利用SPSS进行高级统计分析第四期

Hello，

这里是行上行下，我是喵君姐姐~

本期就是SPSS高级统计教程的最后一期啦！在前三期中，我们分别介绍了：

(1)描述性统计表格模板、卡方&T检验、相关&回归分析

(2)中介、多重中介、链式中介、调节分析、有中介的调节分析

(3)单因素方差分析、多因素方差分析、重复测量方差分析

在本期中，我们将为大家介绍EFA、CFA分析以及结构方程模型。

PS：后台回复关键词“高级统计”即可获得所述的PDF原文啦！

EFA【 告KMO、球形检验、提取方法、正/斜交、题目、解释变异量+画因子载荷表

1. Spss操作

2.图表解读

2.1 KMO和巴特利特检验

KMO: Keiser-Meyer-OlkinMeasure of sample adaquacy：探查观测变量间的偏相关性，比较简单相关系数和偏相关系数的大小，0-1之间

?KMO较小：变量不适合作因素分析

?0.9以上：非常好superb

?0.8以上：好great

?0.7：一般good

?0.6：差(0.5-0.7 mediocre)

?0.5以下：不能接受

Bartlett’s test of sphericity(球形检验)，一般相关矩阵中的相关系数必须显著高于0

?相关系数偏低：因素抽取不容易，主成分数量与原变量差不多

?用来检验相关矩阵是否单位矩阵（相关系数不同且大于0）

?显著的球形考验→ 相关系数足以作为因素分析抽取因素之用

反映像矩阵（anti-image），显示偏相关的大小，矩阵中若有多对系数偏高，则应放弃使用因素分析

2.1 公因子方差

2.3 总方差解释

总方差解释：特征根/特征值：所有变量的因素载荷平方和，针对给定因素的特定值。未旋转和旋转后特征根不同，要 告旋转后的。

2.4 碎石图

看拐点

2.5 正交-成分矩阵

2.6 正交-旋转后的成分矩阵【 这个】

2.7 正交-成分转换矩阵

2.8 斜交-成分矩阵（componentmatrix）

成分矩阵（componentmatrix）：公因子方差比/共同度=因素载荷平方和，针对每道题而言。旋转与否无差异。

2.9 模式矩阵【相关系数】【 这个

2.10 结构矩阵【回归系数】

2.11 成分相关性矩阵
算旋转θ角

3. 告

使用SPSS软件对数据进行统计分析。首先，通过KMO和Bartletts球形检验分析发现，KMO值为0.93，Bartletts球形检验结果显著（近似卡方值为19334.492，df=253，p<0.001），表明该问卷的项目适合做探索性因素分析。

然后，采用主成分分析法（principle component analysis）和直接斜交转轴法（direct oblimin）对23个题目进行因素分析。结果发现，旋转后有4个因素的特征根大于1，继续对结构矩阵中的条目进行查验发现，保证题目在因子上的载荷量大于0.3，且不存在双重载荷现象（在两个或多个因素上都有大于0.30的载荷，且两个载荷之间相差不足0.2）。

删除不符合要求的题目，保留20个题目（KMO值为0.92，Bartletts球形检验结果显著，近似卡方值为16800.34，df=190，p<0.001），再次采用主成分分析法和直接斜交转轴法进行探索性因素分析，累计解释总变异达到了52.96%，具体题目载荷和共同度见表1。

CFA【 告、df、卡方/df、CFI、RMSEA、GFI、AGFI+画图】

1. Lisrel操作

1.1 另存数据

1.2 Lisrel语法

DA NI=9 NO=428【DA NI=变量数 NO=被试数】

RAW=MIL.psf【RAW=数据文件是哪个？需要另存】

MO NX=9 NK=2【MO NX=题目数 NK=维度数】

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 【哪个题目对应哪个维度？】

LK【命名维度】

MILP MLIS

PD【输出】

OU SS MI

或者

DA NI=20 NO=1321 【DA NI=变量数 NO=被试数】

RAW=RRESAQ.psf 【RAW=数据文件是哪个？需要另存】

MO NX=20 NK=5 【MO NX=题目数 NK=维度数】

PA LX 【哪个题目对应哪个维度？】

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 【命名维度】

LX1 LX2 LX3 LX4 LX5

PD【输出】

OU SS MI

2. Lisrel输出

3. 告参数

卡方/df < 5

Goodness of Fit Index （GFI）> 0.90

Root Mean Square Error of Approximation 平均残差（RMSEA）< 0.08

Comparative Fit Index (CFI) > 0.90

Adjusted Goodness of Fit Index (AGFI) >0.80

或者

Hu & Bentler(1999)【Hu, Li‐tze, & Bentler, P. M. . (1999). Cutoff criteria for fit indexes in covariance structure analysis: conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1-55.】

同时满足：CFI > 0.95；RMSEA < 0.05；卡方/df<3

使用LISREL8.7软件对生命意义感量表进行验证性因素分析。验证性因素分析结果表明，MLIP-MLIS两因子模型拟合良好（卡方值为85.11，df=26，卡方/df=3.27，CFI=0.97，RMSEA=0.073，GFI=0.96，AGFI=0.93），所有因子载荷均大于0.30（如图1所示）。MILP和MILS相关系数为0.62，P<0.001，表明两因子模型具有良好的聚合效度和区分效度。

图 1验证性因素分析结果

结构方程模型

1. 原理

Stage 1-3 检验测量模型的理论：

Stage 1: 定义每个构念

Stage 2: 建立测量模型

Stage 3: 评价测量模型的效度

Stage 4-5 检验结构模型的理论：

Stage 4: 设定结构模型

Stage 5: 评价结构模型的效度

ξ：外生潜变量（exogenous latent variables），他们的影响因素处于模型之外

η：内生潜变量（endogenous latent variables），由模型内变量作用所影响的变量

X1X2X3：外生潜变量的指标，外生指标（exogenous indicators）

δ：X的测量误差

Y1Y2Y3：内生潜变量的指标，内生指标（endogenous indicators）

ε：Y的测量误差

φ（PH）：ξ之间的相关，ξ因子的协方差(相关)

β（BE）：η之间的相关，η因子对η因子的效应

γ（GA）：ξ与η之间的相关，ξ因子对η因子的效应

ξ： 外源内隐变量

λ （LX）： 外源内隐变量与外显变量的相关系数，X指标在ξ因子的负荷

λ （LY）： 内源内隐变量与外显变量的相关系数，Y指标在η因子的负荷

θ δ（TD）：外部指标误差的协方差矩阵，X指标误差间的关系(协方差)

θ ε（TE）：内部指标误差的协方差矩阵，Y指标误差间的关系(协方差)

ζ（Zeta）：方程的残差

ψ(PS)：η因子残差的协方差矩阵，η因子残差的协方差(相关)

结构模型可以表达为以下方程式：

?y＝λyη+ε

?x=λXξ+δ

?η=βη+γξ+ζ

LISREL模型一共有八个基础参数矩阵需要在线性结构关系模型中估计λx, λy, γ，β，φ，Ψ，θδ，θε

?λx, λy 矩阵是因子负荷矩阵

?γ，β是结构路径系数矩阵

?φ是外生潜变量的方差协方差矩阵

?Ψ(PS)是结构方程残差项ζ的方差协方差矩阵

?θδ(TD)观测误差δ的方差协方差矩阵

?θε(TE)观测误差ε的方差协方差矩阵

前提：

1.ζ与ξ无相关

2.ε与η无相关

3.δ与ξ无相关

4.ζ，ε与δ彼此无相关

2. Lisrel语法

DA NI=6 NO=200

ROW=DATA

SE【选取里面用哪几个变量】

1 4 5 6/【斜杠要加，先写Y的指标，再写X的指标】

MO NX=3【X变量的因子数】 NK=1【几个x变量】 NY=1【Y变量的因子数】 NE=1【几个y变量】TE=Zero (default=DI，FR)【单因子的Y变量的测量误差（x为TE）】

FR【设定潜变量与显变量的关系】 LX 1 1 LX 2 1 LX 3 1 LY 1 1

LK【命名左边X】

MA【左边名字】

LE【命名右边Y】

AA【右边名字】

PD

OU AL

DA NI=6 NO=200

ROW=DATA

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【对所有变量命名】

Y1 Y2 Y3 Z1 Z2 Z3 X1 X2 X3

ROW=DATA

MO NY=6 NE=2 NX=3 NK=1 BE=FU【两个Y之间有相关，或者写BE=SD，默认从上到下算1-2，1-3，2-3，无需写BE 2 1】

FR LX 2 1 LX 3 1 LY 2 1 LY 3 1 LY 5 2 LY 6 2 GA 1 1【第一个X指向第一个Y】 GA 2 1【第一个X指向第二个Y】 BE 2 1【算谁与谁之间的相关】

FI LX 1 1 LY 1 1 LY 4 2

VA 1 LX 1 1 LY 1 1 LY 4 2

LK【命名】

MA

LE【命名】

AA SC

PD

OU AL

DA NI=11 NO=200

LA【对所有变量命名】

FRU CON PREPRO1 PRO2 PRO3PRE1 PRE2 PRE3 EMO PHI

ROW=DATA

SE

4 5 67 8 9111 2 3

MO NY=7 NE=3 NX=3 NK=1 BE=FU【Y之间有相关】

FR LX 2 1 LX 3 1 LY 2 1 LY 3 1 LY 5 2 LY 6 2 GA 1 1【第一个X指向第一个Y】 GA 2 1【第一个X指向第二个Y】 GA 3 1【第1个X指向第三个Y】BE 3 1 BE 3 2【算谁与谁之间的相关】【x和y的显变量分开排序，均从1开始编码】

FI LX 1 1 LY 1 1 LY 4 2 LY 7 3

LK【命名】

STRESS

LE【命名】

PROACTIVE PREVENTIVE OUTCOME

PD

OU AD=OFF IT=2000 SS EF MI

DA NI=12 NO=166

LA