SPSS分析方法報告

㈠ spss分析方法-缺失值分析

 

spss 分析方法 - 缺失值分析

缺失值可能會導致嚴重的問題。如果帶有缺失值的個案與不帶缺失值的個案有著根本的不同，則結果將被誤導。此外，缺失的數據還可能降低所計算的統計量的精度，因為計算時的信息比原計劃的信息要少。

另一個問題是， 很多統計過程背後的假設都基於完整的個案，而缺失值可能使所需的理論復雜化。

下面我們主要從下面四個方面來解說：

[if !supportLineBreakNewLine]

[endif]

實際應用

理論思想

建立模型

[if !supportLineBreakNewLine]

[endif]

分析結果

[if !supportLineBreakNewLine]

[endif]

一、實際應用

[if !supportLineBreakNewLine]

[endif]

眾所周知，在諸如收入、交通事故等問題的研究中，因為被調查者拒絕回答或者由於調查研究中的損耗，會存在一些未回答的問題。

例如在一次人口調查中，15%的人沒有回答收入情況，高收入者的回答率比中等收入者要低，或者在嚴重交通事故報告中，諸如是否使用安全帶和酒精濃度等關鍵問題在很多個案中都沒有記錄，這些缺失的個案值便是缺失值。缺失值主要表現為以下3種： （1）完全隨機缺失（Missing Completely At Random，MCAR），表示缺失和變數的取值無關。 例如，假設在研究年齡和收入的關系，如果缺失的數據和年齡或收入數值無關，則缺失值方式為MCAR。要評估MCAR是否為站得住腳的假設，可以通過比較回答者和未回答者的分布來評估觀察數據。也可以使用單變數t-檢驗或Little's MCAR多變數檢驗來進行更正規的評估。如果MCAR假設為真，可以使用列表刪除（listwise deletion）（完整個案分析），無須擔心估計偏差，盡管可能會喪失一些有效性。如果MCAR不成立，列表刪除、均值置換等逼近方法就可能不是好的選擇。 （2）隨機缺失（Missing At Random，MAR） ， 缺失分布中調查變數只依賴於數據組中有記錄的變數。 繼續上面的例子，考慮年齡全部被觀察，而收入有時有缺失，如果收入缺失值僅依賴於年齡，缺失值就為MAR。 （3）非隨機缺失。 這是研究者最不願意看到的情形，數據的缺失不僅和其他變數的取值有關，也和自身有關。如果收入缺失值依賴於收入值，則既不是MCAR，也不是MAR。

[if !supportLineBreakNewLine]

[endif]

二、理論思想

SPSS主要對MCAR和MAR兩種缺失值情況進行分析。

區別MCAR和MAR的含義在於：由於MCAR實際上很難遇到，應該在進行調查之前就考慮哪些重要變數可能會有非無效的未回答，還要盡量在調查中包括共變數，以便用這些變數來估算缺失值。

[if !supportLineBreakNewLine]

[endif]

針對不同情況的缺失值，SPSS操作給出了以下3種處理方法：

（ 1 ）刪除缺失值， 這種方法適用於缺失值非常少的時候，它不需要專門的步驟，通常在相應的分析對話框的「選項」子對話框中進行設置。

（ 2 ）替換缺失值 ，利用「轉換」菜單中的「替換缺失值」命令將所有的記錄看成一個序列，然後採用某種指標對缺失值進行填充。

（ 3 ）缺失值分析過程 ，缺失值分析過程是SPSS專門針對缺失值分析而提供的模塊。

缺失值分析過程有以下3個主要功能： （ 1 ）描述缺失值的模式。 通過缺失值分析的診斷報告，用戶可以明確地知道缺失值所在位置及其出現的比例是多少，還可以推斷缺失值是否為隨機缺失等。 （ 2 ）利用列表法、成對法、回歸法或 EM （期望最大化）法等為含缺失值的數據估算平均值、標准誤差、協方差和相關性，成對法還可顯示成對完整個案的計數。（ 3 ）使用回歸法或 EM 法用估算值填充（插補）缺失值，以此提高統計結果的可信度。 缺失數據可以是分類數據或定量數據（刻度或連續），盡管如此，SPSS只能為定量變數估計統計數據並插補缺失數據。對於每個變數，必須將未編碼為系統缺失值的缺失值定義為用戶缺失值。舍爾判別法利用投影的方法使多維問題簡化為一維問題來處理。其通過建立線性判別函數計算出各個觀測量在各典型變數維度上的坐標並得出樣本距離各個類中心的距離，以此作為分類依據。

[if !supportLineBreakNewLine]

[endif]

[if !supportLineBreakNewLine]

[endif]

三、建立模型

缺失值分析案例：

[if !supportLineBreakNewLine]

[endif]

題目：下表的某些人口統計數據值已被缺失值替換。該假設數據文件涉及某電信公司在減少客戶群中的客戶流失方面的舉措，每個個案對應一個單獨的客戶，並記錄各類人口統計和服務用途信息。下面將結合本數據文件詳細說明如何得到數據文件的缺失值，從而認識SPSS的缺失值分析過程。

一、數據輸入

二、操作步驟 1、進入SPSS，打開相關數據文件，「分析」|「缺失值分析」命令2、選擇「婚姻狀況[marital]」「受教育水平[ed]」「退休[retire]」及「性別[gender]」4個變數進入「分類變數」列表框；選擇「服務月數[tenure]」「年齡[age]」「在現住址居住年數[address]」「家庭收入（千）[income]」「現職位工作年數[employ]」及「家庭人數[reside]」6個變數進入「定量變數」列表框。

3、在「缺失值分析」對話框中單擊「模式」按鈕，彈出「缺失值分析：模式」對話框，選中「顯示」選項組中的「個案表（按缺失值模式分組）」復選框，從「以下對象的缺失模式」列表框中選中income、ed、retire和gender 4個變數進入「以下對象的附加信息」列表框中。

其他採用默認設置。設置完畢後，單擊「繼續」按鈕，回到「缺失值分析」對話框。

4、單擊「描述」按鈕，彈出「缺失值分析：描述」對話框。選中「單變數統計」復選框及「指示符變數統計」選項組中的「使用由指示符變數構成的組執行t檢驗」和「生成分類變數和指示符變數的交叉表」復選框，其他採用默認設置。

5、勾選EM，其餘設置採用系統默認值即可。單擊「確定」按鈕，等待輸出結果。

[if !supportLineBreakNewLine]

[endif]

四、結果分析

1、單變數統計表下表給出了所有分析變數未缺失數據的頻數、平均值和標准差，同時給出了缺失值的個數和百分比以及極值的統計信息。通過這些信息，我們可以初步了解數據的概貌特徵，以employ一欄為例，employ變數的有效數據有904個，它們的平均值為11，標准差為10.113，缺失數據有96個，占數據總數的比例為9.6%，有15個極大值。

2、估算表下兩個表使用EM法進行缺失值的估算後，總體數據的均值和標准差的變化情況，其中「所有值」為原始數據的統計特徵，EM為使用EM法後總體數據的統計特徵。

3

、獨立方差t檢驗表獨立方差t測試結果，用戶可以從中找出影響其他定量變數的變數的缺失值模式， 即通過單個方差 t 統計量結果，檢驗缺失值是否為完全隨機缺失。 可以看出，年齡大的人傾向於不報告收入水平，當收入值缺失時，age的均值是49.73，當收入值完整時，age的均值為40.01。通過income一欄的t統計量可以看出，income的缺失將明顯影響其他定量變數，這就說明income的缺失不是完全隨機缺失。

4、分類變數和定量變數交叉表以marital為例給出了分類變數與其他定量變數間的交叉表。該表給出了在不同婚姻情況下，各分類變數非缺失的個數和百分比，以及各種缺失值的個數和百分比，圖中標識了系統缺失值的取值，以及各變數在不同婚姻情況中的分布情況。

5、表格模式輸出結果下表給出了表格模式輸出結果（缺失值樣式表），它給出了缺失值分布的詳細信息，X為使用該模式下缺失的變數。由圖可以看出，所有顯示的950個個案中，9個變數值都完整的個案數有475個，缺失income值的個案有109個，同時缺失address和income值的個案有16個，其他數據的解釋類似。

6、EM估算統計表下面三個表給出了EM演算法的相關統計量，包括EM平均值、協方差和相關性。從EM平均值輸出結果中可知，age變數的平均值為41.91，從EM協方差輸出結果中可知，age和tenture間的協方差值為135.326，從EM相關性輸出結果中可知，age與tenture的相關系數為0.496。另外，從三個表格下方的 利特爾的MCAR檢驗可知，卡方檢驗的顯著性值明顯小於0.05，因此，我們拒絕了缺失值為完全隨機缺失（MCAR）的假設 ，這也驗證了3、獨立方差t檢驗表所得到的結論。

[if !supportLineBreakNewLine]

[endif]

參考案例數據：

[if !supportLineBreakNewLine]

[endif]

[if !supportLists]【1】    [endif]spss統計分析從入門到精通 (第四版)  楊維忠,陳勝可,劉榮  清華大學出版社

（獲取更多知識，前往gz號程式解說）

原文來自https://mp.weixin.qq.com/s/CsMIoA_vu8HJoPvW16oNFg

㈡ 如何用SPSS分析問卷

1、定義變數

打開SPSS後，進入變數設置可以看到變數名、變數類型、變數值的寬度等等，這些都是對變數進行細化定義的。我們可以把問卷中的一個問題理解為一個變數，那麼一個答案也就與一個變數取值相對應。

2、錄入數據

錄入數據大體分為四種：即讀取SPSS格式的數據;讀取ESCEL表格數據;讀取文本數據;讀取相對應的資料庫。錄入數據的方法很簡單，打開SPSS數據錄入的窗口直接進行錄入即可。

3、分析統計

錄入數據後，就是進行數據分析了，但要選擇分析方法，也就是說用什麼分析統計過程，來獲得正確的分析結果。此時，就要具體結合我們調查問卷的具體情況而定。SPSS分析方法主要有兩種，一是作圖分析法，特點是分析簡單直觀易懂;二是數值分析法，特點選擇性強，分析結果細致。

4、保存結果

SPSS分析軟體可以把多個分析結果保存在同一個窗口中——結果輸出窗口。但一般情況下，我們需要把分析結果復制到分析報告中，而不在窗口內進行保存，而是只保存數據，因為這樣我們隨時可以根據數據，採取不同的分析法進行重新分析，也就會隨時有不同的結果。

㈢ spss數據怎麼分析

首先，要了解數據分析的一般流程是什麼？

可以將一個完整的數據分析項目分為以下五個流程：

數據獲取

外部數據主要有三種獲取方式，一種是獲取國內一些網站上公開的數據資料，例如國家統計局；一種是通過爬蟲等工具獲取網站上的數據。還有一種是通過企業內部的資料庫，SPSS有豐富的資料庫介面，可以便捷地從資料庫中讀取數據。

數據存儲

對於數據量不大的項目，可以使用excel來處理數據，但對於數據量過萬的項目，使用資料庫來存儲與管理會更高效便捷。SPSS也有自己的用作數據儲存的數據格式，sav文件。用戶可以將經過SPSS處理的數據保存為sav格式，同時也可以非常方便地將sav文件轉換為其他數據格式文件。

數據預處理

數據預處理也稱數據清洗。大多數情況下，我們拿到手的數據是格式不一致，存在異常值、缺失值等問題的，而不同項目數據預處理步驟的方法也不一樣。數據分析有80%的工作都在處理數據，可見數據預處理在數據分析的重要性。

建模與分析

這一階段首先要清楚數據的結構，結合項目需求來選取模型。

可視化分析

數據分析最後一步是撰寫數據分析報告，一般包括數據可視化分析。

其次，掌握了數據分析的一般流程後，便要以SPSS為工具，根據以下流程對一個完整項目進行以下細分並掌握：

㈣ SPSS回歸分析結果該怎麼解釋，越詳細越好

對模型整體情況進行分析：包括模型擬合情況（R²），是否通過F檢驗等。

回歸的檢驗首先看anova那個表，也就是F檢驗，那個表代表的是對你進行回歸的所有自變數的回歸系數的一個總體檢驗，如果sig<0.05，說明至少有一個自變數能夠有效預測因變數，這個在寫數據分析結果時一般可以不報告。

分析X的顯著性（P值），如果呈現出顯著性，則說明X對Y有影響關系。如果不顯著，則應剔除該變數。結合回歸系數B值，對比分析X對Y的影響程度。B值為正數則說明X對Y有正向影響，為負數則說明有負向影響。

回歸分析研究的主要問題是：

（1）確定Y與X間的定量關系表達式，這種表達式稱為回歸方程；

（2）對求得的回歸方程的可信度進行檢驗；

（3）判斷自變數X對因變數Y有無影響；

（4）利用所求得的回歸方程進行預測和控制。

以上內容參考：網路-回歸分析

㈤ spss數據分析報告的結論怎麼寫

數據處理是一個非常重要的環節，第一次分析的人很容易忽略這部分。

在數據收集完成後可以使用SPSSAU無效樣本和異常值兩個功能對數據無效性進行處理。

無效樣本：SPSSAU提供兩種設置：一種是完全相同數字超過一定比例時設置成無效樣本。不認真填寫者通常為了方便會選擇相同的答案，一般以量表題選擇相同數字超過70%作為標准。​另一種是缺失一定比例設為無效樣本。

異常值：如果存在缺失數據或在異常值的判斷標准上，可設置數字為null，即異常值處理。

常用的統計方法有：頻數分析、描述分析、卡方分析、二元logit回歸等。我們按照提綱依次進行分析即可。同時重點注意下表格格式，專業的調研報告(和論文一樣)對格式有著嚴格的要求。建議統一修改表格格式，避免有遺漏。

涉及重點數據，比如佔比非常高的選項，可以用不同顏色標出。

也可以適當添加圖表的使用。一圖勝萬言，多用圖表來呈現所想表達的內容，更有直觀性。

spss數據分析報告通常是先描述分析結果，然後結合結果和背景信息進行總結。

如果內容較多，建議在每部分最後添加一小節作為總結部分，同時可以針對結論給出建議或解決方案等。最後別忘了添加附錄。通常將調查問卷、統計結果等作為附件內容。方便讀者查詢。

㈥ spss回歸分析結果解讀

第一步：首先對模型整體情況進行分析

包括模型擬合情況（R²），是否通過F檢驗等。

第二步：分析X的顯著性

分析X的顯著性（P值），如果呈現出顯著性，則說明X對Y有影響關系。如果不顯著，則應剔除該變數。

第三步：判斷X對Y的影響關系方向及影響程度

結合回歸系數B值，對比分析X對Y的影響程度。B值為正數則說明X對Y有正向影響，為負數則說明有負向影響。

第四步：寫出模型公式

第五步：對分析進行總結

SPSSAU也會提供智能分析建議，方便分析人員快速得出分析結果。

㈦ spss數據分析方法五種是什麼

線性模型；點擊分析，一般線性模型，單變數，設置因變數和固定因子，點擊確定即可。圖表分析。回歸分析；點擊分析，打開回歸，設置自變數和因變數數據，點擊確定即可。直方圖分析。統計分析。

軟體功能：

SPSS是世界上最早採用圖形菜單驅動界面的統計軟體，它最突出的特點就是操作界面極為友好，輸出結果美觀漂亮。它將幾乎所有的功能都以統一、規范的界面展現出來，使用Windows的窗口方式展示各種管理和分析數據方法的功能，對話框展示出各種功能選擇項。

用戶只要掌握一定的Windows操作技能，精通統計分析原理，就可以使用該軟體為特定的科研工作服務。SPSS採用類似EXCEL表格的方式輸入與管理數據，數據介面較為通用，能方便的從其他資料庫中讀入數據。

其統計過程包括了常用的、較為成熟的統計過程，完全可以滿足非統計專業人士的工作需要。輸出結果十分美觀，存儲時則是專用的SPO格式，可以轉存為HTML格式和文本格式。

㈧ 怎樣用SPSS做調查問卷的分析

選擇什麼分析方法，主要依據研究數據的數據類型以及研究目標選擇。

可以分為幾個步驟：1）確定分析目標、2）判斷數據類型、3）選擇分析方法。

一、 確定分析目標

確定研究目標，即確定研究的思路，也就是你想研究什麼，從哪些題中得到什麼結果？

一般在開始分析前都需要先對自己的問卷確定一個大致的研究思路，這也是最重要的部分。

缺少思路，或者不知道從哪裡開始入手，可以查看spssau關於問卷思路框架的總結。

㈨ 干貨 | 利用SPSS進行高級統計分析第四期

Hello，

這里是 行上行下 ，我是 喵君姐姐 ~

本期就是SPSS高級統計教程的最後一期啦！在前三期中，我們分別介紹了：

(1) 描述性統計表格模板、卡方&T檢驗、相關&回歸分析

(2) 中介、多重中介、鏈式中介、調節分析、有中介的調節分析

(3) 單因素方差分析、多因素方差分析、重復測量方差分析

在本期中，我們將為大家介紹 EFA、CFA分析 以及 結構方程模型 。

一、EFA【報告KMO、球形檢驗、提取方法、正/斜交、題目、解釋變異量+畫因子載荷表

1. Spss操作

一、EFA【報告KMO、球形檢驗、提取方法、正/斜交、題目、解釋變異量+畫因子載荷表

1. Spss操作

2.圖表解讀

2.1 KMO 和巴特利特檢驗

KMO: Keiser-Meyer-OlkinMeasure of sample adaquacy：探查觀測變數間的偏相關性，比較簡單相關系數和偏相關系數的大小，0-1之間

•KMO較小：變數不適合作因素分析

•0.9以上：非常好superb

•0.8以上：好great

•0.7：一般good

•0.6：差(0.5-0.7 mediocre)

•0.5以下：不能接受

Bartlett』s test of sphericity(球形檢驗)，一般相關矩陣中的相關系數必須顯著高於0

•相關系數偏低：因素抽取不容易，主成分數量與原變數差不多

•用來檢驗相關矩陣是否單位矩陣（相關系數不同且大於0）

•顯著的球形考驗→ 相關系數足以作為因素分析抽取因素之用

反映像矩陣（anti-image），顯示偏相關的大小，矩陣中若有多對系數偏高，則應放棄使用因素分析

2.1 公因子方差

2.3 總方差解釋

總方差解釋：特徵根/特徵值：所有變數的因素載荷平方和，針對給定因素的特定值。未旋轉和旋轉後特徵根不同，要報告旋轉後的。

2.4 碎石圖

看拐點

2.5 正交-成分矩陣

2.6 正交-旋轉後的成分矩陣【報這個】

2.7 正交-成分轉換矩陣

成分轉換矩陣

成分1234

1.635.585.443-.242

2.137-.167.488.846

3.758-.513-.403.008

4.067.605-.635.476

提取方法：主成分分析法。 

 旋轉方法：凱撒正態化最大方差法。

2.8 斜交-成分矩陣（componentmatrix）

成分矩陣（componentmatrix）：公因子方差比/共同度=因素載荷平方和，針對每道題而言。旋轉與否無差異。

2.9 模式矩陣【相關系數】【報這個

2.10 結構矩陣【回歸系數】

2.11 成分相關性矩陣

算旋轉θ角

成分相關性矩陣

成分1234

11.000-.153.360-.277

2-.1531.000-.193.093

3.360-.1931.000-.464

4-.277.093-.4641.000

提取方法：主成分分析法。 

 旋轉方法：凱撒正態化斜交法。

3. 報告

使用SPSS軟體對數據進行統計分析。首先，通過KMO和Bartletts球形檢驗分析發現，KMO值為0.93，Bartletts球形檢驗結果顯著（近似卡方=19334.492，df=253，p<0.001），表明該問卷的項目適合做探索性因素分析。

然後，採用主成分分析法（principle component analysis）和直接斜交轉軸法（direct oblimin）對23個題目進行因素分析。結果發現，旋轉後有4個因素的特徵根大於1，繼續對結構矩陣中的條目進行查驗發現，保證題目在因子上的載荷量大於0.3，且不存在雙重載荷現象（在兩個或多個因素上都有大於0.30的載荷，且兩個載荷之間相差不足0.2）。

刪除不符合要求的題目，保留20個題目（KMO值為0.92，Bartletts球形檢驗結果顯著，近似卡方=16800.34，df=190，p<0.001），再次採用主成分分析法和直接斜交轉軸法進行探索性因素分析，累計解釋總變異達到了52.96%，具體題目載荷和共同度見表1。

二、CFA【報告卡方 、df、卡方 /df、CFI、RMSEA、GFI、AGFI+畫圖】

1. Lisrel操作

1.1 另存數據

1.2  Lisrel語法

DA NI=9 NO=428【DA NI=變數數 NO=被試數】

RAW=MIL.psf【RAW=數據文件是哪個？需要另存】

MO NX=9 NK=2【MO NX=題目數 NK=維度數】

FR LX 2 1 LX 4 1 LX 7 1 LX 8 1 LX 9 1 LX 1 2 LX 3 2 LX 5 2 LX 6 2 【哪個題目對應哪個維度？】

LK【命名維度】

MILP MLIS

PD【輸出】

OU SS MI

或者

DA NI=20 NO=1321 【DA NI=變數數 NO=被試數】

RAW=RRESAQ.psf 【RAW=數據文件是哪個？需要另存】

MO NX=20 NK=5 【MO NX=題目數 NK=維度數】

PA LX 【哪個題目對應哪個維度？】

1(0,0,0,0,1)

1(0,1,0,0,0)

2(0,0,0,0,1)

2(1,0,0,0,0)

1(0,0,0,1,0)

1(0,1,0,0,0)

1(1,0,0,0,0)

1(0,0,0,1,0)

2(1,0,0,0,0)

1(0,0,0,0,1)

1(0,0,0,1,0)

1(1,0,0,0,0)

3(0,0,1,0,0)

2(0,1,0,0,0)

LK 【命名維度】

LX1 LX2 LX3 LX4 LX5

PD【輸出】

OU SS MI

2. Lisrel輸出

3. 報告參數

卡方/df < 5

Goodness of Fit Index （GFI）> 0.90

Root Mean Square Error of Approximation 平均殘差（RMSEA）< 0.08

Comparative Fit Index (CFI) > 0.90

Adjusted Goodness of Fit Index (AGFI) >0.80

或者

Hu & Bentler(1999)【Hu, Li‐tze, & Bentler, P. M. . (1999). Cutoff criteria for fit indexes in covariance structure analysis: conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1-55.】

同時滿足：CFI > 0.95；RMSEA < 0.05；卡方/df<3

使用LISREL8.7軟體對生命意義感量表進行驗證性因素分析。驗證性因素分析結果表明，MLIP-MLIS兩因子模型擬合良好（卡方=85.11，df=26，卡方/df=3.27，CFI=0.97，RMSEA=0.073，GFI=0.96，AGFI=0.93），所有因子載荷均大於0.30（如圖1所示）。MILP和MILS相關系數為0.62，P<0.001，表明兩因子模型具有良好的聚合效度和區分效度。

圖 1驗證性因素分析結果

三、結構方程模型

1. 原理

Stage 1-3 檢驗測量模型的理論：

Stage 1: 定義每個構念

Stage 2: 建立測量模型

Stage 3: 評價測量模型的效度

Stage 4-5 檢驗結構模型的理論：

Stage 4: 設定結構模型

Stage 5: 評價結構模型的效度

ξ： 外生潛變數（exogenous latent variables），他們的影響因素處於模型之外

η： 內生潛變數（endogenous latent variables），由模型內變數作用所影響的變數

X1X2X3： 外生潛變數的指標，外生指標（exogenous indicators）

δ： X的測量誤差

Y1Y2Y3： 內生潛變數的指標，內生指標（endogenous indicators）

ε： Y的測量誤差

φ（PH ）： ξ之間的相關，ξ因子的協方差(相關)

β（BE ）： η之間的相關，η因子對η因子的效應

γ（GA ）： ξ與η之間的相關，ξ因子對η因子的效應

ξ：  外源內隱變數

λ （LX）：  外源內隱變數與外顯變數的相關系數，X指標在ξ因子的負荷

λ （LY）：  內源內隱變數與外顯變數的相關系數，Y指標在η因子的負荷

θ δ（TD）： 外部指標誤差的協方差矩陣，X指標誤差間的關系(協方差)

θ ε（TE）： 內部指標誤差的協方差矩陣，Y指標誤差間的關系(協方差)

ζ（Zeta）： 方程的殘差

ψ(PS)： η因子殘差的協方差矩陣，η因子殘差的協方差(相關)

矩陣一般設定方法

LX

LY

(a) 指標與因子有從屬關系的：自由估計(FR)

(b)「固定負荷法」：每個因子選取一個負荷固定為「1」

PH(a) 非對角線元素：因子間互有相關→ 自由估計

(b) 對角線元素：「固定方差法」→ 固定為」1」；「固定負荷法」→ 自由估計

PS(a) 非對角線元素：η因子殘差互有相關的位置，自由估計

(b) 對角線元素：自由估計

TD

TE

(a) 對角線的元素：自由估計

(b) 非對角線的元素：固定為「零」；有特殊情況，容許額外的對應相關

GA/BE因子對因子有效應的參數：自由估計

結構模型可以表達為以下方程式：

•y＝λyη+ε

•x=λXξ+δ

•η=βη+γξ+ζ

LISREL模型一共有八個基礎參數矩陣需要在線性結構關系模型中估計λx, λy, γ，β，φ，Ψ，θδ，θε

•λx, λy 矩陣是因子負荷矩陣

•γ，β是結構路徑系數矩陣

•φ是外生潛變數的方差協方差矩陣

•Ψ(PS)是結構方程殘差項ζ的方差協方差矩陣

•θδ(TD)觀測誤差δ的方差協方差矩陣

•θε(TE)觀測誤差ε的方差協方差矩陣

前提：

1.ζ與ξ無相關

2.ε與η無相關

3.δ與ξ無相關

4.ζ，ε與δ彼此無相關

2. Lisrel語法

DA NI=6 NO=200

ROW=DATA

SE【選取裡面用哪幾個變數】

1 4 5 6/【斜杠要加，先寫Y的指標，再寫X的指標】

MO NX=3【X變數的因子數】 NK=1【幾個x變數】 NY=1【Y變數的因子數】 NE=1【幾個y變數】TE=Zero (default=DI，FR)【單因子的Y變數的測量誤差（x為TE）】

FR【設定潛變數與顯變數的關系】 LX 1 1 LX 2 1 LX 3 1 LY 1 1

LK【命名左邊X】

MA【左邊名字】

LE【命名右邊Y】

AA【右邊名字】

PD

OU AL

DA NI=6 NO=200

ROW=DATA

MO NX=3 NK=1 NY=3 NE=1

FR LX 1 1 LX 2 1 LX 3 1 LY 1 1 LY 2 1 LY 3 1

LK

MA

LE

AA

PD

OU AL

DA NI=6 NO=200

LA【對所有變數命名】

Y1 Y2 Y3 Z1 Z2 Z3 X1 X2 X3

ROW=DATA

MO NY=6 NE=2 NX=3 NK=1 BE=FU【兩個Y之間有相關，或者寫BE=SD，默認從上到下算1-2，1-3，2-3，無需寫BE 2 1】

FR LX 2 1 LX 3 1 LY 2 1 LY 3 1 LY 5 2 LY 6 2 GA 1 1【第一個X指向第一個Y】 GA 2 1【第一個X指向第二個Y】 BE 2 1【算誰與誰之間的相關】

FI LX 1 1 LY 1 1 LY 4 2

VA 1 LX 1 1 LY 1 1 LY 4 2

LK【命名】

MA

LE【命名】

AA SC

PD

OU AL

DA NI=11 NO=200

LA【對所有變數命名】

FRU CON PREPRO1 PRO2 PRO3PRE1 PRE2 PRE3 EMO PHI

ROW=DATA

SE

4 5 67 8 9111 2 3

MO NY=7 NE=3 NX=3 NK=1 BE=FU【Y之間有相關】

FR LX 2 1 LX 3 1 LY 2 1 LY 3 1 LY 5 2 LY 6 2 GA 1 1【第一個X指向第一個Y】 GA 2 1【第一個X指向第二個Y】 GA 3 1【第1個X指向第三個Y】BE 3 1 BE 3 2【算誰與誰之間的相關】【x和y的顯變數分開排序，均從1開始編碼】

FI LX 1 1 LY 1 1 LY 4 2 LY 7 3

LK【命名】

STRESS

LE【命名】

PROACTIVE PREVENTIVE OUTCOME

PD

OU AD=OFF IT=2000 SS EF MI

DA NI=12 NO=166

LA

X1 X2 X3P11 P12 P13P21 P22 P23Y1 Y2 Y3

ROW=DATA

SE

4 5 67 8 910 11 121 2 3

MO NY=9 NE=3 NX=3 NK=1 BE=FU

FR LX 2 1 LX 3 1 LY 2 1 LY 3 1 LY 5 2 LY 6 2 LY 8 3 LY 9 3 GA 1 1 BE 2 1 BE 3 2

FI LX 1 1 LY 1 1 LY 4 2 LY 7 3

LK

YIXIANG

LE

XIAONENG XINGWEI JIAOLV

PD

OU AD=OFF IT=2000 SS EF MI

報錯：發現我的數據那行填錯了mmmmp

本期的內容就到此結束啦！本期我們介紹了 EFA、CFA分析，結構方程模型 ，感謝您對本系列的持續關注~

排版：華華

校對：喵君姐姐

㈩ spss數據分析方法有哪些

1、線性模型

點擊分析，一般線性模型，單變數，設置因變數和固定因子，點擊確定，在結果窗口中查看線性模型的具體構建情況。

2、圖表分析

點擊菜單欄圖形打開舊對話框，選擇一種圖表類型，選擇簡單散點圖，點擊定義，設置XY軸的數據列，點擊確定，在輸出窗口中查看圖表結果。

3、回歸分析

點擊分析，打開回歸，設置自變數和因變數數據，點擊確定，在輸出窗口中查看回歸分析的結果。

4、直方圖分析

點擊圖形，打開舊對話框，點擊直方圖，選擇某一列變數，點擊確定，在結果窗口中查看數據的分布趨勢。

5、統計分析

點擊分析，打開描述統計，進入描述，選擇要分析的數據列，點擊確定即可在輸出窗口中查看數據的整體情況。