Información seca | Uso de SPSS para análisis estadístico avanzado, Número 4
Hola,
Soy Xingxingxingxing, soy la hermana Miaojun~
¡Este número es el último número del tutorial de estadísticas avanzadas de SPSS! En los primeros tres números, presentamos:
(1) Plantilla de formulario de estadística descriptiva, prueba de chi-cuadrado y T, análisis de correlación y regresión
(2) Mediación, mediación múltiple, Mediación en cadena, análisis de moderación, análisis de moderación mediada
(3) Análisis de varianza unidireccional, análisis de varianza multifactorial, análisis de varianza de medidas repetidas
En este número, Presentaremos EFA, análisis CFA y modelos de ecuaciones estructurales para todos.
1. Informe EFA KMO, prueba de esfericidad, método de extracción, intersección orto/oblicua, pregunta, variación explicada + tabla de carga del factor de dibujo
1. Operación Spss
1. Informe EFA KMO, prueba de esfericidad, método de extracción, intersección directa/oblicua, pregunta, variación explicada + tabla de carga del factor de dibujo
1. Operación Spss
2. /p>
2.1 Prueba de KMO y Bartlett
KMO: Keiser-Meyer-OlkinMedida de adecuación de la muestra: Explorando la correlación parcial entre variables observadas, comparando coeficientes de correlación simples y coeficientes de correlación parcial El tamaño de , entre 0-1
?KMO es pequeño: la variable no es adecuada para el análisis factorial
?0,9 o superior: muy bien excelente
?0,8 o superior: genial
?0.7: generalmente bueno
?0.6: pobre (0.5-0.7 mediocre)
?por debajo de 0.5: inaceptable
Bartlett's prueba de esfericidad (prueba de esfericidad), el coeficiente de correlación en la matriz de correlación general debe ser significativamente mayor que 0
El coeficiente de correlación es bajo: no es fácil extraer factores y el número de componentes principales. es casi igual que la variable original
?Se utiliza para probar si la matriz de correlación es una matriz unitaria (los coeficientes de correlación son diferentes y mayores que 0)
?Prueba de esfericidad significativa → El coeficiente de correlación es suficiente para extraer factores en el análisis factorial
Matriz de imagen reflectante (antiimagen), que muestra la magnitud de la correlación parcial. Si hay muchos pares de coeficientes en la matriz que son demasiado altos, se debe abandonar el análisis factorial
2.1 Varianza común de los factores
2.3 Varianza total explicada
Varianza total explicada: Raíz propia/Valor propio: la suma de las cargas factoriales al cuadrado de todas las variables, para un valor específico de un factor determinado. Las raíces de entidades rotadas y no rotadas son diferentes; se informan las rotadas.
2.4 Gráfico de grava
Mira el punto de inflexión
2.5 Matriz de componentes ortogonales
2.6 Matriz de componentes ortogonales rotados informa esto
2.7 Matriz de transformación de componentes ortogonales
Matriz de transformación de componentes
Componente 1234
1.635.585.443-.242
2.137-.167.488.846
3.758-.513-.403.008
4.067.605-.635.476
Método de extracción: Ley de análisis de componentes principales. ?
?Método de rotación: Método de varianza máxima de normalización de Kaiser.
2.8 Matriz de componentes sesgados (componentmatrix)
Matriz de componentes (componentmatrix): relación de varianza de factores comunes/***identidad = suma de cargas factoriales al cuadrado, para cada palabra de pregunta. No hay diferencia si está girado o no.
2.9 Coeficiente de correlación de la matriz de patrón informa esto
2.10 Coeficiente de regresión de la matriz estructural
2.11?Matriz de correlación de componentes
Calcular el ángulo de rotación θ
Matriz de correlación de componentes
Componente 1234
11.000-.153.360-.277
2-.1531.000-.193.093
p>3.360-.1931.000-.464
4-.277.093-.4641.000
Método de extracción: análisis de componentes principales. ?
?Método de rotación: método oblicuo de normalización de Kaiser.
3. Informe
Utilice el software SPSS para realizar análisis estadísticos de los datos. Primero, a través del análisis de la prueba de esfericidad de KMO y de Bartlett, se encontró que el valor de KMO era 0,93 y el resultado de la prueba de esfericidad de Bartlett era significativo (chi-cuadrado aproximado = 19334,492, df = 253, p <0,001), lo que indica que los ítems de Este cuestionario es adecuado para el análisis factorial exploratorio.
Luego, las 23 preguntas fueron analizadas factorialmente mediante análisis de componentes principales y método de oblimin directo. Se encontró que después de la rotación, las raíces características de 4 factores eran mayores que 1. Continuamos verificando las entradas en la matriz de estructura y encontramos que la carga de la pregunta sobre los factores era mayor que 0,3 y no había doble carga. fenómeno (en dos o más Todos los factores tienen cargas superiores a 0,30 y la diferencia entre las dos cargas es inferior a 0,2).
Elimine las preguntas que no cumplan con los requisitos y conserve 20 preguntas (el valor KMO es 0,92, el resultado de la prueba de esfericidad de Bartlett es significativo, chi-cuadrado aproximado=16800,34, gl=190, p<0,001), y utilizar nuevamente el análisis de componentes principales El análisis factorial exploratorio se realizó utilizando el método y el método de rotación oblicua directa, y la variación total acumulada explicada alcanzó el 52,96%. Las cargas de elementos específicos y las identidades se muestran en la Tabla 1.
2. Informe CFA chi-cuadrado, df, chi-cuadrado/df, CFI, RMSEA, GFI, AGFI+dibujo
1. Operación Lisrel
1.1 Guardar datos como
1.2?Sintaxis de Lisrel
DA NI=9 NO=428DA NI=Número de variables NO=Número de sujetos
RAW=MIL. psfRAW=¿Cuál es el archivo de datos? ¿Necesita guardar como
MO NX=9 NK=2MO NX=número de preguntas?NK=número de dimensiones
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? ¿Qué pregunta corresponde a qué dimensión?
Dimensiones con nombre LK
MILP MLIS
Salida PD
OU SS MI
o
DA NI=20 NO=1321?DA NI=número de variables NO=número de sujetos
RAW=RRESAQ.psf?RAW=¿Qué archivo de datos es? ¿Necesita guardar como
MO NX=20 NK=5?MO NX=número de preguntas?NK=número de dimensiones
PA LX?¿Qué pregunta corresponde a qué dimensión?
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? Dimensión nombrada
LX1 LX2 LX3 LX4 LX5
Salida PD
p> p>OU SS MI
2. Salida de Lisrel
3. Parámetros del informe
Chi-cuadrado/df < 5
Índice de bondad de ajuste (GFI) > 0,90
Error cuadrático medio de aproximación Error residual medio (RMSEA) < 0,08
Índice de ajuste comparativo (CFI) > 0,90 p>
Índice de bondad de ajuste ajustado (AGFI) >0,80
o
Hu & Bentler (1999) Hu, Li-tze y Bentler, P. M. (1999). Criterios de corte para índices de ajuste en el análisis de estructura de covarianza: criterios convencionales versus nuevas alternativas Modelado de ecuaciones estructurales, 6(1), 1-55.
Satisfacen simultáneamente: CFI > 0,95; square/df< 3
Utilice el software LISREL8.7 para realizar un análisis factorial confirmatorio en la escala de sentido de la vida.
Los resultados del análisis factorial confirmatorio muestran que el modelo de dos factores MLIP-MLIS se ajusta bien (chi-cuadrado=85,11, gl=26, chi-cuadrado/gl=3,27, CFI=0,97, RMSEA=0,073, GFI=0,96, AGFI= 0,93), todas las cargas factoriales son superiores a 0,30 (como se muestra en la Figura 1). El coeficiente de correlación entre MILP y MILS es 0,62, P <0,001, lo que indica que el modelo de dos factores tiene buena validez convergente y validez discriminante.
Figura 1 Resultados del análisis factorial confirmatorio
3. Modelo de ecuación estructural
1. Principio
Etapa 1-3 Teoría del modelo de medición de prueba :
Etapa 1: Definir cada constructo
Etapa 2: Establecer un modelo de medición
Etapa 3: Evaluar la validez del modelo de medición
Etapa 4-5 Probar la teoría del modelo estructural:
Etapa 4: Especificar el modelo estructural
Etapa 5: Evaluar la validez del modelo estructural
ξ: variables latentes exógenas (variables latentes exógenas), sus factores de influencia están fuera del modelo
η: variables latentes endógenas (variables latentes endógenas), variables afectadas por los efectos de las variables dentro del modelo< / p>
X1X2X3: Indicadores de variables latentes exógenas, indicadores exógenos
δ: Error de medición de , indicadores endógenos (indicadores endógenos)
ε: error de medición de Y
φ (PH): correlación entre ξ, covarianza (correlación) de ξ factores
ξ: ?Variables implícitas exógenas
λ (LX): ? El coeficiente de correlación entre variables implícitas exógenas y variables explícitas, la carga del indicador X en el factor ξ
λ (LY): ?Coeficiente de correlación entre variables implícitas endógenas y variables explícitas, carga del indicador Y en eta factor
θ δ (TD): Matriz de covarianza del error del indicador externo, X La relación entre los errores del indicador (covarianza)
θ ε (TE): Matriz de covarianza del error del indicador interno , la relación entre los errores del indicador Y (covarianza)
ζ (Zeta ): Residuales de la ecuación
ψ(PS): Matriz de covarianza de los residuos del factor eta, covarianza (correlación) de Residuos del factor eta
Método de fijación general de la matriz
LX
LY
(a)? (FR)
(b)" "Método de carga fija": Seleccione una carga para cada factor y fíjela en "1"
¿PH(a)? Elementos fuera de la diagonal: Los factores están correlacionados entre sí →? Estimación libre
(b)? Elementos diagonales: "Método de varianza fija" →?
PS (a)? Elementos fuera de la diagonal: η Posiciones donde los residuos de los factores están relacionados entre sí, estimación libre
(b)?
TE
(a)?Elementos diagonales: estimación libre
(b)?Elementos fuera de la diagonal: fijados a "cero" en casos especiales, se permiten correlaciones correspondientes adicionales
Parámetros en los que los factores GA/BE tienen un efecto sobre los factores: estimación libre
El modelo estructural se puede expresar como la siguiente ecuación:
?y=λyη+ε
?x=λXξ+δ
?η=βη+γξ+ζ
LISREL modelo 1*** tiene ocho matrices de parámetros básicos que deben estimarse en el modelo de relación estructural lineal λx, λy, γ, β, φ, Ψ, θδ, θε
?La matriz λx, λy es la matriz de carga factorial p>
?γ, β es la matriz de coeficientes de trayectoria estructural
?φ es la matriz de varianza y covarianza de la variable latente exógena
?Ψ(PS) es la varianza y matriz de covarianza del término residual ζ de la ecuación estructural
?θδ( TD) Matriz de varianza y covarianza del error de observación δ
?θε(TE)
Matriz de varianza y covarianza del error de observación ε
Premisa:
1. No existe correlación entre ζ y ξ
2. No existe correlación entre ε y eta
3. δ no tiene correlación con ξ
4. ζ, ε y δ no tienen correlación entre sí
2. Sintaxis de Lisrel
DA NI=6 NO= 200
ROW=DATA
¿Qué variables se utilizan en la selección SE?
1 4 5 6/ Sumar una barra, escriba primero el indicador de Y, y luego Escriba el indicador de X
MO NX=3El número de factores de , FR) El error de medición de la variable Y de un solo factor (x es TE)
FR establece la relación entre la variable latente y la variable manifiesta LX 1 1 LX 2 1 LX 3 1 LY 1 1
LK nombra la X izquierda
MA el nombre izquierdo
LE nombre el derecho Y
AA el nombre correcto
PD
OU AL
DA NI=6 NO=200
FILA=DATOS
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
DA NI=6 NO=200
LA nombra todas las variables
Y1 Y2 Y3 Z1 Z2 Z3 X1 X2 X3
ROW=DATA
MO NY=6 NE=2 NX=3 NK=1 BE=FU dos Hay una correlación entre las Y, o escriba BE=SD El cálculo predeterminado es 1-2, 1-3, 2-3 de arriba a abajo. No es necesario escribir BE 2 1
FR LX 2 1 LX 3 1 LY 2. 1 LY 3 1 LY 5 2 LY 6 2 GA 1 1La primera X apunta al primer Y?GA 2 1La primera X apunta al segundo Y?BE 2 1Calcular la correlación entre quién y quién
FI LX 1 1 LY 1 1 LY 4 2
VA 1 LX 1 1 LY 1 1 LY 4 2
Denominación LK
MA
Denominación LE
AA SC
PD
OU AL
DA NI=11 NO=200
LA nombra todas las variables
FRU CON PREPRO1 PRO2 PRO3PRE1 PRE2 PRE3?EMO?PHI
ROW=DATA
SE
p>4 5 67 8 9111 2 3
Existe una correlación entre MO NY=7 NE=3 NX=3 NK=1 BE=FUY
FR LX 2 1 LX 3 1 LY 2 1 LY 3 1 LY 5 2 LY 6 2 GA 1 1La primera X apunta a la primera Y?GA 2 1La primera X apunta a la segunda Y?GA 3 1La primera X apunta a los Tres YBE 3 1 BE 3 2 calcular la correlación entre who y who Las variables manifiestas de x e y se ordenan por separado y todas están codificadas a partir de 1
FI LX 1 1 LY 1 1 LY 4 2 LY 7 3
LK. naming
ESTRÉS
LE naming
RESULTADO PREVENTIVO PROACTIVO
PD
OU AD=OFF IT=2000
SS EF MI
DA NI=12 NO=166
LA
X1 X2 X3P11 P12 P13P21 P22 P23Y1 Y2 Y3
ROW= DATOS
SE
4 5 67 8 910 11 121 2 3
MO NY=9 NE=3 NX=3 NK=1 BE=FU p> p>
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
Error: encontré que mi línea de datos se completó incorrectamente mmmmp
Eso es todo por esto problema ¡Esto se acabó! En este número, presentamos EFA, análisis CFA y modelado de ecuaciones estructurales. Gracias por su continua atención a esta serie ~
Composición tipográfica: Huahua
Corrección: Hermana Miaojun