吴明隆SPSS学习笔记（更新中）

第一篇 信效度分析的理论与实务

第1章 研究设计与量表分析

选取的样本是否具有代表性，根据下列三项因素而定： 一是选取的样本大小是否足够；二是样本选取时抽样的方法是否恰当；三是从样本处所获得的数据是否精确。

三种常见取样方法：

随机抽样、分层随机抽样（各层间尽可能异质、各层内尽可能同质，然后从每层中利用随机取样方式，依一定比例各抽取若干样本数）、整群抽样法（不以个人为取样单位；群组与群组间的特征非常接近，同构型很高；而群组内彼此成员的差异较大，异质性高。在社会科学领域中，整群抽样的群组如班级、学校、组别、部门、学区等。）

取样的样本要多少才算“够大”?

地区性的研究，平均样本人数在500 至1000 人之间较为适合；

相关研究、因果比较研究各组人数至少30

正确界定变量属性

例如多元回归分析的自因变量都应该是连续变量，自变量如果是类别变量或次序变量应该先转换为虚拟变量(dummy variable），才能投入回归方程式，但部份研究者往往未将类别变量或次序变量转换。

在变量属件的转换上，等距／比率变量可转化为次序变量或名义变量，如依某一分量表之得分高低，将样本分成“高分组”、"中分组”、“低分组”，但次序变量或名义变量不能转换为等距变量／比率变址，如要转换，常用者为以虚拟变量方式出现

应采用几点量表法？

在大多数的情况下， 5 点量表(points)是最可靠的，选项超过5 点，一般人难有足够的辨别力

量表的点数愈多，选答分布的情形就愈广，变异数也会变得更大。

对于没有足够辨别力的人而言，使用7点量表法，会导致信度的丧失

预试的题项数：如果先前相关的研究显示，这些设想不需要过多的题项即可获得良好的内在－致性，预试量表的题项数约为正式量表题项数的1.5倍即可

Comrey(l988)也提出另一观点，如果量表的题项数少于40 题，中等样本数约是150 位，较佳的样本数是200 位。

量表编制建构的流程：预试、整理问卷和录入

项目分析：求出每一个题项的“临界比率”，critical ratio; 简称CR值；即高分组低分组，求出高低二组受试者在每题得分平均数差异的显著性检验，如果题项的CR值达显者水准(a<.05 或a<.01), 即表示这个题项能鉴别不同受试者的反应程度，此为题顶是否删除首应考虑的。删除CR值未达显著的题项。

因素分析：目的即在找出量表潜在的结构，减少题项的数目，使之变为一组较少而彼此相关较大的变量．此种因素分析方法，是一种“探索性的因素分析”

信度分析：Cronbach 所创的a 系数，学者Nunnally(1978)认为a系数值等千0.70 是一个较低，但可以接受的边界值。a系数值界于在0.70~0.80 之间相当好； a系数值界千在0.80~0.90之间非常好。

第2章 项目分析

反向题重新计分：

（转换--重新编码--成相同变量）

以t-test检验高低二组在题项上的差异：

（统计分析--比较平均数法--独立样本T 检验）

结果分析：F值显著看第二行t值是否显著，F值不显著看第一行t值是否显著

第3章 因素分析——结构效度

因素分析时共享因素的抽取时，最常用的方法即为主成份分析法

因素分析的步骤：

1. 计算变量间相关矩阵或共变量矩阵
2. 估计因素负荷量（用主成分分析法、主轴法等）
3. 决定转轴方法（rotation）：转轴法使得因素负荷量易于解释，

转轴以后，使得变量在每个因素的负荷量不是变大就是变得更小，而非如转轴前在每个因素的负荷量大小均差不多。

1. 决定因素与命名

碎石图：表示陡坡图底端的因素不具重要性，可以舍弃不用。因而从陡坡图的情形，也可作为挑选因素分析数目的标准。

操作：

（最大变异法；转轴后的解）

遗漏值：完全排除遗漏值

系数显示格式：依据因素负荷量排序；绝对值舍弃之下限

报表分析：

KMO值越大表示变量间的共同因素越多，越适合进行因素分析；如果KMO 的值小于0.5时，较不宜进行因素分析

巴特利特检验的卡方值显著，代表母群体的相关矩阵间有共同因素存在，适合进行因素分析。

把左边22 个成份之特怔值大于—者列于右边。特征值大于1者共有五个，这也是因素分析时所抽出之共同因素数

转轴后各共同因素之特征值会改变，所有共同因素的总特征值不变；被所有共同因素解释的总变异量不变

转轴主要目的，在于重新安排题项在每个共同因素的因素负荷层，转轴后，使原先转轴前较大因素负荷量变得更大，而使转铀前较小的因素负荷量变得更小。

分题项，第一个成分最能够解释A3-A7这几题，第二个成为最能够解释A11-A10这几题

第4章 信度分析

因素分析之后，要做信度检验。信度越高代表量表越稳定。

外在信度（如再测信度）和内在信度（每个量表是否测量单一概念，同时组成量表题项的内在一致性程度如何，如果内在信度α系数在0.8以上，表示信度较高，最常用的方法是克隆巴赫α系数）

如果研究者编制之研究工具的信度过低如在0.60 以下，应以重新修订研究工具或重新编制较为适宜。

信度是测验题项的函数（所以题项数量少，信度系数值也会低）

α系数操作方法：

统计分析--量尺法--信度分析

重测信度检验：以同一量表重复对同一对象施测（隔一段时间），求其二次的积差相关

操作方法：统计分析--相关--双变量

报表说明：

第5章 研究问题与统计方法

研究问题与统计方法分析

例如研究问题为：

①学生的数学焦虑、数学态度、教学投入动机、数学成绩之间是否有显著的相关存在？

——皮尔逊积差相关

积差相关的基本假定：

如果一个以上不是连续变量，就应采用其他统计方法：

②不同性别的学生，其数学焦虑、数学态度、数学投入动机与数学成绩是否有显著差异？

——独立样本T检验

T检验的适用时机：（a1a2两个组别个别独立，彼此不受影响）

③不同家庭状况的学生，其数学成绩、数学焦虑是否有显著差异？（三个水准以上的间断变量）

——独立样本单因子变异数分析（ONE WAY ANOVA）

适用条件：

如果是人为划定的组别，三组之间人数差距不要太大（如平均数上下0.5/1个标准差等方法）

⑤学生性别、数学焦虑、数学态度、数学投入动机是否可有效预测学生的数学成绩？其预测力如何？

——多元回归分析法（如果预测变量为非连续变量，需要将其转为虚拟变量；因变量二分变量，区别分析或对数式回归分析；因变量为多分类别变量，区别分析）

⑦学生性别与家庭状况变量在数学成绩上是否有显著的交互作用？（学生性别和家庭状况两个变量对数学成绩的影响是否会随着它们之间的相互作用而改变，A对C的影响可能因为B的不同有所不同）

——双因子变异数分析（TWO WAY ANOVA）（关注两个因子的交互作用情形）

⑧不同数学工作投入动机组（三个水准）的学生在数学态度四个层面是合有显著差异？

——单因子多变量变异数分析（MANOVA）

要先进行整体效果检验(overall test)，整体效果检验值通常看Wilks'A值，整体效果检验若达显著水准，则继续作追踪检验(follow-up test），追踪检验时亦可采用单变量变异数分析，其检验程序结果与ANOVA一样。

⑨学生性别、家庭状况在数学成续、整体数学焦虑、整体数学态度方面是否有显著的交互作用？

——二因子多变量变异数分析法（两间断、三连续）（两个自变量因子，多个因变量）

⑩数学投入动机与数学态度间是否有显著的典型相关存在？

如果自变量只有一个连续变量，而因变量也只有一个连续变量，则采用积差相关：如果自变量在两个以上，而因变量也在两个以上，二者之间的相关府采用“典型相关”。

母数检验与显著水准

无母数统计法统计检验力较母数统计法低，前者特别适用于类别或次序变量。

推论错误：第一类、第二类错误（图里应该是H0，即虚无假设）

推论统计中的α, 又被称为“显著水准”（Level of signiflcane）, 所谓显著水准就是研究者拒绝真的虚无假设之最大概率值，社会科学领域中最大概率值均采用0.05或0.01作为假设检验的显著水准。在研究设计与统计分析中，如果研究者把显著水准之α值定得很小，则犯第一类型的错误率会减低，此时β值会变大，相对的l-β值也会变小，因而研究结论虽然犯第一类型的错误率很低，但研究结果之统计检验力也会降低。

p值：精确概率值（probability of value)，是虚无假设为真的情况下，得到一个大于或等于此统计量数值大小的概率值。判定p值与设定的显著水准α的关系，决定是否拒绝虚无假设。p值代表的是“统计显著性”。显著性除了看p值外，报表中也会出现“95%置信区间”。

第6章 描述统计与相关分析

反向题重新计分：重新编码成同一变量

各层面与分量表的汇总：计算变量

各层面的描述统计：

——类别或次序变量的次数分配：统计分析-摘要-次数分配表

——各层面描述统计：统计分析-摘要-描述性统计量（注意：由于各层面所涵括的题项不同，因而不能直接从平均数的大小来比较，平均数除以题项可以求出每题平均得分，说明比较的时候用这个来）

求量表间相关系数：统计分析-相关-双变量；如果两个变量均为连续变量，应以皮尔逊积差相关求二者相关程度，相关系数（r）的平方称为决定系数或解释变异量的比例。

第7章 t检验与独立样本单因子变异数分析

p83