找到
11
篇与
SPSS
相关的结果
- 第 2 页
-
【SPSS】相关性分析 #BV# 若视频不清晰请点此观看原视频 步骤 对变量进行统计： 转化 > 计算变量 目标变量输入维度名称，数字表达式输入mean(维度下第一题 to 维度下最后一题) 例如(题目名称不用手动输入，直接点击左侧对应标签即可)： 对所有维度执行相同操作。 选择分析方法：点击菜单栏的“分析” > “相关” > “双变量”。 选择变量：在弹出的对话框中，将希望分析相关性的变量(通常为所有的量表维度)添加到“变量”框中。 选择相关系数类型：在“相关系数”部分，通常选择“皮尔逊”相关系数。如果数据不满足正态分布，可以选择“斯皮尔曼”或“肯德尔”相关系数。 运行分析：设置完成后，点击“确定”以运行分析。 查看结果：SPSS会在输出窗口中生成相关系数矩阵，包括每对变量之间的相关系数、显著性水平（p值）等信息。通常，p值小于0.05表示相关性显著。 表格：表格绘制为以下样式： 热力图：还可以绘制热力图，使结果更直观、美观： 绘图代码 解读 *：p＜0.05 **：p＜0.01 ***：p＜0.001 Word解释 相关性 绩效期望 努力期望 促进因素 社会影响 感知风险 享乐动机 价格价值 个体创新 使用意愿 绩效期望 1 努力期望 0.712** 1 促进因素 0.687** 0.745** 1 社会影响 0.651** 0.731** 0.817** 1 感知风险 0.451** 0.499** 0.544** 0.602** 1 享乐动机 0.743** 0.701** 0.781** 0.757** 0.570** 1 价格价值 0.646** 0.618** 0.766** 0.691** 0.593** 0.752** 1 个体创新 0.696** 0.745** 0.713** 0.744** 0.589** 0.806** 0.716** 1 使用意愿 0.684** 0.665** 0.801** 0.759** 0.576** 0.782** 0.834** 0.779** 1 当相关系数大于0时正相关，小于0时负相关；当其绝对值小于0.3时无相关性，0.3~0.5时低相关，0.5~0.8时中度相关，大于0.8时高度相关。因此，根据以上表格数据得出结论： 绩效期望与努力期望的相关系数为0.712，P＜0.01，说明两者呈现中度正相关关系； 努力期望与促进因素的相关系数为0.745，P＜0.01，说明两者呈现中度正相关关系； 促进因素与社会影响的相关系数为0.817，P＜0.01，说明两者呈现高度正相关关系； 社会影响与感知风险的相关系数为0.602，P＜0.01，说明两者呈现中度正相关关系； 享乐动机与价格价值的相关系数为0.752，P＜0.01，说明两者呈现中度正相关关系； 个体创新与使用意愿的相关系数为0.779，P＜0.01，说明两者呈现中度正相关关系； 使用意愿与价格价值的相关系数为0.834，P＜0.01，说明两者呈现高度正相关关系。
-
【SPSS】差异分析 #BV# 若视频不清晰请点此观看原视频 数据表达形式 在进行正态性检验时，通常有以下两种数据展示方式： 正态分布数据：使用均值（M）和标准差（SD）来呈现，适用于参数检验（如T检验、ANOVA）。 非正态分布数据：使用中位数和四分位数（IQR）来呈现，适用于非参数检验。 然而，在问卷分析中，大多数情况下仍使用参数检验，并通过均值±标准差（M±SD）来呈现数据。 独立样本T检验：用于二分组变量（如性别：男、女）和连续型因变量（如成绩）之间的比较。 单因素方差分析（ANOVA）：用于多分类变量（因子）和连续型因变量（如成绩）之间的比较。 变量前置操作 转化 > 计算变量 目标变量输入维度名称，数字表达式输入mean(维度下第一题 to 维度下最后一题) 例如(题目名称不用手动输入，直接点击左侧对应标签即可)： 对所有维度执行相同操作。 独立样本T检验 操作步骤 选择分析方法：点击菜单栏的“分析” > “比较均值” > “独立样本T检验”。 设置变量：在弹出的对话框中，将因变量添加到“检验变量”框中，将分组变量添加到“分组变量”框中。点击“定义组”，输入分组变量的取值（如男=1，女=2），然后点击“继续”。 选择选项：点击“选项”按钮，勾选“均值和标准差”以及“显著性水平”，以便输出相关统计量和显著性检验结果。 运行分析：设置完成后，点击“确定”以运行分析。 绘制表格如下： 结果解读 描述统计：查看每组的均值、标准差和样本量。例如，男生的平均成绩为80，女生为85。 方差齐性检验：在“莱文方差等同性检验”表中，查看“显著性”值。如果“显著性”值大于0.05，表示方差齐性假设成立，看“假定等方差”这一行数据；如果小于0.05，表示方差不齐性，看“不假定等方差”这一行数据。例如，Sig.=0.653 > 0.05，说明方差齐性。 T检验结果：在“T检验”表中，查看“Sig.”值。如果“Sig.”值小于0.05，表示两组均值差异显著；如果大于0.05，表示差异不显著。例如，Sig.=0.116 > 0.05，说明差异不显著。 T：t值是由样本数据计算得出的，用于衡量样本均值差异与样本变异性之间的关系 t值越大，说明两组之间的均值差异越大，相对变异性较小，表示组间差异可能较为显著。 t值越小，则表示均值差异较小，可能说明两组之间没有显著差异。 单因素方差分析（ANOVA） 操作步骤 选择分析方法：点击菜单栏的“分析” > “比较均值” > “单因素ANOVA”。 设置变量：在弹出的对话框中，将因变量添加到“因变量列表”框中，将因子添加到“因子”框中。 选择选项：点击“选项”按钮，勾选“描述”。 运行分析：设置完成后，点击“确定”以运行分析。 结果解读 描述统计：查看每组的均值、标准差和样本量。例如，教学方法A的平均成绩为75，B为80，C为85。 ANOVA结果：在“ANOVA”表中，查看“Sig.”值。如果“Sig.”值小于0.05，表示组间均值差异显著；如果大于0.05，表示差异不显著。例如，Sig.=0.116 > 0.05，说明差异不显著。 F值：反映了组间差异与组内差异的比值 补充 如果想进一步分析，可以对有显著差异的变量进行：事后比较——假定等方差中的LSD。 解读： 均值差异（I - J）： 该数值表示两组之间的均值差异。如果为正值，说明第一组（I组）的均值大于第二组（J组）；若为负值，则表示第一组（I组）的均值小于第二组（J组）。 显著性（Sig.）： 如果P值<0.05，说明两组之间的均值差异显著； 如果P值≥0.05，说明差异不显著。 结果展示： 保留的行：因变量、I、J、I-J、显著性 保留的列：P值<0.05的组别 Word解释 独立样本T检验 选项 男 女 T P 绩效期望 3.72 ± 0.92 3.71 ± 0.80 0.109 0.913 努力期望 3.77 ± 0.98 3.89 ± 0.74 -1.148 0.252 促进因素 3.70 ± 0.93 3.78 ± 0.79 -0.776 0.438 社会影响 3.66 ± 0.89 3.79 ± 0.75 -1.289 0.199 感知风险 3.70 ± 0.93 3.83 ± 0.79 -1.236 0.218 享乐动机 3.66 ± 0.94 3.66 ± 0.80 -0.038 0.970 价格价值 3.57 ± 0.91 3.36 ± 0.79 2.007 0.046 个体创新 3.88 ± 0.89 3.78 ± 0.75 0.930 0.353 使用意愿 3.65 ± 0.90 3.51 ± 0.82 1.373 0.171 男女在大多数选项上没有显著差异，只有“价格价值”这一项的均值差异显著（P = 0.046），表明男性和女性在价格价值感知上存在显著差异。 这一发现标明性别在价格敏感度和价值认知方面有着重要作用。未来的研究可以进一步探索这一差异背后的原因，分析可能的社会文化因素或心理机制。同时，企业和品牌可以针对不同性别设计更加个性化的营销策略和活动方案，以提高针对性和市场竞争力。例如，男性和女性可能在价格优惠、促销活动的响应度上有所不同，因此定制化的价格策略可能有助于提升销售效果。 单因素方差分析（ANOVA） 维度 大一 大二 大三 大四 硕士 博士 F值 P值 绩效期望 3.79±0.87 3.66±0.85 3.49±0.82 3.62±0.93 3.77±0.58 4.17±0.88 0.873 0.5 努力期望 3.92±0.81 3.67±1.00 3.56±0.73 3.96±0.89 4.10±0.42 2.89±1.71 2.329 0.043 促进因素 3.90±0.77 3.61±0.91 3.16±0.84 3.65±1.00 4.08±0.58 4.11±0.77 4.28 0.001 社会影响 3.80±0.82 3.51±0.89 3.41±0.65 3.86±0.86 4.21±0.50 3.67±0.33 2.881 0.015 感知风险 3.79±0.82 3.66±0.94 3.48±0.86 3.91±0.84 4.13±0.83 4.11±1.02 1.534 0.18 享乐动机 3.81±0.83 3.47±0.98 3.32±0.81 3.66±0.86 3.77±0.58 3.67±1.15 2.171 0.058 价格价值 3.63±0.86 3.36±0.91 3.02±0.63 3.23±0.77 3.69±0.74 3.83±1.04 3.398 0.005 个体创新 3.95±0.77 3.59±0.93 3.57±0.65 3.90±0.85 4.03±0.78 3.89±1.02 2.304 0.045 使用意愿 3.69±0.82 3.48±0.92 3.07±0.89 3.48±0.78 4.10±0.69 4.00±1.00 3.745 0.003 在大多数维度中，不同年级和学术阶段的学生表现出显著差异，尤其在努力期望、促进因素、社会影响、价格价值、个体创新和使用意愿等方面，P值均小于0.05，表明这些因素受到年级和学术阶段的显著影响。 然而，绩效期望、感知风险和享乐动机的差异不显著（P>0.05），这些因素在不同年级和学术阶段之间的变化较小。 对显著的变量进行进一步分析。具体结果如下表（事后检验---LSD）所示 维度 I J 平均值差值 (I-J) 显著性 努力期望 博士研究生 大学一年级 -1.02778* 0.041 大学四年级 -1.07190* 0.039 硕士研究生 -1.21368* 0.028 促进因素 大学三年级 大学一年级 -0.74104* 0 大学二年级 -0.44920* 0.025 大学四年级 -0.48706* 0.028 硕士研究生 -0.91692* 0.001 社会影响 大学二年级 大学一年级 -0.29059* 0.025 大学四年级 -0.35125* 0.046 硕士研究生 -0.69363* 0.006 大学三年级 大学一年级 -0.38875* 0.029 大学四年级 -0.44941* 0.037 硕士研究生 -0.79179* 0.005 价格价值 大学一年级 大学二年级 0.26724* 0.045 大学三年级 0.60500* 0.001 大学四年级 0.39706* 0.015 大学三年级 硕士研究生 -0.67231* 0.019 个体创新 大学一年级 大学二年级 0.36171* 0.005 大学三年级 0.37458* 0.035 使用意愿 大学三年级 大学一年级 -0.62214* 0.001 大学二年级 -0.41034* 0.042 硕士研究生 -1.03590* 0 硕士研究生 大学二年级 0.62555* 0.016 大学三年级 1.03590* 0 大学四年级 0.62707* 0.023 努力期望：博士研究生与其他年级（大学一年级、大学四年级、硕士研究生）的有差异显著。 促进因素：大学三年级与其他年级（大学一年级、大学二年级、大学四年级、硕士研究生）之间的差异显著。尤其是与硕士研究生之间的差异最为显著（P=0.001）。 社会影响：大学二年级和大学一年级之间的差异显著，P值为0.025；大学三年级与大学一年级、大学四年级、硕士研究生之间的差异也显著，表明不同年级的学生在社会影响的感知上存在显著差异。 价格价值：大学一年级与大学二年级、大学三年级、大学四年级之间的差异显著，而大学三年级与硕士研究生之间的差异也具有显著性，表明年级的不同显著影响学生对价格价值的评价。 个体创新：大学一年级与大学二年级、大学三年级之间存在显著差异，表明学生的创新能力在不同年级之间有所不同。 使用意愿：大学三年级与大学一年级、大学二年级、硕士研究生之间存在显著差异，尤其是硕士研究生和大学三年级之间的差异最大，表明硕士研究生对使用意愿的评分远高于大学生。
-
【SPSS】正态检验 #BV# 如果视频不清晰请点此观看原视频 操作步骤 选择分析方法：在菜单栏中点击“分析”，然后选择“描述统计”，接着点击“探索”。 设置变量：将待检验的变量添加至“因变量列表”框中。 选择图形：点击“图”按钮，勾选“直方图”和“含检验的正态图”选项，然后点击“继续”。 运行分析：点击“确定”以启动分析过程。 结果解读 观察图 直方图：通过观察直方图的数据分布，判断其是否接近正态分布。正态分布通常表现为中间较高，两端较低的钟形曲线。 Q-Q图：检查Q-Q图中数据点的分布，确认它们是否沿对角线排列。若数据点接近对角线，则表明数据分布接近正态。 观察表 观察图只是一个简便的方法，严谨的应该是看表。 往下看，会有一个名为“正态性检验”的表。 我们主要看显著性，如果大于0.05证明数据符合正态分布；小于0.05则证明数据不符合正态分布。 表里一般有两种检验方式，一种是柯尔莫戈洛夫-斯米诺夫检验(Kolmogorov-Smirnov test)，简称K-S检验；夏皮洛-威尔克检验(Shapiro—Wilk test)，简称S-W检验。 这两个在适用性上不同，K-S检验适用于样本量大于50个的情况；S-W适用于样本量小于50个的情况。
-
【SPSS】效度分析 #BV# 不清晰可点此观看原视频：【spss】效度分析---探索性因子分析和主成分分析_哔哩哔哩_bilibili 三类 效度分析主要分为探索性因子分析(EFA) 、主成分分析(PCA)、 验证性因子分析(CFA) 探索性因子分析（EFA）---SPSS 探索性因子分析（EFA）用于在缺乏明确假设的情况下，探索数据中的潜在因子结构。其主要目的是识别影响观测变量的潜在因子数量，并揭示各因子与观测变量之间的关系。EFA通常用于研究的初步阶段，帮助研究者理解数据的内在结构，并为后续的理论构建或假设生成提供基础。 主成分分析(PCA)---SPSS 主成分分析（PCA）是一种常用的数据降维方法，旨在通过线性变换将原始的高维数据转化为一组不相关的新变量，即主成分。PCA通常用于探索变量背后的潜在因子，特别是在数据结构不明确的情况下，例如开发新的量表时。 验证性因子分析（CFA）---AMOS 验证性因子分析（CFA）用于验证研究者预设的因子结构模型是否与实际数据相符。在CFA中，研究者需要明确假设因子的数量、因子之间的相关性以及各观测变量与因子之间的关系。CFA通常用于理论验证阶段，检验量表或模型的结构效度。 步骤 计算KMO值 步骤： 打开SPSS并导入数据：启动SPSS，点击“文件” > “打开” > “数据”，选择你的数据文件。 选择因子分析：点击“分析” > “降维” > “因子”。 选择变量：在弹出的对话框中，将需要分析的变量添加到“变量”框中。 设置描述统计：点击“描述”按钮，勾选“系数”和“KMO和巴特利特球形度检验”，然后点击“继续”。 运行分析：点击“确定”以运行分析。 进行主成分分析 步骤： 选择因子分析：点击“分析” > “降维” > “因子”。 选择变量：在弹出的对话框中，将需要分析的变量添加到“变量”框中。 设置描述统计：点击“描述”按钮，勾选“系数”和“KMO和巴特利特球形度检验”，然后点击“继续”。 设置提取方法：点击“提取”按钮，选择“主成分”作为提取方法。 设置旋转方法：点击“旋转”按钮，选择“最大方差法”作为旋转方法。 选项：勾选“取消小系数”按钮，填入：“0.4”（具体填入多少根据因子载荷量标准决定）。 运行分析：点击“确定”以运行分析。 概念解释与结果解读 KMO和巴特利特球形度检验 KMO值 低于 0.5 表示不适合因子分析，0.5–0.7 较为一般，0.7–0.8 较好，0.8–0.9 非常好，0.9 以上则非常适合 Bartlett, M. S. (1950). “Tests of significance in factor analysis.” British Journal of Mathematical and Statistical Psychology, 3(2), 77–85. 显著性 当检验的显著性水平小于 0.05 时，可以拒绝“单位矩阵”假设，认为数据适合进行因子分析。 可做成如下表所示： 维度 信度 效度 维度1 xx xx 维度2 xx xx 维度3 xx xx 总体 xx xx 主成分分析 是不是都要做？ 并非所有量表都必须进行主成分分析（PCA）。在实际研究中，许多论文只进行了KMO检验： 研究目的不同： 如果研究的主要目的是评估量表的信度或其他指标，而非探索潜在因子结构，可能只进行KMO检验。 数据特性： 如果量表的题项数量较少，或者题项之间的相关性较弱，可能不适合进行主成分分析。 研究领域惯例： 在某些研究领域，可能更倾向于使用其他方法来评估量表的效度，而非主成分分析。 使用的是成熟的量表： 研究使用的是已经被广泛验证和使用的成熟量表（如广泛应用的心理学量表、教育测量量表等），并且这些量表的效度和信度已经得到充分证明，那么可能不需要重复进行效度分析。在这种情况下，直接引用这些量表的效度分析结果。 预调查或先行研究： 在某些研究中，可能会在正式研究之前进行预调查或先行研究，以测试量表的效度和信度。如果预调查的结果显示量表有效且信度高，研究者可能会选择不再进行全面的效度分析，尤其是在量表已经经过充分验证的情况下。 关键概念解释 共同度： 衡量了一个变量的方差中有多少比例可以被提取的因子解释。 如果一个变量的共同度较低，意味着它包含了较多无法通过因子分析解释的独特信息，可能需要考虑删除该变量。 一般要求是大于0.4 因子载荷系数： 表示每个变量与各个因子之间的相关程度。 要求为：0.5、0.45、0.35都有，一般认为0.4。 绝对值大于0.4被认为是显著的，意味着该变量与对应的因子有较强的关联。 绝对值小于0.4，可能表示该变量与因子的关联较弱，建议考虑删除或重新评估该变量。 方差解释率和累积方差解释率: 方差解释率：表示每个因子或主成分所解释的方差占总方差的比例。 累积方差解释率：则是前n个因子或主成分的方差解释率之和。例如，如果前两个因子的方差解释率分别为75%和15%，则累积方差解释率为90%，意味着这两个因子共同解释了原始数据90%的方差。 ＞50%即可 效度不达标怎么办？ 处理异常数据： 检查并剔除答题时间过短（如低于60秒）或回答重复度过高的问卷，以确保数据质量。 删除低质量题项： 识别并删除低共同度题项：在因子分析中，共同度值低于0.4的题项应删除，以提高因子分析的有效性。 评估题项有效性：删除那些与在其他题项下面或因子载荷系数低于0.4的题项，从而提高量表的内部一致性。 与对应维度出现严重偏差（张冠李戴）。 提取---勾选“因子的固定数目（N）”---要提取的因子数(I) 输入你的维度数，强行提取因子分析。
-
【spss】信度分析 #BV# 如果不清晰请点此处观看原视频：【spss】信度分析---可靠性检验_哔哩哔哩_bilibili 步骤 分析---刻度---可靠性分析 把量表题目拖入进去(先单个维度、再总体) 统计---勾选“描述”下的“删除项后的标度” 继续---确定 最终表格绘制如下： 概念解释与结果解读 克隆巴赫Alpha 定义：克隆巴赫Alpha（Cronbach’s α）是衡量量表内部一致性的常用指标。 标准： α ≥ 0.9：好 0.9＞α ≥ 0.8：良好 0.8＞α ≥ 0.7：可以接受 0.7＞ α ≥ 0.6：仍具有一定的信度，但需谨慎解释 0.6＞ α：信度不足，建议修改或删除部分题项 Agbo A A. Cronbach’s Alpha: Review of Limitations and Associated Recommendations[J]. Journal of Psychology in Africa, 2010, 20(2): 233-239. 若删除某一题项后Alpha值升高 可直接删除这个题目再进行分析 检查问卷，剔除答题时间过短以及回答重复过多等无效问卷 删除后Alpha值提升幅度较小（如+0.05）则保留 进行探索性因子分析(EFA)，共同度或因子载荷符合标准（共同度＞0.3，载荷>0.4）则保留 可做成以下表格样式： 维度 信度 效度 维度1 xx xx 维度2 xx xx 维度3 xx xx 总体 xx xx
