在論文中的資料分析中會有信度分析及效度分析，而在前一篇已經介紹信度分析，本篇介紹問卷的效度分析，效度分析簡單講就是問卷中的問項是否可準確測出欲探討的問題，一份問卷的效度愈高，表示測驗的結果越能顯現測量對象的真正特質。
而效度分析可分為內容效度及建構效度。而內容效度及為你的問卷會進行前測和試測，因此內容效度是可以達到，重點是建構效度透過施測者的回答的結果，藉由統計測得建構效度，而進行建構效度時必須進行KMO、球型、主成份分析、因素分析，是一個過程，所以本篇會針對KMO檢定在R中如何進行。
而KMO是Kaiser-Meyer-Olkin的取樣是當性衡量數，當KMO值越大，表示變數間的共同因素越多，越適合進行因素分析，根據Kaiser的觀點，若KMO>0.8表示很好；KMO>0.7表示中等；KMO>0.6表示普通；KMO<0.5表示不能接受
首先依然採用網路上的測試資料每筆資料就是一位填寫問卷的人，變數就是問題本身，跟前面的問卷基本分析紀錄資料的方式一樣，但對於本次57個變數太多了，我們只要E1-E10的變數，及前500名的參與者，而這份問卷主要調查個性是否外向，問項列表如下
這是人們對等級從1 =不同意到5 =同意的外向性項目的列表：
- E1我是聚會的一生。
- E2我沒說很多。
- E3我周圍的人感覺很舒服。
- E4我一直在後台。
- E5我開始對話。
- E6我無話可說。
- E7我在聚會上與許多不同的人交談。
- E8我不喜歡引起我的注意。
- E9我不介意成為關注的焦點。
- E10我在陌生人周圍安靜。
程式如下：
DataKmo <- read.csv(file = "D:/工作區/我的筆記/程式筆記/R/Ironman Challenge/Paper/BIG5/data.csv",
header = TRUE, sep="\t",stringsAsFactors=FALSE)
View(DataKmo)
DataKmo <- DataKmo[1:500, paste0("E", 1:10)]
library(psych)
KMO(DataKmo)
從數值來看E1~E10的KMO值都大於0.9表示很好，每個變數的關聯性都很大，適合做因素分析。
怪不得學術界都會選用R，因為統計檢定真的很簡單，因違商業界真的很少做統計檢定。
沒有留言:
張貼留言