原始分析计算方法

1. 已知MMPI 中的原始分，求K分，要具体分析过程

有你给的图可以知道，K=12(就是K的原始分)
题目让你求的不是K，而是求【Ma的K校正分】 ----------这是很容易混淆的一个误区
Ma的K校正分=Ma+0.2K
=18+0.2×12
=20.4(采取四舍五入原则） 【结果就选A。20】
如果觉得还有疑问，可以根据同样的原理算算他已经给出校正分的Pd、Pt、Sc。
希望这样你能够看懂了！

2. 利用SPSS因子分析时，如何计算原始变量的权重求各位高手指教啊。。

1. 主因子的权重就是其方差贡献率占这7个主因子的累计贡献率

2. 各原始变量的权重是，先根据SPSS算出的L载荷矩阵，除以对应的特征根值，算出A矩阵。再用A矩阵中的x系数除以对应x的标准差，算出的是各个原始变量的系数。各个系数占所有系数之和的比例就是权重。
   

3. 请简述至少6种对数据进行统计分析的方法。

1）频次分布
2）平均数和标准差
3）相关分析
4）回归分析就是根据已知的现象对未知的现象作出预测的一种科学方法。
5）聚类分析是按照个体的特征将它们加以分类，使同一类别内的个体具有尽可能高的同质性，而类别之间则具有尽可能高的异质性。尤其是在对消费者进行细分时，我们通常会使用聚类分析的方法。
6）因子分析是一种多变量化简技术，目的是分解原始变量，从中归纳出潜在的“类别”。
7）联合分析是一种评价消费者偏好的方法它采用分解的办法，即让消费者给一系列的产品轮廓赋值，用这些赋值来计算偏好参数。这些参数可以是分值、权重、理想点等等。

4. 因子得分系数加权,主成分得分函数怎么算

主成分分析的原理是设法将原来变量重新组合成一组新的相互无关的几个综合变量，同时根据实际需要从中可以取出几个较少的总和变量尽可能多地反映原来变量的信息，也是数学上处理降维的一种统计学方法。

SPSS实现主成分分析的步骤如下：

1.数据标准化

之所以要对数据进行标准化，是因为各种类别的数据间的度量不同。

我们选择如下数据进行介绍，选择微博总数、粉丝数、关注数、转发数、评论数和点赞数为指标。



首先将数据粘贴到SPSS视图中，然后点击【分析】——【描述统计】——【描述】，会出现以下提示框，将左边的指标都放入右侧变量当中，勾选“将标准化另存为变量”



然后就会出现以下数据。



2.主成分分析

点击【分析】——【降维】——【因子分析】，将刚刚算出来的标准化变量放到右边的变量当中。



接下来，点击：【描述】——选中“原始分析结果”，“系数”，“KMO和Bartlett球形度检验”（用来检测是否适合使用主成分分析）



点击：【提取】——【主成分分析】，其他选项默认



点击：【旋转】——选择“最大方差法”，“旋转解”（也可以选择无，在某些情况下数据会出现异常结果，这时会需要进行矩阵旋转）



点击：【得分】，选择“显示因子得分系数矩阵”（对于权重计算来说这必不可少）



点击：【选项】，其他选项可默认



当一切设置完毕之后，点击“确定”，就可以得到主成分分析结果了：





3.权重的计算

我们将利用主成分分析得出的数据进行权重的计算

3.1 输入数据

将主成分分析得出的成分矩阵及特征根复制到excel中



对应主成分分析的数据为：





3.2 计算线性组合中系数

公式为：标准化数/对应主成分特征根的平方根.。



3.3 计算综合得分模型中系数

公式为：（第一主成分方差x100xC8+第二个主成分方差x100xD8）/(第一主成分方差+第二主成分方差) 注：建议先将方差x100再进行计算



其中主成分方差的数据为



3.4 权重计算（归一化）

现在到了最后一步，计算权重，也即标准化，将所有指标进行归一化处理，使其权重综合为1。 公式为：A指标权重=A指标综合得分模型系数/五指标综合得分模型之和。

5. 因子分析步骤

因子分析步骤

因子分析是指研究从变量群中提取共性因子的统计技术。最早由英国心理学家C.E.斯皮尔曼提出。他发现学生的各科成绩之间存在着一定的相关性，一科成绩好的学生，往往其他各科成绩也比较好，从而推想是否存在某些潜在的共性因子。

或称某些一般智力条件影响着学生的学习成绩。因子分析可在许多变量中找出隐藏的具有代表性的因子。

将相同本质的变量归入一个因子，可减少变量的数目，还可检验变量间关系的假设。因子分析的前提条件

由于因子分析的主要任务之一是对原有变量进行浓缩，即将原有变量中的信息重叠部分提取和综合成因子，进而最终实现减少变量个数的目的。

因此它要求原有变量之间应存在较强的相关关系。否则，如果原有变量相互独立，相关程度很低，不存在信息重叠，它们不可能有共同因子，那么也就无法将其综合和浓缩。

也就无需进行因子分析。本步骤正是希望通过各种方法分析原有变量是否存在相关关系，是否适合进行因子分析。SPSS提供了四个统计量可帮助判断观测数据是否适合作因子分析：

（1）计算相关系数矩阵Correlation Matrix

在进行提取因子等分析步骤之前，应对相关矩阵进行检验，如果相关矩阵中的大部分相关系数小于0.3，则不适合作因子分析。

当原始变量个数较多时，所输出的相关系数矩阵特别大，观察起来不是很方便，所以一般不会采用此方法或即使采用了此方法，也不方便在结果汇报中给出原始分析报表。

（2）计算反映象相关矩阵Anti-image correlation matrix

反映象矩阵重要包括负的协方差和负的偏相关系数。偏相关系数是在控制了其他变量对两变量影响的条件下计算出来的净相关系数。如果原有变量之间确实存在较强的相互重叠以及传递影响，也就是说，如果原有变量中确实能够提取出公共因子。

那么在控制了这些影响后的偏相关系数必然很小。观察反映象相关矩阵，如果反映象相关矩阵中除主对角元素外，其他大多数元素的绝对值均小，对角线上元素的值越接近1，则说明这些变量的相关性较强，适合进行因子分析。与方法（1）中最后所述理由相同，一般少采用此方法

（3）巴特利特球度检验Bartlett test of sphericity

Bartlett球体检验的目的是检验相关矩阵是否是单位矩阵（identity matrix），如果是单位矩阵，则认为因子模型不合适。Bartlett球体检验的虚无假设为相关矩阵是单位阵，如果不能拒绝该假设的话，就表明数据不适合用于因子分析。

一般说来，显着水平值越小（<0.05）表明原始变量之间越可能存在有意义的关系，如果显着性水平很大（如0.10以上）可能表明数据不适宜于因子分析。

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

6. 心理学中的元分析方法

元分析（meta-analysis )统计方法是对众多现有实证文献的再次统计，通过对相关文献中的统计指标利用相应的统计公式，进行再一次的统计分析，从而可以根据获得的统计显着性等来分析两个变量间真实的相关关系。

元分析程序输入参数包括：各个观察到的相关系数（已有研究文献中变量间的相关计分析，从而可以根据获得的统计显着性等来分析两个变量间真实的相关关系。

(6)原始分析计算方法扩展阅读：

一、特点

(1)元分析是一种定量分析方法，它不是对原始数据的统计，而是对统计结果的再统计。

(2)元分析应该包含不同质量的研究。

(3)元分析寻求一个综合的结论。

二、缺点

评估被评论的研究的质量

在一家期刊里可见的研究之质量取决于期刊的编辑政策。有些期刊有严格的发表标准，而另一些的发表标准就不太严格。这就意味着发表的研究之质量在不同的期刊间会有很大差别。元分析面临的一个问题是如何处理参差不齐的研究质量。

例如，在一家非同侪评审的期刊上发表的文章应该与在一家需同侪评审的期刊上发表的文章一视同仁吗?遗憾的是对这个问题没有简单的答案。

应该沿什么维度来对研究加权呢?这毫无一致意见。需一非同侪评审的维度虽然是可以的，但是你采用这个维度时也要当心，因为一家期刊是不是同侪评审的，这并不是发表的研究之质量的可靠指标。

在一个新的领域里用新方法做的研究有时会被同侪评审的期刊拒绝，尽管这家期刊在方法学上是健全的，也是高质量的。类似地，在同侪评审的期刊发表的作品虽然有助于你确信该研究的质量是高的，但不保证高质量。