更多内容可关注微信公众号：邱宗满

公众号内文章全部开放转载但须标明出处。如需改动原文或长期转载可联系。

1.将人口特征变量和自变量、因变量做卡方与方差分析能否作为控制变量选取的依据？

答：可以一般来说，我们将某些变量作为控制变量的理由不外乎是理论上有关或者数据分析上有关而数据分析中，如果变量Var与我们的主要变量在独立样本t检验、方差分析、卡方分析（意味着因变量是分类变量）或者皮尔森相关等分析Φ显著则可以此为理由，将其纳入模型

2.由于借鉴别人参与维度量表（含两个一阶），老师要求说明为什么要做二阶处理所以能否将兩个维度相关性高达0.91而判断其适合二阶呢？

答：别人原量表里会有量表的使用说明如果别人用了二阶分析，那么在论文里会有说明只需将这些话转述给你的导师即可。两个维度相关很高是做二阶的数据依据，却不是理论依据能不能做二阶还是要看理论解释。另外兩个维度之间相关过高，可能存在共线性并不一定能做出结果；而且仅有两个潜变量也不一定能做出二阶的结果，就如同一阶潜变量一樣对应的指标应该尽量在3个及3个以上。

3.验证性因子分析结果不理想后AVE和CR值不理想怎么办

Extracted，平均方差萃取量）因为心理学上大部分为長量表，做因子分析结果不理想时因子载荷都不是很高所以研究者们都避免了对自己不利的指标。当然这个指标表示我们对题项信息嘚利用程度，AVE一般使用0.5的标准表示我们提取了题项一半的信息，这个门槛其实是应该的另外，营销和管理领域做问卷调查比较喜欢AVE指標这些领域的问卷维度经常是参考他人而编制，并删除较多质量差的题项最后留下质量高的题项，因此AVE就容易达标

答：如果是未收集数据前，应该做好整个流程设计避免这个问题还可以设置标记变量（Marker variable）等。如果数据已经收集来了而在EFA的检测中首个因子解释率超過40%，可以简单的更换方法例如采用CFA单因子检测。如果原本做的是潜变量分析也进行多个因子的CFA，则可以使用添加了方法因子的CFA以检测哃源误差具体可以见我在B站视频的第15个。如果这些方法都解决不了问题则应该考虑考虑Williams的论文里提供的方法，相关文献来源在视频课件中都有提供但是，一旦存在较严重的CMV则不太适合继续分析，所以Williams的论文里尽管提出了许多处理方法却很少被使用。

5.如何从简单斜率（图）看调节效应是否存在呢如果调节项显著，在调节变量M±1SD的时候简单斜率都显著，这种情况下也是存在调节效应吗

答：如果簡单斜率里，一条显著一条不显著，则调节效应的结果更直观也更方便解释。但是调节效应是否存在，只需要看调节项是否显著無需其他判断。对于现成的调节效应图我们也可以直接看出主效应和调节效应在下图中，两个红点为A在不同条件下对C的效应因为低A的時候C值更高，而高A的时候C值更低所以A对C的主效应是负的，主效应的数值等于两个红点的差值同样道理，两个蓝色点也说明了B对C的主效應这里显示主效应是正的。至于调节则是看两条直线的斜率变化，低B的时候斜率更平缓，效应低；高B的时候斜率较倾斜效应高；洏且直线为左上右下，说明是负的；因此调节项斜率为负。

6.使用成熟量表进行了些许变动，比如修改或删除几个题项仍想使用原来嘚维度，是否做单个维度的探索性因子分析结果不理想我用了别人的量表，进行了一些删改

答：首先，我们引用他人量表时可以只引鼡其中几个维度其次，在我们引用时可能会遇到几种删、改题的情况，且都是合理的第一种，在数据分析过程中题项质量较差可鉯直接根据某些标准删题，例如α、EFA、CFA分析时的相关标准第二种，比如A开发了《微信满意度问卷》而我们现在想用它来调查QQ的满意度，则只需将其中所有表述为“微信”的内容更换为“QQ”即可第三种，比如B开发了《贴吧功能问卷》而我们现在还是用它来调查QQ，由于兩者差异较大所以某些贴吧功能是QQ所没有的，这个时候我们可以只选择符合QQ的题项。这种方法在期刊里也是经常见到的但这样子做畢竟相当于“新编”了一个量表，所以尽量避免这种操作第四种，某些维度可能删题后剩余题项数量较少且与其他维度存在较高相关，则可能会选择合并两个维度

7.硕士毕业论文，中介效应分析只用了process插件做的存在中介效应，并未用结构方程模型（原因是拟合指数较差）可以选择不做吗？谢谢老师

答：可以不做毕竟期刊上许多论文也只用process进行分析，没有什么理由可以阻止我们这样子如果结构方程模型中拟合较差，也可以看看模型数据是否正态需不需要更换分析方法以提高拟合。同时也需要注意看看拟合差的原因是什么，是否某些残差存在较高相关这可能暗示我们还有未纳入分析的自变量，模型不够完整

8.调节中介模型，相乘项加入后调节项的系数发生妀变，这种如果审稿人问了该怎么解释

答：在医学上，单独吃A药效果好单独吃B药效果也很好，但是两种药一起吃可能发生中毒，这個是医学上的交互效应这种效应的解读也适合我们的调节分析，类似于题目表述的情况例如原来调节变量Mo的主效应为正，加入调节项鉯后Mo的主效应变成负数，有可能是交互效应较强

9.是链式中介直接效应不显著，间接总效应占百分之80我可以说这是个完全中介效应么？

答：一般来说我们不谈“部分中介”与“完全中介”，这已经是很落伍的提法了此外，间接效应的占比也不是重要指标有的学者將其作为效果量（Effect size）指标，实则没有必要因为只要我们报告了间接效应数值与直接效应数值就够了，想计算百分比读者可以自行计算，而且在两者的绝对数值都较小的情况下（例如直接效应0.01间接效应0.09），即使间接效应占比很高（90%）整个模型意义也不大。所以我们呮需要在数据分析中报告直接效应与间接效应，晓得哪个更大并在后续中进行讨论即可。

10. 这个模型设置5个X1个Y但是在做模型验证性分析運行完以后XX形式，运行不出来如果是把Y放在X的位置进行验证就可以运行，就是各指标表示拟合效果不好是我的模型设置有问题还是操莋有问题？

答：尽管我见过很多将面板数据或者其他什么数据进行潜变量建模的但是他们大都失败了。我是问卷调查领域不怎么存在這个问题，也不清楚经济领域是否可以这样做所以推荐看看阳义南老师是否有相关课程讲述这些问题。阳义南老师的微信公众号为“结構方程模型Stata”也可以关注连玉君老师，他也做经济类数据处理也用Stata，可能与你的领域更加接近公众号为“连享会”。

11.用Process检验有调节嘚中介模型所需要的最小样本量怎么确定呢

答：这个问题之前有回答过。可翻微信公众号文章或者直接在微信内搜“Q群答疑”。

12.（本科论文问题）在论文班课程当中的验证性因子分析结果不理想那一节课的笔记里面关于心理学长量表的这句话有没有权威出处呀我也是使用了心理学的长量表，并且是只选择了其中的几题导致最后AVE值只在0.45左右，我用那句话解释然后导师问我有没权威出处，我找了一下沒找到

答：这句话不需要出处，只需要多看几篇心理学期刊上做量表开发的文章即可知道心理学领域没有什么人做这件事。

13. 在做基因環境交互作用时在回归中发现交互作用是显著的，但是在做进一步的简单斜率分析时却发现分组后，对因变量的预测作用都不显著了或者反过来用另一个变量做调节变量并检验简单斜率，却发现简单斜率都是显著的这种现象怎么解释呢？

答：调节分析是否显著只看調节项调节项不显著的话，后续简单斜率检验就没有意义了只需要看X的回归系数与Mo的回归系数即可（即两者的主效应）。如果事前指萣了哪个变量为调节变量只需用其做后续的简单斜率检验即可。两条简单斜率可能都是显著的只要X的回归系数较大，且交互项回归系數小就会出现这种情况。

14.典型相关分析时两组变量可以一组是分类资料（二分），一组是计量资料吗

答：我对典型相关了解并不多，尽管我也学过并保留了一些语法可能我无法在这个问题上给你什么有用的建议，不过咱们一般也将二分变量与连续变量一起做相关汾析，所以如果仅仅是二分变量或许是可以直接做的（个人猜测）？

15.有调节的中介效应运行Model 14，调节变量不同水平上的中介效应可以在論文报告下面这个表格嘛讨论里成对比较要怎么解读？还是不解读也行

答：如果只有一个中介，那这样的表格可以了至于成对比较，检验方法同中介一样只要Bootstrap的95%置信区间不包含0，则说明“差异显著”就说明哪种水平下，中介效应更强这个可以解读也可以不解读，因为调节项的系数基本就告诉我们答案了

16.看到这样的文献，对子维度打包作为指标进行潜变量建模，而不同子维度之间的因子载荷苻号有正有负这样子可以吗？

答：这是可以的但是有需要注意的地方。因子载荷有正有负意味着指标之间的概念有一部分相反，例洳图上的孤独是负向的概念而主观活力是正向概念。这种时候我们需要注意，潜变量建模时一般会在某条路径上设置固定的因子载荷（通常是1）如果我们设置在“主观活力”上，就表示“心理适应”与主观活力同向心理适应分数越高，则心理越健康但是，如果我們将固定因子载荷设置在“抑郁”上则这个时候的潜变量应该改成“心理不适应”。换句话说指标里有正有负的时候，潜变量的分数含义与设置固定因子载荷的题项一致如果不想有正有负，可以将某一类的题项全部反向

17. 对于问卷的有效率，就是去掉无效问卷之后的囿效问卷/全部回收问卷这个数据有要求吗？

答：这个没有具体要求但肯定是越高越好。如果是要求很低为了应付毕业或者别的，那即使收了1000份数据有效问卷只有500份，你也可以对外宣称你只发了550份如果是真的在做研究，而数据有效率过低可能说明了某些问题，例洳某一类人全部故意乱填导致问卷作废，这就造成了取样偏差所以，对于真正做研究的人来说数据最好是不缺失的有效数据，如果無效数据过多要么缩小结论的辐射人群范围，要么重新收集数据

18. 在回归方程中调节项和自变量都是正向的，但是自变量和调节项系数昰负的（假设是正向调节）结果全部都显著。这种情况是我的调节变量没选好吗

答：不一定。例如对于某些内向的人来说，使用社茭媒体可以增加他的心理健康因为社交媒体扩大了他的社交范围；而对于另外一部分人来说，使用社交媒体会降低心理健康因为这部汾不节制使用，甚至有些病态了所以，我们发现X对Y回归是正的，和X对Y回归是负的这种情况可能同时出现。在一个研究里如果我们嘚结果与假设完全相反，有可能是我们文献综述没做好做了错误假设（要敢于承认自己不是全知全能的）；也有可能是我们刚好收集了某部分特殊人群作为样本；还有可能是问卷工具的问题等等。

19.为什么我对两个一阶因子（相关0.91）建立二阶模型却做不出结果呢？

答：这與模型识别规则有关每个潜变量应该至少对应三个指标，如果潜变量是二阶的则应该对应三个一阶潜变量，才能正确识别尽管我也知道这个规则，但是一开始在群里面还提供了另外的可能性（现在看来是不正确的）觉得有可能是因子之间共线性太高。在一阶潜变量裏如果一个潜变量对应两个题项，则单独进行CFA是无法识别的这种规则也对应于二阶；另一方面，一阶时只有两个题项的潜变量如果與其他潜变量一起分析，则能出结果这同样适用于二阶。我事后又试了一下上述模型AMOS给出下述提示

因此，面对这种模型时如果一定偠对两个一阶因子建立二阶潜变量，则可以考虑将二阶对一阶的因子载荷全部设定为1表示二阶潜变量对一阶的影响相同（多了一个假设），即可正常运行模型

20.有调节的中介模型，总效应和直接效应均不显著间接效应显著，从统计上要怎么看待这个现象呢（我先验证了Φ介模型再做的调节中介）能不能用间接效应和直接效应大小相近、方向相反来解释？

答：较少有人在做了调节中介模型时还在计算總效应（这意味着要使用软件编写语法来计算），通常是在中介模型阶段才谈及总效应问题如果中介效应检验时，总效应和直接效应都鈈显著间接效应却显示，表示出现了遮掩效应现象即X对Y的关系，在不同路径上效应符号相反。比如可能X通过M对Y产生正向影响，而X對Y的直接影响却是负的这种情况下间接效应也是成立的，只不过需要讨论产生遮掩效应的原因具体可见视频06中对此部分的讨论。

在以多个变量测量事物性质的过程中经常出现多个变量交叉与重叠的情况。例如在大学课程情况的问卷调查中，我们可以设置几个不同的问题来测试教师的课件制作凊况这几个不同的问题都指向课件的制作，它们最后的得分情况也将表现出强烈的相关关系再比如不同的运动项目的成绩，看似没有關系但是其实它们用到的核心力量是会有重叠的，铅球和铁饼都会用手部肌肉等

上面这些例子都有一个特点，就是问卷调查的不同题目得分之间体育运动的不同项目成绩之间会有交叉和重叠的地方，可以通过因子分析结果不理想将这些交叉和重叠的信息提取出来，形成新的变量称为因子，用这些因子来反映不同项目不同题目，不同变量之间的内部关系因子分析结果不理想可以看作是主成分分析的推广。因子分析结果不理想通过从众多相关联的变量中抽取少量公因子起到了减少变量数量的作用，所以和主成分分析一样也是┅种降维方法。

因子分析结果不理想是问卷等数据收集手段的结构效度分析的主要方法所谓结构效度是指测量工具对测量对象的测量能仂。问卷的效度是指问卷能够测量出某种理论特质或概念的程度也就是实际的问卷测量得分能够解释理论特质或概念的程度。从其实际應用的视角看因子分析结果不理想产生的结果是归纳出测量变量对潜在属性的描述，从而实现了对测量性质准确性和测量结果正确性的描述因此，因子分析结果不理想能够检验问卷效度

主成分分析只是因子分析结果不理想的一个提取方法，因子分析结果不理想除了可鉯用主成分分析提取公因子以外还能使用其它的方法，SPSS提供的因子分析结果不理想方法有：

现在有k个样本每个样本由n个变量来描述，這n个变量之间有较强的关联性如果每个变量都可以用m个（公因子）解释，则可以表示为：

因子分析结果不理想模型需要满足以下几个条件

1、m小于n说明因子分析结果不理想能够起到降维的作用；

2、公因子的均值为0；

3、公因子与特殊因子之间不相关；

4、公因子之间互不相关；

5、特殊因子之间也不相关；

对因子分析结果不理想中抽取的公因子，需要观察它们在哪些变量上的载荷较大并据此说明该公因子的实際含义（公因子命名）。然而得到初始公因子模型后，因子载荷矩阵往往比较复杂不利于因子的解释。这时必须通过因子旋转使得載荷矩阵中的各元素数值向0和1两个极端分化，同时保持同一行中各元素的公因子方差不变这样，通过因子旋转各变量在因子上的载荷哽加明显，有利于对各公共因子给出更加明确合理的解释旋转的方法有正交旋转法、斜交旋转法，最大方差法等比较常用的是最大方差法。

与主成分分析一样在抽取公因子以后，还可以用回归估计等方法求出因子得分的数学模型将各公因子表示成变量的线性形式，並进一步计算出因子得分从而解决公因子不可测度的问题，实现对样本进行综合评价的目的因子得分函数为：

在因子分析结果不理想Φ，理想的情况是某一主因子仅在某几个观测变量上有较强的载荷而在其它观测变量上的载荷值很低，这样就可以直接使用这几个观测變量的综合语义来描述该主因子然而，在某些情况下主因子在各个观测变量上的载荷是均衡的，很难直接从观测变量中抽取出主因子嘚语义在这种情况下，为了使观测变量对主因子的描述更为集中可以通过坐标轴的空间变换来改变主因子，使得每个主因子都可以对應各自的一组描述变量这种变换使几何空间上的数据点更加贴近新的坐标轴，从而使观测变量因不同的主因子而被区分开这就是旋转變换的概念。

对于因子分析结果不理想中的载荷矩阵在经过旋转变换后，如果主因子之间仍保持不相关的关系则称之为正交变换；如果允许主因子之间存在一定的相关性，则称之为斜交变换

为提高公司员工的工作积极性，某公司人事部对公司的员工做了一次工作积极性影响因素的问卷调查问卷包括40个问题。

总共回收了752份问卷对这些数据进行因子分析结果不理想，分析影响员工积极性的因素有哪些并分析该问卷的结构效度的优劣。

（例题数据文件已经上传到QQ群中需要的朋友可以前往下载）

1、选择菜单【分析】-【降维】-【因子分析结果不理想】命令，打开因子分析结果不理想对话框进行下图操作；打开【描述】选项，将原始分析结果KMO和Bartlett球形度检验选中。

2、点擊【抽取】打开下图的对话框，进行如下选择；

3、打开【旋转】【得分】和【选项】按钮，打开对话框进行如下选择；点击【确定】，输出结果

由于KMO值为0.944，表示原始变量之间相关性很强非常适合做因子分析结果不理想；Bartlett检验的 Sig值为0.000，同样说明数据适合做因子分析結果不理想

只有前8个公因子的特征值大于1，所以系统默认提取前8个新变量为公因子从表格中还可以知道，前8个公因子对总方差的解释量为65.345%低于精确解80%以上的总方差解释量要求，但是在社科领域60%以上的解释量，还是可以作为参考信息进行下一步解释的

从碎石图也可鉯看出，从8号公因子以后斜率就非常的平缓了。

所有成分矩阵都是按照因子系数大小排列的并只显示绝对值大于0.35的系数。从表格中可知第一个因子在40个变量中的38个都有载荷，这样不便于对提取的因子进行解释因此，通过因子旋转使因子载荷两极化。

5、旋转后因子載荷矩阵

坐标旋转以后表格就变成了上面的形式，这样不同问题的因子归属就明确了这时，就可以根据因子在哪些变量上有较高的载荷而对因子进行命名例如，因子1反映的是工作伙伴和团队成员的合作因此可以命名为团队合作；因子2反映上级经理管理水平；因子3反映的是公司提供的学习培训机会。

从上表还可以看出该问卷通过因子旋转共获得8个因子。这些因子中最少的包含3个问题，最多的包含6個问题且在这些问题上的因子载荷介于0.403到0.830之间，都大于0.35的最小可接受值这说明该问卷的结构效度很高。