介绍一下这次用的模型是这个
这次采用的是问卷了，我们从原始数据开始处理。
第一步 无效问卷处理
首先把无效问卷给删除了
网络调查的话，可以从填写问卷时间过短、来源于同一IP（这个可能不是很准），初步删除一些问卷。如果问卷设计有逻辑选项的话，再根据问卷设计逻辑判断。
纸质版的话，如果大面积都是同一个选项，或者大面积空白的，直接弃了吧。
问卷设计和筛选这一块资料很多，查一查就有了，不开坑。
1.删除unengaged responses
说一下如何查找大面积都是统一选项或者按照12344321这种随便填的这种unengaged responses
我们用Excel查找，公式=stdevp（单个样本需要跑的数据），这是基于给定的样本总体的标准偏差。
第一个样本的标准差计算出来以后，双击填满整列，就可以知道所有样本中的标准差为0或者接近0，意味着整个回答都是差不多的，整篇都是同一个数值，把他们删了，因为这些样本具有严重的偏性，会使得之后分析的时候数据不会成正态分布。
点击刷选把标准差为0的样本都删了，无效样本还挺多的，心痛。。。。
2.删除极端值或者异常值
看你的问卷有没有年龄要求或者其他的连续变量，看存不存在outlier
Excel画一下散点图就出来了，用检验和年龄画
第二步 检查一下是否有缺失值
第一种方法 Excel
需要amos处理的数据是不能有缺失值的，否则跑不出来结果的，所以如果缺失值过多的样本
这个在Excel里面操作比较好，用公式=countblank（单个样本需要跑的数据）
第一个样本的缺失值计算出来以后，双击填满整列，就可以知道所有样本中哪个样本有缺失值，缺失了多少个样本。
第二种方法 SPSS
点击分析-描述统计-频率，把需要判断是否有缺失值的样本选进去。
看结果可以知道是哪一个维度有缺失值
如果缺失值过多的，可视为无效值，直接将该样本删除(Listwise Deletion)，如果只是缺了2个3个空（一般是问卷题量的5%），可以可以用插补的方式补全问卷。
第三步 缺失值插补
见下图，SPSS里面的插补方法有序列平均值、邻近点的平均值、邻近点的中位数、线性插值、线性趋势。缺失值的插补要根据该缺失值的性质来判断。
序列平均值：序列数据、连续数据（经验、年龄）可以用
邻近点的的平均值/中位数：建议是对量表有分为区块衡量的问卷数据使用
线性（回归）及趋势的：建议是明确知道某几个数据之间是有关系的
SPSS操作：选择转换–替换缺失值
把刚才频率分析知道的存在缺失值的序列选进去
见下图，选择“临近点的中位数”，跨度选择“全部”，最后点击“更改”
操作完的结果见下图，点击确定就可以了。
然后就都插补完了。
第四步 用因子分析去检验问卷的区分度
把测量潜变量的指标选进去因子分析
选择：分析–降维–因子分析—选入衡量潜变量的问卷条目
attention：不要把年龄、性别这些分类变量调节变量选进去，只要衡量潜变量维度的问卷条目
选择描述–把“再生”和“KMO和Bartlett球形度检验”选上
选择抽取–选择极大似然法进行估计
因子旋转我们选择Promax
得分不用动，修改“选项”里面的系数显示格式，如改为取消小系数绝对值改为0.3。
最后就是点击OK啦，看output
首先看KMO值，这里是0.95，结果很nice，只要大于0.7就是理想哒
接下来看因子提取，检查一下是否存在提取存在小于0.3的，吼吼吼，都木有，果然亲生的问卷质量还是高
接下来是总方差解释的比例，见下图，可以累积解释65.475%，nice，只要高于60%就OK了（55%也能接受）。
接下来是再生相关系数矩阵，看非冗余残差的占比，理想情况下要小于5%，我的是9%，呵，不理想，那就不报告这个结果就行了。。。
接下来是因子矩阵，这个是检验区分度的，不是特别理想，但是可以改，红色框起来的就是cross-loading，区分度不是很好。
区分度的问题好像我还看见其他其他作者的报道（我文章读的少），没有文献我就不知道应该报道什么结果了。下次看见再说。
检验的话参照AMOS分析
本文来自zhihu，观点不代表一起大数据-技术文章心得立场，如若转载，请注明出处：https://zhuanlan.zhihu.com/p/36711537
注意：本文归作者所有，未经作者允许，不得转载
