量表如何分析?

news/2024/3/29 16:18:51/文章来源:https://blog.csdn.net/m0_37228052/article/details/128099455

一、什么是量表

量表是一种测量工具,通常用来测量人们的主观态度、意见或价值观念。我们经常会在问卷中使用量表对调查对象进行测量,最常见到的就是李克特量表。

‍1、定义:李克特量表

李克特量表是最常用的量表,是由美国社会心理学家李克特于1932年在原有的总加量表基础上改进而成的。这种量表由一组与某个主题相关的问题或陈述构成,通过计算量表中各题的总分,可以了解人们对该调查主题的综合态度或看法。

李克特量表的尺度形式有多种,我们常见是五级量表,即五个答项:"非常同意"、"同意"、"不一定"、"不同意"、"非常不同意"五种回答,分别记为1,2,3,4,5,每个被调查者的态度总分就是他对各道题的回答所的分数的加总,这一总分可说明他的态度强弱或她在这一量表上的不同状态。另外还会有七级量表、九级量表或者四级量表等。

‍2、李克特量表使用场景

李克特量表非常适合深入挖掘一个特定主题,详细地找出人们对这一主题的看法。所以,想获取更多信息的时候就可以使用李克特量表。例如: 了解消费者近期对产品的满意度情况 了解某个人群心理状态和影响因素情况 了解员工对工作的看法情况或者需要衡量特定事物情绪或其他问题,并且希望在答案中获得更深层次的详细信息,李克特量表都是不二选择。

‍3、李克特量表常用分析方法

除了常规的频数分析、计算平均值等,李克特量表同样适用于更多更专业的分析方法:

  • 量表可靠性、有效性分析:信度分析、效度分析

  • 差异关系:方差分析

  • 影响关系:相关分析、回归分析

  • 其他研究:调节作用、中介作用、调节中介作用等

‍4、李克特量表制作方法

常见的问卷网站里都提供有很多领域专业的量表问卷模板,需要直接点击复制到自己的问卷中就可以对问卷进行编辑处理了。

二、信效度分析

‍1、什么是信度&效度

(1)信度

信度分析用于测量样本回答结果是否可靠,即样本有没有真实作答量表类题项;

信度分析仅针对定量数据。

重要提示: 信度分析仅仅是针对量表数据,非量表数据一般不进行信度分析。

(2)效度

效度分析在学术研究中非常常见,其用于分析‘测量项是否真实有效地测量自己希望测量的变量’,效度分析的研究方式有多种,通常包括内容效度、结构效度(探索性因子分析法)、区分效度和收敛效度(验证性因子分析法)。可见下表格:

‍2、怎么做信度&效度分析

(1)信度分析

Cronbach信度分析是最为常见,使用最为广泛的一种测量方法,直接使用一个指标即Cronbach信度系数值来描述信度水平情况。

克隆巴赫信度系数(Cronbach α系数值)如果在0.8以上,则该测验或量表的信度非常好;

信度系数在0.7以上都是可以接受;

如果在0.6以上,则该量表应进行修订,但仍不失其价值;

如果低于0.6,量表就需要重新设计题项。

  • SPSSAU信度分析操作

信度分析仅仅是针对量表数据,需要对每一具体细分维度或者变量进行分析。

本例子中涉及4个维度,则分别需要进行4次操作,然后将4次操作的结果整理合并整理成一个表格用于研究报告中输出。以其中一个维度为例:

  • SPSSAU输出结果:

如果是正式数据进行信度分析,则上表格中仅0.859这个数字进行报告即可。四个维度则有四个α系数值。可将此4个值进行整理最终报告如下表所示:

(2)效度分析

3、疑难解惑:信效度不达标

(1)信度不达标怎么办?

建议按照以下七步检查:

① 使用 ‘ 描述分析 ’ 检验下是否有奇怪的异常值,如果有则需要使用 ‘ 数据处理->异常值 ’ 功能处理后再分析;

②‘ 非量表 ’ 数据是不能进行信度分析,只需要用文字进行描述证明数据凭什么可信,比如如何设计问卷如何收集数据,数据为什么可信等,有没有进行过异常值处理等;

③ 如果信度系数值依然很低(比如低于0.5),此时可考虑把所有量表题合并在一起进行一次信度分析(题项越多通常信度系数会越高);

④ 如果数据中有反向题,需要先使用 ‘ 数据处理->数据编码 ’ 将反向题处理后再分析;

⑤删除不合理的项,留下有意义的项;

⑥加大样本量,样本量越大通常情况下信度会越高;

⑦ 问卷设计时一个维度尽量4~7个题较好,题项越多信度会越高,而且如果不达标还可以删除个别不合理项。

(2)效度不达标怎么办?

针对问卷量表数据(重要提示:效度分析仅仅是针对量表数据),可以进行效度分析。效度分析需要注意以下几点:

1、效度分析时,是综合各项指标进行综合判断,包括KMO值,巴特球形检验,方差解释率,累积方差解释率值,因子载荷系数值,维度和题项对应关系等。

2、效度分析时, 很可能需要删除题目,以便于维度和题项对应关系符合预期。

3、效度分析时, 最关键的地方在于:维度和题项对应关系,是否与专业预期符合;其余指标相应比较容易达标,最核心的是让维度和题项对应关系保持基本一致性。

4、效度分析时,是个多次 来回重复对比的过程,很可能重复进行很多次,对比删除题目后找出最优结果。

5、如果分析题目专业预期应该对应5个维度,则应该先设置成数字5。

三、量表类数据分析

1、关系研究方法

(1)相关分析

相关分析可用于研究量表维度之间的相关关系

例如:研究 “淘宝客服服务态度” 与 “淘宝商家服务质量” 之间的相关关系。

(2)回归分析

回归分析可用于研究量表维度之间的影响关系。

例如:研究 “ 淘宝客服服务态度 ” , “ 淘宝商家服务质量 ” 与 “ 淘宝忠诚度 ” 之间的关系情况,此句话中明显的可以看出 “ 淘宝客服服务态度 ” ,“ 淘宝商家服务质量 ” 这两项为 X;而

“ 淘宝忠诚度 ” 这项为 Y。

(3)路径分析

路径分析可用于研究量表维度之间的影响关系。

路径分析、线性回归均可以研究影响关系;

二者区别为路径分析可同时研究多个自变量,多个因变量的影响关系情况。而线性回归每次分析时只能有一个因变量。

2、差异研究方法

方差分析,研究个体属性(比如性别)与量表维度之间的认知差异关系。

例如:研究性别与 “ 淘宝商家满意度” 之间的差异关系。

3、其他研究方法

(1)调节作用

调节作用是研究X对Y的影响时,是否会受到调节变量Z的干扰。

结合自变量X和调节变量Z的数据类型,调节作用共有四种情况,分别如下:

​例如:研究 “ 淘宝商家服务质量 ”(X)会对 “ 淘宝忠诚度 ”(Y)产生影响,这种影响关系受到 “ 淘宝客服服务态度 ”(Z)的干扰。

(2)中介作用

中介作用是研究X对Y的影响时,是否会先通过中介变量M,再去影响Y;即是否有X->M->Y这样的关系,如果存在此种关系,则说明具有中介效应。

例如:“ 淘宝客服服务态度”(X)会影响到 “ 淘宝商家服务质量 ”(M),再影响最终 “ 淘宝忠诚度 ”(Y),此时 “ 淘宝商家服务质量 ” 就成为了这一因果链当中的中介变量。

中介作用的分析较为复杂,共分为以下三个步骤:

第1步:确认数据,确保正确分析。中介作用在进行具体研究时需要对应使用研究方法(分层回归)去实现;中介作用分析时,Y一定是定量数据。X也是定量数据,中介变量M也是定量数据。

第2步:中介作用检验检验中介效应是否存在,其实就是检验X到M,M到Y的路径是否同时具有有显著性意义。

中介作用共分为3个模型。针对上图,需要说明如下:

模型1:自变量X和因变量(Y)的回归分析模型2:自变量X,中介变量(M)和因变量(Y)的回归分析模型3:自变量X和中介变量(M)的回归分析

模型1和模型2的区别在于,模型2在模型1的基础上加入了中介变量(M),因而模型1到模型2这两个模型应该使用分层回归分析(第一层放入X,第二层放入M)。

在理解了中介分析的原理之后,接着按照中介作用分析的步骤进行,如下图:

​​检验图如下:

​第3步:SPSSAU进行分析用户可以直接按照上图流程在SPSSAU中进行分析,生成结果。

(3)调节中介作用

调节中介作用同时考虑中介变量和调节作用,其核心是中介作用,基于中介作用基础上再进一步讨论调节作用。

比如X->M->Y这条中介路径存在,即说明具有中介作用。接着在进一步分析条件中介作用,即在另外一个调节变量Z取不同水平时(通常分为3个水平,低水平,平均水平,高水平),中介作用的幅度(也称条件间接效应)情况如何。

四、常见问题说明

(1)如何对量表进行维度划分?

进行效度分析时,维度个数通常需要结合自身专业知识判断维度个数即可。

(2)针对问卷量表数据,几个题表示一个维度,如何处理?比如有两个题“我愿意向朋友推荐SPSSAU”,“我有需要会再来使用SPSSAU”,此两个题是“忠诚度”的体现。可使用SPSSAU【数据处理-->生成变量(平均值)】功能完成。通常将多个题概括成一个整体之后,则可以进行相关分析、回归分析、方差分析等(以整体进行,而不是以题项分别进行)。

(3)如何测量量表中多个维度的分数?

通常情况下可使用描述分析计算平均值表示等。

(4)反向题处理

如果当前分值1分代表非常同意,2分代表同意,3分代表中立,4分代表不同意,5分代表非常不同意(分值越高,代表越不同意)。希望将分值反向处理即变成:1分代表非常不同意,2分代表不同意,3分代表中立,4分代表同意,5分代表非常同意(分值越高,代表越同意)。使用SPSSAU的数据编码功能,1编码为5;2编码为4;3编码为3;4编码为2;5编码为1。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.luyixian.cn/news_show_38763.aspx

如若内容造成侵权/违法违规/事实不符,请联系dt猫网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

大数据平台功能

一 前言 计算机设备和信息数据的相互融合,对各个行业来说都是一次非常大的进步,已经渗入到工业、农业、商业、军事等领域,同时其大数据平台软件也得到一定发展。就目前来看,各类编程语言的发展、人工智能相关算法的应用、大数据时…

求树的直径算法以及证明

以下为两次dfs(bfs)的做法以及正确性证明。 算法步骤 (1)任取树上一点S,以S为源点BFS得S到各个顶点的d值; (2)取d值最大者之一为P,再以P为源点BFS得P到各个顶点的d值&am…

【计算机】可信平台模块Trusted Platform Module - TPM

简述 Brief Introduction TPM内部功能模块示意图: 引述 Trusted Platform Module Technology Overview (Windows) | Microsoft Learn: Trusted Platform Module (TPM) technology is designed to provide hardware-based, security-related functions.…

「区块链+数字身份」:DID 身份认证的新战场

美国经济学家布莱恩 • 阿瑟在其著作《技术的本质》中,写过这么一句话:「技术总是进行着这样一种循环,为解决老问题去采用新技术,新技术又引发新问题,新问题的解决又要诉诸更新的技术」。 区块链技术之所以能流行&…

在MacOS上实现两个网络调试助手的UDP通信测试

文章目录一、背景二、网络调试助手软件三、UDP通信过程一、背景 因为有一个项目要中会使用本机中两个应用程序之间的UDP通信。 因此本文记录一下怎么在MacOS上实现两个网络调试助手的UDP通信测试。 二、网络调试助手软件 我使用的网络调试助手软件是:网络调试助…

Redis实战——优惠券秒杀(超卖问题)

1 实现优惠券秒杀功能 下单时需要判断两点:1.秒杀是否开始或者结束2.库存是否充足 所以,我们的业务逻辑如下 1. 通过优惠券id获取优惠券信息 2.判断秒杀是否开始,如果未返回错误信息 3.判断秒杀是否结束,如果已经结束返回错误…

传奇登录器打不开的四种原因

最近很多传奇玩家或者GM都遇到了传奇登陆器打不开,没反应,提示无法访问指定设备等问题,导致很多游戏没有办法玩,让玩家心情沮丧,作为GM,那么就更伤心了,很多玩家进不来游戏,开服数千…

Maven笔记(2022-11-29)

一、Maven简述 1.1 什么是Maven? Apache Maven 是一款基于 Java 平台的项目管理和构建工具,它基于项目对象模型(POM)的概念,通过一小段描述信息来管理项目的构建、报告和文档。 简单来讲Maven就是一个构建工具,用来管理我们的项目…

GMM算法

高斯混合模型聚类(Gaussian Mixture Mode,GMM) 高斯混合模型是一种概率式的聚类方法,它假定所有的数据样本x由k个混合多元高斯分布组合成的混合分布生成。 其中高斯分布的概率密度函数如下: 现在的问题就是如何求α,μ,σ\alpha,\mu,\sigm…

Spring-全面详解(学习总结---从入门到深化)

目录 Spring简介 Spring体系结构 IOC_控制反转思想 IOC_自定义对象容器 IOC_Spring实现IOC IOC_Spring容器类型 ​ 容器实现类 IOC_对象的创建方式 使用构造方法 使用工厂类的方法…

09【MyBatis多表关联查询】

文章目录三、MyBatis多表关联查询3.1 表的关系3.2 一对一查询3.2.1 搭建环境3.2.2 需求分析3.2.3 dao接口3.2.3 mapper.xml3.2.4 测试3.2.5 配置MyBatis一对一关系1)传统映射:2)使用association标签映射3.3 一对多查询3.3.1 需求分析3.3.2 da…

Kamiya丨Kamiya艾美捷大鼠微量白蛋白酶联免疫吸附试验说明书

Kamiya艾美捷大鼠微量白蛋白酶联免疫吸附试验预期用途: 大鼠微量白蛋白酶联免疫吸附试验(ELISA)是一种高灵敏度的双位点酶联免疫吸附试验(ELISA)大鼠生物样品中微量白蛋白的测定。仅供研究使用。 引言 白蛋白&#x…

SpringBoot、EasyPoi、Echarts 实现文档导入、出、图表显示 (饼状图、柱状图) 保姆级教程

一、介绍环境 EasyPOI: 现在我们就来介绍下EasyPoi,首先感谢EasyPoi 的开发者​。EasyPoi开源 easypoi 是为了让开发者快速的实现excel,word,pdf的导入导出,基于Apache poi基础上的一个工具包。easypoi教程 Echarts: …

转扩!寻找G2022次列车“旅客”

各位求职朋友大家好,欢迎乘坐G2022次列车 本次列车为6节编组,由上海开往北京,途径宁波、重庆 本次列车乘务组全体工作人员为您提供全方位福利待遇 上车地址:上海擎创信息技术有限公司 - 社会招聘 (eoitek.com) 如您还需其他帮助…

Java给图片增加水印,根据图片大小自适应,右下角/斜角/平铺

Hi,I’m Shendi 最近写自己的文件服务器,上传图片时需要自动增加水印,在这里记录一下 文章目录效果展示读取图片从 byte[] 读取图片获取画板绘制水印根据图片大小自适应水印大小右下角文字水印斜角水印平铺水印图片水印输出图片水印就是在图片…

SLAM学习笔记(二)

5.相机与图像 相机将三维世界中的坐标点(单位米)映射到二维图像平面(单位为像素)的过程中能够用一个几何模型进行描述。 单目相机(Mono)的成像过程: 1、世界坐标系下有个固定的点P,世界坐标为 2、由于相…

基于Java+SSM+Vue+ElementUi的汉语言类网上考试系统

项目介绍 21世纪的今天,随着社会的不断发展与进步,人们对于信息科学化的认识,已由低层次向高层次发展,由原来的感性认识向理性认识提高,管理工作的重要性已逐渐被人们所认识,科学化的管理,使信…

前置微小信号放大器在光声技术的血管识别研究中的应用

实验名称:前置微小信号放大器在光声技术的血管识别研究中的应用 研究方向:生物识别技术 测试目的: 利用MATLAB对光声血管进行识别:1、对光声血管图库的图像进行预处理包括归一化、二值化、平滑、细化和毛刺修剪得到细化图像&#…

【安卓逆向】去除云注入(使用MT论坛dl的方法总结拓展)

1 需求 因为最近使用的虚拟机突然不能用了,被人云注入强制弹窗,如下图:(这一看就是云注入了) 2 大佬的方法 如图(MT大佬分享的,感兴趣的朋友可以去大佬主页看看他其他文章)&…

蓝海创意云接受【看苏州】独家专访:助力苏州数字文化行业全方位发展

近日,由蓝海创意云提供渲染服务的动漫电影《老鹰抓小鸡》获金鸡奖最佳美术片提名,位列获奖名单的《长津湖》《独行月球》也由蓝海创意云渲染提供了后期服务。 就此,苏州广播电视总台旗下的苏州权威热点新闻和视频平台【看苏州】对蓝海彤翔执…