利用IBM SPSS Statistics进行相关因素分析和显著性分析

上篇教程通过SPSS给大家讲解了论文常用的频数分析、可靠性分析、独立样本T检验三个方式分析。今天将继续通过SPSS给大家讲解主因子分析、最佳尺度回归分析二种方式。

一、主因子分析

所谓主因子分析就是对调查问卷各个指标进行主因子分析，并筛选出对论文有用的指标。比如这里使用教师满意度评分数据，总共包括10个教师，共30条数据，部分数据展示如下图所示。

图1数据展示

点击SPSS顶部菜单栏“分析”-“降维”-“因子”，即可打开因子分析窗口。将全部指标加载到变量文本框，并且点击描述按钮，勾选相关性矩阵项目下的“KMO和巴特利特球形度检验。

图2 因子分析

点击因子分析右侧的“旋转”按钮，选择直接斜交法或者最优斜交法。

图3 旋转

看到KMO和巴特利特检验，如果KMO取样适切性量数小于0.6则不适合进行因素分析。可以看到它值为0.633大于0.6，说明可以进行因素分析。

图4 KMO和巴特利特检验

通过上面验证说明该数据可进行因素分析。总方差解释分析，9个问题抽取了4个因素，4个共同因素的累积量67.697%。

图5 总方差解释

二、最佳尺度回归分析

回归分析按照变量连续与否来划分的话，可以分为两种：一是连续变量的回归分析，主要运用线性回归和逻辑回归。二是不连续变量的回归分析，主要是使用最佳尺度回归分析。

比如一个衣服品牌为了解消费者对本品牌满意度情况，收集到了消费者的满意度、婚姻状况、性别、年龄以及月收入等数据。其中满意度分为三个档次（1表示不满意、2表示一般满意、3表示满意），婚姻状况（1代表未婚，2代表已婚），性别（1代表男性、2代表女性），年龄有七个等级，月收入有4个等级，部分数据展示如下图所示。

图6 数据展示

点击SPSS顶部菜单栏“分析”-“回归”-“最佳标度”，即可打开分类回归窗口。将满意度加载到因变量文本框，定义标度为有序；性别、婚姻状况、年龄、月收入加载到自变量文本框，并且将因变量定义标度为有序。

图7 分类回归

点击右侧选项按钮，并且初始配置项目中勾选“多个系统性挂起点”。

图8 选项

点击右侧保存按钮，勾选转换后变量模块的“将转换后变量保存到活动数据集”。

图9 保存

点击右侧图按钮，将4个自变量加载到转换图文本框。

图10 图

查看“ANOVA”项目，可以看到，显著性值小于0.01，即说明小于0.05，即至少有一个自变量对因变量满意度有显著影响。

图11 ANOVA表

查看“系数”项目，可以看到月收入对因变量满意度有显著影响。

图12 系数表

三、小结

以上是给大家讲解了毕业论文问卷调查数据分析的两种方式，分别是主因子分析和最佳尺度回归分析，从主因子分析我们可以确定哪些指标对于论文写作有作用，从最佳尺度回归分析可以得到哪些自变量对因变量有显著性影响。