基于SPSS的大学生主观幸福感影响因素研究

基于SPSS的大学生主观幸福感影响因素研究

摘要：本文主要阐述信息分析技术在大学生主观幸福感影响因素分析中的应用，重点介绍了基于SPSS的因子分析和决策树方法，以及如何利用因子分析和决策树方法进行大学生主观幸福感影响因素的分析，以更好地了解影响大学生主观幸福感的主要因素。

关键词：信息分析 主观幸福感 因子分析 决策树 1、引言

信息分析是指以社会用户的特定需求为依托，以定性和定量的研究方法为手段，通过对社会信息的收集、整理、鉴别、评价、分析、综合等系列化加工过程，形成新的、增值的信息产品，最终将一系列分析结果呈现在用户面前，为不同层次的科学决策服务的一项具有科学研究性质的智能活动[1]。

如今，我们的物质生活水平有了很大的提高，然而，有很多人感觉到自己是不幸福的。特别是如今大学生自杀事件或出现心理问题的现象越来越严重。那么，什么是幸福能？可能至今也没有一个明确的定义。因为，幸福是一个复杂而又主观的概念。每个人对生活质量的整体性评估都有自己的评价标准[2,3]。因此，我们希望能在此研究中应用信息分析技术，了解大学生主观幸福感（Subjective Well-Being，SWB）的现状及其主要影响因素，分析、预测及引导大学生的认知和行为，以及为帮助解决大学生心理方面的问题等提供参考。 2、方法 2.1 数据采集

本次数据采集运用网上问卷调查的方法，共回收问卷122份，其中合格问卷107份。将结果导至Excel表存储，进一步将数据录入到SPSS软件。 2.2 数据处理

得到可靠的样本数据后，根据研究分析目的，在 PC微机上利用社会科学统计软件SPSS19.0进行数据统计及分析，包括因子分析、

分类决策树等操作。

因子分析(factor analysis)就是一种降维、简化数据的技术。它通过研究众多变量之间的内部依赖关系，探求观测数据中的基本结构，并用少数几个“抽象”的变量来表示其基本的数据结构。

决策树是一个类似于流程图的树形结构，是一种用来表示人们为了做出某一个决策而进行的一系列判断过程的树形图。决策树方法首先进行数据处理，利用归纳算法生成可读的规则和决策树，然后利用决策树对新数据进行分析，本质上决策树是通过一系列规则对数据分类的过程[1,5]。 3、数据计算

3.1 降维——因子分析

由于问卷所涉及的问题较多，即录入到SPSS里面的原始变量较多，但其实有些变量之间是有相关性的，他们对SWB的影响作用相似，因此，数据计算的第一步，首先利用降维的思想，我们通过SPSS软件的因子分析工具可以得到少量的因子，再依次从中选出一个代表变量，作为以后分类生成树用到的自变量。 3.2 分类——树

将多变量进行降维以后，就要利用分类决策树的方法，更直观地得到SWB与这些代表因素之间的关系或规律。分类决策树方法主要包括CHAID（Chi-squared Automatic Interaction Detector卡方自交互侦测决策树)和CRT(Classification Regression Tree分类回归树），是非常好用和有价值的多变量分析技术，是最有名的分类树方法，主要用于预测和分类。其中，树根节点是独立变量-因变量，子节点基于独立变量和其他分类变量（父节点），按照卡方显著性不断划分或组合为树状结构。预测变量一般也是非数量型的分类变量。分类树方法产生真实的细分类别，这种类是基于一个独立变量得到的一种规则和细分市场。也就是说，每一个树叶都是一个细分市场。 4、主要结果输出与分析 4.1 因子分析结果输出与分析

表-1

KMO 和 Bartlett 的检验 取样足够度的 Kaiser-Meyer-Olkin 度量 Bartlett 的球形度检验 近似卡方 df Sig. .592 511.768 253 .000

表-2

公因子方差 性别 来自where 初始 1.000 1.000 提取 .570 .610 担任职务与否 与班级同学关系 初始 1.000 1.000 提取 .583 .686 独生子女 月生活费 家庭环境满意度 与家人沟通频率 目标制定 兴趣爱好 做事风格 兼职情况 恋爱与否 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 .701 .716 .669 .719 .547 .566 .650 .683 .606 知心朋友 18(5) 学习压力 学习成绩 活动参与 获得奖项 惩处 专业满意度 对所学专业就业前景看法 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 .607 .757 .734 .779 .635 .711 .750 .576 .669 生活充实、充满希望与否 1.000 .650 提取方法：主成份分析。

表-3

解释的总方差 成份 合计 初始特征值 方差的 % 1 2 3 3.261 2.256 1.852 14.178 9.807 8.051 14.178 23.984 32.036 3.261 2.256 1.852 累积 % 合计 提取平方和载入 方差的 % 14.178 9.807 8.051 14.178 23.984 32.036 1.945 1.882 1.797 累积 % 合计 旋转平方和载入 方差的 % 8.456 8.182 7.814 8.456 16.638 24.452 累积 % 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 1.665 1.497 1.342 1.216 1.073 1.013 .976 .866 .821 .674 .666 .632 .588 .530 .442 .374 .365 .319 .299 .275 7.237 6.510 5.835 5.287 4.663 4.404 4.245 3.764 3.570 2.928 2.897 2.746 2.557 2.305 1.922 1.624 1.585 1.388 1.301 1.196 39.273 45.783 51.618 56.905 61.568 65.972 70.217 73.980 77.551 80.479 83.376 86.122 88.679 90.984 92.906 94.530 96.115 97.503 98.804 100.000 1.665 1.497 1.342 1.216 1.073 1.013 7.237 6.510 5.835 5.287 4.663 4.404 39.273 45.783 51.618 56.905 61.568 65.972 1.796 1.745 1.683 1.606 1.428 1.291 7.808 7.586 7.319 6.984 6.210 5.612 32.261 39.847 47.166 54.150 60.360 65.972 提取方法：主成份分析。 表-4

成份矩阵a 1 性别 来自where 独生子女 月生活费 家庭环境满意度 与家人沟通频率 目标制定 -.258 .336 .145 .172 .283 .544 .485 2 .371 .089 .367 .295 .477 -.212 .242 3 .465 .343 .151 -.293 -.511 -.399 .013 4 .294 -.163 .268 .092 .023 .126 -.048 成份 5 .093 .497 .403 .362 .269 .070 -.052 6 -.152 -.227 .078 .368 -.030 -.350 -.060 7 -.122 .135 .317 -.327 -.063 -.090 -.068 8 .050 -.082 .229 -.349 -.146 .024 .303 9 -.118 .144 .361 -.099 -.049 .258 -.385 兴趣爱好 做事风格 兼职情况 恋爱与否 担任职务与否 与班级同学关系 知心朋友 18(5) 学习压力 学习成绩 活动参与 获得奖项 惩处 专业满意度 对所学专业就业前景看法 生活充实、充满希望与否 提取方法 :主成份。 .375 .006 .382 .152 .398 .387 -.011 .204 .314 .453 .618 .604 .175 .413 .334 .251 -.007 -.422 -.140 .081 .485 -.158 -.331 -.449 -.336 -.033 -.299 -.522 .429 .150 .310 .067 -.134 .335 .371 .141 -.204 -.397 .109 -.097 .328 .178 .391 -.027 -.125 -.031 .612 .042 -.117 -.407 -.079 .338 -.087 .496 -.250 .117 -.281 .402 .325 .314 .083 .144 .175 .500 -.018 -.403 .266 -.055 -.011 .022 -.267 -.014 -.069 -.207 -.441 -.038 .350 -.232 -.094 -.003 .113 .309 -.303 -.237 .602 -.052 .360 .091 -.159 .145 .353 .329 -.014 -.265 -.232 .230 .032 .545 -.317 .086 .144 -.116 .060 -.181 -.264 -.176 -.086 .388 .240 -.036 .197 .455 -.043 -.133 .094 -.027 -.039 -.340 .080 .158 -.319 .112 -.322 .224 .243 .093 -.227 .216 .005 .100 -.187 -.010 -.024 .090 .333 .629 .189 -.268 -.010 .097 -.085 .048 -.324 -.150 a. 已提取了 9 个成份。 表-5

旋转成份矩阵a 1 性别 来自where 独生子女 月生活费 家庭环境满意度 与家人沟通频率 目标制定 兴趣爱好 .132 .310 .098 -.089 .069 -.059 .470 .720 2 -.498 -.018 -.121 .157 -.107 .054 .059 -.003 3 .043 .019 -.235 .024 -.249 .257 -.127 -.011 4 .056 -.151 .176 -.010 .150 .327 .273 -.103 成份 5 -.099 .105 .062 .782 .733 .259 .142 .104 6 -.493 .112 .037 -.244 .165 .620 -.073 -.035 7 .163 .671 .423 -.004 .011 .205 .061 .097 8 .138 .086 .637 .104 .027 -.111 -.202 .112 9 -.041 -.090 .030 -.023 .062 .184 .402 -.051

做事风格 兼职情况 恋爱与否 担任职务与否 与班级同学关系 知心朋友 18(5) 学习压力 学习成绩 活动参与 获得奖项 惩处 专业满意度 对所学专业就业前景看法 生活充实、充满希望与否 提取方法 :主成份。 .035 .143 -.131 .189 .473 -.153 .056 -.034 .026 .645 .242 .158 .228 -.101 .013 .102 .086 .322 .131 .105 .057 -.044 .856 .193 .738 .179 -.188 .153 .226 .209 .092 -.022 -.361 -.015 -.017 .798 -.025 .291 .193 .760 .052 .105 .025 -.046 -.048 .209 .527 -.039 -.100 .197 .010 .281 .068 -.106 .657 .776 .043 -.049 -.054 -.034 -.098 .041 -.097 .017 .038 -.107 .042 -.200 .224 .032 -.047 .290 -.110 -.096 -.015 -.097 .848 .100 .111 .056 -.012 -.022 -.011 .008 -.132 .141 .727 .487 -.042 -.098 -.083 .104 .025 .035 .206 -.033 .048 -.125 .758 -.189 -.024 -.284 .082 .341 .071 -.041 .115 -.023 -.140 .229 .023 .067 .025 .681 .164 -.267 -.136 .658 -.009 .178 .128 .049 .042 -.097 .025 -.024 .422 .122 .094 .130 .582 .294 .027 -.077 -.009 旋转法 :具有 Kaiser 标准化的正交旋转法。 a. 旋转在 11 次迭代后收敛。 因子分析结果分析如下： 表-1给出了KMO检验统计量与Bartlett球形检验结果。KMO是用于比较观测相关系数值与偏相关系数值的一个指标，其值愈逼近1，表明对这些变量进行因子分析的效果愈好。今 KMO值 = 0.592，过半，意味着因子分析的结果大概是可以接受的。Bartlett值 = 511.768，P<0.0001，即相关矩阵不是一个单位矩阵，故可以考虑进行因子分析。

表-2给出了23个原始变量的变量共同度。变量共同度反映每个变量对提取出的所有公共因子的依赖程度。从表-2来看，变量共同度都在 50%至80%，说明提取的因子已经包含了原始变量的大部分信息，因子提取的效果比较理想。

表-3给出了因子分析各个阶段的特征根与方差贡献表。其中，

初始特征值栏给出初始的样本相关系数矩阵或协差阵的特征根，用于确定哪些因子应该被提取，共有三项：合计列为各因子对应的特征根，本例中共有9个因子对应的特征根大于1，因此应提取相应的9个公因子；方差的%列为各因子的方差贡献率；累积%列为各因子的累积方差贡献率。提取平方和载入栏给出提取出的因子方差贡献表，提取出的9个因子按方差贡献的大小自上而下列出。同时可以看出，前9个因子已经可以解释原始变量65.972%的方差，含了大部分的信息。旋转平方和载入栏给出提取出的公因子经过旋转后的方差贡献情况。从中可以看到，由于经过了旋转，9个因子的方差贡献已经发生了变量，但是9个因子总的累积方差贡献率并没有改变，依然是 65.972%。

表-4给出旋转前的因子载荷阵，可以看出，每个因子在不同原始变量上的载荷没有明显的差别，为了便于对因子进行命名，还需要对因子载荷阵进行旋转。变量与某一因子的联系系数绝对值越大，则该因子与变量关系越近，如变量做事风格因子与第4因子的值绝对值最大，则其与第4因子最近，或者因子矩阵也可以作为因子贡献大小的度量，其绝对值越大，贡献也越大。

表-5给出经正交旋转后的因子载荷阵，从表中可以看出，经过旋转后，复杂的矩阵变得简洁，载荷系数比较起来已经明显多了，即第1因子代替了目标制定、兴趣爱好、活动参与的作用，第2因子代替了性别、学习成绩、获得奖项的作用，第3因子代替了学习压力、惩处的作用，第4因子代替了与班级同学关系、专业满意度、对所学专业就业前景看法的作用，第5因子代替了月生活费、家庭环境满意度、生活充实、充满希望与否的作用，第6因子代替了与家人沟通频率、18（5）的作用，第7因子代替了来自where、恋爱与否、担任职务与否的作用，第8因子代替了独生子女、做事风格的作用，第9因子代替了兼职情况、知心朋友的作用。 4.2 分类决策树结果输出与分析

基于因子分析的结果，根据表-2从各因子所代表的原始变量中依次挑选出9个原始变量作为自变量，而主观幸福感（SWB）作为自变量，利用SPSS的分类——树自动生成决策树，结果输出如下：

表-6

模型汇总 指定 增长方法 因变量 自变量 CHAID 主观幸福感 独生子女, 兼职情况, 月生活费, 与班级同学关系, 来自where, 18(5), 学习成绩, 惩处, 活动参与 验证 最大树深度 父节点中的最小个案 子节点中的最小个案 结果 自变量已包括 节点数 终端节点数 深度 无 3 100 50 月生活费, 学习成绩, 活动参与, 兼职情况, 来自where, 独生子女, 18(5) 30 19 3 图1

基本原理：基于目标变量（独立变量）自我分层的树状结构，根

结点是因变量，预测变量根据卡方显著性程度不断自动生成父节点和子节点，卡方显著性越高，越先成为预测根结点的变量，程序自动归并预测变量的不同类，使之成为卡方显著性。程序根据预先设定的树状水平数停止。最后每一个叶结点就是一个细分市场。当预测变量较多且都是分类变量时，CHAID分类最适宜。

从查看器中可以看到月生活费最显著，也最重要，最先出现。其中预测变量下方的数据：Adj.P为修正后的概率值，df为自由度。在生成的树中，依次选取各子节点中百分比最高的类别，将树简化后，利用Microsoft Office Visio 2003重新绘制出一颗较为简单的决策树，如图-2所示。

月生活费要省着花才行学习成绩成绩较差，老是挂科2刚刚好绰绰有余不够，需自己另外兼职2兼职情况有时间做，希望从中得到锻炼或者减轻家里负担想做但学习太忙，没时间兼职情况有时间做，希望从中得到锻炼或者减轻家里负担想做但学习太忙，没时间排名专业前30%排名专业前70%3排名专业前10%5不想做不想做活动参与偶尔，遇到自己感兴趣的时候参加3经常，一有新活动都会积极参加即使只是当观众；偶尔，被要求的时候才参加；从不参加2来自where农城村市学习成绩独生子女18（5）求助于他人不求助于任何人，埋在心底排名专业前30%；排名专业前70%学习成绩排名专业前10%学习成绩排排名名专专业业前前3070%%排名专业前10%1：超幸福；2：较幸福；3：幸福；4：没有幸福感但也没有 悲惨感；5：不幸福，很悲惨排排名名专否是专业业前前7030%%；排名专业前10222322323123图-2

利用“IF···THEN”形式，描述一个决策树所包含的分类规则，根据图-2，能够得到的分类规则示例如下：

规则1：IF 月生活费=“不够，需自己另外兼职”THEN SWB=

“2”

规则2：IF 月生活费=“要省着花才行” and 学习成绩=“成绩较差，老是挂科” THEN SWB=“2”

规则3：IF 月生活费=“刚刚好” and 兼职情况=“不想做” and 来自where=“城市” THEN SWB=“2”

规则4：IF 月生活费=“绰绰有余” and 兼职情况=“想做但学习太忙，没时间” and 学习成绩=“排名专业前30%” THEN SWB=“1”

规则5：IF 月生活费=“要省着花才行” and 学习成绩=“排名专业前10%”THEN SWB=“5”

由此看来，金钱对SWB起着较大的作用，另外，太注重学习成绩反而会产生负面影响。

最后，从表-7可以看出分类预测分类正确百分比为68.1%，结果还算可以，说明此次研究结果还是有一定价值的。

表-7

分类 已观测 超幸福 超幸福 较幸福 幸福 没有幸福感但也没有痛苦感 不幸福，很悲惨 总计百分比 增长方法:CHAID 因变量列表: 主观幸福感 0 4.5% 0 54.5% 0 38.2% 0 .0% 23 2.8% 100.0% 68.1% 43 41 22 0 较幸福 108 970 85 123 62 186 573 82 幸福 已预测 没有幸福感但也没有痛苦感 0 0 0 0 不幸福，很悲惨 0 22 21 0 正确百分比 20.2% 79.6% 81.7% .0% 5、总结

本文将基于决策树的信息分析方法应用于研究大学生主观幸福感的分析模型中，将影响大学生主观幸福感的相关因素输入该决策树模型，则可以预测其是否幸福及幸福程度，对分析、预测及引导大学生的认知和行为，以及为帮助其解决心理方面的问题具有一定的参考

价值。

参考文献：

[1]朱庆华.信息分析基础、方法及应用.北京:科学出版社,2012

[2]温翠红,韩建茹,黄晓明,傅培强.大学生主观幸福感及其影响因素.中国健康心理学杂志.2007,15(2):106-108

[3]张雯, 郑日昌.大学生主观幸福感及其影响因素.中国心理卫生杂志, 2004,18(1):61,62

价值。

参考文献：

[1]朱庆华.信息分析基础、方法及应用.北京:科学出版社,2012

[2]温翠红,韩建茹,黄晓明,傅培强.大学生主观幸福感及其影响因素.中国健康心理学杂志.2007,15(2):106-108

[3]张雯, 郑日昌.大学生主观幸福感及其影响因素.中国心理卫生杂志, 2004,18(1):61,62

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