第十二章 SPS测量技术

第十二章 SPSS的测量技术

主讲教师：杨鸿 一、章节名称：第十二章 SPSS的测量技术 二、学习内容分析：本章是在学习了第四章SPSS的基本知识和后面相关测量知识后，将SPSS 技术应用于测量的一个章节。学习内容主要集中于SPSS的应用。

三、学习者分析：网络学习者的主要障碍在于缺乏学习动力、学习技巧与经验和与教师的互动。因此针对学习者的需求，教学者需要在这个平台激发学生的学习兴趣，提供相应的学习技巧，以有效帮助学习者。而本章软件操作，需要对每一个操作步骤详尽的讲解，这样才能利于网络学习者轻松的学习。 四、教学目标

(一)掌握运用SPSS软件进行项目分析 (二)掌握运用SPSS软件进行效度分析 (三)掌握利用SPSS软件进行信度分析 五、教学难点

掌握运用SPSS软件进行效度分析 六、教学过程

（一）导入

首先带着学生回忆在第四章学习的SPSS的相关知识和区分度、难度、效度和信度方面的知识。

然后介绍SPSS在教育测量中起着十分重要的作用。优势在于可以方便处理数据繁多的测量分析。这里主要介绍SPSS软件在量表分析中运用。分别以下面三种分析——项目分析、效度分析和信度分析进行详尽的介绍。

（二）新授课

1.运用SPSS软件进行项目分析

首先，向学生介绍：项目分析主要包括区分度分析和难度分析。在难度分析中，只要知道了正确回答该题项的人数与参加测验的总人数，就可求得难度系数。因此我们主要探讨项目区分度计算。这里，我们以高低分组进行“独立样本t检验”求出CR值的方法为例，简要介绍如何运用SPSS11.5软件来进行项目分析。

然后介绍高低分组法操作的基本原理：求出问卷每个题项的决断值——CR值(critical ratio，简称CR值)，将未达显著水准的题项删除。方法为求出每个被试量表所得总分，接着取上下27%为高、低分组，各题项进行独立t检验来检测每题平均数的差异情形，如试题CR值达0.05的显著水准，表示本题项可鉴别出不同被试的反应程度，该题目予以保留，反之如未达 0.05显著水准，则将考虑删除该题。其操作步骤为：①分析前对数据的基本处理→②求出总分→③总分排序，找到高低分组的临界分数点→④高低分组，产生新的分组变量→⑤以t-test检验高低两组在各题项上的差异→⑥解读结果。

接着，边操作，边向学生演示具体操作过程：

第一步，打开SPSS，导入数据，做好相关处理（如数据的定义、数据的转换等），如图12.1所示。

图12.1

第二步，求出总分。

操作1：点击Transform（转换）→Compute（计算），出现“Compute Variable ”对话框，如图12.2所示。

图12.2

操作2：在左边“Target Variable：”（目标变量）下的文本框中输入变量名称，在右边“Numeric Expression：”（数值表达式）下的文本框中输入函数及变量名称，也可选择右下角列表中的函数名，再输入相应的参数即可。如图12.3所示。

图12.3

操作3：点击OK按钮，数据窗口中会出现一个新的“total”变量，如图12.4所示。

图12.4

第三步：量表总分排序，找到高低分组的临界分数点（高分组和低分组的人数可分别为被试总数的27%或33%，本例为27%）。

操作1：点击Data（数据）→Sort Cases（观测量排序），弹出“Sort Cases”对话框，如图12.5所示。

图12.5

操作2：将左边列表框中的“total”变量选入右边“Sort by：”（依?排序）下的框中，在“Sort Order”（排列顺序）选项框中选择排序的方式（Ascending为升序，Descending为降序，本例先以降序方式排列），点击OK确定。如图12.6所示。

图12.6

这时，数据窗口会以total变量的分数为依据，由高到低进行排列，操作者要将总人数之27%处的分值记下（例题中有100名被试，高分组第27位被试的分值为78）。如图12.7所示。

图12.7

操作3：再将total变量由低到高排列，其方法与操作1、2相同，只是排序的方式变为Ascending（升序），并记下低分组之27%处的分值。（说明：若在“操作2”中，操作者同时将低分组中27%处的分值也找出，则此步操作可省略。）

第四步：高低分组，产生新的分组变量。即选出27%的高分组和27%的低分组，并设高分组为第一组，低分组为第二组。（注：范例中，此时表中的数据是按是按降序排列）

操作1：在数据窗口中，点击Transform（转换）→Recode（重新编码）→Into Different Variables（转换成不同变量），出现Recode into Different Variables对话框，如图12.8所示。

图12.8

操作2：在图12.8的对话框中，将左边列表框中的total变量选入“Input Variable→Output”下的空白框；在最右边“Output Variable（输出变量）”框下的“Name：”（名称）文本框中，输入分组新变量名称，本例中设为“group”。如图12.9所示。

图12.9

操作3：点击change按钮，则 “Numeric Variables→Output”（数值变量→输出变量）下的变量名称会由“total→?”转变为“total→group”。再点击Old and New Values?按钮，出现如图12.10所示的“Recode into Different Variables: Old and New Values ”对话框。

图12.10

操作4：在左边“Old Value”（旧值）选项组框中，选取第六项，即点击“○Range”（范围），图标变为“⊙ Range”，在“through highest”（到最高值）前的文本框中输入高分组界限值，此例为“78”。在右边“New Value”（新值）选项组框中，选取第一项“Value”（数值），在后面的文本框中输入“1”（设高分组为第一组），表示量表总分值在78以上者为第一组。然后点击Add（新增）按钮，出现如图12.11所示的界面。

图12.11

操作5：按操作4的步骤，将低分组界限值以下的设为第二组（此例为67）。与操作4不同的是，在“Old Value”（旧值）选项组框中，选取第五项，即点击“○Range”（范围），图标变为“⊙ Range”，在“lowest through”（从最低值到）后的文本框内输入低分组界限值，此例为“67”，将量表总分值在67以下者设为第二组。操作后的界面如图12.12所示。

图12.12

操作6：点击Continue按钮，回到“Recode into Different Variables”对话框中。再点击OK按钮，回到数据文件窗口中。此时，数据文件的窗口中会新增一个“group”变量，变量的取值为1（高分组）或2（低分组）。分别见图12.13（高分组的group变量）和图12.14（低分组的group变量）。

图12.13

图12.14

第五步：以t-test检验高低两组在各题项上的差异。

操作1：在数据窗口中，点击Analyze（统计分析）→Compare Means（比较平均数法）→Independent-Samples T Test…（独立样本T检验?），弹出“Independent-Samples T Test”的对话框，如图12.15所示。

图12.15

操作2：在图12.15所示的对话框中，点击中间偏上的

命令按钮，将左边列表框

中的a1～a25变量选入右边“Test variable(s)：”（检验变量）下面的空白框中（表示要检验的变量包括a1～a25题项）；点击中间偏下的

命令按钮，将左边列表框中“group”变

量选入右边“Grouping Variable:”（分组变量）下面的空白框中（表示group为独立样本t检验的自变量，它是一个二分变量）。如图12.16所示。

图12.16

操作3：点击Define Groups?（定义组别）按钮（定义自变量的组别），进入“Define Groups”对话框，再点击“Use specified values”选项，在“Group 1：”（组别1）后的文本框输入“1”；在“Group 2：”（组别2）后面的文本内输入“2”。表示定义组别的两个组分别为第1组（高分组）、第2组（低分组），独立样本t-test将对这两个组别在a1～a25个题项得分之平均数进行差异检验。如图12.17所示。

图12.17

操作4：点击Continue 按钮，回到“Independent-Samples T Test”（独立样本T检验）对话框，再点击OK按钮，出现的窗口即为运行结果窗口。

第六步：解读结果（此处对T检验的部分结果进行说明） ①Group Statistics（组别统计量），如图12.18所示。

图12.18

说明：图中各项分别为题项、GROUP（组别）、N（人数）、Mean（平均数）、Std. Deviation（标准差）、Std. Error Mean（平均数标准误差）。

②Independent Samples Test（独立样本检验）结果，如图12.19所示。

图12.19

说明：独立样本检验结果首先要看“Levene’s Test for Equality of Variances”（方差齐性检验）结果，再根据方差齐性检验结果来看“t-test for Equality of Means”这个t检验结果。

解读结果时，首先要看“Levene’s Test for Equality of Variances”方差齐性检验值，看其差异是否显著（即Sig.的值是否小于0.05）。若Sig.的值小于0.05，则差异显著，说明方差不齐性，则t检验的结果要看各题项中第二排“Equal variances not assumed”（方差非齐性条件下）的数据。若Sig.的值大于0.05，则差异不显著，说明方差齐性，则t检验的结果要看各题项中第一排“Equal variances assumed”（方差齐性条件下）的数据。

其次，看t检验的结果。如果t值显著（Sig.的值小于0.05），表示此题项具有区分度，能区分出不同被试的反应程度。反之，则区分度不好，不能区分出不同被试的反应程度，需要删除或改进此题项。

比如，范例中的题项A1，F值为9.705，Sig.的值为.003（小于0.05），则说明差异显著，方差不齐性。那么t检验的结果要看第二排“Equal variances not assumed”（方差非齐性条件下）的数据，由图12.19可知，t值为6.107，df为52，Sig.的值为.000（小于0.05），表示题项A1具有区分度，能区分出不同被试的反应程度。 2.用SPSS软件进行效度分析

以SPSS中的因素分析——结构效度分析为例进行讲解。 方法为边操作，边演示，边讲解。 操作1：菜单选择。

在SPSS数据窗口中，点击菜单栏的Analyze（统计分析）→Data Reduction（数据缩减）→Factor（因子），出现“Factor Analysis”（因子分析）对话框，如图12.20所示。

图12.20

操作2：对话框设置。

在“Factor Analysis”的对话框中，选择左边列表框中所列出的经项目分析后有较好区分度的题项变量，点击中间偏上的白框中，如图12.21所示。

命令按钮，选入中间“Variables：”（变量）下的空

图12.21

操作3：进行相应的参数设置。

在图12.21 所示的“Factor Analysis” 对话框下方，有五个按钮，点击每个按钮可进行相应的设置（这里仅以范例的要求为例进行操作）。

①Descriptives…（描述性统计量）按钮

点击Ｄescriptives…，弹出“Factor Analysis: Descriptives” 对话框，如图12.22所示。

图12.22

在“Factor Analysis: Descriptives”对话框中，“Statistics”（统计量）复选框中有两个选项，“Univariate descriptives”（单变量描述性统计量）项显示每一题项的平均数、标准差；“Initial solution”（未转轴之统计量）项显示因素分析未转轴前之共同性（communality）、特征值（eigenvalues）、方差（占总方差）的百分比及累积百分比。此例我们选取“Initial solution” （未转轴之统计量）项。

“Correlation Matric”（相关矩阵）复选框中有七个选项，“Coefficients”(系数)显示题项的相关矩阵；“Significance levels”（显著水准）求出前述相关矩阵的显著水准；“Determinant”（行列式）求出前述相关矩阵的行列式值；“KMO and Bartlett’s test of sphericity”（KMO与Bartlett的球形检定）显示KMO抽样适当性参数与Bartlett’s的球形检定；“Inverse”（倒数模式）求出相关矩阵的反矩阵；“Reproduced”(重制的)显示重制相关矩阵，上三角形矩阵代表残差值，而主对角线及下三角形代表相关系数；“Anti-image”（反映像）求出反映象的共变量及相关矩阵。此例我们选取“KMO and Bartlett’s test of sphericity”（KMO与Bartlett的球形检定）项， 如图12.23所示。

图12.23

然后点击Continue按钮，返回“Factor Analysis”主对话框中。 ②Extraction?（因素提取方法）按钮

点击Extraction?按钮，进入“Factor Analysis: Extraction”对话框。在“Method”（因素

提取方法）后的选项框中选“Principal components”（主成份分析法）；在“Analyze”（统计分析）选项框中，选“Correlation matrix”（相关矩阵），意为使用相关矩阵进行分析；在“Display”（显示）复项框中，选“Unrotated factor solution”（未旋转因子解） 和“Scree plot”（陡坡图），意为显示未转轴前的解和用陡坡图来显示；在“Extract”（提取）选项框中，选“Eigenvalues over：”（特征值），后面的空格内设为1，表示因素提取时，以特征值大于1作为因素提取的标准；在“Maximum Iterations for Convergence：”（转轴时的迭代最多次数）后的输入框中设为25（默认值）。如图12.24所示。

图12.24

点击Continue按钮，返回“Factor Analysis”对话框中。 ③Rotation?（因素旋转方法）按钮

点击Rotation?按钮，进入“Factor Analysis: Rotation”对话框。在“Method”下的选项框中，选取“Varimax”（方差极大法正交旋转）；在“Display”下的复选框中，选取“Loading plot(s)”（因素负荷图）；在“Maximum Iterations for Convergence：”（转轴时的迭代最多次数）后的输入框中设为25（默认值）。设置如图12.25所示。

图12.25

点击Continue按钮，返回“Factor Analysis”对话框中。 ④Score…（分数）按钮 点击Score…按钮，进入“Factor Analysis：Factor Scores”对话框，有两个复选框，“Save

as variable”（因素存储变量）和“Display factor coefficient matrix”（显示因素分数系数矩阵），这里，我们取默认值（默认值为都不选取），如图12.26所示。

图12.26

点击Continue按钮，返回“Factor Analysis”对话框中。 ⑤Options?（选项）按钮

点击 Options?按钮，进入“Factor Analysis: Options”对话框。在“Missing Values”（遗漏值）选项框中，选“Exclude cases listwise”（完全排除遗漏值），意为观察值在所有变量中没有遗漏值者才加以分析；在“Coefficient Display Format”（系数显示格式）复选框中，勾选“Sorted by size”（按因素负荷量的大小进行排序），如图12.27所示。

图12.27

点击Continue按钮，返回“Factor Analysis”对话框中。

再点击OK按钮，即可执行结构效度分析程序，其结果在SPSS Output中显示。 操作4：解读结果。（其运行结果由一系列报表组成）

报表一：KMO and Bartlett’s Test（KMO及Bartlett’s检验），见图12.28。

图12.28

说明：KMO是Kaiser-Meyer-Olkin的取样适当性量数，当KMO值愈大时，表示变量间

的共同因素愈多，愈适合进行因素分析，如果KMO的值小于0.5时，较不宜进行因素分析，

2?范例的KMO值为0.800，表示适合进行因素分析。另外，Bartlett’s球形检验的值为721.050

（自由度为190）达到显著水平，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。

报表二：Communalities（共同性），见图12.29。

图12.29

说明：提取方法为主成分分析法，最右边一栏为提取后共同性的值。 报表三：Total Variance Explained（总方差解释），见图12.30。

图12.30 说明：1.表中“Initial Eigenvalues”（未转轴的特征值）下“Total”的特征值总和等于20（题项数）。

2.表中“Initial Eigenvalues”（未转轴的特征值）下的“% of Variance”（方差率）为特征值除以题项数。

3.将左边20个题项的特征值大于1者列在“Extraction Sums of Squared Loadings”（未转轴的因子载荷的平方和）这一“因子提取结果”栏中。例题中特征值大于1的有六个，这也是因素分析时所提取的共同因素数。特征值按高低顺序排列，第一个共同因素所解释的方差最大，后面依次递减。

4.转轴后各共同因素的特征值会改变。转轴前六个共同因素的特征值分别为6.332、1.634、1.459、1.285、1.079、1.040，特征值总和为12.829；转轴后六个共同因素的特征值分别为2.744、2.616、2.255、1.914、1.767、1.534，特征值总和为12.83。由此可见，虽然转轴前后单个共同因素的特征值会改变，但所有共同因素的总特征值不变。

5.转轴后，被所有共同因素解释的总变异量不变（特征值总和不变），例题中，转轴前后六个共同因素可以解释的总变异量都为64.151%。

表四：Scree Plot（陡坡图），见图12.31。

图12.31

从陡坡图中，可以看出从第六个因素以后，坡度线较为平坦，因而以保留5至6个因素较为适宜。

表五：Component Matrixa （未转轴的因素矩阵），见图12.32。

图12.32

说明：提取六个因素

表六：Rotated Component Matrixa （转轴后的因素矩阵），见图12.33。

Rotated Component Matrixa

Component

A25 A24 A14 A7 A5 A11 A12 A16 A6 A22 A4 A15 A18 A3 A20 A21 A10 A1 A13 A2

1 .801 .708 .683 .523 .448 .226 .025 -.022 .312 .127 .131 .266 .091 -.019 .362 -.349 -.065 .213 .286 .117

2 .035 .162 .177 .522 .393 .726 .646 .620 .562 .008 .246 .186 .048 .130 .349 -.187 .166 .370 .191 -.118

3 .110 .350 .142 .054 .438 .041 .316 .306 -.063 .741 .734 .694 .055 .137 -.068 -.088 .217 .178 .103 .116

4 .040 .090 .322 .016 -.071 .137 -.005 .187 .192 .045 .057 .065 .753 .711 .665 .050 .254 .208 -.056 .261

5 .032 .114 .166 .270 .295 .282 -.102 .064 .200 .084 .204 .051 .205 .083 -.100 .789 .633 .373 .068 .392

6 .206 .141 -.060 .179 .107 -.161 .258 .155 -.157 .224 .144 -.355 -.171 .439 .069 .027 .195 .230 .720 .500

Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a Rotation converged in 14 iterations.

图12.33

说明：1.题项在其所属之因素层面顺序，是按照因素负荷量的高低排列。如例题中，各因素按因素负荷量的高低排列，因素1为A25、A24、A14、A7、A5，因素2为A11、A12、A16、A6，因素3为A22、A4、A15，因素4为A18、A3、A20、A21，因素5为A10、A1，因素6为A13、A2。

2.在第一次因素分析时（因这是一种探索性的因素分析），若某个因素所包含的题项太少，可考虑增加题项或删除对应的题项，再进行第二次因素分析，直到结果满意为止，操作步骤与前述相同。

另外：因素分析仅仅为手段，重要的是要根据一定的理论进行因素命名。只有命名的结果和一定的理论相符，我们才可以认为该量表具有良好的结构效度。

3.利用SPSS软件进行信度分析

这里我们以分析各因素层面的同质信度，即内部一致性为例进行介绍。 方法为边操作，同时演示讲解。 操作1：菜单选择。 在SPSS数据窗口中，点击菜单栏的Analyze（统计分析）→Scale（量尺法）→Reliability Analysis（信度分析），弹出 “Reliability Analysis”（信度分析）对话框，如图12.34所示。

图12.34

操作2：对话框设置。 在“Reliability Analysis”对话框中，将左边列表框中单个因素所包含的题项选入“Items：”（项目）框内（一次只对一个因素进行分析），例题中第一因素的题项为a5、a7、a14、a24、a25；在“Model:”（模式）选项框中选取“Alpha”(Alpha：计算信度系数Cronbach α值；Split half：分半信度的分析）。如图12.35所示。

图12.35

操作3：进行参数设置。

在“Reliability Analysis”对话框中，点击Statistics…（统计量），弹出“Reliability Analysis: Statistics”对话窗口，如图12.36所示。

图12.36

在“Reliability Analysis: Statistics”对话窗口中，在“Descriptives for ”（描述统计量对象）的复选框中，勾选“Scale if item deleted”（删除题项后的描述统计量）。（如要看因素层面题项间的相关情形，可在右边“Iter-Item”框中选取“Correlations”（相关），则会显示题项间的相关矩阵，本例不选此项）如图12.37所示。

图12.37

点击Continue按钮，回到“Reliability Analysis”对话框，点击OK按钮，即可执行信度分析程序，其结果显示在SPSS Output中，如图12.38所示。

操作4：解读结果。

图12.38

说明：

1.“Scale Mean if Item Deleted”为删除该题项后分量表的平均值。 2.“Scale Variance if Item Deleted”为删除该题项后的方差。

3.“Corrected Item-Total Correlation”为该题项与分量表总分的相关，如果相关系数太低，可考虑删除。

4.“Alpha if Item Deleted”为删除该题项后分量表的Alpha系数，此值如果突然变得较大，表示将此题删除后，可提高量表的Alpha系数。

5. Alpha= 0.8220，表示该分量表的克隆巴赫系数为0.8220（该分量表是例题中的第一因素），则该分量表的信度较可。因为Alpha系数越高表示信度越高。

6.要注意的是，如要提高量表的信度，可对题项进行完善、修改，或增删题项，重新测试。

这里我们仅对某一因素的信度分析进行介绍，其它各因素和总量表的信度分析同前述操作步骤一样。 七、练习

因为操作时间较长，主要留给学生课后自己试验，教师辅导为主。准备相关试题供学生练习。 八、小结

本章分三个学时学习了SPSS软件在测量中的运用。课堂的学习是完全不够的，只是打开了一扇大门，需要学习者自己摸索探究，且本章的学习我们以几个例子串讲，在操作中还会出现具体的问题，学习者需要自己学会举一反三，同教师互动交流，才能更加灵活的掌握SPSS的测量技术。 九、教学后记

本文来源：https://www.bwwdw.com/article/b406.html