1、SPSS简单数据分析SPSS简单数据分析量表(或问卷)编制中的SPSS应用 所谓量表(或问卷)编制就是将初步设计的问卷(或者其他人的问卷)，通过预进行系统、标准的分析，最后确试获得数据，在数据的基础上对问卷中的每个题定是否需要将此题剔除，或者保留在问卷中。最后形成一个信效度较好的问卷。 举例量表(或问卷):青少年偏差行为问卷 一、我们建立一个SAV文件(SPSS数据文件)，把预试中得到的结果输入到数据文件中。 二、通过升、降序等方式剔除异常数据。 次数分布 sav、txt、excel 三、先对问卷中的反向题进行处理(本问卷没有设计反向题，感兴趣的同学可以先根据操作图示，并参阅其他资料先行学习)
2、 所谓反向题是指:问卷中常有反向计分的题项，以李克特5点量表而言，正向题的题项通常给予1、2、3、4、5分，而反向题的题项计分时，便要给予5、4、3、2、1分;以4点量表而言，正向题通常给予1、2、3、4分，而反向题计分时则分别要给予4、3、2、1分。因此，我们在这一阶段要将题项计分的方式化为一致。本青少年偏差行为问卷是一个5点量表，正向题的题项是给予1、2、3、4、5分，如果有反向题(当然实际上本问卷没有)则本来的实际计分为5、4、3、2、1分，需要进行转化，具体计分的转换情形为: 51 42 33 24 15 这样就和正向题保持一致了。 spss操作如下: 1 2 四、计算量表的总分tot
3、al，并剔除异常数据 五、进行项目分析 (一)题总相关的计算:使用皮尔逊积差相关(一般要求达0.4以上) (二)计算题项区分度:使用高低分组T检验(独立样本)，假设检验要达到显著水平。 3 1、进行高低分组 (1)对记录进行排序，找到高低分组的临界分数点。(一般为27,或者33,) 32 62 4 (2)产生一个新的分组变量 5 (3)独立样本T检验 6 7 分析，构建量表结构效度 五、因子8 首先进行因子分析适合度检验 然后提取因子 9 旋转 计算因子得分此处不予以考虑，跳过，直接点击options 10 结果分析: 各问题之间的相关系数矩阵 问题A1与问题A2之间的相关系数为.625 问题
4、A1与问题A2之间的相关系数为.625的显著性水平为.000 如果相关矩阵中的相关系数大都小于 0.3 ，而且未达到显著性水平，则说明变量间的相关性普遍较低，它们存在潜在共同因子的可能性较小，就不再11 适合于做因子分析;如果相关系数都较大，则进一步通过KMO和巴特莱球形检验分析。 KMO检验结果为.960=0.5，巴特莱球形检验结果sig.=0.000，差异显著，说明此两项检验都表明此观测数据适合做因子分析。 没有提取因提取因子之后，Communalities 子之前，即即后面提取的Initial Extraction 还是用25个4个因子，4个因子，25个因子可以解释A1 1.000 .6
5、02 因子可以解问题A1 60.2%A2 1.000 .556 的变异 释问题A1A3 1.000 .658 所有的变异 A4 1.000 .699 A5 1.000 .686 A6 1.000 .479 A7 1.000 .639 A8 1.000 .632 A9 1.000 .449 A10 1.000 .618 A11 1.000 .579 A12 1.000 .527 A13 1.000 .494 A14 1.000 .609 A15 1.000 .486 A16 1.000 .455 A17 1.000 .583 A18 1.000 .616 A19 1.000 .609 A20 1
6、.000 .603 A21 1.000 .536 A22 1.000 .620 A23 1.000 .464 12 A24 1.000 .558 A25 1.000 .597 Extraction Method: Principal Component Analysis. Total Variance Explained 解说总变异量:因子的特征值(eigenvalue)须大于1，方决定选取之成份。 Extraction Sums of Squared Rotation Sums of Squared Initial Eigenvalues Loadings Loadings 最初的特征值 提
7、取后的平方和负荷量 旋转后的平方和负荷量 % of Cumulative Varianc% e 提取因子后此因子 因子1的特对全部 征值，而小观测数Cumulative 于1的因子据变异Total % % of % of 425则被特征的解释累计变异解释ComponenVariancCumulative Varianc去掉 值 量 量 t Total e % Total e 1 11.2244.883 44.883 11.2244.883 44.883 5.6422.568 22.568 1 1 2 因子1的特征值 2 1.723 6.893 51.776 1.723 6.893 51.776
8、 4.4117.651 40.220 3 3 1.409 5.637 57.414 1.409 5.637 57.414 4.2917.194 57.414 8 4 .946 3.784 61.198 因子1能解5 .827 3.308 64.506 释全部观测 6 .740 2.961 67.467 数据变异的 7 .661 2.644 70.111 44.883% 8 .649 2.596 72.707 9 .608 2.431 75.139 因子1和2共能解释 10 .577 2.309 77.448 全部观测 11 .530 2.122 79.569 数据变异 12 .508 2.03
9、3 81.603 的13 .481 1.924 83.526 51.776% 14 .446 1.782 85.308 15 .428 1.713 87.022 13 16 .404 1.615 88.636 17 .385 1.540 90.176 18 .361 1.443 91.619 19 .344 1.374 92.993 20 .332 1.327 94.320 21 .328 1.312 95.632 22 .311 1.243 96.875 23 .277 1.108 97.983 24 .268 1.070 99.053 25 .237 .947 100.000 Extrac
10、tion Method: Principal Component Analysis. 旋转后的成分(因子)矩阵 aRotated Component Matrix Component 1 2 3 A1 .760 .081 .133 A10 .732 .205 .199 A7 .717 .160 .315 A12 .702 .125 .137 A17 .697 .233 .207 A8 .681 .324 .252 A2 .617 .236 .346 A25 .616 .369 .286 A23 .476 .452 .182 A15 .469 .439 .269 A11 .053 .758 .0
11、28 A24 .218 .713 .044 A16 .078 .630 .229 A20 .292 .593 .408 A9 .275 .574 .209 A22 .263 .551 .497 A21 .223 .525 .459 A18 .451 .523 .373 A13 .424 .455 .328 A5 .179 .179 .789 14 A4 .211 .186 .788 A3 .355 .181 .707 A14 .252 .230 .702 A19 .382 .442 .517 A6 .484 .071 .489 Extraction Method: Principal Comp
12、onent Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 5 iterations. 经最大变异数转轴法旋转后，取因素负荷量(factor loading)绝对值大于0.5(或0.6)者，因素负荷量为变量所属因素间之相关。此处因在0.5-0.6间的问题(即变量)太多，如果都删除，问卷题项会变得太少，因此，我们选大于0.5为标准。所以，我们删除A23 、A15、A13、A6四个问题。然后再进行一次因子分析。 除了将A23 、A15、A13、A6四个问题拿出来不进行因子分
13、析外，其他步骤如上，结果发现A18又变得小于0.5。 aRotated Component Matrix Component 1 2 3 A1 .771 .149 .042 A10 .738 .177 .223 A7 .717 .294 .164 A12 .713 .158 .098 A17 .707 .229 .207 15 A8 .683 .258 .314 A2 .626 .360 .192 A25 .619 .322 .330 A5 .186 .795 .127 A4 .227 .794 .137 A3 .372 .707 .134 A14 .255 .706 .199 A22 .26
14、6 .549 .497 A19 .393 .546 .388 A21 .228 .521 .467 A11 .071 .054 .797 A24 .229 .070 .747 A16 .091 .265 .630 A9 .285 .241 .573 A20 .288 .473 .524 A18 .463 .425 .475 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 5 iteration
15、s. 所以，我们进一步删除A18后再进行一次因子分析。 除了将A23 、A15、A18、A13、A6五个问题拿出来不进行因子分析外，其他步骤如上，结果发现剩下的问题都满足大于0.5的条件。 16 aRotated Component Matrix Component 1 2 3 A1 .772 .148 .040 A10 .740 .179 .221 A7 .720 .296 .167 A12 .712 .160 .093 A17 .705 .232 .195 A8 .684 .263 .317 A2 .628 .362 .193 A25 .620 .325 .322 A5 .188 .796
16、 .126 A4 .227 .795 .135 A14 .256 .708 .199 A3 .374 .708 .129 A22 .267 .554 .491 A19 .393 .549 .366 A21 .231 .526 .457 A11 .077 .061 .806 A24 .229 .082 .750 A16 .096 .270 .633 A9 .288 .246 .569 A20 .286 .479 .513 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser No
17、rmalization. a. Rotation converged in 5 iterations. 至此，我们把问题A23 、A15、A18、A13、A6排除后，剩下的问题保留在量表中，效度分析结束，我们可以报告说，所有问题的因子负荷值都大于0.5。 六、信度分析:使用内部一致性系数(克隆巴赫) 17 18 一般来说，问卷(或一个问卷因素，本例中偏差行为问卷只有一个因素，就是偏19 差行为的严重程度，有的问卷可能包括若干因素，例如16pf就是16个因素，则是看每个因素的Alpha系数)Alpha系数(上图中.9040)大于0.80是比较满意的，而大于0.70是可以接受的，那么问卷中的每一题目都可以保留。如果连0.70都达不到，就要看每个题目的被删除后Alpha的变化情况，就是 ，把那些题目被删除后Alpha值会大大提高的题目逐个删除，直到总体Alpha达到0.80或0.70。记住一定要逐一删除，因为只要一个题目变化了，整个结果都会随之变化。 至此，一个信效度较好的问卷就产生了，我们可以放心地进行正式使用，再收集数据，再进行描述统计或推论统计，所得结果就比较可靠了。 20
