的大小样本的大小统计学家建议统计学家建议,根据测量的变量数决定样本的根据测量的变量数决定样本的容量。容量。应达到一个测量项目对应应
15、达到一个测量项目对应5 5个被试的标准个被试的标准,且样且样本容量不得少于本容量不得少于100100。ComreyComrey和和LeeLee研究研究,在因素分析中在因素分析中,样本容量达样本容量达到到500500为非常好为非常好.1000.1000或更多则或更多则极好极好。因子分析适合度检验因子分析适合度检验巴特利球形检验（巴特利球形检验（Barlett Test of SphericityBarlett Test of Sphericity）KMOKMO取样适合度检验取样适合度检验巴特利球形检验巴特利球形检验用于检验相关阵是否是单位阵，即各变量是否用于检验相关阵是否是单位阵，即各变量是否独
16、立。它是以变量的相关系数矩阵为出发点，独立。它是以变量的相关系数矩阵为出发点，HoHo：相关系数矩阵是一个：相关系数矩阵是一个单位阵单位阵。如果巴特。如果巴特利球形检验的统计计量数值较大，且其对应的利球形检验的统计计量数值较大，且其对应的概率概率P P值小于给定的显著性水平（值小于给定的显著性水平（.05.05或或.01.01），），则应该拒绝零假设则应该拒绝零假设HoHo；认为原有变量间的相；认为原有变量间的相关系数矩阵不是单位矩阵，变量间存在相关关关系数矩阵不是单位矩阵，变量间存在相关关系，可以进行因子分析。反之系，可以进行因子分析。反之.KMO取样适合度检验取样适合度检验是通过比较各变量
17、间简单相关系数和是通过比较各变量间简单相关系数和偏相关系偏相关系数（数（在多元回归分析中，在消除其他变量影响在多元回归分析中，在消除其他变量影响的条件下，所计算的某两变量之间的相关系数。的条件下，所计算的某两变量之间的相关系数。）的大小判断变量间的相关性，相关性强时，的大小判断变量间的相关性，相关性强时，偏相关系数远小于简单相关系数，偏相关系数远小于简单相关系数，KMOKMO值接近值接近1 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应了数据的变化程度。某个测验分数的方差反应了数据的变化程度。某个测验分数的方差反应了被试在此测验中反应的差异性大小。方差反应了被试在此测验中反应的差
18、异性大小。对于该差异的来源。对于该差异的来源。因子分析假设：每个测验变量都受到公共因子因子分析假设：每个测验变量都受到公共因子和随机误差的影响。因此我们的方差可以分为和随机误差的影响。因此我们的方差可以分为公共因子方差和误差方差。公共因子方差和误差方差。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为所有共同因子对某变量分数方差的而共同度为所有共同因子对某变量分数方差的贡献量，反映了该分数的变异中能够被所有公贡献量，反映了该分数的变异中能够被所有公共因子共同解释的部分。共因子共同解释的部分。所以将共同度理解为：所以因子对这个变量共所以将共同度理解为：所以因子对这个变量共同起作用的程度
19、。同起作用的程度。很明显，因子分析希望能用提取出的公共因子很明显，因子分析希望能用提取出的公共因子解释测量变量的绝大部分变异，即测量变量的解释测量变量的绝大部分变异，即测量变量的共同度越接近共同度越接近1 1越好。同时它也是评估因子分越好。同时它也是评估因子分析效果优劣的重要指标。析效果优劣的重要指标。因子分析的基本模型因子分析的基本模型公共因子方差贡献公共因子方差贡献因子的方差贡献反应了该因子对原有变异量总因子的方差贡献反应了该因子对原有变异量总方差的解释能力。该值越高，说明相应因子的方差的解释能力。该值越高，说明相应因子的重要性越高。重要性越高。因此，因子的方差贡献和方差贡献率是衡量因因此
20、，因子的方差贡献和方差贡献率是衡量因子重要性的关键标准。子重要性的关键标准。提醒：特征值代表某一因子对所有变量变异的提醒：特征值代表某一因子对所有变量变异的方差贡献。方差贡献。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过研究众是指通过研究众多变量之间的内部依赖关系多变量之间的内部依赖关系,探求探求观测数据中的基本结构观测数据中的基本结构,并且用少并且用少数几个潜在变量来表示基本的数数几个潜在变量来表示基本的数据结构据结构。探索性因子分析探索性因子分析目的目的在于用最少的在于用最少的“因子因子”,概括和解释概括和解释最大量的观测事实最大量的观测事实,从而建立最简洁、最从而建立
21、最简洁、最基本的概念系统基本的概念系统,揭示出事物之间本质的揭示出事物之间本质的联系。联系。提示：我们常说的因子分析大都是指探索性因提示：我们常说的因子分析大都是指探索性因子分析子分析验证性因子分析验证性因子分析验证性因子分析是基于一定的理论验证性因子分析是基于一定的理论前提前提,对数据进行分析的统计技术对数据进行分析的统计技术,用用它来检验测验的维度它来检验测验的维度,正在逐渐被接正在逐渐被接受和应用。受和应用。探索性因子分析和验证性因子分析探索性因子分析和验证性因子分析逻辑分析路线逻辑分析路线探索性因子分析：探索性因子分析：遵循由可直接观察的数据到数据的内部潜在影遵循由可直接观察的数据到数据的内部潜在影响因子这一响因子这一自下而上自下而上的逻辑分析路线的逻辑分析路线,探索事探索事物之间的本质联系。物之间的本质联系。探索性因子分析和验证性因子分析探索性因子分析和验证性因子分析逻辑分析路线逻辑分析路线验证性因子分析：验证性因子分析：遵循由理论到数据的遵循由理论到数据的自上而下自上而下的逻辑分析路的逻辑分析路线线,首先提出的理论假设上可靠的因子结构模首先提出的理论假设上可靠的因子结构模型型,再运用实际的调查数据验证之。再运用实际的调查数据验证之。