1.3 效度分析

该问卷中的大学生自我管理能力部分存在4个维度，需要进一步研究该问卷的结构效度是否符合要求。

1.3.1 SPSS实现

（1）打开数据文件data1-01.sav，执行菜单栏中的“分析”→“降维”→“因子分析”命令，打开“因子分析”对话框。

将左侧的大学生自我管理量表的12个题目全部选中，单击 按钮，将其选入“变量”框中，如图1-3所示。

（2）单击“描述”按钮，弹出图1-4所示的“因子分析：描述”对话框。勾选如下复选框：“单变量描述”“初始解”“系数”“显著性水平”“KMO和巴特利特球形度检验”。单击“继续”按钮，返回主对话框。

（3）单击“提取”按钮，弹出图1-5所示的“因子分析：提取”对话框。勾选“碎石图”复选框；选中“固定因子数”单选按钮，并设置要提取的因子数为4。单击“继续”按钮，返回主对话框。

（4）单击“旋转”按钮，弹出图1-6所示的“因子分析：旋转”对话框。选中“最大方差法”单选按钮；勾选“载荷图”复选框。单击“继续”按钮，返回主对话框。

（5）单击“得分”按钮，弹出图1-7所示的“因子分析：因子得分”对话框。勾选“保存为变量”“显示因子得分系数矩阵”复选框。单击“继续”按钮，返回主对话框。

（6）单击“选项”按钮，弹出图1-8所示的“因子分析：选项”对话框。勾选“按大小排序”复选框。单击“继续”按钮，返回主对话框。

（7）完成所有设置后，单击“确定”按钮执行命令，此时会显示描述统计、相关性矩阵、KMO和巴特利特球形度检验等分析结果。

1.3.2 结果分析

表1-5列出了12个初始变量的描述统计量，包括平均值、标准差和分析个案数。

表1-6是初始变量的相关性矩阵表。从相关性矩阵中可以看出多个变量间的相关系数较大，且对应的显著性统计量普遍较小，说明这些变量之间存在着显著的相关性，进而说明有进行因子分析的必要。

表1-7为KMO和巴特利特球形度检验表。KMO检验用于研究变量之间的偏相关性，计算偏相关系数时由于控制了其他因素的影响，所以会比简单相关系数小。

一般认为KMO统计量大于0.9时效果最好，0.7以上可以接受，0.5以下则不宜做因子分析，本案例中的KMO统计量为0.908，效果好。

本案例中的巴特利特球形度检验的显著性为0.000，小于0.01，由此可知各变量间显著相关，即否定相关矩阵为单位阵的零假设，可以进行因子分析。

表1-8为公共因子方差表，给出的是初始变量的共同度，它是衡量公共因子相对重要性的指标。“提取”列即为初始变量共同度的值，共同度的取值区间为[0，1]。如：A1的共同度为0.683，可以理解为提取的4个公共因子对A1变量的方差贡献率为68.3%。

表1-9为总方差解释表，给出了每个公共因子所解释的方差及累计和。从“初始特征值”栏中可以看出，前4个公共因子解释的累计方差贡献率达78.216%，而后面的公共因子的特征值较小，对解释原有变量的贡献越来越小，因此提取4个公共因子是合适的。

“提取载荷平方和”栏是在未旋转时被提取的4个公共因子的方差贡献信息，其与“初始特征值”栏的前4行取值一样。

“旋转载荷平方和”是旋转后得到的新公共因子的方差贡献信息，和未旋转的方差贡献信息相比，每个公共因子的方差贡献率（方差百分比）有变化，但最终的累计方差贡献率不变。

图1-9是关于初始特征值（方差贡献率或方差百分比）的碎石图，它是根据表1-9中的“初始特征值”栏中的“总计”列的数据所作的图形。观察发现，第4个公共因子后的特征值变化趋缓，故而选取4个公共因子是比较合适的。

表1-10中的“成分矩阵”是未经旋转的因子载荷矩阵，表1-11中的“旋转后的成分矩阵”是经过旋转的因子载荷矩阵。观察这两个表格可以发现，旋转后的每个公共因子上的载荷分配更清晰了，因而比未旋转时更容易解释各公共因子的意义。

因子载荷是变量与公共因子的相关系数，某变量在某公共因子中的载荷绝对值越大，表明该变量与该公共因子之间的关系越密切，即该公共因子更能代表该变量。

由此可知，本案例中的第1个公共因子更能代表C1、C2、C3这3个变量；第2个公共因子更能代表A1、A2、A3这3个变量；第3个公共因子更能代表B1、B2、B3、B4这4个变量；第4个公共因子更能代表D1、D2这两个变量。

从旋转后的成分矩阵判断，4个公共因子跟大学生自我管理能力问卷的4个维度较为一致，因此可以认为该问卷的结构效度比较好。