其他分享
首页 > 其他分享> > 干货 | 利用SPSS进行高级统计分析第四期

干货 | 利用SPSS进行高级统计分析第四期

作者：互联网

干货 | 利用SPSS进行高级统计分析第四期

在这里插入图片描述
在这里插入图片描述
Hello，
这里是行上行下，我是喵君姐姐~

本期就是SPSS高级统计教程的最后一期啦！

在本期中，我们将为大家介绍EFA、CFA分析以及结构方程模型。

原文链接：https://mp.weixin.qq.com/s/kXMlFenXoifKuo9e5xyeFg

在这里插入图片描述

1 EFA

1. Spss操作
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
2.图表解读

在这里插入图片描述
2.1 KMO和巴特利特检验

KMO: Keiser-Meyer-OlkinMeasure of sample adaquacy： 探查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

• KMO较小：变量不适合作因素分析
• 0.9以上：非常好superb
• 0.8以上：好great
• 0.7：一般good
• 0.6：差(0.5-0.7 mediocre)
• 0.5以下：不能接受

**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

• 相关系数偏低：因素抽取不容易，主成分数量与原变量差不多
• 用来检验相关矩阵是否单位矩阵（相关系数不同且大于0）
• 显著的球形考验→ 相关系数足以作为因素分析抽取因素之用

在这里插入图片描述
反映像矩阵（anti-image），显示偏相关的大小，矩阵中若有多对系数偏高，则应放弃使用因素分析

2.1 公因子方差
在这里插入图片描述
在这里插入图片描述
2.3 总方差解释

总方差解释：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。未旋转和旋转后特征根不同，要报告旋转后的。

在这里插入图片描述
在这里插入图片描述
2.4 碎石图

看拐点
在这里插入图片描述
2.5 正交-成分矩阵
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
2.6 正交-旋转后的成分矩阵【报这个】
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
2.7 正交-成分转换矩阵

成分转换矩阵

在这里插入图片描述
2.8 斜交-成分矩阵（componentmatrix）

成分矩阵（componentmatrix）：公因子方差比/共同度=因素载荷平方和，针对每道题而言。旋转与否无差异。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
2.9 模式矩阵【相关系数】【报这个
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
2.10 结构矩阵【回归系数】
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
2.11 成分相关性矩阵

算旋转θ角

成分相关性矩阵
在这里插入图片描述
3. 报告
使用SPSS软件对数据进行统计分析。首先，通过KMO和Bartletts球形检验分析发现，KMO值为0.93，Bartletts球形检验结果显著（近似X2=19334.492，df=253，p<0.001），表明该问卷的项目适合做探索性因素分析。

然后，采用主成分分析法（principle component analysis）和直接斜交转轴法（direct oblimin）对23个题目进行因素分析。结果发现，旋转后有4个因素的特征根大于1，继续对结构矩阵中的条目进行查验发现，保证题目在因子上的载荷量大于0.3，且不存在双重载荷现象（在两个或多个因素上都有大于0.30的载荷，且两个载荷之间相差不足0.2）。

删除不符合要求的题目，保留20个题目（KMO值为0.92，Bartletts球形检验结果显著，近似X2=16800.34，df=190，p<0.001），再次采用主成分分析法和直接斜交转轴法进行探索性因素分析，累计解释总变异达到了52.96%，具体题目载荷和共同度见表1。
在这里插入图片描述
在这里插入图片描述

2 CFA

1. Lisrel操作

在这里插入图片描述
1.1 另存数据
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
1.2 Lisrel语法

DA NI=9 NO=428【DA NI=变量数 NO=被试数】
RAW=MIL.psf【RAW=数据文件是哪个？需要另存】
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？】
LK【命名维度】
MILP MLIS
PD【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？】
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 LX5
PD【输出】
OU SS MI

2. Lisrel输出

3. 报告参数

X^2^/df < 5
Goodness of Fit Index （GFI）> 0.90
Root Mean Square Error of Approximation 平均残差（RMSEA）< 0.08
Comparative Fit Index (CFI) > 0.90
Adjusted Goodness of Fit Index (AGFI) >0.80

或者

Hu & Bentler(1999)【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.】
同时满足：CFI > 0.95；RMSEA < 0.05；X^2^/df<3

使用LISREL8.7软件对生命意义感量表进行验证性因素分析。验证性因素分析结果表明，MLIP-MLIS两因子模型拟合良好（X2=85.11，df=26，X2/df=3.27，CFI=0.97，RMSEA=0.073，GFI=0.96，AGFI=0.93），所有因子载荷均大于0.30（如图1所示）。MILP和MILS相关系数为0.62，P<0.001，表明两因子模型具有良好的聚合效度和区分效度。
在这里插入图片描述

图 1 验证性因素分析结果

3 结构方程模型

1. 原理
Stage 1-3 检验测量模型的理论：

Stage 1: 定义每个构念
Stage 2: 建立测量模型
Stage 3: 评价测量模型的效度

Stage 4-5 检验结构模型的理论：

Stage 4: 设定结构模型
Stage 5: 评价结构模型的效度

在这里插入图片描述

ξ： 外生潜变量（exogenous latent variables），他们的影响因素处于模型之外
η： 内生潜变量（endogenous latent variables），由模型内变量作用所影响的变量
X1X2X3： 外生潜变量的指标，外生指标（exogenous indicators）
δ： X的测量误差
Y1Y2Y3： 内生潜变量的指标，内生指标（endogenous indicators）
ε： Y的测量误差
φ（PH）： ξ之间的相关，ξ因子的协方差(相关)
β（BE）： η之间的相关，η因子对η因子的效应
γ（GA）： ξ与η之间的相关，ξ因子对η因子的效应
ξ： 外源内隐变量
λ （LX）： 外源内隐变量与外显变量的相关系数，X指标在ξ因子的负荷
λ （LY）： 内源内隐变量与外显变量的相关系数，Y指标在η因子的负荷
θ δ（TD）： 外部指标误差的协方差矩阵，X指标误差间的关系(协方差)
θ ε（TE）： 内部指标误差的协方差矩阵，Y指标误差间的关系(协方差)
ζ（Zeta）： 方程的残差
ψ(PS)： η因子残差的协方差矩阵，η因子残差的协方差(相关)

在这里插入图片描述

结构模型可以表达为以下方程式：
•y＝λyη+ε
•x=λXξ+δ
•η=βη+γξ+ζ

LISREL模型一共有八个基础参数矩阵需要在线性结构关系模型中估计λx, λy, γ，β，φ，Ψ，θδ，θε

• λx, λy 矩阵是因子负荷矩阵
• γ，β是结构路径系数矩阵
• φ是外生潜变量的方差协方差矩阵
• Ψ(PS)是结构方程残差项ζ的方差协方差矩阵
• θδ(TD)观测误差δ的方差协方差矩阵
• θε(TE)观测误差ε的方差协方差矩阵

前提：

  1. ζ与ξ无相关
  2. ε与η无相关
  3. δ与ξ无相关
  4. ζ，ε与δ彼此无相关

2. Lisrel语法
在这里插入图片描述

DA NI=6 NO=200
ROW=DATA
SE【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【X变量的因子数】 NK=1【几个x变量】 NY=1【Y变量的因子数】 NE=1【几个y变量】TE=Zero (default=DI，FR)【单因子的Y变量的测量误差（x为TE）】
FR【设定潜变量与显变量的关系】 LX 1 1 LX 2 1 LX 3 1 LY 1 1
LK【命名左边X】
MA【左边名字】
LE【命名右边Y】
AA【右边名字】
PD
OU AL

在这里插入图片描述

DA NI=6 NO=200
ROW=DATA
MO NX=3 NK=1 NY=3 NE=1
FR LX 1 1 LX 2 1 LX 3 1 LY 1 1 LY 2 1 LY 3 1
LK
MA
LE
AA
PD
OU AL

在这里插入图片描述

DA NI=6 NO=200
LA【对所有变量命名】

Y1 Y2 Y3 Z1 Z2 Z3 X1 X2 X3
ROW=DATA
MO NY=6 NE=2 NX=3 NK=1 BE=FU【两个Y之间有相关，或者写BE=SD，默认从上到下算1-2，1-3，2-3，无需写BE 2 1】

FR LX 2 1 LX 3 1 LY 2 1 LY 3 1 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】

FI LX 1 1 LY 1 1 LY 4 2
VA 1 LX 1 1 LY 1 1 LY 4 2
LK【命名】
MA

LE【命名】
AA SC
PD
OU AL

在这里插入图片描述
在这里插入图片描述

DA NI=11 NO=200
LA【对所有变量命名】

FRU CON PREPRO1 PRO2 PRO3PRE1 PRE2 PRE3 EMO PHI
ROW=DATA
SE
4 5 67 8 9111 2 3
MO NY=7 NE=3 NX=3 NK=1 BE=FU【Y之间有相关】

FR LX 2 1 LX 3 1 LY 2 1 LY 3 1 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】 GA 3 1【第1个X指向第三个Y】BE 3 1 BE 3 2【算谁与谁之间的相关】【x和y的显变量分开排序，均从1开始编码】

FI LX 1 1 LY 1 1 LY 4 2 LY 7 3
LK【命名】

STRESS
LE【命名】
PROACTIVE PREVENTIVE OUTCOME
PD
OU AD=OFF IT=2000 SS EF MI

在这里插入图片描述
在这里插入图片描述

DA NI=12 NO=166
LA
X1 X2 X3P11 P12 P13P21 P22 P23Y1 Y2 Y3
ROW=DATA
SE
4 5 67 8 910 11 121 2 3
MO NY=9 NE=3 NX=3 NK=1 BE=FU
FR LX 2 1 LX 3 1 LY 2 1 LY 3 1 LY 5 2 LY 6 2 LY 8 3 LY 9 3 GA 1 1 BE 2 1 BE 3 2
FI LX 1 1 LY 1 1 LY 4 2 LY 7 3
LK
YIXIANG
LE
XIAONENG XINGWEI JIAOLV
PD
OU AD=OFF IT=2000 SS EF MI

报错：发现我的数据那行填错了mmmmp

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
本期的内容就到此结束啦！本期我们介绍了EFA、CFA分析，结构方程模型， 感谢您对本系列的持续关注~

要获取更多相关资料欢迎关注我们哟~
在这里插入图片描述

标签：第四期,变量,矩阵,SPSS,协方差,因子,干货,LX,LY
来源： https://blog.csdn.net/weixin_40052256/article/details/114230933