量表的信度與效度分析.ppt

量表的信度與效度分析之 理論與操作 2 1 項(xiàng)目分析與信度估計(jì) ItemAnalysisandReliabilityEstimation 3 心理測驗(yàn)的量化分析 預(yù)試分析 pre test 目的在確認(rèn)量表題目的堪用程度 適切性評(píng)估 最重要的工作為項(xiàng)目分析 并進(jìn)行試探性的信度分析 以作為題目改善的依據(jù)信效度檢驗(yàn)提供各項(xiàng)客觀指標(biāo) 作為測驗(yàn)與量表良窳程度的具體證據(jù) 4 項(xiàng)目分析的策略 遺漏值的數(shù)量評(píng)估法檢驗(yàn)受測者是否抗拒或難以回答某一個(gè)題目 導(dǎo)致遺漏情形的發(fā)生 過多的遺漏情形表示該題目不宜采用 描述統(tǒng)計(jì)評(píng)估法利用各題目的描述統(tǒng)計(jì)量來診斷題目的優(yōu)劣 如題目平均數(shù)評(píng)估法 各題目之平均數(shù)應(yīng)趨于中間值 過于極端值平均數(shù)代表偏態(tài)或不良試題 無法反應(yīng)題目之集中趨勢 題目變異數(shù)評(píng)估法 一題目之變異量若太小 代表者達(dá)題情形趨于一致 題目之鑒別度低 屬于不良的題目 偏態(tài)與峰度評(píng)估法 5 項(xiàng)目分析的策略 題目總分相關(guān)法 相關(guān)分析技術(shù) 計(jì)算每一個(gè)項(xiàng)目與總分的簡單積差相關(guān)系數(shù) 一般要求在0 3以上 且達(dá)統(tǒng)計(jì)之顯著水平 SPSS軟件為項(xiàng)目分析提供了一項(xiàng)校正項(xiàng)目總分相關(guān)系數(shù) correcteditem totalcorrelation 的相關(guān)系數(shù) 使研究者清楚辨別某題目與其他題目之相對(duì)關(guān)聯(lián)性 內(nèi)部一致性效標(biāo)法 小樣本分析 又稱為極端組檢驗(yàn)法 系將預(yù)測樣本在該量表總分之高低 取極端的27 分為高低兩組 并計(jì)算兩極端組的得分平均數(shù) 具有鑒別度的題目在兩極端組的得分 應(yīng)具有顯著的差異 因素分析法以因素負(fù)荷量來判斷個(gè)別項(xiàng)目與相對(duì)因素的關(guān)系 6 項(xiàng)目分析范例 采用 組織創(chuàng)新氣氛知覺量表 邱浩政 1999 量表用以測量組織環(huán)境對(duì)于創(chuàng)意行為有利的程度 數(shù)據(jù)搜集方式 訪談 自由反應(yīng)問卷預(yù)測樣本 217位來自制造業(yè) 軍公教人員 與服務(wù)業(yè)之受訪者經(jīng)進(jìn)行項(xiàng)目分析與因素分析后 由50題題目保留其中31題 完成正式題本建立 項(xiàng)目分析實(shí)際范例 7 項(xiàng)目分析操作程序 選取分析 報(bào)表 觀察值摘要選取所欲分析的題目移至變量列表中進(jìn)入統(tǒng)計(jì)量對(duì)話框 選取平均數(shù) 標(biāo)準(zhǔn)偏差 偏態(tài) 峰態(tài)等各種描述統(tǒng)計(jì)選項(xiàng) 移至列表中按確定執(zhí)行 8 項(xiàng)目分析輸出結(jié)果 這些高遺漏值傾向于優(yōu)先刪除 但仍須與其他指標(biāo)合并考慮 9 描述統(tǒng)計(jì)評(píng)估法 平均數(shù)評(píng)估法 過高或過低之平均數(shù)代表偏離 通常以項(xiàng)目平均數(shù)超過全量平均數(shù)之正負(fù)1 5個(gè)標(biāo)準(zhǔn)偏差為檢驗(yàn)標(biāo)準(zhǔn) 10 描述統(tǒng)計(jì)評(píng)估法 題目變異數(shù)評(píng)估法 變異量若太小 代表低變異量通常以標(biāo)準(zhǔn)偏差 0 75為檢驗(yàn)標(biāo)準(zhǔn) 偏態(tài)與峰度評(píng)估法 偏態(tài)明顯 通常以偏態(tài)系數(shù)接近正負(fù)1為基準(zhǔn) 11 同構(gòu)型檢驗(yàn) 信度功能 步驟一選取量尺法中的信度分析 步驟二選取所預(yù)分析的變項(xiàng)移至清單中 點(diǎn)選統(tǒng)計(jì)量 12 同構(gòu)型檢驗(yàn) 信度功能 步驟三選取刪除項(xiàng)目后之量尺摘要 13 1 項(xiàng)目與總分相關(guān) Method1 spacesaver willbeusedforthisanalysis RELIABILITYANALYSIS SCALE ALPHA Item totalStatisticsScaleScaleCorrectedMeanVarianceItem AlphaifItemifItemTotalifItemDeletedDeletedCorrelationDeletedQ1132 9119483 3593 6351 9425Q2132 8176484 3906 6275 9425Q18132 7987486 0225 5953 9427Q20132 9874503 3290 1262 9456 略 Q45132 6855485 9511 6308 9426Q47133 1195493 8147 3840 9440Q48133 1006487 8632 4837 9434Q49132 5723487 7020 5801 9429Q50132 5660492 9687 5208 9433NofCases 159 0NofItems 50全量表之信度系數(shù)Alpha 9444 Alpha 9444 14 測驗(yàn)發(fā)展資料分析 項(xiàng)目分析 15 信度分析的步驟 步驟一 選取統(tǒng)計(jì)分析中的量尺法中的信度分析步驟二 選取所預(yù)分析的變項(xiàng)移至清單中 選擇所需的信度估計(jì)模式步驟三 進(jìn)入統(tǒng)計(jì)量對(duì)話框 選擇適當(dāng)?shù)慕y(tǒng)計(jì)量 16 信度分析之量表統(tǒng)計(jì)摘要 17 信度分析 共變與相關(guān)矩陣 共變矩陣 CovarianceMatrix 列出題目兩兩共變數(shù) 對(duì)角線所列出為各題的變異數(shù) 相關(guān)矩陣 CorrelationMatrix 列出題目兩兩相關(guān)系數(shù) 18 信度分析結(jié)果 項(xiàng)目與總分相關(guān) 項(xiàng)目與總量表的統(tǒng)計(jì)數(shù) 包括 1 項(xiàng)目刪除后量表總分2 項(xiàng)目刪除后變異數(shù)大小3 項(xiàng)目與總分相關(guān)4 相關(guān)系數(shù)的平方5 當(dāng)該題刪除后所能提高的信度系數(shù) 19 信度分析結(jié)果 CronBach sAlpha 20 信度分析重點(diǎn) 判斷問卷量表之符合性由相關(guān)系數(shù)矩陣判斷 若相關(guān)系數(shù)高 則表示試題同構(gòu)型相近 可以考慮合并刪除試題后 此試題與整體問卷結(jié)果之相關(guān)性判斷 若信度系數(shù)太低 表示此試題與整體問卷較不一致 可以考慮刪除此試題 刪除此一試題后之Cronbach s 系數(shù)可與整體問卷之Cronbach s 系數(shù)比較 以判斷是否刪除該試題 問卷整體信度系數(shù) 以Cronbach s 系數(shù)最具代表 此系數(shù)值介于0與1之間 其意義如下 21 項(xiàng)目分析結(jié)果 22 上機(jī)練習(xí) 1 問卷實(shí)例說明 陳景堂著課本第十一章 問題1 第十一章課本信度分析范例 seep 11 33 p 11 54 23 2 因素分析 Factoranalysis 24 因素分析基本概念 為了要證實(shí)研究者所設(shè)計(jì)的測驗(yàn)的確在測某一潛在特質(zhì) 并厘清潛在特質(zhì)的內(nèi)在結(jié)構(gòu) 能夠?qū)⒁蝗壕哂泄餐匦缘臏y量分?jǐn)?shù) 抽離出背后潛在構(gòu)念的統(tǒng)計(jì)分析技術(shù) 即為因素分析 factoranalysis 25 因素分析主要的功能 能協(xié)助進(jìn)行效度的驗(yàn)證 利用一組題目與心理構(gòu)念間關(guān)系的討論 研究者得以提出計(jì)量的證據(jù) 探討潛在特質(zhì)的因素結(jié)構(gòu)與存在的形式 建立量表的因素效度 factorialvalidity 能協(xié)助簡化測量的內(nèi)容 因素分析法之主要概念即是將復(fù)雜的共變結(jié)構(gòu)予以簡化 研究者可以根據(jù)每一個(gè)因素的主要概念 選用最具有代表性的題目來測量特質(zhì) 以最少的題項(xiàng) 進(jìn)行最直接適切的測量 減少受測者作答時(shí)間 減少疲勞效果與填答抗拒 用來協(xié)助測驗(yàn)編制 進(jìn)行項(xiàng)目分析 檢驗(yàn)試題的優(yōu)劣好壞 同時(shí)可以針對(duì)每一個(gè)題目的獨(dú)特性進(jìn)行精密的測量 比較相對(duì)的重要性 26 因素與共變結(jié)構(gòu) 因素分析之基本假設(shè) 是構(gòu)念或 因素 factor 隱含在許多現(xiàn)實(shí)可觀察的事物背后 雖然難以直接測量 但是可以從復(fù)雜的外在現(xiàn)象中計(jì)算 估計(jì) 或抽取得到 其數(shù)學(xué)原理是共變 covariance 的抽取 也就是說 受到同一個(gè)構(gòu)念影響的測量分?jǐn)?shù) 共同相關(guān)的部份 就是構(gòu)念所在的部份 構(gòu)念則是由被稱為 因素 的共同相關(guān)的部份的得分來表示 27 因素分析運(yùn)算的過程 與同樣采用共變?yōu)橛?jì)算基礎(chǔ)的回歸分析類似 如果自尊以Y來表示 其他十個(gè)題目分?jǐn)?shù)以X1到X10表示 自尊的得分 可以從下列數(shù)學(xué)模性預(yù)測得到 Y b1X1 b2X2 b3X3 b10X10 U此一方程式與回歸方程式的不同 1 X1到X10十個(gè)變項(xiàng)并非相互獨(dú)立的自變項(xiàng) 而是具有高度相似性 高度相關(guān) 具有共同特質(zhì)的十個(gè)自變項(xiàng) 2 他們背后的共同特質(zhì)Y 是 理論 上存在 由十個(gè)自變項(xiàng)當(dāng)中抽離出來 相對(duì)的 回歸分析中的Y 指的是另一個(gè)具體的 與自變項(xiàng)無本質(zhì)上相似之處的依變項(xiàng) 28 探索性因素分析 探索性因素分析 ExploratoryFactoranalysis EFA 對(duì)于觀察變項(xiàng)因素結(jié)構(gòu) 如因素之抽取 因素之?dāng)?shù)目 因素之內(nèi)容以及變項(xiàng)之分類等 的找尋 并未有任何事前的預(yù)設(shè)假定 而徑由因素分析的程序去決定 29 探索性因素分析 步驟 1 研究者經(jīng)由共變關(guān)系的分解 找出最低限度的主要成份 principalcomponent 或共同因素 commonfactor 2 探討這些主成份或共同因素與個(gè)別的變項(xiàng)的關(guān)系 找出觀察變項(xiàng)與其相對(duì)應(yīng)因素之間的強(qiáng)度 即因素負(fù)荷值 factorloading 以說明因素與所屬的觀察變項(xiàng)的關(guān)系與強(qiáng)度 3 決定因素的內(nèi)容 為因素取一個(gè)合適的名字 為因素fi解釋變量Xi變異的比例 30 因素分析的條件 因素分析的變項(xiàng)都必須是連續(xù)變項(xiàng) 符合線性關(guān)系的假設(shè) 順序與類別變項(xiàng)不得使用因素分析簡化結(jié)構(gòu) 抽樣的過程必須具有隨機(jī)性 并具有一定的規(guī)模 如果研究的母群據(jù)有相當(dāng)?shù)耐瑯?gòu)型 如學(xué)生樣本 變項(xiàng)數(shù)目不多 樣本數(shù)可以介于100到200之間 Gorsuch 1983 建議樣本數(shù)最少為變項(xiàng)數(shù)的五倍 且大于100 變量之間需具有一定程度的相關(guān) 一群相關(guān)太高或太低的變項(xiàng) 皆會(huì)造成執(zhí)行因素分析的困難 相關(guān)太低的變項(xiàng) 難以抽取一組穩(wěn)定的因素 不適于進(jìn)行因素分析 通常相關(guān)系數(shù)絕對(duì)值小于0 3不適于進(jìn)行因素分析 相關(guān)太高的變項(xiàng) 多重共線性 multi collinearity 明顯 有區(qū)辨效度不足的疑慮 所獲得的因素結(jié)構(gòu)價(jià)值不高 可透過球形檢定與KMO檢定來檢驗(yàn)上述問題 31 因素分析的數(shù)學(xué)原理 相關(guān)矩陣 因素分析的基礎(chǔ)是變項(xiàng)之間的相關(guān) 因此應(yīng)先計(jì)算數(shù)個(gè)題目 如X1 X10 的兩兩相關(guān) 詳細(xì)檢視該相關(guān)矩陣所代表的意義 32 檢驗(yàn)相關(guān)系數(shù)是否適當(dāng)?shù)姆椒?1 Bartlett stestofsphericity 球形檢定 一般相關(guān)矩陣中的相關(guān)系數(shù)必須顯著的高于0 某一群題目兩兩之間有高相關(guān) 顯示可能存有一個(gè)因素 多個(gè)群落代表多個(gè)因素 如果相關(guān)系數(shù)都偏低且接近 則因素的抽取越不容易 Bartlett stestofsphericity 球形考驗(yàn) 即可用來檢驗(yàn)是否這些相關(guān)系數(shù)不同且大于0 33 2 凈相關(guān)矩陣 變項(xiàng)之間是否具有高度關(guān)聯(lián) 可以從偏低的凈相關(guān) partialcorrelation 來判斷 因素分析計(jì)算過程中 可以得到一個(gè)反映像矩陣 呈現(xiàn)出凈相關(guān)的大小 該矩陣中 若有多數(shù)系數(shù)偏高 則應(yīng)放棄使用因素分析 除了此反映像矩陣之對(duì)角線系數(shù)以外 該系數(shù)稱為取樣適切性系數(shù) KMO Kaiser Meyer Olkinmeasureofsamplingadequacy 代表與該變項(xiàng)的有關(guān)的所有相關(guān)系數(shù)與凈相關(guān)系數(shù)之比較值 該系數(shù)值越大 代表相關(guān)情形良好 其判斷原理如下 檢驗(yàn)相關(guān)系數(shù)是否適當(dāng)?shù)姆椒?34 因素的抽取 factorextraction 主成份分析法 principlecomponentanalysis 以線性方程式將所有變項(xiàng)加以合并 linearcombination 計(jì)算所有變項(xiàng)共同解釋的變異量 該線性組合稱為主要成份 第一次線性組合建立后 計(jì)算出的第一個(gè)主成份估計(jì) 可以解釋全體變異量的最大一部份 其所解釋的變異量即屬第一個(gè)主成份所有 分離后所剩余的變異量 經(jīng)第二個(gè)的方程式的線性合并 再抽離出第二個(gè)主成份 依此類推 所剩余的共同變異越來越小 每一成份的解釋量依次遞減 直到無法抽取共同變異量為止 通常只保留解釋量較大的幾個(gè)成份來代表所有的變項(xiàng) 主成份分析法適用狀況于單純?yōu)楹喕罅孔冺?xiàng)為較少數(shù)的成份時(shí) 以及作為因素分析的預(yù)備工作 因素抽取之目的在于決定測量變項(xiàng)中 存在著多少個(gè)潛在的成分或因素 35 主軸因素法 principalaxisfactors 與主成份分析法的不同 在于主軸因素法是分析變項(xiàng)間的共同變異量而非全體變異量 其計(jì)算方式是將相關(guān)矩陣中的對(duì)角線 由原來的1 00改用共同性 communalities 來取代 目的在抽出一系列互相獨(dú)立的因素 第一個(gè)因素解釋最多的原來變項(xiàng)間共同變異量 第二個(gè)因素解釋除去第一個(gè)因素解釋后 剩余共同變異量的最大變異 其余因素依序解釋剩余的變異量中最大部分 直到所有的共同變異被分割完畢為止 因素的抽取 factorextraction 36 最小平方法 leastsquaresmethod 利用最小差距原理 針對(duì)特定個(gè)數(shù)的因素 計(jì)算出一個(gè)因素型態(tài)矩陣 factorpatternmatrix 后 使原始相關(guān)矩陣與新的因素負(fù)荷量矩陣系數(shù)相減平方后數(shù)值最小 稱為未加權(quán)最小平方法 unweightedleastsquaresmethod 表示所抽離的因素與原始相關(guān)模式最接近 最大概率法 maximum likelihoodmethod 相關(guān)系數(shù)經(jīng)變項(xiàng)的殘差 uniqueness 加權(quán)后 利用參數(shù)估計(jì) parameterestimation 原理 估計(jì)出最可能出現(xiàn)的相關(guān)矩陣的方法 因素的抽取 factorextraction 37 因素個(gè)數(shù)的決定 主要依據(jù)的原則是特征值 eigenvalue 的大小 特征值代某一因素可解釋的總變異量 特征值越大 代表該因素的解釋力越強(qiáng) 一般而言 特征值需大于1 才可被視為一個(gè)因素 低于1的特征值 代表該因素的變異數(shù)少于單一一個(gè)變項(xiàng)的變異數(shù)1 無法以因素的形式存在 另一種方法則是以陡坡檢定 screetest 其方法是將每一個(gè)因素依其特征值遞減排列特征值逐漸當(dāng)因素的特征值逐漸接近 沒有變化之時(shí) 代表特殊的因素已無法被抽離出來 當(dāng)特征值急遽增加之時(shí) 即代表有重要因素出現(xiàn) 也就是特征值曲線變陡之時(shí) 即是決定因素個(gè)數(shù)之時(shí) 38 因素轉(zhuǎn)軸 factorrotation 轉(zhuǎn)軸的目的 將所抽取的因素 經(jīng)過數(shù)學(xué)轉(zhuǎn)換 使因素或成份具有清楚的區(qū)隔 能夠反映出特定的意義 稱為轉(zhuǎn)軸 目的是在厘清因素與因素之間的關(guān)系 以確立因素間最簡單的結(jié)構(gòu) 轉(zhuǎn)軸的進(jìn)行 系使用三角函數(shù)的概念 將因素之間的相對(duì)關(guān)系 以轉(zhuǎn)軸矩陣 transformationmatrix 所計(jì)算出的因素負(fù)荷矩陣的參數(shù) 將原來的共變結(jié)構(gòu)所抽離出來的項(xiàng)目系數(shù)進(jìn)行數(shù)學(xué)轉(zhuǎn)換 形成新的轉(zhuǎn)軸后因素負(fù)荷矩陣 經(jīng)正交轉(zhuǎn)軸 或結(jié)構(gòu)矩陣 經(jīng)斜交轉(zhuǎn)軸 使結(jié)果更易解釋 進(jìn)一步的協(xié)助研究者進(jìn)行因素的命名 39 1 直交轉(zhuǎn)軸 orthogonalrotation 指轉(zhuǎn)軸過程當(dāng)中 因素之間的軸線夾角為90度 即因素之間的相關(guān)設(shè)定為0 如最大變異法 varimax 四方最大法 quartimax 均等變異法 equimaxrotation 2 斜交轉(zhuǎn)軸 obliquerotation 容許因素與因素之間 具有一定的共變 在轉(zhuǎn)軸的過程當(dāng)中 同時(shí)對(duì)于因素的關(guān)連情形進(jìn)行估計(jì) 例如最小斜交法 obliminroation 最大斜交法 oblimaxrotation 四方最小法 quartimin 等 轉(zhuǎn)軸的方式 40 直交與斜交轉(zhuǎn)軸的優(yōu)點(diǎn) 直交轉(zhuǎn)軸的優(yōu)點(diǎn) 以直交轉(zhuǎn)軸轉(zhuǎn)換得到的新參數(shù) 是基于因素間是相互獨(dú)立的前提 在數(shù)學(xué)原理上 是將所有的變項(xiàng)在同一個(gè)因素或成份的負(fù)荷量平方的變異量達(dá)到最大 如此最能夠達(dá)到簡單因素結(jié)構(gòu)的目的 且對(duì)于因素結(jié)構(gòu)的解釋較為容易 概念較為清晰 斜交轉(zhuǎn)軸的優(yōu)點(diǎn) 直交轉(zhuǎn)軸將因素之間進(jìn)行最大的區(qū)隔 往往會(huì)扭曲了潛在特質(zhì)在現(xiàn)實(shí)生活中的真實(shí)關(guān)系 容易造成偏誤 因此一般進(jìn)行實(shí)征研究的驗(yàn)證時(shí) 除非研究者有其特定的理論做為支持 或有強(qiáng)而有力的實(shí)證證據(jù) 否則為了精確的估計(jì)變項(xiàng)與因素關(guān)系 使用斜交轉(zhuǎn)軸是較貼近真實(shí)的一種作法 41 因素分析操作程序 選取分析 數(shù)據(jù)縮減 因子 進(jìn)入因素分析對(duì)話框點(diǎn)選所欲分析的量表題目 移至變量列表中點(diǎn)選 描述性統(tǒng)計(jì)量 選取所需