下载掌阅APP，畅读海量书库
立即打开
生命意义问卷（Meaning in Life Questionnaire，MLQ）由美国学者Steger等（2006）编制，主要用于测量人生意义的2个因子：人生意义体验（5个条目）和人生意义寻求（5个条目），共计10个条目，每个条目均采用李克特7点记分（1=完全不同意，7=完全同意）。下面以王孟成和戴晓阳（2008）所修订完成的中文版本在大学生中的调查数据为例，演示探索性因子分析和验证性因子分析。
以西部某高校在校大学生为调查对象，采取方便取样对 357名大学生进行调查，其中男生162人，女生195人；文科179人，理科178人；年龄介于17~24岁。
中文版人生意义问卷（C-MLQ），由王孟成和戴晓阳（2008）修订，包括2个因子共10个条目。人生意义体验因子是指个体目前所体验和知觉自己人生有意义的程度；人生意义寻求因子是指个体积极寻求人生意义或人生目标的程度。MLQ采用李克特7点记分（1=完全不同意，7=完全同意），被试得分越高，生命意义的体验与寻求就越好。
分别采用SPSS 16.0和Mplus 7.0进行探索性因子分析。
①数据录入和准备。在SPSS软件中，以“E1—E10”表示大学生在MLQ各个条目上得分情况。（图1.6）
图1.6 MLQ数据的录入和准备
②数据处理。选择【分析（Analyze）】→【降维（Data Reduction）】→【因子分析（Factor）】。（图1.7）
图1.7 EFA的数据处理（1）
在“Factor Analysis”对话框中，将“E1—E10”点入变量框；相应地在右边的描述（Descriptives）、抽取（Extraction）、旋转（Rotation）等窗口完成探索性因子分析。（图1.8）
图1.8 EFA的数据处理（2）
a.EFA：描述。在“描述（Descriptives）”主要勾选了“Coefficients”和“KMO and Bartlett’s test of sphericity”。前者是获得各个条目得分的相关矩阵，后者则主要是对调查数据是否适合做探索性因子分析进行初步判断。一般建议KMO值在 0.70 以上，Bartlett’s test（卡方检验值）中p<0.05，均表明数据适宜进行EFA。（图1.9）
图1.9 EFA中的描述
b.EFA：提取。在“提取（Extraction）”中默认的提取公因子的方法是主成分法（Principal Components），同时也可考虑选择主轴法（Principal Axis Factoring）、极大似然法（Maximum Likelihood）等。Spss软件中保留公因子的常用方法是特征值大于 1（Eigenvalues Over 1）和碎石图（Scree Plot）。
本次分析选择如下：主成分法（Principal components）、特征值大于 1（Eigenvalues over 1）和碎石图（Scree plot）。（图1.10）
图1.10 EFA中的提取
c.EFA：旋转。在“旋转（Rotation）”中，可根据需要选择正交旋转和斜交旋转两种。正交旋转常用Varimax，斜交旋转常用Promax。
本次分析中选择Varimax正交旋转，以获得清晰的因子结构。（图1.11）
图1.11 EFA中的旋转
③分析结果。
图1.12 EFA中的KMO和Bartlett’s test
由图 1.12 可知，本次调查数据中的KMO值为 0.823，Bartlett’s test （χ 2 =1206.999，df=45，p<0.001），显示调查数据适合进行探索性因子分析。
图1.13 EFA中项目共同度和因子方差解释
由图1.13可知，基于主成分法可知MLQ各个条目的共同度在0.484~0.693，抽取出特征值大于 1的 2个公因子；第一个公因子的特征值为 3.350，第二个公因子的特征值为 2.586；两个公因子的累积方差解释率为59.360%。（图1.14）
图1.14 EFA中碎石图
结合碎石图可知，第二个公因子之后碎石图陡度呈平缓，故选取2个因子。（图1.15）
图1.15 MLQ的探索性因子负荷结果（Varimax）
基于Varimax正交旋转，条目1、4、5、6、9（反向题）测量了因子1（人生意义体验），条目2、3、7、8、10测量了因子2（人生意义寻求）。
①数据录入和准备。
将.sav的SPSS文件转换为.dat的Mplus可读文件。（图1.16）
图1.16 MLQ的数据准备
②数据分析：Mplus的EFA程序。
③具体结果（output）。
表1.3 MLQ探索性因子分析模型拟合结果
由表1.3可知，MLQ的两因子模型拟合较好。
图1.17 EFA的碎石图
碎石图显示第二个因子后碎石图的陡度趋于平缓，提取2个因子是合适的。（图1.17）
表1.4 MLQ探索性因子负荷结果
注：*表示p<0.05。因子负荷小于0.30者省略。
由表1.4可知，MLQ的单因子模型拟合较差（条目3、7、8、10的因子负荷小于0.30）；MLQ的两因子模型中，条目 1、4、5、6、9（反向题）测量了因子 1，条目 2、3、7、8、10测量了因子。MLQ的两因子结构在EFA中得到了较好支持。
同1.3.1的研究背景。
同1.3.1的样本。
需要说明的是，进行探索性因子分析和验证性因子分析时不能使用同一个调查样本，即调查样本不能同时用于EFA和CFA。比较合理的做法是：将该调查样本随机分为两个子样本（样本1和样本2），然后随机选择样本1进行EFA，样本2进行CFA。
同1.3.1的测量工具。
采用Mplus 7.0进行验证性因子分析。
将.sav的SPSS文件转换为.dat的Mplus可读文件。（图1.18）
图1.18 MLQ的数据准备
根据修正指数，可考虑允许条目 1（Y1）和条目 2（Y2）相关。相应地只需在Mplus程序中的“MODEL”处增加1列命令“Y1 with Y2”即可。
表1.5 MLQ验证性因子分析模型拟合结果（ML）
由表 1.5 可知，经过两次修正后，修正 1（Y1 with Y2）和修正 2（Y7 with Y8），CFI、TLI和SRMR的拟合满足相关要求，RMSEA的拟合还未完全达到要求，故还可考虑继续修正模型。同时进行模型修正时可考虑结合贝叶斯Lasso法（潘俊豪 等，2017）。
需要说明的是，尽管模型修正能明显地提高实证数据与理论模型之间的拟合情况，但在考虑MI时最好要有一定的理论依据或逻辑依据，不能仅靠软件提示进行模型修正，还需要考虑在逻辑上或理论上的可行性。