4如何得出问卷或量表的结构维度——探索性因素分析
4.1导读

为进一步明晰量表的结构模型并确定正式量表，除进行项目分析外，随后根据探索性因素分析的结果剔除预测量表中不合适的项目。

4.2解析

4.2.1基本概念

探索性因素分析是依据样本数据，根据变量间相关性的大小对变量进行分组，每组内的变量之间存在较高相关性，意味着这些变量背后有共同的制约因素，用这些公共因子来代替原始的众多变量的过程。简单来说，就是探索问卷的结构或维度。
探索性因素分析也是在心理测验编制过程中用来检验测验结构效度的一种非常重要和有效的分析方法，通过检验变量（因子）与题项的对应关系。如果二者预期基本一致时,则说明具有良好效度水平。
① 问卷的适当性

运用KMO 检验和 Bartlett 球形检验对量表适当性进行检验。KMO 的值越大则表示量表的共同因素越多，适合进行因素分析，一般认为系数在 0.9 以上非常适合于进行因素分析；
在 0.8-0.9 之间为比较适合因素分析，在 0.7-0.8 之间为可以进行因素分析，在 0.6-0.7 之间为一般，但 0.6 以下则不适合作因素分析，同时 Bartlett 球形检验要达到显著水平，表示题目间存在共同因素，这是进行因素分析的先决条件。
② 采用主成分分析法对项目进性分析

对问卷剩余的各项目采用主成分分析法（提取共同因素，得到初始因素负荷矩阵，之后采用最大方差法对其进行旋转，得到旋转因素符合矩阵。根据以下标准确定因素数目：（1）选取特征值大于或等于 1 的因素；（2）进行陡坡检验，根据碎石图显示确定因素（人为画一条 y=1 的直线，与碎石图的交点所对应的横坐标数字，即最终的因素数目）；（3）每个因素上至少包含三个题目；（4）提取出在旋转前最少解释 3%总变异的因素；（5）提取出的因素能较好命名。
探索性因素分析剔除项目，按以下标准进行：（1）根据因素分析理论，项目负荷值是该项目与某公因素的相关，项目负荷值越大，说明项目与该公因素关系越密切，据此剔除负荷值低于 0.4 的项目；（2）剔除存在双负荷且负荷值接近的项目；（3）共同度是反映项目对公因素贡献的重要指标，剔除共同度小于 0.2 /0.3 的项目；（4）剔除归类不当的项目；（5）每

个维度至少包括 3 个项目。每删减完１个项目重新进行探索性因子分析，并根据新的结果确定下一次的筛删项目。
对因素命名遵循以下基本原则：首先是根据研究的理论构想和假设命名，看该因素的项目主要来自于理论假设中的那一维度，那个维度贡献的项目多，就以那个构想的因素命名； 其次是参照项目因素负荷值命名，主要是根据负荷值较高的项目所隐含的意义命名。

4.2.2相关术语

术语 说明
KMO 值 一个用于检验是否适合因子分析的指标，一般大于 0.6 即可。
Bartlett 球形度检验 对应的 P 值小于 0.05 则说明适合进行因子分析。

特征根 自动识别因子最佳个数的指标，通常大于 1 作为标准。实际应用中， 多数时候是自行设置因子个数。

方差解释率 因子提取的信息量，比如 21.651%，意味着该因子提取出所有分析项21.651%的信息量表，方差解释率直接就可理解为权重值。
累积方差解释率 所有因子提取出的信息量，该指标值一般大于 50%即可。

最大方差旋转法 一种旋转方法，类似于‘魔方’的六种颜色需要对应在一起。一般使用最大方差旋转法。

共同度 可用于衡量分析项是否有意义的项，一般小于 0.4 说明该项需要被删除。

因子载荷系数 用于衡量因子和分析项对应关系的指标，其绝对值大于 0.4，则说明分析项应隶属于对应的因子。
成分得分 中间计算过程值，通常意义很小。
碎石图 将特征根以图示形式展示，用于辅助判断因子个数。

4.2.3操作步骤

【分析】–【降维】–【因子分析】，将目标题项导入变量框；

【描述】-【系数】和【KMO 和 Bartlett 球形检验】；

【抽取】-【相关性矩阵】和【碎石图】回到主对话框；

【旋转】-【最大方差法】和【旋转解】回到主对话框；

【得分】- 默认；

【选项】-【按大小排序】和【取消小系数，设置为 0.4】。