发布时间:2022-07-18 15: 04: 10
品牌型号:Dell N5010
系统:Windows 10
软件版本:IBM SPSS Statistics
初学者使用IBM SPSS Statistics进行效度分析常常不能正确理解相关系数含义,或者问题设置不正确出现很多的错误,这是非常正常的,坚持多学习,多了解就能很好的解决此类问题,本文就常见的问题如SPSS效度分析个案数不足两个,SPSS效度分析相关系数大概多少合适向大家作简单介绍。
一、SPSS效度分析个案数不足两个
个案数不足两个错误是使用SPSS进行效度分析时的常见错误,SPSS效度分析是借助主成分分析进行的,主成分分析是降维过程,目的在于把线性相关的几组变量用主成分向量组代替,在主成分分析过程中,要对每组数据求解方差,如果这组数据完全相同,则方差为零,主成分分析便出现错误。
为了便于大家理解,我们举一个实例,例如,在某个大学城进行学生电脑使用时间统计,如果调查问卷中有这样一个题目,请问你是不是大学生?显而易见,在大学城进行的学生调查,这个问题都会选择是,我们使用名义变量1代表是,0代表不是,这个问题的录入数据便为1。如图1所示,我们按照第三小节中的方法进行效度分析,此时进行效度分析结果输出窗口就会出现图2所示的错误,提示个案数不足两个。
实际来看这个问题是没有意义的,剔除这个问题,将不再显示此错误,正确的进行效度分析还要关注相关性,主成分分析相关性可由KMO系数得出,我们在第二小节中介绍。
二、SPSS效度分析相关系数大概多少合适
我们在上一节中介绍过,SPSS效度分析是借助主成分分析进行的,主成分分析要求变量由相关性较强的几组组成,这样才能进行后续的分析,所以进行效度分析,就必须进行主成分分析,进行主成分分析,就必须进行相关性分析,主成分分析的相关性分析可由KMO系数得出,KMO系数的求解方法我们将在第三小节中介绍,我们在本节介绍KMO取值多少合适。图3是某调查问卷KMO和巴特利特检验检验结果。
KMO系数高于0.8,证明变量非常适合进行主成分分析,在0.6-0.8之间说明比较适合作主成分分析,低于0.5说明不适合作主成分分析。本例中KMO系数高于0.8,适于作主成分分析,同时巴特利特球形度检验显著性小于0.05,也说明数据适于作主成分分析,适于作主成分分析,说明问卷效度较高。
进一步作简单介绍,我们观察碎石图,可以发现在第三个点曲线发生突跃,说明用两个主成分即可代替全部变量,说明整张调查问卷,共有两个主要维度。
以上就是关于效度检验分析方法和需要注意的问题,下面我们介绍SPSS效度检验步骤。
三、SPSS KMO求解及效度分析步骤
点击分析,降维,因子,进入因子分析界面。
将全部变量加入变量列表中,然后点击描述,勾选KMO和巴特利特球形度检验,这样SPSS会在结果中输出图3所示的KMO检验的值。
然后点击提取,勾选碎石图,SPSS将在结果中输出图4所示的碎石图,点击继续,然后点击旋转,勾选最大方差法,点击继续,确定,SPSS将进行主成分分析。
分析完毕后,SPSS会输出结果,我们按照第二小节中方法评价即可。
初学者常常有SPSS效度分析个案数不足两个,SPSS效度分析相关系数大概多少合适此类的问题,问卷中不应有答案一致的问题,这是没有意义的,也会导致个案数不足两个的警告,KMO值体现了数据适不适合作主成分分析,间接反映了效度高低,KMO值在0.8以上,代表问卷效度较高。
作者:莱阳黎曼
展开阅读全文
︾
读者也喜欢这些内容:
spss多元线性回归分析操作步骤,spss多元线性回归分析结果解读
spss多元线性回归分析操作步骤,本文会以客流量、销售量与销售额的线性关系演示spss的多元线性回归分析操作步骤,并进行spss多元线性回归分析结果解读。...
阅读全文 >
SPSS双因素方差分析数据录入 SPSS双因素方差分析多重比较
进行双因素方差分析时,数据录入和多重比较是两大难点,用户常常会对数据录入比较困惑,不确定如何分组以及定义变量名称,对于双因素方差分析中的多重比较结果也不能恰当的进行解读,如何进行SPSS双因素方差分析数据录入?SPSS双因素方差分析多重比较如何解读?本文结合实例,向大家做详细的解释。...
阅读全文 >
SPSS多元非线性回归分析步骤 SPSS多元非线性回归分析结果
多元非线性回归主要用于进行多变量的分析比较和预测,当现实中的自变量和因变量,即输出和输入数据不成线性关系时,我们要通过对数型变化将非线性问题转换为线性问题,但这仅靠人力明显难以做到,这个时候我们就可以借助数据分析工具——SPSS来进行多元非线性回归分析,下面来为大家具体介绍有关SPSS多元非线性回归分析步骤,SPSS多元非线性回归分析结果的相关内容。...
阅读全文 >
SPSS逻辑回归模型案例 逻辑回归和线性回归的区别
逻辑回归适用于二分变量的模型,最显著的作用是可以预测模型中每个自变量的概率。也就是说,逻辑回归可以根据一组样本数据,得到预测值或者某种预测结果。下面,小编来介绍一下SPSS逻辑回归模型案例,逻辑回归和线性回归的区别的具体内容。...
阅读全文 >