粉丝3.8万获赞20.1万

嗯,大家好,我是君磊,上一个视频呢,我们呃简单介绍了一下关于信度分析如何去操作,以及啊我们通过一些方法来改善这个信度值。 从这几个开始呢,我们就连续做几个视频来去介绍这个笑度检验如何操作。嗯,笑度检验呢,可能是在我们做假设检验之前啊啊做的最大的一个检验了, 当然有的同学可能是用的非常成熟的量表啊,这一步呢,有可能会跳过啊,但是啊,我们发现啊,就是即有的同学即使是用了非常成熟的啊量表啊,导师依然会建议你去把这个笑度再做一遍啊,这也是有可能。 所以说,嗯,这一步呢,你需要跟自己导师啊去沟通,如果是你是用了成熟的链板,你需要去沟通确认一下你是不是要做这一步啊。如果是你是自己设计的文件,那么一定是要去做这一步检验的 啊。我们可以先看一下他的,看一下他的定义啊,这个定义是我自己写的啊,跟一些概念啊,可能啊,不太一样,但是表达大家都是一样的。嗯, 效度检验其实它代表一是数据的有效性啊,也就是说啊,通俗一点讲,就是你心中所想的,跟你实际所测量出来他是有一致性的,嗯, 如果一致性比较高,就说明你数据的有效性较高啊。放在我们的这个问卷的分析当中呢,就是说你的量表的这个设计啊, 跟你的实际测量出来这个维度啊啊和音子他是一致的,或者是基本是一致的。比如说你有二十个题目,你设计的六个因子, 那么我们用探索性因子分析呢去把它给呃探索出来哎呃,刚好你这个探索出来因子跟你实际所设计的是一致的。 ok, 那么你就说明这个消毒是通过的, 那我们应该用呃什么样的呃呃特征来去表征这个效应呢?或者说用什么样的指标来去探来去验证这个效应呢? 那我们我一般是会把这个度减压区分三个难度啊。第一个难度呢就是用 k m 和巴特利求生减压来去操作啊。其实是,其实说呢这个这两个指标呢,他并不是来去减 的这个笑度,他是来去啊来去呃看一下这个数据是不是适合做这个因子分析。嗯,但是呢就是,呃 嗯,原则上讲这不是消毒检验,但是我发现很多的文献当中都是把这个当成一个消毒检验,这个很有意思啊。所以说呃当你的当你的这个笑度实在吞不过的时候,你可以哎浑水摸鱼一把,然后只用这个。呃 啊,只用这两个指标就去表扬这个笑度啊,当然可能会不会通过啊,也可能也有可能会被通过。嗯,好,那么一般呢,我们是用探索性因子分析啊去做这个笑度的言,这是啊用的最多的,最多的一个。 嗯,他其实是在我们积极学习当中他是一种降为的一种方法啊,我们叫 啊因子分析,降为嘛啊?在这里叫他投降因子分析,他本身上是啊有 n 个题目,有二十个题目你给他降为降成了四为或者五为,然后呢我们能通过因子和载去呃找到这个因子下他跟哪些题目是 啊比较亲密的,因为他哪些题目是归属到哪个因子的,那么这种呢就跟可以跟我们的设计呢所哎呃有一个匹配关系,如果匹配比较高就说明你的效度比较高,我们叫 efa 探索性因子分析,那么嗯, 另外一个比较高难度的这个消毒检验呢,我们叫探索性因子分析加验证性因子分析。嗯,简单来讲就是我们探索出来这个因子之后啊, 再用啊结构方程或者是啊验证性因子分析啊,去跑一下,看一下你这个啊,你探索出来这个是不是一个良好的一种啊?结构啊,这两个用探索性因子分析加验证性因子分析呢, 这种方法呢,他是呃最能够让人幸福的,当然他的一些指标想达标的话也是最难的,所以说啊, 一般本科是很难很少去做这个这两个呃分析来做泄露检验的,一般是研究生阶段呢会用这个分析, 本科生我建议就是用探索性因子分析就够了。好,我们今天呢就先讲这个探索性因子分析。 好,我们还是先看一下这 这个呃表格的样式。呃,因此分析呢,他有很多种表格样式。嗯,但是这种呢是我觉得呃是最方便的。因为什么呢?因为他是直接可以从 spss 中呃 去输出的,也是直接可以用的啊,我觉得不需要再大改了。嗯,当然也有其他一些比较啊,综合的形式啊,那种也是可以的啊。嗯, 好,我们先先介绍一下这些表格。第一个表格呢,他是啊刚才我说的 km 和巴特利群体验这个指标呢怎么看呢啊?首先要看 kmo 值啊,这个值呢?呃,也是要看他是不是大于零点六, 嗯,也有的时候要看大本,嗯,是不是大于零点七,这个不是很严格,一般大于零点六我觉得就可以了。呃,当然你要看你导师是不是, 呃,要求你大于零点七啊,或者零点八,呃,然后通过这个,这个通过之后呢要看他这个屁,再看那个他的群里面的配置啊,这个配置如果是小学零点,呃, 小于零点零五,那一般他都是小于零点零一的啊,他,呃,这很容易通过的。这个如果这两个都通过呢,就说明这个数据啊,他可以进行因子分析。好啊, 嗯,可以做印子分析。之后呢,下面我就就开始看那个音。嗯,主持分的 t 恤以及宣传成本矩阵。好,我们下个这个表怎么看呢?嗯,这个表出来之后呢?嗯,首先要看这一列我们叫什么叫啊?特征值。 这节车上知道要看他是不是大于一,或者说要看一下他大于一的有几个,能够大于一的有吗?有四个, 有这四个,也就是说我们,嗯有十三个题目,十三个题目呢,他提取出来四个音字,而这四个音字呢?呃,我们再往后看后看,这里有一个累计 多少多少,我们叫什么叫累计的方差解释度啊,这个呢是百分之七十六点几 啊,这个是比较好的啊,这个累计发达。呃,几十度呢?这个呢也没有一个非常严格的标准,有的地方呢说达到百分之六十,有的地方达到百分之七十啊,这个确实是没有谁严格的标准,反正是越高越好。嗯, 你大家记住,主要是看这个 t 恤度,还有就是这个,呃大于一的个数。好,然后呢,看完这一个之后 啊,我们会看一个碎石图,嗯,这个碎石图呢,我们要看一个拐点,比如说这个地方大概是在这个地方出现拐点, 这地方出现拐点之后呢,我们就会说他,呃,提取二到五个啊,之间就可以了,而不是说他拐点出现在哪里,你就说提取几个适合,这个是没那种绝对的啊,比如说他拐点出现在这,你就说他 说是三到六啊,这样来表达就可以了啊,你看这里,嗯,在这前五数出现平缓之前继续下降,所以提取四个比较合适啊,其实他就是在五出现之后呢,然后说四到六个就比较合适,然后就说啊,提取四个合适,这样好,下面就是我们重头戏 叫悬崖成分矩阵,嗯,这个悬崖成分矩阵呢,他是这样的,就是每个题目呢,在 每个因子下面都有一个值,但是他最大的那个值呢,是他的那个因子的归属, 这里是都有直的,只不过我们把它给省略掉了啊,给他删掉了,因为我们只保留他最大的那一个,所以说我们取最大的这四个呢,那么这啊, t 第一就要提第三、第二、第四这四个题目就属于英子一,那么这三个题目就属于英子二 啊,这三这几个题目都数银子三啊,这都排序好的。好,然后下面你就解释一下啊, 根据学院成分得学院学院成分基本得知。然后啊,哪个题目是属于啊?哪个因子,然后他因子喝了有多少,这里的他解释就比较啊,就比较简洁,如果你想凑字数的话,你就可以啊啊,这个题 他的因子喝的是多少啊啊?写一下,然后他都是打游戏的,然后都可以问他命名为什么好,那下面呢,我们就接着一个数据来操作一下,给大家看一下啊,操作呢也比较简单, 但是有些细节需要好好的注意啊,我来操作大家一定要看清楚。首先我们点击这个分析,分析里面有一个降维降位,里面有因子分析,然后呢我们就把你的量本的题目给它塞进来, 比如说我们把这里的这这个这几个题目给他塞进来啊,加上这个吧。 好,然后呢我们一个一个点这里呢,先点这个描述,描述里面我们需要点什么?点这个 km 和巴特利,这个是一定要点的, 继续,然后抽取,这里呢我们是要点啊,这里我们就不动,一个是觊觎特征值的一个抽取啊,这里是我们不动的啊,有时候我们的抽取效果不是很好,比如说啊,我们 本来想是呃抽取四个,结果他就出来三个,那么这里呢,你就点他强制抽取四个,这里输入一个四,然后你看他出来是什么样子,你就可以去简单的看一下,但是呢我们还是要去看刚才说的特征值的。 好,我们先点他,然后四十图啊,就在这里点个四十图。好,然后我们点这里就旋转,旋转什么?就是旋转成分矩阵嘛,对吧?然后我们这里用最大方叉法好,其他方法就不需要了解,你就记得记得一个最大方叉法就可以了啊,这个是我们嗯 最常用的一个方法。好,我们今天继续,然后得分,这个保存为变量呢,一般是在,嗯, 在哪里会用到呢?就是在那个,呃呃,财务类的这个,因此分析里面,主持人的分析里面会用到这里呢,因为我们主要讲一部件分析吗?这里暂时先不讲了啊。嗯,我们这个也可以点上。好,我们再点这个选项,这里注意啊,我们 有这么一个注意的事项,一个是使用均值去替换这个确实值,然后呢按大小排序,这个是一定要点的,然后取消系数,这里我们点到零点三, 取消系数就是我们呃把那些呃因子核载低于零,低于零点三的我们都给他不敢试,然后我们就确定 好,那么这个就出来了。好,我们可以看一下,其实这个表格呢, 就是我们那刚才我展示的那几个表哥的样子,只不过我们稍微稍加去修饰了一下。好啊,这个就是 kmo 值和巴特利啊,他,他是零点八七七,还是比较高的,然后配置也是良好的。 好,这里呢就是刚才我说的那个啊,特征值,我们看他是不是大于一啊?大于一的有六个,也就是说这六个呢,也就是说这二十一个题目提取了六个因子, 然后累计解释百分之七十二点四的一个方差,这个是比较理想的。然后这个就是,那你就啊,这个地方其实没那么严格,你就大概说一下啊,他是在七这地方出现了 一个拐点,所以呢啊,从五到八提取五到五到八个因子是可以的,所以说我们提取六个因子是合适的,这是六吧,这六个因子是合适的。 好,然后这是成分矩阵,这个成分矩阵跟后面那个矩阵他是不一样的,这是还没旋转之前的,我们不管这个直接看这个。好,这个就是旋转成分矩阵。 那么这个举证呢?你们看他就是啊,这一堆是在一起的,然后呢?我们,呃,这零点,你看这是零点四吧,这零点四我们要看他大的,所以我们要从这开始看,从零点八这地方开始看,然后这停止,然后在这里看, 他给你排泄好了啊,这个地方就是一个宣传成本举证。嗯,那么关于制表呢,我在这里就不多讲了,大家只需要把啊这个宣传成本举证跟这个解释, 磨砂还有开摩托力啊,给他复制一下。这天他到表哥里面已经稍加休啊,稍加那个加工就可以啊,直接 coffee 到味道里面去了。嗯 嗯,燕子飞行到这里就并没有结束,因为我们还要解决一些问题啊,一些我们很常见的一些问题 啊,比如说我们的因子因子分析的效果,比如这指标不达标,我们怎么办?还有就是啊,我们出来结果啊,学院成分举证并不是我们想要的结果,我们怎么办 好这些这些问题呢?我们放到下一节课来处理啊,今天我们就不不多讲了,好啊,我就啊先到这里这个视频,谢谢大家。

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。

我们今天这个视频呢,就是我们要做一个模型的修订,做模型修订之前呢,我假定啊,你们对 这个结构方程还是要有一定的了解的,但是你不知道你的模型为什么你和这么差,我们可以看一下我们这个简单的模型啊,我们运行一下, 然后看一下我们的模型的你和 model fit 里边,对吧? model fit 里边你可以看到这个卡方比自由度啊,如果说比较好的模型卡方比自由度,它的这个值呢?比值应该在三以内,也就是小于三,我们是十五,就是比三已经大很多倍了,对吧? 然后比如说 c f i, 它应该在零点九以上,对吧?那比如说这个 r m s 也它应该在零点零八以内,很明显这是一个你和非常差的模型,对吧?那怎么样解决这个问题呢? 我们其实是非常简单的啊,但是我们必须绕一个弯,就是我们必须要理解结构方式模型在做什么,为什么有这些尼克指标,这些尼克指标在做什么,对吧? 嗯,你理解了这些,然后再去把这个你和调整好,就是非常简单了。然后我们先来说结构方程模型,他是在做什么结构方程模型啊?他是对我们的数据之间, 我们说的数据啊,就是说这些测量指标就是用矩形来表示的这些数据,他们的数据这个所形成的一个 相关矩阵的模拟。怎么说呢?比如说啊,我们这个 q 一到 q 五这五个题,他们可以做一个相关矩阵,我不知道你们见过相关矩阵没有?我们,呃,现场就来做一下,这是我做好的啊,我们现在就先来做一下,在 s p s s 里边我们点分析,然后再 这个相关里边点双变量,然后把这个是我之前做的啊,然后把这个五个我们想做的相关这个变量我们放进这个变量框里边, 然后呢我勾选了一些不重要的东西啊,你们也可以去勾,比如说你,你让他只显示下三角,对吧?显显不显示对角线,对角线呢?对角线呢就是自己跟自己的相关,所以他相关是一, 就是一些无所谓的选项,然后你点确定的话,你就可以看到这个相关矩阵,我们所谓的相关矩阵实际上是不包含这个显著性个案数这样的数据啊,这样数据对我们来说是没有用的,我们的结构方程模型,你和也不是也跟这些数据没有关系,我们相关的我们关有关系的就是这个片训相关性, 所以你自己删除掉这些。嗯,显动性和个案数的话,再去看这个矩阵会看得更清晰。然后我们呢就 是直接来说啊,你应该会看这个相关矩阵,比如说 q 一和 q 二之间的相关,他是零点七五四,他们的显著是小于零点零零一是非常显著的一个相关系数,然后这个 q 三和 q 一他之间的相关是零点五四六,显然上面这个相关系数显著要大于这个,下边这个他们差了零点二,对吧? 然后呢我们现在这个模型是什么意思呢?我们这个模型啊,他是认为变量之间啊,这就这五个变量,他们之间是存在共同的成分的, 如果他们变量之间只存在相同的共同成分,也就是说我们他们只受到 f 一的影响,其他没有任何的共同成分。比如说 q 一、 q 二,他们之间,他们的共同成分完全来自于 f 一的话,那么我们看到的这个相关矩阵呢?他应当是什么?他这个相关矩阵应当是所有的相关系数都相同的。 我再重复一遍啊,就是说如果说我们这个模型是完美逆合,所有的这变量之间啊,他们的共同成分完全来自于 f 一的话,我们看到的这个相关相关矩阵呢,它应当是所有的相关系数都相同的,但是很明显不同, 我们可以看到有几个明显大的相关系数,比如说这个零点七六四,它是 q 一、 q 四和 q 五之间的这个相关系数,它是非常显著的高于其他的。还有这个 q 一跟 q 二之间的这个相关,它也是显著的高的, 这就说明什么呢?说明我们这个模型啊,没有办法完全的解释我们这个相关,因为我们这个模型,你可以看到 q 四、 q 五,它没有特殊的, 没有特殊的这种结构,你看它跟 q 一、 q 二、 q 三、 q 四,呃,它,它跟前面这几个边梁,它们结构上实际上都是等价的,都是受到了 f 一的共同成分的影响,按道理它们之间的相关系 数应当差不多,这样我们的模型才是比较好的,但是偏偏有几个相关是非常高的,导致你的模型就你和比较差。因为你这个,我目前画的这个模型啊,目前画这个模型, 他所拟合出来这个相关矩阵呢,只能是相关系数相同,也就说所以他从拟合的拟合出来,也就是我们通过模型来计算出来的这个相关矩阵只能是有相同的相关系数,但是真实的相关矩阵却有有大有小,而且有一些非常大, 远远偏离了我们的这个大部分相关系数,这就导致了我们的拟合是偏差的。那怎么解决这个问题呢?实际上我们从这个相关举证也可以看到 f 四和呃, q 四和 q 五它们之间有额外的一些相关性,它不仅仅是 f 一的共同成分所导致的,那我们就 给他画一个相关线,给他画一个相关线,这样我们的拟合就会大大提高。我们我们先不解释为什么,我们先来看结果, 我们重新运行,然后看这个马德菲特,你可以看到这个刚才这个卡旁比自由度呢,他是十五,现在变成了八,说明这个你和已经大大大大的变好了的,对吧?这个 cf 已经到零点九了,然后这个 rmsa 这个虽然还没到零点零八以内,但是也也是降低了啊。 那有些同学问了,为什么我们要在这个误差项,那在这个误差误差误差项这个地方我们要加上一个相关,而不是在这个题目本身这个地方加上相关。这个时候你就要理解这个 结构方式模型它为什么要这样画啊?以及它这个箭头的意思。我们来拿这个 q 五来说, 他这个受到了两个箭头的影响,受到两个浅变量的影响,意思是 f e 和 e e 共同影响我们的共共同影响我们的 q e 五。而我们的啊,我们可以看到所有的题目啊, q e 到 q 五五,他们都受到了 f e 的影响, 也就是说我们的 q 五呢,我们这些测量指标啊,它有两个部分构成,一个是误差项,一个是共同成分 f 一,也就是说 e 一加上 f 一,它其实上等于这个 等于这个我们的题目 q 五,我们可以我们可以列一下啊,我们打开一个 编辑器,我们打开编辑器,我们可以写一下式子 q 五啊,我们用 q 五来表示 q 一杠五, q 五, 它这个结构方程代表什么意思呢? q 五等于 f e 加上 e e, 当然这个 f e 它前面是有因子载合的,我们写上吧, betor 乘以我们的 f 一,对吧?实际上这呃这一部分呢,它就可以用这个等式来表示,然后呢,我们 q 四呢,也是一样的啊, q 四也等于 我们的因子载和 q 备它四乘以 f 一加上一二, 那么你可以看到啊, q 四和 q 五,他们的共同成分其实就是在这个这个地方,对吧?因为他们都是这个受 f 一影响的,当然他们的个路径系数不同, 所以他们是略微有差异的,然后他们不同的成分都集中在了误差项这个地方,对吧?不同的成分都集中在误差项这个地方。由于呢,我们是呃,我们的浅变量 f 一共同影响了五个测量指标,也就是你可以写五个等式,我就不写了,下面就 省略了五个等式,也就说我们的 f 一,它是提取了这五个这五个测量指标的它的共同成分,而不同的成分都保存在的,都保存在了啊,这个误差项这个地方,他们也是一个变量啊,误差项,他这也是一个变量, 由于呢,我们的 q 色和 q 它有,它们之间具有强相关,它们的相关不仅仅是,不仅仅是它们的共同成分,不仅仅是这五个题项的共同成分,它还有其他独特的一些成分是保存在 这个一一和一二的他们的这个误差变量里边的,所以我们要在这个误差变量这个地方加上相关。 我再重复一遍,就是说我们的 f、 e 指向这些五个测量指标,它的意义代表着我们这五个测量指标中间的共同成分,他们是有共同成分的,那么这五个测量指标他们的非共同成分都保存在他们的误差项里边儿,所以 非共同成分之间的相关我们就要画在这个误差项这个地方。那有些同学 你可以自己去试试啊,在 imos 里边,你是不允许你这样去画相关的,你是画不了的啊,虽然你鼠鼠标这样点,但是你是画加不上这样的误差线的, 呃,加不上这样的相关线的,所以你也不用担心自己不理解为什么要到底是把这个相关项是加在误差项上还是加在这个测量指标上,你不需要去考虑,因为你你在这个地方加不了,所以你只能在这个误差项这个地方加。

验证性因子分析,看这个就够了。验证性因子分析适用于测量因子与测量上之间的对应关系是否与研究者预测保持一致的一种研究方法。第一步,选择分析方法,验证性因子分析。第二步,多赚样本开始分析, 一键得出分析结果。还有智能分析与分析,建议帮你解读分析,你学会了吗?


好,我们今天要学习的是量表数据如何进行分析。首先我将量表数据的分析步骤列了一个 word 给大家看。首先是进行性度检验,采用的是克隆巴赫系数,在性度检验通过的基础上,采用效度检验,采用的是 k、 m、 o 系数。 然后当克隆巴赫系数和 km 系 km 系数都达到了零点七级以上的时候,就代表量表和分量表的性度和效度是良好的,就可以做接下来的统计分析。接下来对数据进行因子分析,可以看到我们这个数据能否做因子分析。 以下是判断能否做因子分析的条件。接着进行相关性分析。相关性分析采用了两种系数,一个是朴训系数,一个是斯表曼系数。这两个系数的适用条件是不同的,一个是在正态的条件下使用的,一个是 不考虑数据是否是正态都可以使用的。然后接着就是顺理成章是我们的正态性检验。好,我们今天要讲的就是性度检验、像度 检验和因子分析这三个板块。好,我们结合数据来看。首先我们看到这个数据,我现在框的黄色的部分就是第一个维度的六个小问题。然后这个呢,就是第一个维度求了一个总和,有的时候会求一个均值,有的时候求的是总和,所以看你的用途是什么。然后后面是第二个维度,也是一样的。 然后接着是第三个维度。好,我们整个问卷就是三个维度,那我们每一个维度都来做一下这个信度分析。首先点击分析,然后点击刻度,然后点击可靠性分析。点进来过后,首先我们看到第一个维度,从一感信度量这里开始, 同时按住键盘上的 shift 加 ctrl 键,然后就可以同时选择这么多,那这个就是第一个维度,选到相这里来,然后模型呢,就是这个 alpha, alpha 就是 克隆巴赫系数,你也可以选折半系数,这是看你自己的选择。我们先选个 alpha 系数,然后点击确定好。这个时候我们就可以看到他这个克隆巴赫系数是零点九四八,是非常高的,就说明这个维度的信度是非常高的。接着我们把其他两个维度也做一下, 把这些选回来,然后选择第二个维度,点击确定好。第二个维度的科龙八号系数是零点九六五,进度也是非常高的。然后我们看最后一个维度, 最后维度是零点九三九,它的性度也很高。这个时候我们来做一个总体的性度分析,我们刚才是将三个分维度的都来做了可性度分析,这个时候我们来做总体的 好,总体的一个科罗巴赫系数是零点九七五,就说明了总体的量表和分量表的性度都达到了要求,并且性度都非常高。然后性度检验就通过了。通过过后我们要进行效度检验,那么还是点分析,然后点击降维, 然后点击因子好。首先将第一个维度选过来,然后点击描述,记得这里要选 k m o 和巴特利特球形度检验,初始结可以不用选。然后点击确定,那我们第一个维度的效度就出来了, 我们可以看到这个表中它的 km 系数是零点八八五,而且它的巴特利特球形度检验,这这个 p 值是零点零零零,就说明受访者对于该维度回答的问题是非常具有一致性的,效度是非常高的。 好,那么我们第一个维度就已经结束了。第二个维度一样的方式。 好,第二个维度的 km 是零点九零七,然后这个 p 值也是零点零零零,也是一致性程度非常高。 第三个维度第三个维度呢,它是 k, m 是零点八六六,它的撇值也是零点零零,是小于零点零五的,所以它也是非常一致的。所以三者的性度和效度检验都是通过了的。然后我们现在来看一下整体问卷的效度, 点击确定好整体位置的效度呢,是零点九三三,也是非常高的, p 值也是小于零点零五的。就说明 我们整个问卷分量,不管是分量表还是总量表,他的性度、效度都是通过检验的。那好,我们前两个性度效度检验就讲到这里。然后接着是因子分析。因子分析其实在我们输出 kmo 结果的时候,他同时也就给我们输出了一个因子分析的结果。 好,我们首先看到整个界面的左侧,它这里有 这些是信度的结果,从效度开始,也就是从这,这是第一个维度的效度输出的结果零点八八五。然后接下来呢,这个矩阵呢,是成分矩阵,也就是说他在这个维度中的这几个问题中,只提取了一个成分出来, 所以他这个维度是不适合做因子分析的。然后接着看第二个维度,也是只提取了一个,然后第三个维度也是只提取了一个出来, 说明分量表都是不适合做因子分析的,但是如果把这三个量表统一在一起的话,我们可以看到他就提取了两个成分出来。这两个成分咱们来看每个问题属于哪一个成分呢?就是我们看他的这个绝对值,每个成分的绝对值。我们看到第一个 制度性度量,这里他在第一个成分上面得分是零点八五三,第二个成分上面得分是零点三四三。所以他就属于第一个成分,哪个大就属于哪个成分,如果出现了负数的话,就绝对值就可以了。好, 我们来进行一个系统的学习。因子分析,点击分析,点击降为点击因子。好,我们把所有的这个选过来了,过后点击描述。好,这里有 kmo。 点击继续提取。我们选择的是主成分提取法,然后要显示未旋转的因子解。然后我们再选一个碎石图吧。碎石图呢就可以看到他从哪一个点开始有了急剧的下降,急剧 下降过后趋于平缓,那我们就可以提取几个主成分。好,我们提取的这个方式是基于特征值,我们只提取特征值大于一的,这个是默认的条件,然后迭代次数,这些不用管。二十五次。点击继续旋转。 旋转的成分矩阵,我们采取的是最大方插法,一般都是选择的最大方插法。然后再选择一个载合图,我们就可以看到每一个问题在每个成分上面的载荷的情况。点击继续,然后得分,不用管选项也不用管,然后点击确定 好,这个时候他就输出了这么一个结果。这个第一个表呢,是总体的这个量表的 k m o 系数,也就是它的效度,它的效度是非常高的,大家可以看到是零点九三三,然后它的三也就是个 p 值, 零点零零零是小于零点零五的,也是说明题制性程度非常高。下面这个图呢就是碎石图,我们可以看到在等于二的时候,他有一个 急剧的下降,并且趋于平缓,然后这个就是我们一个参考的依据,所以估计后面提取的成分数量是二或者是三。然后往后面看。好。我们这里就看到刚才所呈现的一个成分矩阵,就是在第一个成分和第二个成分上面的成分矩阵,然后之前给大家说了应该怎么样选取它是属于哪个成分的。 好,这里就是一个总方差解释。那它最后也是提取了两个成分,它的特征值都是大于一的,提取的是大于一的解。然后这个是旋转后的成分矩阵,那我们一般看呢就是看这个旋转后的成分矩阵,然后来确定它的哪个问题是属于哪一个成分的。 这里呢就是一个载合图,可以看到它是属于哪一个象限。比如说我们提取的这两个 成分,我们就可以对成分进行命名,可以根据每个成分中所含的问题的特征进行一个命名。比如说第一个成分,你看他有是有这个易感性度量的,易感性度量很多都属于第一个成分。 嗯,还有这个保护行为度量,也就是说易感性和保护行为度量可以抽离为一个成分。然后制度性度量呢是属于第二个成分,那么我们第一个成分就可以说是自我保护的一个指标,第二个成分呢,就可以说是制度性保护的一个指标。这样的话就可以把指标进行命名,然后进行进一步的探索。 你看它这个所属的,我们刚才看到了一个是否做适合做因子分析的条件,特征值都大于一,对我们提取出来的两个成分是不是特征值都大于一,然后第二个提取的因子在其载褐上的载褐系数都大于等于零点四,这个怎么看呢?就是我们看这个旋转后的成分, 你看他第一个问题,在一二两个成分上面,最高的是属于第二个成分是零点八一六,他是大于零点四的,所以他这个是有效的,每一个都这么去看。然后最后一个判断条件是至少提取了大于一个的公因子,我们这里是提取了两个公因子,所以的话他整体是适合来做因子分析的。 今天的课程就上到这里,接下来我们会讲相关性分析以及正态性检验。

效度分析四种形式及测量一、内容效度,使用文字描述两表设计的合理性,例如两表有着严谨的参考依据或者得到专家认可等。二、结构效度通过探索性因子分析 提项进行分析,如果输出结果显示提项与变量对应关系基本与预期一致,则说明结构效度良好。 三、区分效度区分效度,强调本不应该在同一因子的测量项确实不在同一因子下面。区分效度的测量可在骚系统验证性因子分析中完成。四、 收敛效度强调本应该在同一因子下面的测量项确实在同一因子下面。收敛效度的测量可在 sosa 系统验证性因子分析中完成。你学会了吗?智能分析与。

哈喽,大家好,上两个视频呢,我们主要介绍了性度和效度分析,那今天这个视频我们就来聊聊因子分析。 因子分析他最常见的作用呢,也就是因子降维。什么是因子降维呢?也就是通过因子分析对多个变量进行降维处理,把这些多个变量归纳为少数的几个工因子,用这些少数的工因子来衡量整体, 用来提高数据的处理效率。比如说我们在分析用户对产品的态度以及品质等,这样的量表数据就可以进行因此降为 啊,我们今天使用到的数据还是前面两个限度效度的数据,也就是 a 一到 b 四这九个量表 题。然后我们来介绍一下英语分析的操作步骤和结果的解读。先把这些数据复制一下, 要带上这个变量名一起复制,然后打开一个新的 s p s s 文件,嗯,再点击鼠标右键, 选择与变量棉一起粘贴,这样数据就粘贴到 s p s s 里面了。然后我们来做因子分析,点击这个分析降为因子, 然后把这些变量都选到右边的变量框里,再点击描述,勾选 k, m, o 和 buttlet 求行检验,然后点击提取。这里使用的方法主要 是主成分分析法,然后这里都可以使用默认的值,基于特征值,这里选择大于一,然后点击继续, 再点击旋转,然后在方法这里选择最大方插法,点击继续,再点击得分,然后选择因子得分系数矩阵,点击继续, 再点击选项,然后可以选择这个禁止显示小系数,这个绝对值呢,我们可以设置成零点五,然后点击继续, 这样就设置好了,点击确定就可以了, 这个就是因子分析得到的一些表格。首先 看一下 k m o 和巴特利的检验,就是上一个视频中我们提到的效度检验,这里效度检验主要看 k m o 的值, k m o 大于零点八,那也就说明这份数据是通过了效度检验的, 然后这里显著性也是小于零点零五,也就是说明这份数据是适合做因子分析的。然后看一下公因子方叉这个表,这里面就是嗯,对 a 一到 b 四这九个 题目对他进行提取的一个解释程度,这个提取值越高,也就是说明这个变量被解释的变异程度是越高的。然后再看一下总方差解释这个表,这个表里面就可以 看出我们一共提取了几个主成分,这里可以看到,嗯,一共是提取了两个主成分,然后这两个主成分一共的累计解释贡献率也就是这个百分之六十八点四八。 然后再看一下旋转后的成分矩阵,这个就是呃对两个主成分进行的划分,每一个主成分主要包含哪几个小变量? 可以看到第一个主成分主要包括 a 一到 a 五,然后第二个主成分主要包括 b 一到 b 四, 然后我们主要需要看的也就是这几个表。呃,再回过头来看一下总方差解释,这 这里可以看到,如果我们提取两个主成分的话,那他累计的解释方差也就是百分之六十八点多,这里其实我们一般是要这个累计方差百分比要 呃大于百分之七十的,现在他是小于百分之七十,说明这两个主成分对整体的解释程度可能不是特别好。 然后我们看一下,假如说可以提取三个主成分的话,那他的累积百分比就达到了百分之七十七了,这个时候就说明他的呃 三个主成分对整体的解释效果是比较好的。那现在我们怎样提取三个主成分呢?就要重新回到因子分析这里点击分 息降为因子,然后在提取这里可以看到,因为我们刚刚默认的是提取机遇特征值大于一的,现在我们想让他提取的百分比大于七十的话,那就要提取三个因子嘛,这里我们就手动输入三, 选择固因子的固定数目,然后输入三,再点击继续,这样的话他就会生成一个三个因子的结果,点击确定看一下 哦,总方差解释这里你看就提取了三个主成分嘛,这个时候他的累积百分比就达到了百分之七十七点四九七,这个效果就 是比较好的。然后看一下旋转后的成分矩阵,这个时候就是提取了三个主成分,然后第一个主成分主要包括 a 一到 a 四,第二个主成分主要包括 b 二到 b 四, 第三个主成分可以是包括 a 五 b 一这两个小维度的,这个就是呃,我们手动的选择提取几个主成分的方法。 好,以上就是因子分析的操作步骤和结果的解读。

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。

大家好,欢迎来到 spas 课堂,我是李博士。呃,接下来我跟大家分享的是 spas 校度检验。 好,首先我们了来了解一下他的一些基本概念。校度呢,就是有校警 是衡量综合评价体系是否能够转确反应评价目的和要求的,而是测量工具能够测出其左右测量特征的正确程度。效度越高呢,就是表示测量结果越能显示 呃索要测量的特征,反之呢,就是效度越低。通常呃,我们调查问卷呢。呃,效度分析的方法主要就是结构效度的分析。结构效度呢,就是指测量结果 体现出来的某种结构与测量值之间的对应程度。呃,在结构角度分析呢,一般采用的方法呢是因子分析。 好,我们呃用这 kmo 和巴特莱的精心检验呢,主要就是用它来判断是否适合做因子分析的,然后如果他满足这些条件呢,我们就可以进进一步做 因子分析,也就是我们通常所说的探索性因子分析。这 k m o 检验呢,它呢主要是用于检查变量之间的相关性。数值呢,是在零到一之间, 他的数值呢,越接近于一,就说明变量之间的偏相关性越强。因子分期效果呢, 就约好。呃,这个数值呢,一般是大于零点七我们要求的。然后呢,如果小于零点五呢,就不适合做因子分机了。呃,关于这个巴特莱的球形检验呢,它主要是用于判断相关局证是否是单位证, 就就是各变量之间呢,是否具有较强的相关性的。然后他的要求呢,是 呃求人检验的显著性批值小于零点零五就说明呢变量之间具有较强的相关性, 如果它们之间的显著性 p 大于零点零五呢就说明,呃各变量之间是相互独立的,就不能做因子分析了。好,我们通过来看一下 s p s s 因子分期的相关模块,呃,他这个效度检验呢,主要是通过因子分析这个模块呢来输出他的相关结果的,他是在哪分析降为因子下面呢? 呃,展开这个主主对话框之后呢,我们可以看到是这样的一个形式,左侧呢帮助我们变亮,右侧呢 就是放置我们进行因子分期或者消毒分期的变量的,然后在这最右侧呢就是有些我们需要输出的一些内容,我们接下来再看 啊描述对话框呢,我们是通常选择这 kmo 和巴特利的球形度检验,这呢就是输出了我们需要的角度检验的结果,他 如果满足刚才我们所说的条件呢,就说明他适合做因子分析。接下来呢我们就可以做因子分析了,然后旋转对话框呢,我们通常选择这个最大方插法, 然后选项对话框呢,我们一般选择的是按大小白序,或者呢有些时候呢我们需要把呃小技术像呢就是不展示,这样呢可以把这个选项禁止减去小区数小技术,同时呢我们可以设定他的一个数值绝对值, 呃小云某一个绝对值呢,他就不展示了,在输出的表格里面。好,我们通过一个案例呢来分析一下他的效度啊,还是限度分析,用限度分析时候的用到 的数据,就是说呢这是呃九个量表题目,然后呢我们来做一下它的一个效度检验,也就是 kmo 和八之类的检验,我们打开这个数据 分析,降为因子,把这九个题目呢选进来, 然后描述呢, k, m, o 和巴特利的球星度假面继续提取呢,我们这里可以不用管继续旋转最大方插法 得分呢,这里不用管取消选项呢,按大小排去继续确定。好。这里呢我们 可以看到巴特利的球星 kmo 和巴特利的球硬度检验呢,是点八五零大于零点七,这巴特利的球经检验呢,是显著性呢是零点零零零,他呢是小于零点零五,就说明呢,呃,这个量表数据呢 满足效度检验的一个条件,说明呢他适合做因子分析。我们接下来呢就可以呃做因子分析了。然后因子分析呢是我们下节课介绍的内容,这节课呢就不做过多讲解。 好,我们再来看一下他的一些相关乱文里面消毒分期的展示结果。首先呢,他是展示了一个 km 五和巴扎利的检验的一个输出结果,就说呢,还是展示他这样一个结果,满足条件呢,就是展示了一下他的一个因子分析的一个结果,他呢就是对这些 输出结果呢,就是对这些条目呢进行合并。这些地以地开通的呢,是工作投入成就动机呢,是转化也开通的这几个题目组织支持呢,是 i 的这几个题目。呃,这呢就是在一篇学问论文里面的一个校度分期的一个展示结果,大家如果有兴趣呢,可以看一下这篇论文。好,关于校度检验呢,就介绍到这里, 大家如果有疑问或者数据分析相关的合作市民呢,可以联系我们,这是我们的联系方式。好,关于本次内容呢,就分享到这里,谢谢!

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。

来了来了,大家好,我是大师姐,接下来我们来讲笑度 km 怎么操作,那我们为什么要做笑度分析呢?就是为了证明我们在四季问卷的时候是前后一致性很高的,不会出现前后不搭的情况。 那接下来我们先看一下重要的操作步骤哦,然后我们再开始详细的讲解喽。 操作一,点击分析,然后点降为最后点,因子分析。接下来把描述框中的初始解跟 kmo 给他选上,简单吧, kmo 出来了, kmo 只要大于零点六就可以, 大家看一下 pmo 的取值范围,如果是大于零点八零点九,那么证明你的一次性就很好。用动画讲 spac 有数据分析问题记得找大师姐,记得点赞收藏加关注哦!