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

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

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

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

?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

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>

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