
SPSS分析:可靠性分析
一、概念:
可靠性分析允许您研究测量尺度的属性以及组成这些标度的项。“可靠性分析”过程计算标度可靠性的众多常用度量,还提供关于标度中的各项之间关系的信息。类内相关系数可用来计算评分者间的可靠性估计。
二、模型:(分析-度量-可靠性分析)
1、Alpha (Cronbach)。此模型是内部一致性模型,基于平均的项之间的相关性。系数alpha,对于二分数据,它等同于Kuder-Richardson 20 (KR20)系数。
2、半分。此模型将标度分割成两个部分,并检查两部分之间的相关性。形式之间的相关性、Guttman半分可靠性、Spearman-Brown可靠性(相等长度和不相等长度)以及每一半的alpha系数。
3、Guttman。此模型计算Guttman的下界以获取真实可靠性。可靠性系数lambda 1到lambda 6
4、平行。此模型假设所有项具有相等的方差,并且重复项之间具有相等的误差方差。模型拟合优度检验;误差方差的估计值、公共方差和真实方差;估计的公共项间相关性;估计的可靠性以及可靠性的无偏估计。
5、严格平行。此模型假设为平行模型,还假设所有项具有相等的均值。
三、统计量(分析-度量-可靠性分析-统计量)
1、描述性。为跨个案的标度或项生成描述统计。◎项。为跨个案的项生成描述统计。◎标度。为标度生成描述统计。◎标度(如果项已删除)。显示将每一项与由其他项组成的标度进行比较时的摘要统计量。这些统计量包括:该项从标度中删除时的标度均值和方差、该项与由其他项组成的标度之间的相关性,以及该项从标度中删除时的Cronbach alpha值。
2、摘要。提供跨标度中所有项的项分布的描述统计。◎均值.项均值的摘要统计量。显示项均值的最小、最大和平均值,项均值的范围和方差,以及最大项均值与最小项均值的比。◎方差.项方差的摘要统计量。显示项方差的最小、最大和平均值,项方差的范围和方差,以及最大项方差与最小项方差的比。◎协方差.项间协方差的摘要统计量。显示项之间的协方差的最小、最大和平均值,项之间的协方差的范围和方差,以及最大项之间协方差与最小项之间的协方差的比。◎相关性.项之间的相关性的摘要统计量。显示项之间的相关性的最小、最大和平均值,项间相关性的范围和方差,以及最大项之间的相关性与最小项之间的相关性的比。
3、项之间。生成项与项之间的相关矩阵或协方差矩阵。ANOVA表。生成相等均值的检验。◎F检验.显示重复度量方差分析表。◎Friedman卡方.显示Friedman的卡方Kendall的协同系数。此选项适用于以秩为形式的数据。卡方检验在ANOVA表中替换通常的F检验。◎◎Cochran卡方.显示Cochrans Q。此选项适用于双分支。Q统计在ANOVA表中替换通常的F统计。
4、Hotelling的T平方。生成以下原假设的多变量检验:标度上的所有项具有相同的均值。
5、Tukey的可加性检验。生成以下假设的检验:项中不存在可乘交互关系。
6、类内相关系数。生成个案内值的一致性或符合度的测量。◎模型。选择用于计算类内相关系数的模型。可用的模型为双向混合、双向随机和单向随机。当人为影响是随机的,而项的作用固定时,选择双向混合;当人为影响和项的作用均为随机时选择双向随机。当人为影响随机时选择单向随机。◎类型。选择指标类型。可用的类型为“一致”和“绝对一致”。◎置信区间。指定置信区间的置信度。缺省值为95%。◎检验值。指定假设检验系数的假设值。该值是用来与观察值进行比较的值。缺省值为0。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29