amos验证性因子分析步骤教程
安排的我们的课程，加上今天的课程和前面的两节课程，我们相当于今天已经学习完了三节课程。我们后续还会有二十七节课程，总共呢这个课程是三十节课。三十节课呢，将分为不同的章节， 介绍俄罗斯操作的不同板块，让大家能够对俄罗斯有一个全面的彻底的一个了解。整体的介绍呢，主要就是这样的，就是说我们的软件呢介绍就是让让大家熟悉软件的各项操作。基本操作呢， 将会介绍到验证性因子分析、路径分析、结构方程、模型分析等操作。然后在讲解完基本操作之后呢，我们还会进行一些高阶方法的一些讲解，其主要就包括在数据有缺失之时，我们我们应该如何处理，使得数据能够符合我们研究的 需要。同时呢，还会介绍单一文件多重模型是一个什么样的情况，最终呢，还会介绍一个多群组分析。在讲解完这些方法之后呢，大家就可以对这些方法进行零 活的使用，灵活的掌握，方便大家今后的学习，方便大家应用于今后自己的研究过程中。下面我们来重点来讲一下各个章节之间的一个情况。 现在我们已经上完了第一章的今，加上今天的课程，是第一章的第三节课程安排的学习建议部分。下面呢，我们 以后的课程呢，我们先来讲解一下第二章。第二章呢，我们会介绍 emos 软件的一些基本知识。第二节呢，主要就是第二章的第一节呢，我们会介绍 emoss 界面的介绍，就说安装完 emos 之后呢，大家在打开软件之后，我们 会对软件索要呈现出来一个操作界面，对大家进行一个详细的讲解，方便呢大家建立一个直观的概念。我们在 打开这个软件之后呢，大家就会看到我们的操作界面是这样一个分区的一个情况。然后我们会在讲解的过程中呢，对这些菜单栏，这个便捷菜单栏中 间的这些各个模块，以及这边的图形区域，都会进行一个详细彻底的讲解。首先呢就通过第一节 enmoss 界面的介绍，让大家对这个俄 boss 软件有一个更加深入的一个了解。 然后第二节和第三节呢，就是俄罗斯各个软各个按钮的一个详细的讲解。就说在这两节课程中呢，老师会带领大家对这些对这左边菜单栏里边这些按钮进行逐一的详细的，非常彻底的一个讲解，让大家在 今后画图的过程中不会出现任何疑难问题，尽量把所有的问题都解决。在这两节的课程之中。通过这两节课程的浓缩呢，让大家能够对俄莫斯软件图形的一个基本操作绘制修修改，然后有一个详细的了解。 然后第二章的最后一节部分呢，第四节是我们会讲解一下常见的错误总结与应对。然后就是呢我们的主要观点呢，就是说我们会汇总一些常见的一些绘制图形中大家可能会遇到的一些错误， 我们会指出这个错误的存在，同时还会给大家给出相应的应对方法，让大家能够对这些常见的错误尽量规避，如果说出现错误之后，能够沉着冷静的应对，想出解决对策，使得最终的图形能够符合我们研究的需要。最终呢， 我们还会对第二章呢所讲解的这个陌生软件界面的介绍，按钮的讲解，以及错误总结，这些与应对进行一个详细的总结。这就是 第二章的内容。第三章呢，我们将主要进行验证性因子分析。相信大家在上节课所讲解的文献的过程中，大家都看到了验证性因子分析这个词语。 呃，验证性因子分析呢，与探索型因子分析是不同的。验证性因子分析呢，是先有的理论，然后我们根据现有的理论，应用数据来进行一个拟合。这些我们都会在 第三章第一节的部分进行详细的介绍。我们会在这里介绍验证性因子分析，指出验证性因子分析和探索性因子分析的一同。同时呢，第二节呢，我们会紧接着对大家讲解验证性因子分析的求解。 验证性因子分析从模型图的绘制，参数的设置到最终结果的解读，都会对大家进行一个详细的解释。第三节呢，结果解释。就说对于验证性因子分析，俄罗斯输出的一个结果，大家能够给出相应的合理的解释。 同时呢，还会对第三张所介绍的验证性因子分析的所有内容进行一个详细的解读，方便大家学习完这一张的内容之后，能够对验证性因子分析进行一个全面彻底的掌握。 然后第四章呢，我们会介绍路径分析的内容。路径分析呢，总共会分为四章来介绍。首先呢，就是向大家讲解一下路径分析的知基本知识，以 及路径分析不同类型的分类情况。第二章第二节和第三节将分别分为两种类型的路径分析，对大家进行一个实际的讲演， 演示通过耳目是软件来对求解。然后第四节呢，就是对求解得到的结果，同时会给出一个合理的理论上的一个解释。 同时呢，第四节第四节快结束时，还会对第四章所介绍的路径分析的所有内容进行一个详细的一个回顾。 在讲解完第四章之后呢，我们紧接着就迎来了最重要的一篇章节，就说第五章结构方程模型。结构方程模型部分呢，我们将分为七节来对大家进行介绍。结构方程模型呢是非常重要的一点，所以说我们在结构方程模型部分的课时安排会比较多，讲解也会比较细致。 主要第一节呢，将会介绍结构方程模型是什么。第二节呢，会介绍结构方程模型图的绘制。这里呢，我们会着重讲解一下俄罗斯软件如何来绘制一个理论上 模型图，使得使得我们能够对模型图前面所第二张所讲解的这个按钮的操作有一个详细的回顾。同时呢，也会对大家讲解一些美观上的需求。俄莫斯最终绘制出来的图形是一个非常美观的一些东西，也会对大家讲解一些我们在调整过程中的一些经验。 好了，讲解完第二节之后呢，我们就会介绍一些模型礼盒的介绍。这个是一个理论部分比较多的一个章节，这一章节呢，我们会尽量把理论讲解的比较直白一点，方便大家的理解。 然后我摸索软件。模型图绘制好之后呢，我们就会进行相应的求解。求解完之后呢，模型结果可能不太符合我们的我们的需要，所以我们就可能会对模型进行一点修正。我们在第四节中将主要讲解一个模型的修正的一些方法。 第五节呢，对于模型得到的最终结果，我们会进行一个详细彻底的一个解释，给出一个理论上的解释。 第六节呢，我们将会首先回顾我们前五节所讲解的关于结构方程模型的一个整体的图形整体的一个情况。我们通过前五节的讲解呢，基本就可以求解出来一个自己的理论模型了。 第六节进行总结之后呢，我们第七节还会把所前面所有的前面所有章节所讲解的内容进行一个串讲，来加深同学们的印象，使得同学们对俄贸斯是如何建立模型的有一个更加直观的了解。 第五章讲解完之后呢，在第六章，我们将会进行一些高阶方法的一些简单的讲解尝试。主要就是呢，第一节会给大家讲解一下，当你的数据存在缺失值的时候， 我们应该如何处理，来使得我们的模型符合我们研究的需要。第二节和第三节呢，将主要介绍单一文件多重模型的设定。 单一文件多重模型呢，就说我们只画一个理论模型图，我们可以在里边嵌套输入，相当于我们可以画。比如说原来我们需要用两个模型图来解决的东西，我们会重复绘制基本两遍的模型图，但是我们在学完单一模型，单一文件多重模型之后，我们就可以 只绘制一个模型图，进行相应的模型设定之后，我们就可以求解得到多重模型的结果。这是非常方便的一点，大家在后续的研究过程中可能会进行使用。所以说我们在这里会进行一些讲解。 然后四五节呢，将主要介绍多群组分析。就是说呃，最简单的就是说我们研究的这个问题适用于这个群体，在这个群体满足的话是 是用于另一个群体呢，这是我们想要探究的一点。所以说我们本来的话，可能还是需要像单一文件多重模型这样分两次再进行验证。但是我们在设定完这个设定完多群组分析之后，我们就会发现， 只要一个模型里边进行设定好，我们一次模型，就可以把两个群组里边的呃情况都可以进行求解。这就是多群组分析的一个嗯， 一个用途。那第六节呢，我们将会讲解多群组结构方程模型。多群组结构方程模型呢？就是说呃，多群组的验证性因子分析，路径分析度。讲解了之后，我们还会讲解一个多群组的结构方程模型，方便大家对多群组分析有一个更加直观的认识，更加 全面的、深刻的一个了解。然后第七章呢，将主要就是课程的回顾与总结。第七章的第一节，我们将会把前面所讲到的知识点， 重难点对大家进行一个回顾讲解。第二节呢，也会把重难点对大家进行一个再提醒，就说我们在前面所讲解到的一个易错点，难点， 大家普遍都会犯的一些错，我们会会再对大家进行一个提醒，就是让大家尽量避免少犯一些错误。然后第三节呢，就是说对进行总结和建议，对整个课程的进行全面的总结，对于俄莫斯运用中的一些经验呢，分享给大家，同时呢，对于今后学习给同学们一些建议。 以上就是章节介绍部分，然后关于学习建议呢，我想说的就是第一个一定要多练习，勤思考老师上课过程中所讲到的方法，大家一定要多练习，熟能生巧。 第二点呢，就是说胆大心细，一定要胆子大，就说大家要放得开，不要怕失败，失败就一直去尝试，不要 怕失败，肯定按照老师所讲解的方法，最终肯定会得到自己理想的结果。心细呢，就说大家一定要注意老师所讲解的过程中所讲解的一些小的细节，大家一定要注意，细节决定成败。 然后第三点呢，就说大家打牢基础。我们现在所讲解的俄莫斯入门进入门教程呢，是非常基础的一款，大家把这个基础打牢之后，在以后学习高阶方法的时候，就会更加的容易，更加的轻松，也会更加取得更高的成就。然后第四点呢，就是说切勿闭门造车。 大家有什么问题呢？就要多与同学，多与老师进行交流，多于百度，也可以多进论坛里边看看大家是如何解决这个问题的。你所碰到的问题可能别人也会碰到，别人碰到在论坛上提问之后，可能已经解决掉了，你要搜索得到之后呢，那么你也就可以把这个问题也解决掉，对吧？ 如果自己闭门造车的话，自己是永远不可能取得大的成就的。好了，下面我们来对第一章的内容进行一个小结。第一章的内容所有课程已经讲完了。第 一章的第一节呢，我们主要通过俄罗斯的应用，让大家了解了俄罗斯是如何应用的。然后第二节呢，就是说我们主要讲解了俄罗斯的下载与安装。第 三节呢，我们给出了俄莫斯入门课程的安排。然后同时呢，我们给出了俄莫斯学习过程的一些建议。以上呢，就是第一章的所有的内容，所有内容的一个讲解。
粉丝10.1万获赞2.7万
相关视频
04:26查看AI文稿AI文稿amos 操作步骤讲解系列验证性因子分析验证性因子分析需要采用 amos 软件进行检验，验证性因子分析用于检验数据的内容效度情况，它属于结构方程中较为简单的一种模型。 amos 软件可以直接打开，也可以在 s p s s 中打开，但需要安装同版本的。在 excel 表格中对数据进行预处理后，导入 s p s s 中并保存好数据。打开 amos 软件进行内容校度的检验。 打开 amos 的界面。前变量的构建，点击椭圆，在右侧白色画布中画出对应的前变量个数。 显变量的构建，选中显变量。添加图标后，在前变量上添加对应题像数的显变量框。变量整体调整，选中旋转图标，点击前变量框旋转到合适的位置， 变量整体移动，同时选中保持整体和移动图标，然后将所有的变量移动到对应的位置。 导入数据，点击导入数据后点击 file name， 找到对应数据保存位置，并选择对应的数据后点击 ok。 显变量放入显变量框中，点击数据展示，将对应的题像拖入显变量框中。选中前变量框，点击单手指图标， 选中前变量框。变量间连接相关线，点击 plug in stroke variances 变量间的相关线就连接好。调整相关线，点击改变形状，放在最外层，拖动到想要的位置， 现调整。点击变量为调，点击想调整的地方取消选定，点击取消选定变量。名称修改，点击变量设置，在名称框中填入变量名， 添加未命名的变量。长指残叉，点击点击 propines name an observed variables 添加未命名的变量名称勾选选 项，验证性因子分析中只用勾选标准化系数即可。模型保存，点击运行后选择保存的地点，按保存名点击保存。 运行完成，在运行过程中未出现报错情况，即图中红色箭头变红，按红色方框中显示结果，表明结果运行完成。 结果查看，点击结果查看模型是配度结果，点击 model fit 就可以看到 模型的适配度指标，一般主要看 seeming d f， 即 baseline comparisons 中的指标。重要的 reserve 指标系数结果，点击 estimates， 在右侧结果框中有对应的结果标准化的因子在和系数看标准化的相关性，系数结果添加，将标准的因子在和系数看相关性添加到模型图中。首先选中标准化，然后点击上方红色箭头 模型图，即结果复制，点击复制，将模型图就可以复制到表格中。 结果整理，将结果复制粘贴到 excel 表格中。首先整理的是模型适配度， seeming d， f， v， c， r 等指标，然后是根据标准化的因子载合系数计算 evernu 和 c 二值后根据标准化的相关系数与 ever 的平方根进行比较， 最后展示模型图，然后将整理的结果复制粘贴到 word 文档中，进行三线表的制作及文字解释。 学会了么？记得一箭三连呦，可以代作指导。
461艾吖法数据
01:41查看AI文稿AI文稿九十秒教你学会 amiss 验证性因子分析，可代作指导。验证性因子分析又称为 cfa， 主要对两表进行孝度检验。孝度检验和信度分析一样，都是检验数据质量的分析方法。 第一步，保存好的数据，把量表图像的名字改成简短的字母或者单词代替。 第二步，数据导入 spss 并且保存好。第三步，在 spss 里面打开 amas 软件或者单独打开 amass 软件都行。第四步，在 amas 里面画好模型图，并且导入数据。第五步，按照图中红框的顺序，在 opt 里面勾选标准化数据选项。 第六步，点击图中左边红框是分析功能，弹出保存功能，随意取个名字保存就行了。第七步，如果红色箭头变红以及 下方的红框出现结果，就代表分析成功了。第八步，点击左边红框，就可以查看所有分析结果了。第九步，首先要看的是模型的适配程度，右边有很多指标，但是不需要全部都达标。 第十步，用这些英子分析，主要的结果都在这里面哦。第十一步，表格可以成立成如图中的样本。 第十二步，带有系数的模型图要展示呦！第十三步，最终模型文字解释可以参照图中内容。
92艾吖法数据
11:27查看AI文稿AI文稿今天呢，我们来看一下第三节的内容，验证性因子分析的结果解释。做完验证性因子分析之后，我们需要对做出的验证性因子分析的结果给出一个合理的一个解释。首先呢我们来看一下验证因子分析做完之后，我们主要来关注的是哪些指标 阴性分析的结果呢？我们主要关注以下几点指标，第一个咔方值，也就是模型拟合出来的咔方值， 第二个是自由度，第三个是咖方除以自由度，也就是第一个和第二个咖方除以自由度的比值，这个比值呢，一般小于五就是我们可以接受的一个标准， 如果说最理想的就是让他小于三，越小越好，一般小于五就可以接受，小于三的话更加理想一点。第四个是金丝误差军方根，金丝误差军方 根的话，一般让其小于零点零八的标准就就属于可以了。然后如果你想要再进一步让这个模型更好的话，一般就让他小于零点零五，当然也是越小越好。 然后 cfi 大于零点九是 cfi 和 nfi， nfi 呢有时候也叫 tfi， 他俩呢都是一个关于验证性分析的整体的拟核的一个指标，这两个指标呢都是越大越好，一般大于零点九就可属于可以接受的范围了。 呃，在看完这个验证芯子分析需要关注的一些指标变量之后，我们再来看一下验证芯子分析做完之后，一般是一个一般要做成一个什么样的一个结果。 一会我们还会结合这篇文献来对大家进行一个讲解，我们大家可以看一下这个作者呢，在这个文献中，他提出了有八个浅变量， 相当于他首先做的是要做一个八因子模型，我们上次课所讲的也是老师数据所对应的一个五因子的一个模型，对不对？ 八因子模型做完之后呢，我们还需要将因子进行一些合并，比如说他的七因子模型给出的就是工作家庭冲突，妻子的工作家庭冲突和丈夫的工作家庭冲突 合并为一个变量之后，和其他六个变量构成了一个七因子的模型。大家可以想一下，七因子模型肯定不止这一种组合方法对不对？还有其他的组合方法，但是呢，作者不可能将所有的都列出来，所以一般的学术界的处理方法，就是说 我们在做的时候呢，将随机的进行一些组合，也可以是根据一些文献的，根据一些自己研究理论的一个需要。当然这个比如说这个就是工作妻子的工作家庭冲突 和丈夫的功能加强冲突，他们俩更可能归于一类去，所以呢七英子模型里边这一展示就是这个，当然你也可以展示别的，然后相应的呢，他分别做了七英子、六英子、五英子、四英子、三英子、二英子、单英子， 最终呢得到这样一个表格，最终的验证结论呢，就是说我们首先来看这个八音字模型，他的各个指标呢，喀方除以 df 小于五金丝误差，军方跟也小于零点零八， 然后 csi 呢大于零点九， nnfi 也就是 tli 虽然只有零点八八，但是也非常接近零点九的，也可以作为我们的一个合理的一个解释。 再来看呢，就是七因子、六因子、五因子、四因子、三因子、二因子、单因子。模型之后呢，他的咔方值明显变大了，就变差了，而 msea 呢就误差近似误差，军方根变大了，也变得不好了， cfi 和 nfi 也有减小的趋势，就是不符合我们的预期了。因此呢，我们就说我们最终构建这个八因子模型呢，是一个理想的模型，是符合我们预期的需要的。 在看完这个之后呢，我们通过数据来实际对大家进行演示。首先呢现在回顾一下我们上节课是怎么做的，我们上节课绘制完模型图之后呢，我们先需要选择数据对不对？我们把把老师给的这个数据呢选择进来之后点击， ok， 在这个分析属性里边呢，我们还需要设置一下输出选项对不对？我们这里呢让他输出一个标准化的结果，这样我们在模型图里边呢，就可以呈现出标准化的一个输出结果在模型图里边， 然后点击完这个之后呢，我们就直接可以点击呃那个运算，运算呢，这里就会呈现一些运算的过程，就说他通过十一步的叠 代取得的这个最小值，最小值已经达到了他给出的一些结果，就他给出的这里简单的给出了一个开放值和自由度。 我们首先来现在已经是已经是那个标准化的视图了，已经是那个结果呈现的视图了，如果我们点击左边这个，就会切换为那个数据模型图的视图，然后我们点击这个就会切换为这个数据结果的视图，然后我们可以在这里呢进行切换，选择非标准化和标准化的一个结果， 不管是标准化，非标准化，我们在这里都可以看到一些简略的信息，我们我们需要的一些信息，比如说我们可以看到咖方处理自由度，我们可以看到金丝乌纱，军方跟可以看到 cfi， 你可以看到 tli， 也就是 nnfi， 可以看到这些值。如果我们想要进一步的分析看一下所有的结果的话，我们就 点击 vipast， 这里呢给大家呈现的就是所有的一个数据分析的一个结果。首先呢我们来给大家逐个来讲解一下数据分析所有的结果是一个什么样的一个情况，这个呢是一个分析的汇总，就说呈现了分析的日期，时间以及标题， 这个呢是群组的分析的一个注视，我们这个这个群组呢只有一个群组，总共样本量呢我们可以看出来是两百三十三个，在下一个呢就是变量的一些摘要，这里给出的一些呃浅变量，观测变量以及以及那个浅变量， 同时呢还给出了一些变量的一个汇总表，就说我们总共用到的呢四十五个变量，其中有二十个是可以观测的变量，有二十五个是不能观测的变量，有二十五个外省 面量，有二十个内胜变量，以及这个就是变量的一些汇总，同时呢还会给出的是一个呃参数的一个汇总，我们大家点击这个就可以看到参数的汇总，在这里呢我们可以看到固定参数， 有这个标签，有飞机标签，还有这个总和，同时呢这里有呃回归的，有有相关的，有方差的，有均值的，有拮据的，有所有的，就是说所有的变量，所有你要估计的一些参数都在这个表里边给你汇总出的一个 一个数据的一个分析结果，方便大家进行一个查找。然后这个呢就是模型礼盒的一些，这个是模型的一些信息，模型的信息的话就说我们这个模型呢，总共是 总共用到的这个自由度，他给你的自由度，同时还给你的一些结果，自由度的话就是说我们这里边呢就是呃模型的 nobods， 第一次 summom 次是两百一， 然后第三个拍二米特图比森的，是的是的呃五十，然后他两个相减之后呢，我们就得到我们的自由度是一百六。我们这个模型结果里边呢给大家说的是我们的最小值呢，已经达到了， 我们的最小值已经达到了，同时呢这个咖方值呢是三百一十一点零一三，自由度呢是一百六，然后咖方值所对应，在这个自由度下，咖方值呢所对应的显出性屁值是零点零零零， 就是小一点点零零一的意思。下面呢再给大家看的就是这个呃估计的一个参数，估计的一个结果， 我们可以看到呢，就说 a 这个浅变量有四个测量变量，他的估计值呢这个是给出的是一个非标准化的一个估计值， 可以看到下面呢就会给出标准化的一个估计值，大家都可以就是说既可以看非标准化的，也可以看标准化的，我们就可以看到呢，所有的这些拟核指标，所有的测量变量在这个题项上都是显著的，这个虽然标出来是零点零三六，但是也小于零点零五的标准也都是显著的，对吧？ 这是非标，这是标准化的一些结果。然后同时呢也给出了这个斜，这个方斜方叉，斜方叉矩阵，就是说 方差，斜方差就说 a 和，就说因为时间的性子分析，所以两两之间都会有个斜方差，斜方差的值呢，我们也给出来了标准物 cr 值，然后他的 显著性 p 值也都给大家进行的标注，还有相关系数，同时呢还给出了变量的值，这个所有的变量，我们我们的浅变量，包括我们的这个误差，各个误差项都给出了一个结果的，然后这里呢还给出了一个最小化的计算过程， 我们在刚刚的参数的分析过程中呢，模型的分析过程中，我们就看到总共这个模型，通过十一步迭代我们找到最小值，那么他这里就给出了你的十一步迭代分别是一个什么样的样子。 同时呢还给出了一个模型礼盒的一些信息，这里边呢就是一些参数信息，我们可以看到这里边呢就是咖方值， 还有一些 rmig， f i， 然后还有一些基准的模型，还有一些还有其他的一些参数的一些结果， 近似误差，军方跟呃信息量， ecvi， 霍特林统计量的一些检验结果，这里都给大家进行了一个呈现，这个就是呢以上呢就是本节课程所讲解的关于验证性因子分析的一个结果的一个解释部分， 下面呢我们就再简单的通过这个文件来对大家进行一个讲解， 我们打开这个文件，然后我们就可以看到， 我就可以看到这个，在这个在这个文献中呢，验证因子分析是这样应用的，就是说 学者现在提先提出的一个理论假设，然后根据相关的理论假设提出了相应的研究方法，收集了相应的数据。实证检验结果呢，就说他做了八因子、六七因子、 六英子、五英子、四英子、三英子、二英子、单英子的一个模型图。验证性子分析呢主要就是作为这个一个使用，同时呢验证性子分析也会在后期的同源偏差检验里边也会发生一个作用，这得看就说单因子的模型你和结果与八因子模型相比没有显著显著变差， 说这结果表明呢，同源偏差并不是一个严重的问题，也就是说呢，验证性子分析也会用在同源偏差这个检验中，希望大家注意。 然后好了，分析完这些之后呢，我们来看一下我们第三章呢验证芯子分析的过程，现在所有都讲完了，那么我们现在来简单回顾一下验证芯子分析所讲解的内容。 我们首先讲解的验证性因子分析的概念，验证性因子分析是什么？验证性因子分析与探索性因子分析的一同，同时呢，我们还讲解了如何绘制模型图来求解 分析这个求解过程也对大家进行了详细细致的讲解。最终呢，今天的课程我们还讲解了验证因子分析的结果解释，结果解释呢，都逐条的带大家进行了一个回顾。 然后以上就是呢验证性因子分析的内容，希望大家学习完验证性因子分析的内容之后，能够熟练的运用 emox 来处理验证性因子分析的相关的理论，相关的模型。 我们这节课程呢就到这里结束了，我们下次课程呢会着重介绍路径分析的内容，希望大家能够在学习完今天的课程之后，对路径分析进行一个预习，我们下次可见，谢谢大家。
224贰壹壹项目数据分析服务
07:54查看AI文稿AI文稿今天呢，我们先来看一下第三章，第三章呢，我们将主要介绍验证性因子分析。验证性因子分析呢是在处理结构方程模型软件中一个必不可少的一个程序，因此呢，我们今天先来学习一下第三章。第一节验证性因子分析的介绍。 验证性因子分析是什么呢？验证性因子分析与普通与探索性因子分析的一同，我们再来强调一下验证性因子分析的主要目的是什么。 验证性因子分析啊，就是说他是主要就是用来检验变量键的一个区分度测量，验证测量题目与因子的一个存储关系。 就说我们在利用我们自己开发的量表来构建了一个我们的我们认为的这个，用来用这个浅变量，用这些测量变量来测量我， 我们无法测量这个浅变量，但是这个理论基础是否能够得到一个支持呢？因此呢，我们就需要应用数据来进行一个检验，使得呢，我们检验得到的各项指标能够直观的反映出我们所构建的模型，我们的量表是符合我们理论研究的需要的， 这就是验证性因子分析的一个主要的一个一同，主要的一个点。然后验证因子分析与探索性因子分析的一同呢，就是说我们在 呃相信大家在多元统计分析里边，大家都接触过因子分析，当时的因子分析呢，就叫做探索性因子分析，就是说我们有了一些数据，我们需要从数据中提取出来几个因子，简单的来说就是降维，比如说我们刚开始有十几二十个因子， 然后我们需要通过降维呢来提取几个公共的因子，使得这几个公共的因子能够最大可能的解释原始变量的信息，这就是探索性因子分析需要做的一点。 然后下面我们就来简要的分析一下，探索性因子分析和验证性因子分析有什么不一样呢？ 就说最简单的，我们就可以通先来直观的来看一下，就是说探索型因子分析呢，他是一个先有一个数据，跟 根据你所测量的这个数据呢，来对其给出一个最终根据你的结果给出一个理论上的一个解释，是先有数据，再有理论，然后利用数据来探索，探索出测量变量的一个框架，这是探索型因子分析一直 在做的一个点。然后验证性因子分析呢，就是说验证性因子分析是我们先进行的理论的理论的观点或概念架构的一个 一个准备。我们在有了理论之后呢，我们想要通过数据来对这个理论进行一个检验，我们来看看这个理论模型是否适当，是否合理。 因此呢，我们就是先有理论再来做一个检验，这是验证性因子分析的验证性因子分析的逻辑。然后验证性因子分析呢和探索性因子分析呢，我们首先能发现的一个点呢，就是说他们的理论基础是不一样的，然后验证性因子分析先有理论，然后根据数据来进行检验。探 探索性因子分析是我们只有数据，然后通过数据我们想要得出一个理论上的一个解解释，然后这是探索性因子分析 与验证性因子分析，一个呃最直观的一个差异，下面呢我们再来看一下从其他几个方面，我们再来看一下这个是否有一定的差异呢？ 呃，我们首先来看一下他们的理论上的一个贡献。我们刚开始前面已经讲了，就是说呃探索性因子分析呢，是做一个理论上的一个 呃产出，然后验证性因子分析呢，是做一个理论上的一个解释，探索性是通过数据来产出一个新的理论，验证性是通过 呃我们现有的数据，现有的理论，现有的理论基础，我们来对理论进行一个验证，所以这这是两个在理论上的一个差异，同时呢，然后两个在处理的逻辑上也会存在一定的差异。就是探索性因子分析呢， 我们就是说他先是理论启发，然后文献基础薄弱，就说他没有相应的文献的研究基础，没有前任理论的研究基础，他仅仅是只能通过数据来对他进行一个相应的解释。 然后验证性因子分析呢，他就有一个非常强大的一个理论基础来做支撑，有了这个理论基础之后，我们再用我们的实际数据来对这个理论基础进行一个检验。 然后同时呢再再有一点不同的呢，就是说探索性因子分析呢，我们是最终为了决定这个因素的数量，我们最终要决定提取多少个公因子，能 能够最大限度的解释我们所提出的这个我们所原始的这些变量的一个情况。然后验证性因子分析呢，就不同了，他是说他在我们在分析之前 前呢，我们根据现有的理论，我们每个浅变量所具有的测量变量，也就是我们这个模型的因素都已经是固定好的了，我们只不过来对他进行一个检验，所以说呢，这就是两 两个决定因素的两个，两个理论的两个研究的方向的一个差异。探索性因子分析呢，是为了确定这个数量，然后验证性因子分析呢，是为了给出一个，是为了给出理论已经确定好的一个模型的一个合理的解释， 然后最终呢就是说还有一点就是说呢，呃，就是说这个变探索性因子分析啊，我们是用来做探索的，对吧？我们不知道呢，这个变量是需要归位哪一类的 三者性因子分析呢？最简单的一个一个一个直观的一个猜，直观的一个解释就是说我们是原始信息，我们把原始信息 绘制在呃，绘制在坐标系中，我们通过来进行一定的转轴，大家二维的就可以想象的出来，我们把 x 轴和歪轴来进行一个旋转，使得我们的变量 尽可能的集中在第一个主轴，也就是 x 轴，然后在 y 轴上呢，也会尽量的尽量的大，这样之后呢，我们就相当于把原来一个不太相关的 信息给他转换到一个非常相关的 x 主轴上，第一个相当于他的话就叫第一个因子，然后和 y 另外一个因子得 这个一个一个过程。然后验证性因子分析呢，我们是说的是这个某一个测量变量，他归属于某个浅变量，他是我们在研究分析之前已经通过理论给出一个确切的分类的，这个是我们没有没有办法进行更改的，然后这个就是 两个是否是否确定这个因素因素的归类，探索性因子分析呢？因素的归类是可以随机的，比如说我们这一次做，我们根据不同的准则来选的话，可能可能这个 a 问题就可以归到不同的 电量里边去。然后呢验证性因子分析就是说我们这个 a 问题是用来测量某个浅变量的，那他就只能归属于某个浅变量，这个就是这个。我们我们就从四个方面给出了验证性因子分析和探索性因子分析的 各个方面的一个一同，希望大家能够对验证性因子分析和探索性因子分析有一个直观细致的一个了解。然后今天呢就是我们简要的介绍了一下验证性因子分析的一个介绍，我们通过今天的介绍呢，希望大家能够对验证性因子分析和探索性因子分析产生一个宏观的认， 最终呢为了后边学习各个模块，为了后面学习呢，我们下节课程的验证基因子分析的实际的求解以及后续的解释呢，会先打下一个坚实的一个理论基础， 希望大家能够对今天的课程能够在课下进行一定的熟悉，对这个理论呢有进一步的了解。呃，以上就是今天课程内容，谢谢大家，我们下节。
211贰壹壹项目数据分析服务
13:51查看AI文稿AI文稿大家好啊，在前面的一节课程中啊，在那个一节验证性因子分析啊，那那个那个视频中啊，我曾经提到过 啊，关于这个一节验证性因子分析啊，分为两种啊，一种是正交验证性因子分析啊，一种是斜交验证性因子分析，对吧？啊？正交就是假设我们所有的这个前边上之间啊不存在相关系，都是相互独立的， 对吧？然后这是正交，然后呃，斜交的话就是他们之间存在相关关系，这种是叫做斜交斜交线的阴影的分析 啊，那么在那些视频里面呢，我也简单的介绍过啊，我们怎么去设置这个正交和斜交的这个约束，对吧？我们限制这个这个这个这个 弧线啊，相关的这个弧线，把这个参数设置为啊，设置为零啊，设置为零我们就可以设置为设置他的一个正交性啊，不设置啊，不设置这个参数，那么他就是一个斜交的，对吧？就是不对，他约束他就是一个斜交的，对他约束的话，他就是一个正交的，对吧？ 那么呃，我们如果想要啊，当前面这个视频中我们提到的这个是我们预先知道了啊，知道的这四种啊，四种关系，他是存在正交或者是斜交关系，对吧？啊，我们预先知道了这种情况，那么如果我们啊就是说 存在两种假设啊，就是他啊，可以是相交的啊，也可以是直交的，对吧？那么这种情况下，我们怎么来通过模型的对比来判断哪种模型更为 合适呢？那么现在的话，我来给大家介绍一下我们这个异界验证金啊，这个验证性因子分析的一个啊，多模型的比较啊，多模型的比较，哪种模型更为适合啊？这种方法的话也同样适用于这个啊，全模型和其他的这种啊分析，对吧？ 让我们来先看一下我们这个图啊，这个图的话还是我们的这个啊，易捷验证件印子分析的这个图啊，没有任何的变化啊， 那么首先我们第一个假设啊，我们第一个假设是他啊，第一个模型，我们假设他是存在这种相交关系的啊，存在这种啊协交关系的啊，相关的就是 这个，我们四个变量，四个前变量，他们相互之间是存在相关系的啊，那么第二个第二个假设呢？我们就要假设他们之间啊，有两组啊，有两组是， 呃，比如说这个理论认同和这个制度认同啊，他是独立的，然后其他的变量啊，是相关的啊，其他变量是相关的啊， 然后啊第三个假设，我们假设是所有的变量啊，所有的变量全都是啊，这个这个这个独立的啊，全都是不相关的啊，选正交，正交验证验证分析啊， 那么在这样的情况下啊，我们来进行一个啊操作啊，来给大家介绍一下怎么来进行这个多模型的一个比较 啊。那么第一个模型呢啊，我们不对他进行任何的改动啊，这个图形的话啊，这个图形我们就不对他进行任何的改动，因为我们假设他是一个啊，斜交的，对吧？也就是这个参数，我们的这个相关系数是不应该被约束的啊，对吧？那么我们来看一下我们怎么设置这个啊？第二个 模型啊啊，我们先，我们首先在我们的左边中侧啊，中中间这一栏，中间这一栏啊，中间这一列啊，这一列啊，这一列的第二个栏里面啊，这个模型栏里面我们双击 啊，双击，然后我们可以看到我们关于这个模型的名称，以及他的这个参数约参数限制的这个约束的这个框。那么我们把第一个先改一下第一个名字啊，改下第一个名字改成啊， model 一啊，或者是 model a， 我们改成 model a 啊， 第一个大写一下啊，啊，改成 model a， 那么这这是第一个模型啊，是我们的斜交的模型，对吧？斜交验证性印纸分析的模型，然后这个参数控制呢？参参数控制，我们啊不记得进行设置， 那么我们新建一个啊，新建一个，那么我们改成啊，改成一个 model b， 对吧？ model b， 那么这里面呢？ 我们限制，我们说是添加了一个约束，对吧？添加了一个约束，那么这个约束叫什么名字呢？啊？我们这里面首先看到我们这个呃，是添加的是理论认同和这个制度认同他的一个呃，这个执教关系，对吧？也就是他们相互独立的啊，不存在相关系。 那么这时候我们首先要对我们的这个参数进行一个命名啊，我们对我们的参数进行命名啊，点击这个争略的这个这个选项，然后点击这个命名参数啊，点击这个命名参数，那么我们选择对我们这个相关系数啊，相关系数对进行一个命名 啊，相关技术进行命名，就是这个啊， convice 这个这个这个选项啊，打上勾之后点， ok， 那么我们的这个所有的相关系数啊，全部都被我们命名了，命名之后我们发现这个理论认同和这个制度认同，它是它的相关系数，就是 被命名为 c 四了啊，那么 c 四啊，我来对他这个参数进行一个限制啊， c 四等于零，对吧？这就是我们关于这个，那么我们这样的话就会把这个 理论认同啊，和这个认同，这个这个给相关性，给选择成这个独立的啊，独立的相关性，那么呃， 同时啊，你也可以在这里啊，你也可以双击这个地方，然后去去改变它啊，但是这样的话会呃比较麻烦，如果你有很多的话，你可以一个一个去点啊，那么这是第二个模型啊，第二个模型， 那么接下来第三个模型，第三个模型，我们再新建一个啊，新建一个，我们是模型 c 啊，模型 c， 那么模型 c 里面呢？我们是要求所有的这个啊，所有的这个前面量啊，全都是一个，呃，不 相关的独立的一个啊，情况，对吧？不相关独立的情况，那么他呢？就是我们要就是建立这所有的参数啊，全部为零，全部为零。那么有两种方式啊，两种方式，第一种 我们一个一个输进来啊，输进来等于 c 二，等于 c 三，对吧？等于 c 三啊，等于零，对吧？这种这种方式我们输进来，那么还可以，我们还可以去套用一下我们的这个模型 b 里面的一个结果，对吧？我模型 b 也限制了一个啊， 这个这个这个母 c 四啊， c 四等于零啊， c 四等于零，那么我们这时如果你这里面 c 模型 b 里面限制了很多的话，已经限制了很多的话，你这里面就不用再重复的输入这个限制了，可以直接套用这个模型 b 的这个模型 限制。然后我们接下来，对，还有一个就是模型啊，模型五和六，对吧？ c 六啊， c 五等于 c 六等于零，对吧？ 那么这样的话，我们就限制了所有的这个啊，参数啊，所有的参数为这个，呃，所有的这个，不是所有的这个相关系数啊，所有的相关系数为零，也就是我们的这个呃纸胶模型啊，就已经限制完成了啊， 那么这样的话，我们现在是三个模型啊，三个模型，然后我们去点击这个运行啊，点击这个运行 啊，点击这个离合运行啊，当我们计算完成之后，把三个模型全部显示 ok 状态啊，全部显示 ok 状态，那么说明我们三个模型呢全都是离合成功了啊，没有出现这种呃不收敛的情况啊，没有出现这种不收敛的情况，那么我们来看一下这个结果啊，看一下这个结果 啊，看一下这个结果啊啊，首先啊模型 a 啊，模型 a 这里啊，我们的这个模型汇总啊，没有出现这个， 呃，没有出现这个错误提醒啊，但是这个地方的卡方啊，卡方是四千多，然后我们这个 p 值是小于零点零五了啊，这个在一般的这个模式分析里面认为呢他是一个呃不可接受的，那么那么 这种情况下我们就可以考虑的对他进行个调整啊，当然啊，当然也是有，也也是有一定的原因的，因为我们这个这个这个这个呃变量啊，我们这个样本样本数量是非常大的，因为我们这个样本数量是六百多个 啊，对于这个这种稍微大的样本的这个数据来说的话，他的这个卡方啊，是是天然的会会要大一些啊，天然要大一些，然后他的这个 p 值呢，也很容易就 小于这个零点零五啊，就达到这个显示性水平了，这个是对大样本来说是一个很难避免的一个事情啊，对，很难很难避免的一个事情，所以说这个地方我们也不用太 还在意啊，我们如果能够调整啊，能够根据这个 m i 指数啊，进行一个调整啊，进行一个调整，调整到我们能接受的范围就 最好，如果调整不不到的话，那只能是因为是我们这个样本量的一个问题啊，除非你愿意缩减自己的样本量啊，或者然后调整这个啊，这个这个这个变量数量啊，对吧？不降低这个模型的复杂度啊，否则的话你很难去有效的去降低这个卡放值以及这个啊，降低它的一个显著性， 对吧？啊？那么这是一个问题，然后我们再看一下我们的这个，呃，模型的一个离合效果啊，这个和我们之前看到的那个一件一件分析的这个结果啊，很相似啊，对吧？这是 相似的，那么同样的啊，我们来看一下我们的这个模型 b 啊，模型 b， 模型 b 他的也是啊，模型 b 也是一样的，我们这里面啊是类似的一个结果啊，对吧？类似的一个结果啊， 然后他的这个参数也是啊，参数的话这边是三个模型全部在一起啊，我们可以进行一个综合比较，这里面我们可以看到啊，我们的这个模型 a 啊，他的卡棒值是最小的，然后模型 b 增加了一些啊，模型 c 的话就增加了非常大，那么说明这个模型 c 的话，可能就对我们的这个啊，是 特别特别的这个，呃，不，不适合我们的这个模型分析的啊，不适合我们这个数据的啊，这是一个方，这是一个比较的方法啊，这是一个比较的方法，那么除了这种，除了通过这种直观的这种系数，多个系数这种比较呢，那我们还可以通过一种叫做模型 界定搜寻的一种方法啊，模型界定搜寻的一种方法，那么我们点击这个分析啊，分析里面我们有一个啊，模型界定搜寻的这个啊程序啊，我们点开 啊，我们点开，点开之后啊，在这个地方我们点击这个啊，我们点击这个 启动选项啊，点击这个启动选项，嗯，那么这样的话计算完成啊，计算完成之后我们可以看到这个模型界定的一个搜搜索结果啊，搜索结果里面呢，这个 啊，这个 c 呢，也是我们的这个卡方啊，也是我们的这个卡方，然后我们这个 d f 还是我们的自由度，还还还是我们的自由度，那么这个 c 减 d f 就是这个卡方减自由度，那么 c 除以这个 d f 呢？就是我们的这个 卡方除以自由度啊，它除以卡方除以自由度。那么呃其他的这个这个参数呢？我们主要还在看这个叫做啊，我们的这个 b b i c 啊， b i c 值和这个 和这个 a i c 值啊， a i c 值， b c c 值啊， b c c 值和这个，呃， a i c 值，呃， 有一个叫 aic 值的东西啊，但是我们这里面可以看到只有一个 bic 啊，因为我们在在在这个，在这个低版本的这个，呃貌似里面的话，它会同时给出这个 aic 和 bic 啊，那么 a s 和 b a c 它是有相相似的作用的啊，有相似的这个自然尺度，就是这个评价尺度。那么所以说在新版的这个，呃，貌似里面它就只给了一个 b a c 这个值，那么在这个里面我们主要看的就是这个 b c c 和这个 b i c 这两个值啊。那么我们这个这两个值呢，一般都是表示我们越大啊，这个值越大啊，他就越 不适合啊，这个模型就越不越不适合，越不适合我们这个数据啊。那么呃什么是最适合我们这个数据的这个指标呢？那么一般在说的话，我们要求 b i c 啊， b i c 要要是这个 小于二啊，小于二的话，那么我们是认为它是非常可靠的一个模型啊，非常可靠的一个模型。当然我们现在因为我们这个对这个数，对这个初始模型没有进行任何调整啊，所以说这里面这个 bic 值啊，是特别大的 啊，是特别大的，但是我们可以对他进行调整之后，我们再来判断这个 bic 值啊，呃，不过，呃，不过这个，呃如果你只有一个模型的话啊，你你你， 你去按照这个我们这个严格的标准啊，去根据这个啊，是否小于二来判断这个，呃模型是否合适是可以的。但是如果你呃是用来比较这三种模型的关系的话啊，三种模型的关系的话，你可以这个啊，你可以先通过这种数字大小的一个 关系，然后来判断来做一个初步的判断。那么我们这三个模型啊， abc 三个模型，显然话 a 在两个指标上都是最小的啊，那么 也就是说我们这个模型 a 相对于模型 b 和 c 啊，是一个更为理想的一个状态啊，更为接近我们这个数据的一个真实情况。那么在这种情况下，我们就可以针对这个模型 a 啊，这个模型，我们这种协交的这个验证性，因为分析的这个模型，然后我们去根据这个 mi 的 指数啊，根据这个 imad 指数进行一个调整啊，把这个模型结构进行一个优化，然后再来进行这个，呃，我们的模型这一个啊，我们那个模型的一个，呃 呃，就是说我们的这个理论分析，对吧？那么 b 和 c 呢？我们在这一步就可以把它给抛抛抛掉，对吧？就不再不再去考虑这种啊，这种直交的这种理论关系了，对吧？那么这就是我们的这个模型界定，和我们的这个啊，多模型比较啊，多模型比较。
10:22查看AI文稿AI文稿大家好，我们现在就是要做嗯验证性因子分析了，对吧？ 或者是在结构方程模型分析里边，验证性因子分析我们称为它叫做呃对测量模型的检验，因为它属于结构方程模型里边的测量模型，所谓的测量模型其实就是你的这个使用的测量工具它的信度效度， 你要证明他的信效度都是 ok 的，你才能够进行结构方程模型的分析。所以 我们就整理了我们做那个测量模型他的信效度证明的一些常用的方法。哦，我们说到效度呢，其实往往说的就是结构效度，而结构效度下面 分为收敛效度和区分效度，但是大家可能在很多地方没有见过这种分类啊，因为我们就会直接说收敛效度和区分效度。但是在有一些学科里边，比如说心理学，他们往往会提到这个结构效度， 那说到这个结构角度的时候，他其实也指的就是你的变量啊，你的因子内部他具有收敛性，然后他的因子之间的题目他具有区分性， 这也这也是。所以从概念上来说，收敛效度和区分效度其实都属于结构效度，但是其实不同的学科啊，都有不同的这个说法， 大家不用过度的纠结于这些名称，你用的比较多的可能就是大家会说这个收敛效果，区分效果，对吧？然后这个信度 我们先说信度，信度，其实往往我们需要做的就是这个科隆巴和阿尔法系数，还有我们的组合信度，这是常用的，而且在以往的研究当中啊，发现这个 cr 组合信度和科隆巴和阿尔法信度呢，往往差别非常小， 我们说这个 alpha 信度呢，它是呃有一定偏差的，它可能会低估你测量工具的信度。呃，然后这个 cr 组合信度没有这个问题。但是 其实在实际当中啊，呃， alpha 信读和 c r 信读，他们其实差别不大，可能有很略微的一些差异， 这是信度。然后我们会做这个收敛角度，所谓的收敛角度呢，从 d 上来说，他就是说你的呃同一个因子下面的题目啊，我们看一下我们的 这个模型，同一个因子下面的题目啊，他们应该是具有高相关，而且他们呃内部呢，有共同的因子，这叫做收敛下读，对吧？比如说啊，我们这个态度忠诚这个， 我们态度忠诚这个因子，对吧？他内部有三个题目，这三个题目如果他们相互之间相关非常高，并且这个因子载合呀，也就是因子这个因子对这些题目的解释能力较高 的话，就说明他具有很好的收敛效度，对吧？然后我们证明那个， 我们证明证明这个收敛效果的常用的一些指标，比如说因子在何，因子在何要比较高，我们的常用标准就是因子在何大于零点七，然后九的标准说大于零点六，然后这个 呃 a、 v、 e 方差提取量，其实就是你的因子对这个题目的方差的解释量，它一个平均值 啊，因为你有一个因子有多个题目嘛，所以要有一个多个题目的平均值， a、 v、 e 呢，通常也是要比较高，就可以证明他具有好的收敛角度。然后是这个 s、 m、 c， 他就是这个因子对，呃，因子对你的 测量指标的解释能力，它是呃，可以理解为违规当中的 r 方，也就是决定系数， 这些都是来证明收敛效度的。然后是区分效度，区分效度就是说呢，变量之间，或者叫体那个因子之间，或者叫浅变量之间，他们的题目呢，相关不能过高。那怎么样衡量过高呢？我们其实有很多的标准呢， 呃，大大概来说其实就是三个标准。第一个就是说你的相关系数啊，百分之九十五的执行期间不能包含一， 不能包含一。嗯，但是这个标准太宽松了啊，基本上大家如果用这个方法的话，嗯，你的区分效度都是良好的，也就是说你去计算这个 因子之间的相关啊，我们看一下这个，我们看一下这个模型图啊，比如说行为忠诚和态度忠诚，他们之间的这个相关用弧线来相连的。这个呃相关呢，他的百分之九十五的制性时间里边不能包含一，如果包含一就说明他们没有区分效度， 就是这个意思。然后啊，或者说因子之间的相关系数要低于零点九，也有说低于零点八五的，或者说低于零点七五的，低于零点七的都有啊，啊，不是低于零点八的都有啊，不同的标准。 呃，这个标准也啊，稍微有些难，但是也还可以。但是我在很多论文里也见过啊，因子之间的相关超过零点八的，呃，我也是见过的，这这 这种可以说它的区分效度就不是很好。但是更常用的其实是第三种方法，就是， 呃，相关系数要低于 a v e 的平方根，因为 a v e 的平方根呢，它其实代表的是因子和题目之间的一个相关，一个平均的相关，这个相关要超过你什么呢？超过你因子跟因子之间的相关，我们可以看一下啊， 因子跟因子之间的相关，也就是弧线上他们，呃，这个相关，我们， 嗯，我们成为因子跟因子之间的相关，然后呢，我们那个因子都有一个 a v e， 就是平均的方差提取量，然后它开方呢，它可以代表我们这个因子和题目之间的一个相关，一个平均的相关， 那这个相关呢，一定要超过你镜子跟因子之间的相关，我再重复一遍，就是说你的区分效度好，就意味着你的这个因子啊，他内部的这个，他与内部的这个题目之间的相关要超过你， 你这个因子跟因子之间的这个相关，这是这是这个第三条这个它的意义。 然后这就是我们主要这些内容，然后我们接下来的视频教程呢，我们就会涵盖所有的这些分析。但是像这一部分啊，这一部分，因为他啊，在结构方程模型分析里边可能 用的不多。我们，呃，我，我们会有视频，但是大家可以作为选学，有感兴趣的可以去做这两部分，不感兴趣的你可以直接做下边的这些啊，你不即便不做上面这两部分，你的论文也是没有问题的。然后我们，呃，我们这个， 我们接下来做了的这个， 接下来做的这个分析呢，有一个案例，我们直接从案例来 做的。呃，这个教程，这是我们用到的这个，这是我们用到的这个理论的模型，也就是要构建一个这样的结构框的模型 啊，然后这是里面用到的这些测量的题目，我们是真真正正的把这个问卷放到了问卷清上，然后采集了大概四百多份 数据，然后我们检验了他的结果，大概结果还是可以的啊，然后我们就依据这个问卷和这个结果去做接下来的分析。我们还会，我们会涵盖所有的这些分析来做一个测量模型的验证， 或者叫检验。嗯，然后这个数据呢，这个问卷呢和数据都可以在视频的评论区下载，大家如果对数据感兴趣， 对这个结构方程模型感兴趣，我们你就去下面下载就可以了。 ok， 我们就先到这，我们接下来的视频就要具体的去做。 呃，我再多说一句吧，就是我们要我们怎么样去做呢？我们首先要用软件去 算出所有需要算的这些指标，区分校度的指标，呃，这些指标啊，这些所有的这些指标。然后我们更重要的其实要去整理他的结果，比如说这是一个啊，收敛校度的一个表格 啊，我们怎么样去整理得到一个这样的表格？这是区分效度的一个表格，当然区分效度是，呃，用了最常用的是第三种方法，我们还会做另外一个表格来证明他的区分效度。 然后这是一篇那个范文啊，这是张伟豪老师他推荐的一个范文，就是你做， 你做这个啊，结构方程模型分析的时候，他推荐你照着这篇论文来做，这个论文我们也会发到下面，大家可以去下载，我们也是按照他的论文， 他论文做的不好的地方我们都给他修正了。嗯，我们具体做的时候还会具体去说。 ok， 我们就先介绍到这，我们如果大家对这个结构方程模型分析比较感兴趣的话，大家可以点点关注。 ok， 拜拜。
11:06查看AI文稿AI文稿大家好，我是君磊，这期视频呢，咱们来讲一下这个因子分析的优化方案啊，那本期视频的一些资料呢？可以在公众号上回复因子分析优化来获得啊， 那因此分析的这个结果不好，通常呢有两种情况啊，第一种就是这个 kmo 值太低啊。啊，这个呢是一般是与那个相关性有关啊。那第二呢，就是那个维度数与自己预期的不相符合啊， 一种情况是与自己预期的那个数目低啊，另外一个是与这个预期数目高。那下面呢，我们来讲讲这个两种情况啊。 好，那第一种情况呢，就是这个 kmo 值，泰迪亚，那这个情况呢，一般呢就是与我们的这个数据的相关度有关啊。那 什么是数据相关注呢？我们举个例子啊，呃，就比如这样一份数据，这个数据是一个比较良好的一个数据，我们可以先测一下这个相关性啊， 看一下。那这个相关性呢，是一个呃比较理想的一种相关性呢，就是相关性程度在零点三零点四左右，就是说我这个自身这个题目跟其他题目有一定的关联，但是关联性又不是 那么大，如果都是零点七零点八的那种，或者零点九以上这个相关性就是就是他自己可能本身就已经没有什么自己独特性了啊， 像这样一个题目，他与其他题目有一定的相关性，他又又有自己的个性，那这样的一些一个数据呢，是一个比较良好的数据，所以一般这样的数据去做这个因子分析啊，他是 kmo 值啊，一般他都是都是不低的啊，我们可以看 给点拇指把它里，哎，我们来做一下这个行为，这款橘子。 好，我们可以做一下啊，哎，这个值呢？你看他那个 kmo 值呢？是在零点八啊，这个已经是非常不错的了啊，提取了两个因子啊，提取两个因子，嗯，那这个数据呢，我们再去操作一下啊， 如果呢，我们把他的这个，嗯，我在事先呢给他排下序啊，把那些都是选五的，这样的给他排在前面，如果我们降低他的相关性，就比如我们把这都选五的给他删除啊， 或者前面这一堆，这前面这一堆都是比较相关的啊，我们来删除一些，删除个一些样本，我们破坏一下他这个相关系啊，然后我们再做一下啊，再做一下。 好，你看这时候的这个 km 就是从零点零点八，对吧？零点八下降到了零点七八，对吧？零点七九九下降到了零点七八，这就说明我是把原始数据那个相关性给他打破了啊，给他破坏了一些，然后呢他的数据他 km 就降低了啊，那我们再看看例子啊， 我们新建个数据，然后这个呢，这时候是我事先准备的一个， 呃，前有 random， 就是那个，呃，那个那个 excel 的一个函数啊， random 比拖延一和到五就是生成了一个随机的数数字，对吧？也是 也是这么一些数据，我们用这个随机申请的数据去测一下这个 k m 值，对吧？然后我们做一个分析，那这数据是完全都是随机的啊，完全都是随机的， 那随机的数据他们之间是相关度是比较低的，那么这时候啊， km 这零点零点四，其实这还是算比较高的了，这说明这随机的数据里面他也有一定的一个相关度，我们测一下。 呃，你看零点一几还是有一定的啊？有一定的，只是说啊，不显著吧？不显著，但是也是有一定的一个相关度，零点二几年的啊？ 嗯，我的想表达什么意思呢？就是说 km 值是与相关性密切相关的，那 如果我们想提升我们的这个 km 值啊，一个是要把我们的核载比较低的那些题目给他删除，因为核载比较低的题目，他的含义就是说跟自己维度的那些那些题目相关性 比较差，所以优先可以剔除相关啊，和在比较低的题目。那第二呢，就是在样本入手，从样本入手就是说你可以增加一些样本啊，再去调验一些样本，他说不定就提升了 啊。所以啊，这个 kmo 值的这个优化基本呢就是从样本和题目这两个角度去入手啊，题目的话就是那个删除和再低的样本的话，你要知道什么是好样本，什么是差样本啊。那么对于这个 kmo 值来说啊，这个这样的样本随机的这样样本是不是差样本？ 那这样的样本呢，就是都是选五的那种样本啊。啊，这种对刚才我身上那些样本，这样样本反而是一种好样本。 好，我们再来讲第二个问题啊，唯独数不符，那这个问题可能是我们做问卷分析遇到的最头疼啊，最难解决的问题 之一了啊。那这个问题呢，就是我给大家提供一个思路作为参考啊。嗯，首先我们把握一个原则， 第一个就是原则，就是啊，我们这个维度命名啊，以那个核载较高的占多数题目为准啊， 就是我们不要上来就期望他提出来那个因子刚好跟我维度设置的啊，一样啊，那个太理想了啊，我们是以那个维度内的占多数的那个题目啊，核载较高的占多数题目为准啊， 那么允许少数题目跑到，跑到其他维度下，就是说如果有一两个题目创造了其他题目下，你是可以保留的啊，可以保留，但是你如果觉得实在不想保留，你就把它删除啊。好，那我们有这两个原则之后，再去看对应的这个情况，我们 进行处理哈。好，那我们接着这个数据来看一下这两种情况啊。第一个就是这个大于预期啊，也就是我们抽取出来那个数量是大于我们实际想要那个数量的啊， 我们看一下这个数据啊，我们做下这个因子分析，那这个因子分析呢？我实际上是想抽取两个因子，也是 f r 也是 pi， 那我们可以做一下这设置，我都设置好了哈。好，那实际上出来之后这个结果我们可以看到啊，特效只能大于一的有三个，也就是说它实际上是 踢出来三个啊，踢出来三个意思。我们看一下这个因子和仔的一个相声比赛啊，我们看一下他这个四五六 p i 的四五六在一起了，对吧？然后呢？一二三在一起了，然后又把 fi 的另外一个因子给拖过来了，对吧？有人说 pi 一二三加上 fi 四形成了一个因子，然后 fr 一二三形成一个因子，那这个地方呢？我们就可以进行删减了哈， 那我们再来分一下这个结果啊，那 fr 一二三他们是没有问题的，那么我们可以用这个三个题目，也就是维度三来作为 fr， 对吧？ 然后问题就出在前面这两个因子，我们保留。保留谁？我们可以将这个一二三四、 fi 四和 pi 的一二三都删除啊，只保留 pi 的四五六。将 pi 四五六来代表这个 pi 是第一种做法，第二种做法是我们把 pi 的四五六删除啊，然后用这四个题目来代表 pi 啊。我们可以先做一下啊，我们将这个，呃 pi 一二三和这个都删掉啊。 pi 一二三 这个删掉，我们来再做一下，我们看一下这个都符合两个音字，然后出来这个结果，那我们可以用这个结果作为我们的这个实际的啊，那个唯独设置， 大家有同学说我删这么多题目合适吗？还是一个乘除量表没问题啊？我们用因子分析去做的时候，我们可以将这个步骤作为我们呃，对量表进行优化，或者说我们对我们的维度进行优化，这样一个过程啊，删是没问题的啊，删没没问题你就勇敢的删啊。 然后我们再来试一下第二种做法，我们可以保留这个，保留一二三，我们把这个四五六给删除啊， 看一下这个还是啊？就是，呃，你看刚才我说到这个，允许有一个题目串到这个位置吧，对吧？我们可以将 fs 同这啊 pi 一二三一起作为这个 pi 啊，当然你就说一下，行了，我们以主要题目作为命名，将其命名为 pi， 对吧？ 好，那么这是第一种啊，就是这个维度数啊，啊，那个大于这个逾期数啊。 好，咱来看第二种情况，这个小玉系数啊，那这种做法怎么做呢？呃，比如说我想提取四个因子，结果他就给我出来三个啊，那么我们怎么做呢？我们这时候就要强制提取，我们回到我们的因子分析， 然后在提取设置里面，我们把这个也搞进来啊，我们把那个提取设置里面在这里也设置，我他他出来三个，但是我实际想要四个，我们这里显示四，然后我们再做一下看一下，那这时候呢，他就有墙 制提取了四个啊，四个因子，那这时候要注意啊，如果你的数据本身质量不 不足以支撑四个维度，或者不足以支撑我的预期啊，你的预期那个维度设置，呃，他这里就是第四个特征值，就非常小，非常小，比如像这个零点七就不足以支撑啊，如果你这时候这个特征值在零点九以上，或者是 零点八九啊，是也接近零点九，那还可以勉强说他能够提取出来啊，四个维度啊，那首先你要看这里他是不是一个比较高的一个特征值啊？零点九是一个，呃，能够接受的一个一个标准啊。 好，那这个零点九的之后呢，我们再看下面这个旋转成分矩阵，如果他多出来那个维度啊，比如这里啊，他多出来一个 f f i 二，对吧？如果多出来这个呢？他刚好是 在两个或者是两个以上，对吧？呃，就是新做出来那个维度呢，在两个两个以上，那，那他构成了一个新的维度 啊，那这时候你就可以以新出来那个维度作为你的那个啊，少那个维度的命名了，对吧？ 嗯，当然了，这个这完全是碰运气的样，有一可能是啊，有一可能是你前置踢了之后，他出来这个全都乱掉了啊，那这个呢？呃，实在不行你就把某个维度全部都踢出啊，全部踢出只保留那个啊，他踢出来那个样子啊。 嗯，那基本呢就是，呃，这几种做法，其实我们看到这个也没有什么特别好的办法，因为因此分析啊，因此分析呢，就是这样啊，他提出来什么样，我们就基本上以他什么样的那个为准了啊，只能通过这样的方法去 平合理的优化啊。当然我们还是建议啊，能用成熟量表就用成熟量表，毕竟成熟量表这个胎草性因子分析是可以跳过的哈。 嗯，那我们今天视频到这里了，我们下期再见，谢谢大家。
436Junlei_D
01:44查看AI文稿AI文稿sbss 操作步骤讲解系列第十九课探索性因子分析 探索性因子分析用于检验量表的结构效度情况，先采用 k 梦和巴特利特球形度检验检验数据是否适合使用探索性因子分析后采用主成分分析提取供音子最大方差法对提取的供音子进行旋转。 第一步，将数据导入 spss 中并复制后点击分析降为因子。 第二步，进入图中对话框后，先将量表提像放入变量框中，点击描述勾选 k 梦和巴特利特球形度检验，点击继续旋转，勾选最大方程 夸法，点击继续选项勾选排除小细数绝对值如下，框中输入零点五，点击继续确定。 然后探索性因子分析的 k 梦和巴特利特球形检验供因子方差，总解释方差成分矩阵，旋转后的成分矩阵结果就出来了。 结果出来后，将旋转后成分举证结果粘贴复制到表格中后，将供应子方差下的提取数据放入表格右侧，再将 k 梦和巴特利特检验结果，即总解释方差中的初始特征值和累积方差百分比放在表格的下方。 观看完记得点赞关注哟，可以带座指导学习交流！
768艾吖法数据
16:44
