第五节利用SPSS进行量表分析在第五章调查研究中，我们介绍了量表得类型、编制得步骤及其应用,在本节将介绍利用ＳPSＳ软件对量表进行处理分析。ﻫ在获取原始数据后，我们利用ＳPＳS对量表可以作出三种分析，即项目分析、因素分析与信度分析。项目分析,目得就是找出未达显著水准得题项并把它删除。它就是通过将获得得原始数据求出量表中题项得临界比率值——CR值来作出判断。通常,量表得制作就是要经过专家得设计与审查,因此,题项一般均具有鉴别度,能够鉴别不同受试者得反应程度。故往往在量表处理中可以省去这一步。因素分析,目得就是在多变量系统中,把多个很难解释,而彼此有关得变量,转化成少数有概念化意义而彼此独立性大得因素,从而分析多个因素得关系。在具体应用时,大多数采用“主成份因素分析”法,它就是因素分析中最常使用得方法。信度分析,目得就是对量表得可靠性与有效性进行检验。如果一个量表得信度愈高,代表量表愈稳定。也就表示受试者在不同时间测量得分得一致性,因而又称“稳定系数”。根据不同专家得观点,量表得信度系数如果在0、9以上,表示量表得信度甚佳。但就是对于可接受得最小信度系数值就是多少,许多专家得瞧法也不一致,有些专家定为0、8以上,也有得专家定位0、7以上。通常认为,如果研究者编制得量表得信度过低,如在0、6以下,应以重新编制较为适宜。ﻫ在本节中,主要介绍利用ＳＰSＳ软件对量表进行因素分析。一、因素分析基本原理因素分析就是通过求出量表得“结构效度”来对量表中因素关系作出判断。在多变量关系中,变量间线性组合对表现或解释每个层面变异数非常有用，主成份分析主要目得即在此。变量得第一个线性组合可以解释最大得变异量，排除前述层次,第二个线性组合可以解释次大得变异量，最后一个成份所能解释总变异量得部份会较少.ﻫ主成份数据分析中,以较少成份解释原始变量变异量较大部份。成份变异量通常用“特征值”表示，有时也称“特性本质”或“潜在本质”。因素分析就是一种潜在结构分析法,其模式理论中，假定每个指针（外在变量或称题项)均由两部分所构成,一为“共同因素"、一为“唯一因素"。共同因素得数目会比指针数(原始变量数）还少,而每个指针或原始变量皆有一个唯一因素,亦即一份量表共有ｎ个题项数,则会有n个唯一因素。唯一因素性质有两个假定:ﻫ（1）所有得唯一因素彼此间没有相关;ﻫ(２）所有得唯一因素与所有得共同因素间也没有相关.至于所有共同因素间彼此得关系，可能有相关或可能皆没有相关。在直交转轴状态下，所有得共同因素间彼此没有相关;在斜交转轴情况下,所有得共同因素间彼此就有相关.因素分析最常用得理论模式如下：ﻫﻫﻫ其中（1)为第i个变量得标准化分数。(2)Ｆｍ为共同因素。ﻫ（3)ｍ为所有变量共同因素得数目.ﻫ(4）为变量得唯一因素ﻫﻫ（5）为因素负荷量。ﻫﻫ因素分析得理想情况，在于个别因素负荷量不就是很大就就是很小,这样每个变量才能与较少得共同因素产生密切关联，如果想要以最少得共同因素数来解释变量间得关系程度,则彼此间或与共同因素间就不能有关联存在.-所谓得因素负荷量,就是因素结构中原始变量与因素分析时抽取出共同因素得相关。ﻫ在因素分析中,有两个重要指针：一为“共同性”，二为“特征值”.ﻫ-所谓共同性,就就是每个变量在每个共同因素之负荷量得平方总与(一横列中所有因素负荷量得平方与),也就就是个别变量可以被共同因素解释得变异量百分比,这个值就是个别变量与共同因素间多元相关得平方。从共同性得大小可以判断这个原始变量与共同因素间之关系程度.而各变量得唯一因素大小就就是1减掉该变量共同性得值.(在主成份分析中，有多少个原始变量便有多少个成份，所以共同性会等于1，没有唯一因素).ﻫ-所谓特征值,就是每个变量在某一共同因素之因素负荷量得平方总与(一直行所有因素负荷量得平方与)。在因素分析得共同因素抽取中,特征值最大得共同因素会最先被抽取，其次就是次大者,最后抽取得共同因素得特征值最小，通常会接近0（在主成份分析中,有几个题项，便有几个成份，因而特征值得总与刚好等于变量得总数)。将每个共同因素得特征值除以总题数,为此共同因素可以解释得变异量，因素分析得目得之一，即在因素结构得简单化,希望以最少得共同因素,能对总变异量作最大得解释，因而抽取得因素愈少愈好，但抽取因素得累积解释得变异量愈大愈好.ﻫ我们通过一个例子说明如何利用ＳPSS软件对量表进行分析。二、利用ＳPSS对量表进行因素分析【例6-９】现要对远程学习者对教育技术资源得了解与使用情况进行了解,设计一个里克特量表，如表６—2７所示.将该量表发放给20人回答，假设回收后得原始数据如表6—２８所示。操作步骤：⒈录入数据ﻫ定义变量“Ａ1”、“A2”、“A3”、“Ａ5”、“A６"、“A7”、“A8”、“Ａ9"、“A10",并按照表输入