原始分析計算方法

1. 已知MMPI 中的原始分，求K分，要具體分析過程

有你給的圖可以知道，K=12(就是K的原始分)
題目讓你求的不是K，而是求【Ma的K校正分】 ----------這是很容易混淆的一個誤區
Ma的K校正分=Ma+0.2K
=18+0.2×12
=20.4(採取四捨五入原則） 【結果就選A。20】
如果覺得還有疑問，可以根據同樣的原理算算他已經給出校正分的Pd、Pt、Sc。
希望這樣你能夠看懂了！

2. 利用SPSS因子分析時，如何計算原始變數的權重求各位高手指教啊。。

1. 主因子的權重就是其方差貢獻率占這7個主因子的累計貢獻率

2. 各原始變數的權重是，先根據SPSS算出的L載荷矩陣，除以對應的特徵根值，算出A矩陣。再用A矩陣中的x系數除以對應x的標准差，算出的是各個原始變數的系數。各個系數占所有系數之和的比例就是權重。
   

3. 請簡述至少6種對數據進行統計分析的方法。

1）頻次分布
2）平均數和標准差
3）相關分析
4）回歸分析就是根據已知的現象對未知的現象作出預測的一種科學方法。
5）聚類分析是按照個體的特徵將它們加以分類，使同一類別內的個體具有盡可能高的同質性，而類別之間則具有盡可能高的異質性。尤其是在對消費者進行細分時，我們通常會使用聚類分析的方法。
6）因子分析是一種多變數化簡技術，目的是分解原始變數，從中歸納出潛在的“類別”。
7）聯合分析是一種評價消費者偏好的方法它採用分解的辦法，即讓消費者給一系列的產品輪廓賦值，用這些賦值來計算偏好參數。這些參數可以是分值、權重、理想點等等。

4. 因子得分系數加權,主成分得分函數怎麼算

主成分分析的原理是設法將原來變數重新組合成一組新的相互無關的幾個綜合變數，同時根據實際需要從中可以取出幾個較少的總和變數盡可能多地反映原來變數的信息，也是數學上處理降維的一種統計學方法。

SPSS實現主成分分析的步驟如下：

1.數據標准化

之所以要對數據進行標准化，是因為各種類別的數據間的度量不同。

我們選擇如下數據進行介紹，選擇微博總數、粉絲數、關注數、轉發數、評論數和點贊數為指標。



首先將數據粘貼到SPSS視圖中，然後點擊【分析】——【描述統計】——【描述】，會出現以下提示框，將左邊的指標都放入右側變數當中，勾選「將標准化另存為變數」



然後就會出現以下數據。



2.主成分分析

點擊【分析】——【降維】——【因子分析】，將剛剛算出來的標准化變數放到右邊的變數當中。



接下來，點擊：【描述】——選中「原始分析結果」，「系數」，「KMO和Bartlett球形度檢驗」（用來檢測是否適合使用主成分分析）



點擊：【提取】——【主成分分析】，其他選項默認



點擊：【旋轉】——選擇「最大方差法」，「旋轉解」（也可以選擇無，在某些情況下數據會出現異常結果，這時會需要進行矩陣旋轉）



點擊：【得分】，選擇「顯示因子得分系數矩陣」（對於權重計算來說這必不可少）



點擊：【選項】，其他選項可默認



當一切設置完畢之後，點擊「確定」，就可以得到主成分分析結果了：





3.權重的計算

我們將利用主成分分析得出的數據進行權重的計算

3.1 輸入數據

將主成分分析得出的成分矩陣及特徵根復制到excel中



對應主成分分析的數據為：





3.2 計算線性組合中系數

公式為：標准化數/對應主成分特徵根的平方根.。



3.3 計算綜合得分模型中系數

公式為：（第一主成分方差x100xC8+第二個主成分方差x100xD8）/(第一主成分方差+第二主成分方差) 註：建議先將方差x100再進行計算



其中主成分方差的數據為



3.4 權重計算（歸一化）

現在到了最後一步，計算權重，也即標准化，將所有指標進行歸一化處理，使其權重綜合為1。 公式為：A指標權重=A指標綜合得分模型系數/五指標綜合得分模型之和。

5. 因子分析步驟

因子分析步驟

因子分析是指研究從變數群中提取共性因子的統計技術。最早由英國心理學家C.E.斯皮爾曼提出。他發現學生的各科成績之間存在著一定的相關性，一科成績好的學生，往往其他各科成績也比較好，從而推想是否存在某些潛在的共性因子。

或稱某些一般智力條件影響著學生的學習成績。因子分析可在許多變數中找出隱藏的具有代表性的因子。

將相同本質的變數歸入一個因子，可減少變數的數目，還可檢驗變數間關系的假設。因子分析的前提條件

由於因子分析的主要任務之一是對原有變數進行濃縮，即將原有變數中的信息重疊部分提取和綜合成因子，進而最終實現減少變數個數的目的。

因此它要求原有變數之間應存在較強的相關關系。否則，如果原有變數相互獨立，相關程度很低，不存在信息重疊，它們不可能有共同因子，那麼也就無法將其綜合和濃縮。

也就無需進行因子分析。本步驟正是希望通過各種方法分析原有變數是否存在相關關系，是否適合進行因子分析。SPSS提供了四個統計量可幫助判斷觀測數據是否適合作因子分析：

（1）計算相關系數矩陣Correlation Matrix

在進行提取因子等分析步驟之前，應對相關矩陣進行檢驗，如果相關矩陣中的大部分相關系數小於0.3，則不適合作因子分析。

當原始變數個數較多時，所輸出的相關系數矩陣特別大，觀察起來不是很方便，所以一般不會採用此方法或即使採用了此方法，也不方便在結果匯報中給出原始分析報表。

（2）計算反映象相關矩陣Anti-image correlation matrix

反映象矩陣重要包括負的協方差和負的偏相關系數。偏相關系數是在控制了其他變數對兩變數影響的條件下計算出來的凈相關系數。如果原有變數之間確實存在較強的相互重疊以及傳遞影響，也就是說，如果原有變數中確實能夠提取出公共因子。

那麼在控制了這些影響後的偏相關系數必然很小。觀察反映象相關矩陣，如果反映象相關矩陣中除主對角元素外，其他大多數元素的絕對值均小，對角線上元素的值越接近1，則說明這些變數的相關性較強，適合進行因子分析。與方法（1）中最後所述理由相同，一般少採用此方法

（3）巴特利特球度檢驗Bartlett test of sphericity

Bartlett球體檢驗的目的是檢驗相關矩陣是否是單位矩陣（identity matrix），如果是單位矩陣，則認為因子模型不合適。Bartlett球體檢驗的虛無假設為相關矩陣是單位陣，如果不能拒絕該假設的話，就表明數據不適合用於因子分析。

一般說來，顯著水平值越小（<0.05）表明原始變數之間越可能存在有意義的關系，如果顯著性水平很大（如0.10以上）可能表明數據不適宜於因子分析。

（4）KMO（Kaiser-Meyer-OklinMeasure of Smapling Adequacy）

6. 心理學中的元分析方法

元分析（meta-analysis )統計方法是對眾多現有實證文獻的再次統計，通過對相關文獻中的統計指標利用相應的統計公式，進行再一次的統計分析，從而可以根據獲得的統計顯著性等來分析兩個變數間真實的相關關系。

元分析程序輸入參數包括：各個觀察到的相關系數（已有研究文獻中變數間的相關計分析，從而可以根據獲得的統計顯著性等來分析兩個變數間真實的相關關系。

(6)原始分析計算方法擴展閱讀：

一、特點

(1)元分析是一種定量分析方法，它不是對原始數據的統計，而是對統計結果的再統計。

(2)元分析應該包含不同質量的研究。

(3)元分析尋求一個綜合的結論。

二、缺點

評估被評論的研究的質量

在一家期刊里可見的研究之質量取決於期刊的編輯政策。有些期刊有嚴格的發表標准，而另一些的發表標准就不太嚴格。這就意味著發表的研究之質量在不同的期刊間會有很大差別。元分析面臨的一個問題是如何處理參差不齊的研究質量。

例如，在一家非同儕評審的期刊上發表的文章應該與在一家需同儕評審的期刊上發表的文章一視同仁嗎?遺憾的是對這個問題沒有簡單的答案。

應該沿什麼維度來對研究加權呢?這毫無一致意見。需一非同儕評審的維度雖然是可以的，但是你採用這個維度時也要當心，因為一家期刊是不是同儕評審的，這並不是發表的研究之質量的可靠指標。

在一個新的領域里用新方法做的研究有時會被同儕評審的期刊拒絕，盡管這家期刊在方法學上是健全的，也是高質量的。類似地，在同儕評審的期刊發表的作品雖然有助於你確信該研究的質量是高的，但不保證高質量。