1、問卷分析問卷分析 楊勝龍楊勝龍重慶能源職業學院重慶能源職業學院上邦高爾夫與酒店管理學院上邦高爾夫與酒店管理學院主要內容主要內容問卷項目分析問卷項目分析因子分析因子分析實操實操實操實操項目分析項目分析因素分析因素分析項目分析項目分析區分度區分度相關法相關法CRCR值值問卷項目分析問卷項目分析難度（通俗性）難度（通俗性）區分度（辨別力）區分度（辨別力）實操實操區分度（辨別力）區分度（辨別力）檢驗方法：檢驗方法：運用經驗與心理學理論知識；運用經驗與心理學理論知識；臨界比率值（臨界比率值（CRCR值）法；值）法；相關法；相關法；臨界比率值（臨界比率值（CRCR值值）法）法采用求出各個題項的臨界比率值（

2、采用求出各個題項的臨界比率值（CRCR值）的值）的方法，將未達顯著水平的題項予以刪除。即方法，將未達顯著水平的題項予以刪除。即將總分按從高到低的順序排列，得分位于前將總分按從高到低的順序排列，得分位于前27%27%者為高分組，得分后者為高分組，得分后27%27%者為低分組，進者為低分組，進行高低兩個組在每題得分平均數上的差異顯行高低兩個組在每題得分平均數上的差異顯著性檢驗。著性檢驗。題項的題項的CRCR值達到值達到.05.05以上的顯著性的保留。以上的顯著性的保留。相關法相關法用相關法計算題項得分與總問卷得分的相關用相關法計算題項得分與總問卷得分的相關系數。系數。題項的值小于題項的值小于0.1

3、50.15并予以剔除。并予以剔除。因子分析因子分析淺談因子分析淺談因子分析應用實例應用實例因子分析概述因子分析概述因子分析又稱因素分析，傳統的因子分析是因子分析又稱因素分析，傳統的因子分析是探索性的因子分析，即因子分析是基于相關探索性的因子分析，即因子分析是基于相關關系而進行的數據分析技術，是一種建立在關系而進行的數據分析技術，是一種建立在眾多的觀測數據的基礎上的降維處理方法。眾多的觀測數據的基礎上的降維處理方法。其主要目的是探索隱藏在大量觀測數據背后其主要目的是探索隱藏在大量觀測數據背后的某種結構，尋找一組變量變化的的某種結構，尋找一組變量變化的“共同因共同因子子”。因子分析能做什么？因子分

4、析能做什么？人的心理結構具有層次性，即分為外顯和內人的心理結構具有層次性，即分為外顯和內隱。但是作為具有同一性的個體來說，內隱隱。但是作為具有同一性的個體來說，內隱的方面總是和外顯的方面相互作用，內隱方的方面總是和外顯的方面相互作用，內隱方面制約著外顯特征。面制約著外顯特征。所有我們經常說，一個人的內在自我會在相所有我們經常說，一個人的內在自我會在相當程度上決定他的外在行為特征，表現為某當程度上決定他的外在行為特征，表現為某些行為傾向具有高度的一致性或相關性。些行為傾向具有高度的一致性或相關性。因子分析能做什么？因子分析能做什么？反過來說，我們可以通過對個體進行系統的反過來說，我們可以通過對個

5、體進行系統的觀察和測量，從一組高度相關的行為傾向中，觀察和測量，從一組高度相關的行為傾向中，探索到某種穩定的內在心理結構，這就是因探索到某種穩定的內在心理結構，這就是因子分析所能做的。子分析所能做的。因子分析的特點因子分析的特點因子個數遠遠少于原有變量個數；因子個數遠遠少于原有變量個數；因子能反映原有變量的絕大部分信息；因子能反映原有變量的絕大部分信息；因子之間的線性關系不顯著；因子之間的線性關系不顯著；因子具有命名解釋性。因子具有命名解釋性。因子分析分類因子分析分類探索性因子分析探索性因子分析驗證性因子分析驗證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

6、本思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驟因子分析的基本步驟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貢獻公共因子的方差貢獻因子分析的基本步驟因子分析的基本步驟樣本和測量變量樣本和測量變量因子分析適合度檢驗因子分析適合度檢驗因子提取及其因子數確定因子提取及其因子數確定因子旋轉因子旋轉因子命名因子命名謝謝！謝謝！因子旋轉因子旋轉因子旋轉因子旋轉通過以上兩個圖我們不難發現，進行因子旋轉是很通過以上兩個圖我們不難發現，進行因子旋轉是很有必要的，因為這可以使我們更容易將因子進行分有必要的，因為這可以使我們更容易將因子進行分組。組。建立因子分析模型的目的不僅是

7、找出主因子，更重建立因子分析模型的目的不僅是找出主因子，更重要的是知道每個主因子的意義，以便對實際問題進要的是知道每個主因子的意義，以便對實際問題進行分析。如果求出主因子解后，各個主因子的典型行分析。如果求出主因子解后，各個主因子的典型代表變量不很突出，還需要進行因子旋轉，通過適代表變量不很突出，還需要進行因子旋轉，通過適當的旋轉得到比較滿意的主因子。當的旋轉得到比較滿意的主因子。 旋轉的方法有很旋轉的方法有很多，正交旋轉多，正交旋轉(orthogonal rotation)(orthogonal rotation)和斜交旋轉和斜交旋轉(oblique rotation)(oblique ro

8、tation)是因子旋轉的兩類方法。最常是因子旋轉的兩類方法。最常用的方法是最大方差正交旋轉法用的方法是最大方差正交旋轉法(Varimax)(Varimax)。因子提取及其因子數確定因子提取及其因子數確定因子分析的基本目標是找出少數幾個公共因因子分析的基本目標是找出少數幾個公共因子，使這些因子能夠在相當程度上解釋一系子，使這些因子能夠在相當程度上解釋一系列變量數據的變異。列變量數據的變異。因此，如何提取因子以及提取幾個因子就成因此，如何提取因子以及提取幾個因子就成了因子分析中的基本問題。了因子分析中的基本問題。因子提取及其因子數確定因子提取及其因子數確定因子提取的方法因子提取的方法因子數的確定

9、因子數的確定因子數的確定因子數的確定在提取公因子的時候，我們需要解決另外一個問題：抽取幾個公共因子才算合適？每個因子的解釋能力都是有限的，它只能反映原變量中一部分的變化信息。變量的剩余變異只能用其他的因子來解釋。因此，抽取的公因子數目越多，解釋能力越強，遺漏的信息越少。反之則越少，遺漏的變異信息就越多。因子數的確定因子數的確定那是不是因子數目越多越好呢？如果將所有的主成分全部選為因子，則因子數與原變量數相同，這時雖然能夠完全的解釋原有變量的變異信息，但卻失去了因子分析的意義。提取的公因子數越多，就不能達到簡化變量結構的目的。所以，在確定因子分析時，我們需要在因子模型的準確性和簡單性之間做較好的

10、權衡。下面給大家介紹幾種因子分析常用確定因子數的方法。SPSS里常用方法比例法比例法特征值大于特征值大于1 1標準法標準法碎石圖法碎石圖法碎石圖法碎石圖法如圖知，最左邊的一個因子如圖知，最左邊的一個因子特征值最大，后續因子的特特征值最大，后續因子的特征值迅速減少，所以曲線也征值迅速減少，所以曲線也迅速下降。下降到某一點，迅速下降。下降到某一點，開始變得平緩。平緩就意味開始變得平緩。平緩就意味著對應部分的各因子的特征著對應部分的各因子的特征值或貢獻接近，它們在簡化值或貢獻接近，它們在簡化變量的過程中幫助不大，所變量的過程中幫助不大，所以一般不再將其選為公共因以一般不再將其選為公共因子。子。簡單的

11、說，這種方法一般是簡單的說，這種方法一般是以碎石圖曲線從迅速下降到以碎石圖曲線從迅速下降到突然變平緩的那個拐點對應突然變平緩的那個拐點對應的因子數來確定的。的因子數來確定的。碎石圖法碎石圖法此種方法比較直觀。不足：1.主觀性太強；2.關于拐點的概念沒有明確的定義；3.當“碎石圖”比較模糊時,沒有清晰的拐點,此時難以判斷何處是拐點；4.此法缺少數量上的標準。比例法比例法此種方法要求提取的m個因子對原變量方差的解釋率達到一定的比例。一般建議或者要求達到80%以上。但是實際應用中，根據問題性質和測量工具的成熟水平，也可以將標準定為40%-60%這一較低水平。特征值大于特征值大于1 1標準法標準法從前

12、面的講述中我們知道，因子的特征值與其方差貢獻具有對應關系。要求前m個因子的特征值總和達到一定的量。換句話說，選取的因子的特征值應該達到一定量，通常是以特征值大于1為默認標準。特征值大于特征值大于1 1標準法標準法這種方法具有簡單性和客觀性。不足：1.它通常得到誤用；2.此標準帶有機械性；3.它可能導致過多估計偶爾又會過少估計因子數；4.采用這種方法時,樣本容量也會影響因子數。因子提取及其因子數確定因子提取及其因子數確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、加權最小平方法、極大似然法等,我們可以根據需要選擇合適的因子提取方法。其中主成分方法是一種比較常用的提取因子的

13、方法。主成分法主成分法在實證數據分析研究中，人們為了盡可能的完整的收集信息，對于每個樣本往往要觀測他的很多項指標，少到幾項，多到幾十項，這些指標之間通常不是相互獨立而是相關的。因此，從統計分析角度角度來說，人們總是希望把大量的原始指標組合成較少的幾個綜合指標，從而使分析簡化。比如描述一個人的身材需要用的指標有？但是當人們購買衣服時呢？主成分法主成分法因此，主成分法是用變量的線性組合中能產生最大樣品方差的那些組合(稱主成分)作為公共因子來進行分析的方法。分析出來的主成分與原始變量的關系：1.每個主成分都是各原始變量的線性組合；2.主成分的數目遠遠少于原始變量的數目；3.主成分保留了原始變量的大部

14、分信息；4.各主成分之間互不相關。樣本和測量變量樣本和測量變量測量變量的選擇測量變量的選擇公共因子必須包括在測量變量中公共因子必須包括在測量變量中, ,且測量變量且測量變量一定要與研究領域緊密相關。如果測量的變一定要與研究領域緊密相關。如果測量的變量與研究目的不相關量與研究目的不相關, ,將導致假的公共因子的將導致假的公共因子的出現。出現。統計學家建議統計學家建議, ,測量變量的數。目至少應該是測量變量的數。目至少應該是公共因子數的公共因子數的3535倍。倍。樣本和測量變量樣本和測量變量樣本的大小樣本的大小統計學家建議統計學家建議, ,根據測量的變量數決定樣本的根據測量的變量數決定樣本的容量。

15、容量。應達到一個測量項目對應應達到一個測量項目對應5 5個被試的標準個被試的標準, ,且且樣本容量不得少于樣本容量不得少于100100。ComreyComrey和和LeeLee研究研究, ,在因素分析中在因素分析中, ,樣本容量達樣本容量達到到500500為非常好為非常好.1000.1000或更多則或更多則極好極好。因子分析適合度檢驗因子分析適合度檢驗巴特利球形檢驗（巴特利球形檢驗（Barlett Test of Barlett Test of SphericitySphericity）KMOKMO取樣適合度檢驗取樣適合度檢驗巴特利球形檢驗巴特利球形檢驗用于檢驗相關陣是否是單位陣，即各變量是用

16、于檢驗相關陣是否是單位陣，即各變量是否獨立。它是以變量的相關系數矩陣為出發否獨立。它是以變量的相關系數矩陣為出發點，點，HoHo：相關系數矩陣是一個單位陣。如果：相關系數矩陣是一個單位陣。如果巴特利球形檢驗的統計計量數值較大，且其巴特利球形檢驗的統計計量數值較大，且其對應的概率對應的概率P P值小于給定的顯著性水平（值小于給定的顯著性水平（.05.05或或.01.01），則應該拒絕零假設），則應該拒絕零假設HoHo；認為原有變；認為原有變量間的相關系數矩陣不是單位矩陣，變量間量間的相關系數矩陣不是單位矩陣，變量間存在相關關系，可以進行因子分析。反之存在相關關系，可以進行因子分析。反之.KMOK

17、MO取樣適合度檢驗取樣適合度檢驗是通過比較各變量間簡單相關系數和是通過比較各變量間簡單相關系數和偏相關偏相關系數（系數（在多元回歸分析中，在消除其他變量在多元回歸分析中，在消除其他變量影響的條件下，所計算的某兩變量之間的相影響的條件下，所計算的某兩變量之間的相關系數。關系數。）的大小判斷變量間的相關性，相的大小判斷變量間的相關性，相關性強時，偏相關系數遠小于簡單相關系數關性強時，偏相關系數遠小于簡單相關系數，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應了數據的變化程度。某個測驗分數方差反應了數據的變化程度。某個測驗分數的方差反應了被試在此測驗中反應的

18、差異性的方差反應了被試在此測驗中反應的差異性大小。對于該差異的來源。大小。對于該差異的來源。因子分析假設：每個測驗變量都受到公共因因子分析假設：每個測驗變量都受到公共因子和隨機誤差的影響。因此我們的方差可以子和隨機誤差的影響。因此我們的方差可以分為公共因子方差和誤差方差。分為公共因子方差和誤差方差。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為所有共同因子對某變量分數方差而共同度為所有共同因子對某變量分數方差的貢獻量，反映了該分數的變異中能夠被所的貢獻量，反映了該分數的變異中能夠被所有公共因子共同解釋的部分。有公共因子共同解釋的部分。所以將共同度理解為：所以因子對這個變量所以將共同

19、度理解為：所以因子對這個變量共同起作用的程度。共同起作用的程度。很明顯，因子分析希望能用提取出的公共因很明顯，因子分析希望能用提取出的公共因子解釋測量變量的絕大部分變異，即測量變子解釋測量變量的絕大部分變異，即測量變量的共同度越接近量的共同度越接近1 1越好。同時它也是評估因越好。同時它也是評估因子分析效果優劣的重要指標。子分析效果優劣的重要指標。因子分析的基本模型因子分析的基本模型公共因子方差貢獻公共因子方差貢獻因子的方差貢獻反應了該因子對原有變異量因子的方差貢獻反應了該因子對原有變異量總方差的解釋能力。該值越高，說明相應因總方差的解釋能力。該值越高，說明相應因子的重要性越高。子的重要性越高。因此，因子的方差貢獻和方差貢獻率是衡量因此，因子的方差貢獻和方差貢獻率是衡量因子重要性的關鍵標準。因子重要性的關鍵標準。提醒：特征值代表某一因子對所有變量變異提醒：特征值代表某一因子對所有變量變異的方差貢獻。的方差貢獻。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過研究眾是指通過研究眾多變量之間的內部依賴關系多變量之間的內部依賴關系, ,探求探求觀測數據中的基本結構觀測數據中的基本結構, ,并且用少并且用少數幾個