问卷与量表数据分析(SPSS+AMOS)学习笔记(十四) :量表初测阶段的信度分析,删除题项
视频链接:问卷与量表数据分析(SPSS+AMOS)
目录
1. 量表制作与分析流程
2. 反向题目的反向编码
2.1 反向编码的目的
2.2 反向编码SPSS操作步骤
3. 量表题初测阶段的信度分析
3.1 信度分析的作用
3.2 科隆巴赫a系数的计算
3.3 初测阶段信度分析的作用
3.3.1 判断量表好坏
3.3.2 筛选量表题项
3.4 SPSS操作步骤
3.5 结果分析
1. 量表制作与分析流程
【注意】:
(1)试测问卷发放的份数至少是量表题目的5倍。比如设计了40个量表题,则至少需要收集200份问卷。
(2) 试测问卷需要进行探索性因子分析和信度分析。
信度分析的目的是把量表题目中信度不高的题项删除。
探索性因子分析的目的是对比公因子下面的量表题目和我们自己设计的维度下面的题目是否一致,如果不一致我们需要进行题项的调整,形成正式问卷。
(3)正式问卷发放的数目是量表题目的10倍,所以正式问卷的量表题目一般不超过30道。并且正式问卷收集的问卷份数必须要比试测问卷的分数多。
(4)验证性因子分析的目的:看得出的公因子的维度是否和前面探索性因子分析得到的预设维度是一致的。这里的信度分析需要汇报到论文之中。
(5)测量分析过程需要依赖于前面的步骤,可以做回归、聚类、中介效应等的分析。
测量量表制定应该注意的问题:
2. 反向题目的反向编码
2.1 反向编码的目的
负向指标(值越大越不好的指标)需要反向编码。
比如作弊现象常见程度: 1 2 3 4 5 程度越来越高,表示得分越高,教育质量越差。
所以,在进行分析前,需要进行反向编码: 5 4 3 2 1
也可以在Excel中进行反向编码,拿6减去对应的值即可。
2.2 反向编码SPSS操作步骤
第一步:点击【转换】【重新编码为相同的变量】
第二步:将需要编码的变量(负向指标)放入到【数字变量】中,在【旧值和新值】中将重现编码的规则输入进去即可。修改后的数据会放在原处,不会新增列。
3. 量表题初测阶段的信度分析
【注意】信度分析和效度分析只针对量表题,非量表题没有信度和效度分析。
初测阶段的信度分析主要是为了剔除信度不好的题目。
3.1 信度分析的作用
内在信度用的比较多,主要是看一组问题是否是测量的同一个概念。
3.2 科隆巴赫a系数的计算
a越大,信度越好。方差表示某一个题项的波动程度。方差越小,导致a越大,所以信度越好。
3.3 初测阶段信度分析的作用
3.3.1 判断量表好坏
需要分组计算不同维度的信度和效度。
参考文献:
[1]王江艳,桑发琼,邵红林,龙鑫,何云骜.高校食堂顾客满意度的模糊综合评价法[J].现代商贸工业,2020,41(02):54-55.
3.3.2 筛选量表题项
3.4 SPSS操作步骤
第一步:选择【分析】【标度】【可靠性分析】
第二步:选择【统计】【删除项后的标度】,这样才会输出删除某一个题后的Alpha信度前后变化表。
3.5 结果分析
量表题的总的可靠性为0.956.(将所有题目选进去)
这个表示将“教师能够激发学生的兴趣和学习热情”删除后,Alpha值会变为0.954.比如我们分析的时候就不选这个题目,得到:
将““教师能够激发学生的兴趣和学习热情””删除后的Alpha系数。
我们需要将删除后alpha系数大于0.956(题目全部选进去的Alpha值)删除,或者把“修正后的项与总计相关性”值较小的题目删除。
可以将SPSS中输出的表格粘贴到Excel中,对“删除项后的科隆巴赫Alpha系数”进行排序。
将信度>0.956和相关性较低的题项删除即可。
问卷与量表数据分析(SPSS+AMOS)学习笔记(十四) :量表初测阶段的信度分析,删除题项相关推荐
- 吴恩达《机器学习》学习笔记十四——应用机器学习的建议实现一个机器学习模型的改进
吴恩达<机器学习>学习笔记十四--应用机器学习的建议实现一个机器学习模型的改进 一.任务介绍 二.代码实现 1.准备数据 2.代价函数 3.梯度计算 4.带有正则化的代价函数和梯度计算 5 ...
- Polyworks脚本开发学习笔记(十四)-WORKSPACE信息读取及管理
Polyworks脚本开发学习笔记(十四)-WORKSPACE信息读取及管理 Polyworks的工作任务存储分为工作区和项目两级,通过WORKSPACE命令获取工作任务信息,实现更好的任务管理. 下 ...
- camunda框架学习(十四)表单系列
一.表单生命周期.定义方式 表单使用两种方式 FormService: 表单定义支持的节点: 二.外置表单 <bpmn:startEvent id="StartEvent_1" ...
- jQuery学习笔记(四)——表单选择
一.表单选择 1.$('input[type=password][name=user]').val() 2.$(':password[name=user]').val() 二.表单过滤 1.$(':e ...
- 【神经网络】学习笔记十四——Seq2Seq模型
本文简要介绍seq2seq,即序列到序列的基本知识,是深度学习和NLP中一个重要的知识. 从三部分来说,seq2seq基本简介,应用场景和原理解析. 一.什么是Seq2Seq 所谓Seq2Seq(Se ...
- 重新认识错过(通向财富自由之路学习笔记十四)
本周学习<通向财富自由之路>专栏重新认识错过的文章,在文章中作者介绍了自己是如何错过一次升级的.对于这种错过,非常有同感.比如在中学时候,需要学习生物.历史.地理等学科,而这些学科不需要计 ...
- Java中执行存储过程和函数(web基础学习笔记十四)
一.概述 如果想要执行存储过程,我们应该使用 CallableStatement 接口. CallableStatement 接口继承自PreparedStatement 接口.所以CallableS ...
- 【theano-windows】学习笔记十四——堆叠去噪自编码器
前言 前面已经学习了softmax,多层感知器,CNN,AE,dAE,接下来可以仿照多层感知器的方法去堆叠自编码器 国际惯例,参考文献: Stacked Denoising Autoencoders ...
- Mr.J-- jQuery学习笔记(十四)--动画显示隐藏
eq()函数 定义和用法 :eq() 选择器选取带有指定 index 值的元素. index 值从 0 开始,所有第一个元素的 index 值是 0(不是 1). 经常与其他元素/选择器一起使用,来选 ...
- linux学习笔记十四:安装SAMBA(Server Message Block)
NFS:仅用于Linux之间 CIFS:仅用于Windows之间 SAMBA:可用于Linux与Windows之间,基于NetBIOS协议(用于LAN内部,不能跨路由),没有IP地址的概念,根据 Ne ...
最新文章
- print_r() 'ThinkPHP\Common\common.php 601
- 为什么python不报错不出结果_python的坑货ConfigParser类读取文件失败不报错
- 洛阳综合保税区正式获国务院批复同意设立
- weblogic 12c 一键静默建域、集群、受管,计算机以及添加受管到集群
- Android studio/sdk/appium/jdk遇到的坑坑洼洼
- Linux内核文档翻译
- PHP函数,方法,接口
- spring Boot Actuator使用
- Cookie中文存储页面500问题
- 手机知识:手机充电必备的几个小技巧,赶快看一下吧!
- C++:47---绝不重新定义继承而来的缺省参数值
- ZZULIOJ 1090: 整数幂(多实例测试)
- mysql oracle对空值_Oracle空值处理函数
- Docker Image执行流程
- boost asio异步通信
- 如何删除服务中不存在在服务
- 假设检验一小些知识(单个正态总体均值的假设检验)
- 【Python实战】手把手超详细教程教你Scrapy爬达盖尔社区,有彩蛋
- java 发 腾讯企业邮_JAVA使用腾讯企业邮箱发送邮件时报错Could not connect to SMTP host...
- sim7600ce 拨号上网测试_SIM7600CE应用程序调试流程
热门文章
- 欧式香草期权(普通看涨、看跌)的定价公式及实现
- IDEACPU占用100%_卡顿 解决办法
- 盘点2020年最好用的7款3D游戏建模软件
- 3dmax导出unity3d模型设置
- 资产配置那些事-标准普尔家庭资产象限图
- 走好数据中台最后一公里,为什么说数据服务API是数据中台的标配?
- 通过app NA渲染后的app source 抓包
- 看_那人好像一个产品狗_对_这就是产品狗
- 计算机考试怎样删除美式键盘,Win10怎么把美式键盘删除_Win10彻底删除eng美式键盘?-192路由网...
- Oracle项目管理平台的多层级组织架构设置方法