用SPSS做探索性因子分析.pdf

《用SPSS做探索性因子分析.pdf》由会员分享，可在线阅读，更多相关《用SPSS做探索性因子分析.pdf（10页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、 183 版权所有，徐云杰，博士，复旦大学管理学院。版本号：D 0.91，2009.11.20 DRAFT ONLY 附：在附：在 SPSSSPSS 中做探索性因子分析中做探索性因子分析 1 10.1210.12 操作步骤操作步骤 2 3 第一步：载入数据并启动因子分析。4 5 6 7 第二步：选择因子所对应的测度项。在这个研究中，我们选择对应于七个变量(包括8 自变量、因变量、与控制变量)的测度项。9 10 告读者：本书的正式版，社会调查设计与数据分析:从立题到发表，终于作为国内最好的研究方法丛书-重庆大学万卷方法丛书的一员出版了（六2011年6月）。有兴趣购买的读者现在可以从卓越购买。相比

2、于意见稿，正式版：-增加了第13章，构成性测度与PLS，-增加了第14章，潜变量的调节作用 -大量充实第15章，论文写作与发表 -第12章中数据分析的结果做了大量更新，原内容介绍的方法与数据分析的结论虽然正确，数据计算结果有错误。其它各章也做了相当多的修改，不再赘述。正式版比意见版的内容增加了大概三分之一。这些新增的内容对于科研人员和方法论老师来讲是十分重要。本附录是书稿的一部分。184 版权所有，徐云杰，博士，复旦大学管理学院。版本号：D 0.91，2009.11.20 DRAFT ONLY 1 2 第三步：设定因子求解办法为主成分分析法。使用相关系数矩阵，并设定主要因子的3 特征根大于 1

3、。4 5 6 7 第四步：设计因子旋转方法为“Varimax”。然后在“Factor Analysis”窗口中按“ok”8 开始计算。9 10 185 版权所有，徐云杰，博士，复旦大学管理学院。版本号：D 0.91，2009.11.20 DRAFT ONLY 1 2 10.1310.13 主成分分析的结果主成分分析的结果 3 4 对应于 27 个测度项，主成分分析法一共产生了 27 个因子。这是可以产生的因子个数5 的上限。“Total”列报告了每一个因子所对应的特征值。“%of Variance”表示这个特征6 值在所有特征值和中的比例。“Extraction Sums of Squared

4、 Loadings”这一列反映了特征根7 大于 1 的因子。在这个例子中，我们顺利地得到了 7 个因子。相应地，在用碎石坡法对因8 子进行目测时，我们得到的结果是一致的。请读者参看本章中的相应图例。值得一提的9 是，第八个因子的特征根为 0.967，十分接近 1。如果这个研究的理论因子个数是 8 个，研10 究者也可能考虑手工设定所要抽取的因子个数(见第三步界面)。11 186 版权所有，徐云杰，博士，复旦大学管理学院。版本号：D 0.91，2009.11.20 DRAFT ONLY Total Variance Explained 1 Component Initial Eigenvalue

5、s Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings Total%of Variance Cumulative%Total%of Variance Cumulative%Total%of Variance Cumulative%1 5.910 21.889 21.889 5.910 21.889 21.889 3.532 13.080 13.080 2 3.470 12.853 34.742 3.470 12.853 34.742 3.085 11.427 24.507 3 3.113 11.530 46

6、.273 3.113 11.530 46.273 3.047 11.287 35.794 4 2.395 8.871 55.143 2.395 8.871 55.143 2.826 10.467 46.261 5 1.728 6.401 61.545 1.728 6.401 61.545 2.674 9.903 56.164 6 1.561 5.782 67.327 1.561 5.782 67.327 2.415 8.943 65.106 7 1.431 5.300 72.626 1.431 5.300 72.626 2.030 7.520 72.626 8.967 3.581 76.207

7、 9.910 3.369 79.576 10.808 2.994 82.570 11.697 2.583 85.153 12.589 2.183 87.336 13.510 1.890 89.226 14.496 1.837 91.063 15.413 1.529 92.592 16.344 1.274 93.866 17.312 1.156 95.022 18.258.956 95.978 19.225.834 96.812 20.182.672 97.485 21.153.568 98.052 22.144.534 98.587 23.116.428 99.015 24.100.372 9

8、9.387 25.072.265 99.652 26.060.222 99.874 27.034.126 100.000 Extraction Method:Principal Component Analysis.2 187 版权所有，徐云杰，博士，复旦大学管理学院。版本号：D 0.91，2009.11.26 SPSS 也报告了每一个主成分对于一个测度项的载荷。从这个表可以看出，第一个因子解1 释了 topicality scope,与 relevance 中的大部分信息，因为在这些测度项上这个因子的载荷很高。2 第二个因子则对应于 background knowledge。第三个因子对应于

9、 understandability，第四个因子3 对应于 reliability，第五个因子对应于 topicality 中的一部分，第六个因子对 scope 作了一些反向4 的调查，第七个因子似乎对 noveltyf 进行解释，但它的作用不是很明确。这就是主成分分析产5 生的结果的特点：它告诉我们能够得到的主要因子的个数，每一个因子所对应的信息却无法直6 观解释。这是因为因子之间有信息重合。7 8 Component Matrix(a)9 10 Component 1 2 3 4 5 6 7 know1-.164.817.264-.301.175-.103.164 know2-.211.8

10、34.191-.210.263-.043.118 know3-.166.768.356-.253.258-.087.105 topic1.699-.115-.184-.101.447-.051-.241 topic2.657-.291-.061-.211.499.015-.112 topic3.715-.201.028-.314.460.044-.052 topic4.737-.100-.149-.283.280-.092-.022 novel1.531.018-.517-.104-.124.336.217 novel2.294-.133-.028.180-.015.228.451 novel

11、3.276-.151-.293.107-.140.405.392 novel4.126.321-.274.038.027-.060.559 under1.234-.402.774-.071.042-.099.191 under2.197-.383.816-.067-.063.009.201 under3.200-.411.717-.068-.076.042.188 reliab1.479.209-.193.561.149.013.034 reliab2.301.318.102.744.052.023-.108 reliab3.413.225.186.715.206.017-.037 relia

12、b4.122.076.499.615.237.107-.053 sco1r.534.020.040.011-.282-.625.130 sco2r.522-.012-.063.122-.368-.623.111 sco3r.570.208-.195-.026-.105-.245.134 sco4r.670.123-.196-.037-.035-.224-.027 ri1.469.020.077-.201-.318.129-.320 ri2.458.236.074-.194-.090.311.313 ri3.662.238.294-.149-.203.257.017 ri4.571.347.27

13、5-.126-.342.198-.330 ri5.458.505.153-.045-.397.251-.322 Extraction Method:Principal Component Analysis.11 a 7 components extracted.12 13 14 在这种情况下，我们通常对这样得到的因子进行旋转。下表报告了用 Varimax 旋转后的因15 子载荷矩阵。16 17 18 19 20 21 22 23 24 188 版权所有，徐云杰，博士，复旦大学管理学院。版本号：D 0.91，2009.11.20 DRAFT ONLY 1 Rotated Component Ma

14、trix(a)2 3 Component 1 2 3 4 5 6 7 know1-.106-.054.946.099-.040.009-.053 know2-.093-.152.926.047.047-.086-.062 know3-.063.023.928.080.033-.060-.126 topic1.853-.085-.110.127.163.134.000 topic2.885.127-.135.038.041.038.069 topic3.888.200-.015.137-.010.058.126 topic4.779.023-.031.168-.040.278.164 novel

15、1.312-.318-.189.267-.076.111.642 novel2.066.175-.120-.050.164.047.559 novel3.042-.061-.260.054.026-.041.674 novel4-.030-.195.308-.179.042.270.521 under1.130.917-.033.006.033.074-.055 under2.024.943-.046.093.019.011-.006 under3.039.865-.108.090-.007-.003.029 reliab1.209-.222-.057.056.666.214.246 reli

16、ab2-.060-.088.012.146.850.119.029 reliab3.113.056.025.078.878.111.071 reliab4-.035.347.056.000.750-.153-.086 sco1r.131.151-.024.118.047.848-.007 sco2r.056.061-.143.113.095.882.017 sco3r.271-.129.080.205.089.543.235 sco4r.426-.128-.018.267.119.502.142 ri1.189.050-.155.633-.074.133-.028 ri2.178.126.22

17、8.370-.014.054.521 ri3.239.260.151.668.118.139.289 ri4.129.093.111.854.132.137-.008 ri5-.016-.094.169.856.177.101.035 Extraction Method:Principal Component Analysis.4 Rotation Method:Varimax with Kaiser Normalization.5 a Rotation converged in 6 iterations.6 7 这个载荷矩阵明确地表示了测度项是如何与一些因子对应起来的。检查其中的每一项，我8

18、 们会发现 scope4,relevance2 违反了区别效度。这就提醒我们重新审视这些测度项的措词。对于9 Scope4，测度项的措词是：The scope of this document is inappropriate for me(1-strongly disagree,10 7-strongly agree)。而其它几个测度项的措词都是指范围过大或者过小。调查对象可能把11 inappropriate scope 理解成这个文档不对应于他的信息需求，而不是它的内容的量上的不足或过12 多，结果是，这个测度项在相当程度上负载了 Topicality 的信息(0.426)。releva

19、nce2 的措词是：13 My opinion/view towards the current topic has been significantly changed or strengthened by this 14 document(1-strongly disagree,7-strongly agree)。仔细观察其它的测度项，其它的测度项都表示15“我”会不会因着这个文档采取行动，只有这个测度项测量认知上的变化。虽然认知上的变量16 符合这个因子的定义，却是很不容易让人在这种实验环境下有明确的理解。数据结果告诉我17 们，调查对象可能一开始对这个话题都没有什么看法；读了一个文档以

20、后，他们有了一些认18 识，这对他们来讲也是全新的认识，所以这个测度项反而负载了 Novelty 中的信息(0.521)。通19 过这样的“后见之明”，我们体会到在问卷设计之时没有预见到的很多陷阱。NOVEL4(The 20 content of this document is _ the content of other document(s)I have read。1-very similar to,7-21 very different from)离关键值很近，它在对应因子上的载荷刚过 0.5。这是一个边缘案例。这个22 189 版权所有，徐云杰，博士，复旦大学管理学院。版本号：D 0

21、.91，2009.11.20 DRAFT ONLY 测度项其实没有违反效度(原文中的论述有误)。对于处于临界点的测度项，如果测度项个数太1 少，比如去掉之后会少于 3，则研究者会考虑保留这个测度项。之后，这几个测度项被逐个去2 掉，在去掉每一个测度项后，我们需要重新作因子分析，以检测测度项在新的情况下的效度。3 如果效度满足，这个过程就可以停止。在本例中，前两个测度项被分两步去掉。以下的报告中4 没有包括第三个测度项是因为在其它的样本中这个测度项几次都出现效度问题(虽然它在语义5 上没有明显的问题)。为了保证与以后要讲到的结构方程的一致性，我们在这里把它去掉。我们6 提醒读者，如果单单从一个样

22、本来看，这个测度项是应当保留的。下表报告了剩下的测度项的7 载荷矩阵，其中也报告了特征根与一个因子中的信息量。其中因子中的信息量并不表示旋转后8 的一个主成分中的信息，而是指旋转前的信息(基于“净化”后的测度项)，所以最后三行与各9 旋转后的因子之间并没有对应关系：10 11 Rotated Component Matrix(a)12 13 Component 1 2 3 4 5 6 7 know1-.096-.065.941-.037.087.023-.116 know2-.095-.150.944.041.031-.082-.062 know3-.059.023.935.028.070-.

23、052-.141 topic1.851-.084-.114.172.129.115-.008 topic2.886.131-.141.043.056.009.062 topic3.896.189-.007-.004.124.074.115 topic4.787.009-.017-.032.156.285.159 novel1.341-.346-.177-.069.303.106.582 novel2.069.161-.048.150-.059.058.670 novel3.053-.084-.173.011.034.014.784 under1.134.919-.048.030.009.067

24、-.062 under2.030.944-.043.012.089.026.017 under3.047.865-.107-.013.099.001.044 reliab1.212-.236-.071.681.054.193.180 reliab2-.065-.082.024.850.143.112.048 reliab3.119.055.004.883.099.091.020 reliab4-.048.364.076.740-.026-.135-.025 sco1r.146.124-.004.056.092.899.016 sco2r.064.048-.130.101.112.887.046

25、 sco3r.301-.162.048.108.249.523.119 ri1.191.068-.161-.073.668.090-.033 ri3.242.249.207.121.607.189.333 ri4.127.117.120.132.861.108-.004 ri5-.005-.083.173.181.876.089.007 Eigenvalue 5.33 3.35 3.00 2.36 1.72 1.48 1.20 Variance%22.21 13.94 12.52 9.85 7.17 6.17 4.98 Cumulative Variance%22.21 36.15 48.67

26、 58.52 65.69 71.86 76.84 Extraction Method:Principal Component Analysis.14 Rotation Method:Varimax with Kaiser Normalization.15 a Rotation converged in 6 iterations.16 17 如果读者想验证旋转后的载荷矩阵与旋转前的关系，SPSS 也报告了旋转所用的转换矩18 阵。对于以上结果，这个矩阵是：19 20 21 22 190 版权所有，徐云杰，博士，复旦大学管理学院。版本号：D 0.91，2009.11.20 DRAFT ONLY 1

27、 2 3 Component Transformation Matrix 4 5 Component 1 2 3 4 5 6 7 1.653.187-.180.288.446.393.266 2-.147-.194.802.341.401.080-.123 3-.152.948.127.090.030-.099-.207 4-.350-.063-.321.847-.207.010.104 5.623-.013.293.256-.530-.410-.105 6.022.013.120-.026-.470.801-.348 7-.133.155.326-.101-.307.140.853 Extr

28、action Method:Principal Component Analysis.6 Rotation Method:Varimax with Kaiser Normalization.7 8 可以验证：9 Rotated Component Matrix=Component Matrix Component Transformation Matrix。10 11 最后，我们如果想知道一个测度项中的信息有多少被这些主成分解释了，我们可以求这个12 载荷矩阵的积 LL。这部分被解释的信息叫作公因子方差(communality)。在 SPSS 中我们可以13 得到 LL是：14 15 Repr

29、oduced Correlations 16 17 know1 know2 know3 topic1 topic2 topic3 topic4 ri4 ri5 know1 0.92 0.91 0.91-0.18-0.23-0.11-0.09 .0.17 0.24 know2 0.91 0.94 0.90-0.17-0.24-0.13-0.12 0.11 0.20 know3 0.91 0.90 0.91-0.15-0.19-0.07-0.09 0.17 0.22 topic1-0.18-0.17-0.15 0.80 0.78 0.77 0.72 0.23 0.14 topic2-0.23-0.

30、24-0.19 0.78 0.83 0.84 0.72 0.17 0.02 topic3-0.11-0.13-0.07 0.77 0.84 0.87 0.77 0.25 0.09 topic4-0.09-0.12-0.09 0.72 0.72 0.77 0.75 0.26 0.15.ri1-0.11-0.17-0.12 0.26 0.23 0.27 0.28 0.59 0.55 ri3 0.17 0.12 0.17 0.28 0.28 0.39 0.39 0.64 0.59 ri4 0.17 0.11 0.17 0.23 0.17 0.25 0.26 0.82 0.80 ri5 0.24 0.

31、20 0.22 0.14 0.02 0.09 0.15 0.80 0.85 Reproduced Correlations 18 Extraction Method:Principal Component Analysis.19 a Residuals are computed between observed and reproduced correlations.There are 60(21.0%)20 nonredundant residuals with absolute values greater than 0.05.21 b Reproduced communalities 2

32、2 23 这个拟合的相关系数矩阵中的对角线对应于每个测度项的公因子方差。这个矩阵正好是24 Rotated Component Matrix 与其自身转置的积，读者可以自行验证。同时，SPSS 也会报告每个25 测度项的公因子方差(通过设置 descriptives 中的选项)，其结果与这里是一致的。26 我们现在来尝试对这个数据进行斜旋转。我们使用一种叫 Oblimin 的方法(并使用默认参27 数)。斜旋转产生与前面一样的因子个数以及 Component Matrix。唯一不同的是旋转以后的载荷28 矩阵。斜旋转产生两个矩阵，一个是 Factor Pattern Matrix，一个是 Fa

33、ctor Structure Matrix。其29 中 Factor Pattern Matrix 表示的是因子的构造方法，即各测度项是如何通过一个类似回归的方法30 加权求和得到一个因子的值。相反，Factor Structure Matrix 表示的是因子与测度项之间的载31 荷，即如何对因子进行加权求和得到测度项(的近似值)。所以，在报告中，我们应该报告后32 者。33 191 版权所有，徐云杰，博士，复旦大学管理学院。版本号：D 0.91，2009.11.20 DRAFT ONLY 1 2 3 4 5 Pattern Matrix(a)6 7 Component 1 2 3 4 5 6

34、 7 know1-.029.946-.043-.072-.027.049-.046 know2-.010.950-.130.014.022-.065.012 know3.025.938.040.000-.014-.033-.071 topic1.872-.065-.126.147-.025.010-.105 topic2.925-.075.093.020.043-.093-.018 topic3.921.069.157-.045-.004-.028.046 topic4.762.057-.016-.087-.025.202.084 novel1.230-.125-.351-.123-.257.

35、010.544 novel2-.009.018.168.104.121.025.691 novel3-.053-.109-.074-.035.001-.038.798 under1.128-.028.913.015.025.081-.053 under2.003-.028.944-.006-.073.037.039 under3.016-.093.863-.029-.092.004.061 reliab1.162-.067-.267.665.020.134.124 reliab2-.117-.015-.110.847-.110.072.016 reliab3.091-.020.018.880-

36、.045.037-.024 reliab4-.027.050.339.755.041-.158-.021 sco1r.006.031.126-.017.050.940-.040 sco2r-.097-.107.049.036.008.926-.015 sco3r.201.077-.171.048-.143.491.061 ri1.089-.191.052-.104-.692.011-.082 ri3.122.227.243.046-.544.104.321 ri4.008.077.101.083-.868.014-.037 ri5-.130.116-.096.136-.899-.001-.01

37、8 Extraction Method:Principal Component Analysis.8 Rotation Method:Oblimin with Kaiser Normalization.9 a Rotation converged in 7 iterations.10 11 从以下的 Structure Matrix 中，我们可以看到测度项在对应的因子上的载荷几乎都增加了。12 但是，有几个测度项(比如 topic4)违反了正交时区别效度(虽然这个规则不适用于斜旋转)。在13 本例中，正交旋转与斜旋转的差别不大。但这种差别在因子相关性较大时就会相当明显。14 15 Struct

38、ure Matrix 16 17 Component 1 2 3 4 5 6 7 know1-.166.954-.075-.011-.109-.025-.203 know2-.179.956-.158.058-.048-.125-.155 know3-.136.948.017.054-.093-.091-.225 topic1.872-.163-.078.194-.265.289.143 topic2.897-.210.135.067-.185.176.195 topic3.918-.081.188.035-.267.246.242 192 版权所有，徐云杰，博士，复旦大学管理学院。版本号：D

39、 0.91，2009.11.20 DRAFT ONLY topic4.835-.086.002.011-.303.439.289 novel1.433-.222-.360-.041-.365.245.659 novel2.143-.106.140.177.004.117.678 novel3.139-.231-.106.032-.067.087.795 under1.175-.072.920.067-.047.088-.042 under2.085-.060.944.052-.108.046.022 under3.103-.125.865.023-.114.028.055 reliab1.27

40、5-.071-.237.690-.142.300.278 reliab2-.001.064-.076.857-.191.190.115 reliab3.177.029.063.893-.174.194.109 reliab4-.031.101.373.743-.001-.088-.001 sco1r.265-.029.105.110-.216.914.105 sco2r.197-.145.031.148-.220.902.140 sco3r.390.029-.173.149-.356.608.215 ri1.290-.133.076-.037-.680.216.055 ri3.363.198.

41、240.190-.684.338.402 ri4.245.167.125.188-.888.260.079 ri5.107.236-.076.228-.884.225.074 Extraction Method:Principal Component Analysis.1 Rotation Method:Oblimin with Kaiser Normalization.2 3 我们也可以看一眼斜旋转后因子之间的相关性(下表)。相关系数大多在 0.3 以内。如果相4 关系数增加，我们的 Structure Matrix就会变得更难以解释了。5 6 Component Correlation M

42、atrix 7 8 Component 1 2 3 4 5 6 7 1 1.000-.149.040.073-.281.302.242 2-.149 1.000-.031.065-.096-.060-.165 3.040-.031 1.000.045-.024-.021-.041 4.073.065.045 1.000-.112.137.109 5-.281-.096-.024-.112 1.000-.283-.138 6.302-.060-.021.137-.283 1.000.173 7.242-.165-.041.109-.138.173 1.000 Extraction Method:Principal Component Analysis.9 Rotation Method:Oblimin with Kaiser Normalization.10