作者：彭彭
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：
在本期中，我们将为大家介绍EFA、CFA分析以及结构方程模型。
一、EFA【报告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
一、EFA【报告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，要报告旋转后的。
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【报这个】
2.7 正交-成分转换矩阵
成分转换矩阵
成分1234
1.635.585.443-.242
2.137-.167.488.846
3.758-.513-.403.008
4.067.605-.635.476
提取方法：主成分分析法。
旋转方法：凯撒正态化最大方差法。
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】【报这个
2.10 结构矩阵【回归系数】
2.11 成分相关性矩阵
算旋转θ角
成分相关性矩阵
成分1234
11.000-.153.360-.277
2-.1531.000-.193.093
3.360-.1931.000-.464
4-.277.093-.4641.000
提取方法：主成分分析法。
旋转方法：凯撒正态化斜交法。
3. 报告
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=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=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。
二、CFA【报告卡方、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. 报告参数
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=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
三、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)
矩阵一般设定方法
LX
LY
(a) 指标与因子有从属关系的：自由估计(FR)
(b)“固定负荷法”：每个因子选取一个负荷固定为“1”
PH(a) 非对角线元素：因子间互有相关→ 自由估计
(b) 对角线元素：“固定方差法”→ 固定为”1”；“固定负荷法”→ 自由估计
PS(a) 非对角线元素：η因子残差互有相关的位置，自由估计
(b) 对角线元素：自由估计
TD
TE
(a) 对角线的元素：自由估计
(b) 非对角线的元素：固定为“零”；有特殊情况，容许额外的对应相关
GA/BE因子对因子有效应的参数：自由估计
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
X1 X2 X3P11 P12 P13P21 P22 P23Y1 Y2 Y3
ROW=DATA
SE
4 5 67 8 910 11 121 2 3
MO NY=9 NE=3 NX=3 NK=1 BE=FU
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
报错：发现我的数据那行填错了mmmmp
本期的内容就到此结束啦！本期我们介绍了EFA、CFA分析，结构方程模型，感谢您对本系列的持续关注~
排版：华华
作者：彭彭
校对：喵君姐姐
网友评论