Java教程

利用SPSS进行高级统计分析第三期(更新)

本文主要是介绍利用SPSS进行高级统计分析第三期(更新),对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

在第一期中,我们主要介绍了如何对数据进行描述、卡方&T检验、独立样本t检验、相关样本t检验、回归分析


第二期中,我们介绍了如何进行中介、调节分析,以及方差分析


在这一期中,我们主要介绍EFA、CFA分析以及结构方程模型


PS:后台回复关键词“高级统计更新”即可获得所述的PDF原文啦!


图片


一、EFA


1. Spss操作


EFA是降维,也就是将多个变量变成几个维度/因子,常用于量表编制中——将某几道题目聚成一个维度。一方面,需要极强的理论支撑;另一方面,研究者的个人理解、方法选择都会影响结果。 图片
勾选KMO和球形检验
KMO: Keiser-Meyer-OlkinMeasure of sample adaquacy体现观测变量间的偏相关性,比较简单相关系数和偏相关系数的大小,0-1之间,需要超过0.6,越大越好。
Bartlett’s test of sphericity(球形检验),一般相关矩阵中的相关系数必须显著高于0。 图片
提取因子的方式有很多,请参考前人文献进行选择。 图片
因子分析中是否需要旋转,根据假设/理论模型中的因子间是否有相关关系进行选择。 图片
图片

2. 图表解读

 图片
确认KMO和巴特利特检验后,看总方差解释。
总方差解释主要关注—特征根/特征值:所有变量的因素载荷平方和,针对给定因素的特定值。
对于未旋转的情况,各因子的载荷量及总载荷量均有体现,如下图中,前六个因子共解释了57.64%。
当旋转后,仅有各因子的载荷量,并无总体载荷量。 图片
接下来是碎石图,主要看拐点,即从某个点开始,斜率出现显著变化。一般要根据前人研究、假设、总方差解释等共同推断。 图片
接下来是成分矩阵,体现了每个题目与每个因子的相关关系。 图片
若选择了最大方差法旋转,则需要关注【旋转后的成分矩阵】 图片
图片
图片 若选择了直接斜交法旋转,则需要关注【模式矩阵】 图片
图片 图片
对于斜交旋转来说,还可以计算旋转的θ角 图片

3. EFA小结


本部分的个人倾向较重,相同的数据不同人会得出不同的结果,因此一定要慎重。
在删减题目时,要考虑题目本身的意义,题目在数据上的体现(是否有双重载荷、是否毫无区分度、题总相关是否过低)等等进行删减。
此外,在结果报告时,一定要说明选择的提取方法及旋转方法,方便他人理解。

二、CFA


1. Lisrel操作


使用Lisrel进行数据分析前,需要对数据文件格式进行改变,通过lisrel打开数据文件,另存为psf格式 图片
图片
DA NI=9 NO=428【DA NI=变量数 NO=被试数】RAW=MIL.psf【RAW=数据文件的名字】MO NX=9 NK=2【MO NX=题目数 NK=维度数
FR LX 2 1 LX 4 1 LX 7 1 LX 8 1 LX 9 1 LX 1 2 LX 3 2 LX 5 2 LX 6 2 【哪个题目对应哪个维度,如LX 2 1 的意思是,第2题,对应第一个维度】
LK【命名维度】LK1 LK2PD【输出】OU SS MI 或者 DA NI=20 NO=1321 【DA NI=变量数 NO=被试数】RAW=RRESAQ.psf 【RAW=数据文件是哪个?需要另存】MO NX=20 NK=5 【MO NX=题目数 NK=维度数】PA LX 【哪个题目对应哪个维度,如1(0,0,0,0,1)代表了第一题在第五个维度上】
1(0,0,0,0,1)1(0,1,0,0,0)2(0,0,0,0,1)2(1,0,0,0,0)1(0,0,0,1,0)1(0,1,0,0,0)1(1,0,0,0,0)1(0,0,0,1,0)2(1,0,0,0,0)1(0,0,0,0,1)1(0,0,0,1,0)1(1,0,0,0,0)3(0,0,1,0,0)2(0,1,0,0,0)LK 【命名维度】LX1 LX2 LX3 LX4 LX5PD【输出】OU SS MI


2. Lisrel输出


运行后的输出文件直接全选粘贴进word文档,对如下参数进行查找及报告:/df、GFI、RMSEA、CFI、AGFI;
要求:/df < 5Goodness of Fit Index (GFI)> 0.90Root Mean Square Error of Approximation 平均残差(RMSEA)< 0.08Comparative Fit Index (CFI) > 0.90Adjusted Goodness of Fit Index (AGFI) >0.80
或:同时满足:CFI > 0.95;RMSEA < 0.05;/df<3
参考文献:Hu, Li‐tze, & Bentler, P. M. . (1999). Cutoff criteria for fit indexes in covariance structure analysis: conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1-55. 

三、结构方程模型


有一个自变量和一个因变量的

DA NI=6 NO=200ROW=DATASE【SE代表选取里面用哪几个变量】
1 4 5 6/【斜杠要加,先写Y的指标,再写X的指标】MO NX=3 NK=1 NY=1 NE=1 TE=Zero (default=DI,FR)【MO=model,模型NX=X变量的因子数,NK=几个x变量,NY=Y变量的因子数,NE=几个y变量,TE=ZERO:单因子的Y变量的测量误差(x为TE)】
FR LX 1 1 LX 2 1 LX 3 1 LY 1 1 【说明潜变量与显变量的关系,LX1 1 的意思是,第一个显自变量对应对第一个潜自变量】LK【命名左边X】XXXX【X的左边名字】LE【命名右边Y】YYYY【Y的右边名字】
PD【输出】OU AL

一个X,多个Y(中介)

DA NI=9 NO=200【数据情况介绍】LA【对所有变量命名】Y1 Y2 Y3 Z1 Z2 Z3 X1 X2 X3ROW=DATA.dsf【数据文件提取】SESE
1 2 3 4 5 6 7 8 9/【选取变量】
MO NY=6 NE=2 NX=NK=1 BE=FU【模型:前六个变量(1-6)对应Y,共产生两个Y;接下来三个(7-9)对应X,产生一个X;BE=FU(BE=SD):两个Y之间有相关】

FR LX 1 1 LX 2 1 LX 3 1 LY 1 1 LY 2 1 LY 3 1 LY 4 2 LY 5 2 LY 6 2 GA 1 1【第一个X指向第一个Y】GA 2 1【第一个X指向第二个Y】 BE 2 1【算谁与谁之间的相关】
【模型情况:LX 1 1—LY 6 2 表示了显变量与潜变量的关系,1-3个显x变量表达了第一个潜x变量;1-3个显y变量表达了第一个潜y变量;4-6显y变量表达了第二个潜y变量GA 代表了潜变量间的关系; GA 2 1 代表第一个潜x变量指向第二个潜y变量BE 表达的是潜y变量间的关系,BE 2 1 代表第一个潜y变量指向第二个潜y变量】
FI LX 1 1 LY 1 1 LY 4 2【规定固定参数,LX 1 1将第一个显x变量对第一个潜x变量的负荷固定;LY 1 1将第一个显y变量对第一个潜y变量的负荷固定;LY 4 2将第四个显y变量对第二个潜y变量的负荷固定】
VA 1 LX 1 1 LY 1 1 LY 4 2【固定负荷为1,LX 1 1将第一个显x变量对第一个潜x变量的负荷固定;LY 1 1将第一个显y变量对第一个潜y变量的负荷固定;LY 4 2将第四个显y变量对第二个潜y变量的负荷固定】LK【为潜x变量命名】
XXXXLE【为潜y变量命名】YYY1 YYY2PD【输出模型图】OU AL【OU 结果输出】 关于lisrel学习资料的链接:https://bbs.pinggu.org/thread-429130-1-1.htmlhttps://bbs.pinggu.org/forum.php?mod=viewthread&tid=9001&page=1
本期的内容就到此结束啦!

在本期中,我们为大家介绍了EFA、CFA分析以及结构方程模型。



这篇关于利用SPSS进行高级统计分析第三期(更新)的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!