因子分析元分析的三阶段整合模型

因子分析元分析(meta-analysis of factor analyses, MAFA)整合了因子分析和元分析两种方法学传统。开展MAFA方法学研究可结束过去几十年MAFA研究缺乏根据的状况, 服务心理学等领域内的知识生产。三阶段整合模型认为MAFA包括数据准备、数据合成和数据分析三个主要阶段。模型及数据合成技术的有效性将用心理测量学方法, 包括蒙特卡洛模拟研究进行检验。研究结果将阐明正确运用MAFA的一般规则、操作步骤和注意事项, 进而增进我们对MAFA的认识, 丰富应用心理等领域的方法学体系, 为MAFA方法的推广应用奠定基础。     

大学生传统人际价值观的探索性与验证性研究

选取传统谚语、俗语中关于人际关系的语句编制成传统人际价值观问卷,通过探索性因子分析,构建传统人际价值观的维度。并通过验证性因子分析检验理论构想的拟合性。探索性因子分析中,一阶因子分析抽取了14个因子,对14个因子进行二阶因子分析又抽取了人际道德、人际亲疏性、人际防御、人际智慧4个主因子。根据这一结果建构了一个含有人际道德、人际亲疏性、人际防御三个主因子的模型。在验证性因子分析中,对模型进行修正,使之分别含有4个、3个、2个次因子,经检验,模型的拟合比较良好。     

探索性因子分析及其在应用中存在的主要问题

探索性因子分析的发展非常迅速,已成为教育与社会心理学领域中最常用的统计方法之一。本文全面介绍了探索性因子分析的基本原理,阐述了其发生的机制及基本过程,对其在教育、心理领域应用中存在的问题进行了总结,并针对应用中样本容量和观测变量数目不够、因子求解方法的误用、因子数目的确定标准及因子旋转中存在的问题、因子值缺乏重复验证性、研究结果呈现形式不规范、过于依赖SPSS、缺乏主动性等问题提出了一些相应的建议。     

高校教师组织承诺结构维度及其测量

本研究通过访谈、文献分析、问卷调查,采用探索性因子分析和验证性因子分析等方法,探讨了高校教师组织承诺的结构维度.结果显示,高校教师的组织承诺结构由感情承诺、理想承诺、关系承诺、条件承诺、持续承诺和责任承诺六个因子构成.     

新世纪20年国内测验信度研究

随着验证性因子分析模型的应用, 信度研究进入了崭新的发展阶段。新世纪前20年国内有关测验信度的研究有三条发展主线。一是基于验证性因子模型的信度发展, 包括同质性系数、合成信度、最大信度等; 二是数据类型的拓展, 包括两水平和追踪数据的信度; 三是信度用途的拓展, 如评分者信度、编码者信度等。对于通常的测验(题目之间的测量误差不相关), 如果α系数够高, 信度就够高; 否则使用合成信度。如果一个统计模型中所有变量的合成信度都很高(超过0.95), 使用显变量建模与使用潜变量建模的结果差别不大; 否则, 使用潜变量建模较好。     

儿童元认知发展的研究综述

文章介绍了元认知的基本内涵及其要素,回顾了近30年来国内外有关儿童元认知发展的研究成果,对儿童元记忆、元注意、元理解和元学习等方面的发展研究给予了重点介绍,并指出了存在的问题和今后研究的方向。     

实验性示范性高中高三学生主观幸福感结构分析

本研究在文献分析的基础上,结合国内外已有的主观幸福感量表,通过访谈、开放式问卷等方法,构建了上海市实验性示范性高中高三学生主观幸福感的理论维度,并据此编制了示范性高中高三学生主观幸福感量表.对量表进行探索性因子分析和验证性因子分析后表明:实验性示范性高中高三学生主观幸福感包括良好亲子关系体验等六个维度,量表具有良好的信度和效度.     

探索性结构方程建模(ESEM):EFA和CFA的整合

探索性结构方程建模(ESEM)是在测量模型部分使用了类似于EFA模型的SEM.作为一种高级统计方法,ESEM整合了EFA和CFA两种因子分析方法的功能和优点.通过ESEM,研究者既可以灵活地探索因子结构,又可以系统地验证因子模型,为潜变量的关系分析提供更适宜的测量模型.ESEM已经在某些社科领域的研究中得到应用,是一种值得推介的因子分析方法.ESEM的具体应用问题,例如因子旋转方法的选用、测验信度评价等,仍有待探讨.     

关于VC-E之间信任的构念维度研究

创业投资家(VC)与创业企业家(E)之间信任已经成为创业研究的热点,但是这一构念的维度尚未得到充分的讨论和研究。本文基于中国VC和E的数据用验证性因子分析和Cronbachα系数验证了信任构念的有效性和可靠性,结果表明:VC-E之间的信任包括谋算性信任、了解性信任和认同性信任三个维度。这一构念符合VC-E之间关系的多维度特点。     

神经成像数据的元分析

随着高空间分辨率神经成像技术如fMRI和PET的普及, 神经成像研究报告的数量增长迅猛。文献的积累为研究者提供了大量的数据, 研究者可以通过对文献的分析来验证研究结论以及提出新的假设。由于神经成像研究的主要目的之一在于寻求认知过程与脑区的空间位置对应关系, 基于坐标的元分析方法满足了这种需求, 成为神经成像数据元分析中主导的方法。其中, 激活可能性估计法(Activation Likelihood Estimation, ALE)由于方法上的合理性和使用上的便利, 成为当前使用最广泛的基于坐标的元分析方法。本文首先介绍了ALE方法的基本原理, 并在此基础上讨论了神经成像数据元分析的两种主要思路：寻找多个研究的一致性以及寻找脑区激活的调节变量。此外, 文章还介绍了新近流行的脑连通性元分析模型(MACM), 即使用元分析方法进行功能连通性分析。最后, 文章讨论了当前神经成像数据元分析的发展趋势。     

Simplimax: Oblique rotation to an optimal target with simple structure

Factor analysis and principal component analysis are usually followed by simple structure rotations of the loadings. These rotations optimize a certain criterion (e.g., varimax, oblimin), designed to measure the degree of simple structure of the pattern matrix. Simple structure can be considered optimal if a (usually large) number of pattern elements is exactly zero. In the present paper, a class of oblique rotation procedures is proposed to rotate a pattern matrix such that it optimally resembles a matrix which has an exact simple pattern. It is demonstrated that this method can recover relatively complex simple structures where other well-known simple structure rotation techniques fail.This research has been made possible by a fellowship from the Royal Netherlands Academy of Arts and Sciences. The author is obliged to Jos ten Berge for helpful comments on an earlier version.     

全息项目因素分析在心理学研究中的应用

文章首先指出了经典线性因素分析的种种局限;然后介绍了一种基于“被试—项目矩阵”而非仅仅协方差矩阵或相关矩阵的全息项目因素分析,该方法能克服经典线性因素分析的种种局限,在心理学研究中尤其是人格研究中有着其他因素分析方法不可替代的作用。     

Dimensionality of the Multiple Affect Adjective Check List-Revised: A comparison of factor analytic procedures

The purpose of the study was to determine the factor structure of the revised Multiple Affect Adjective Check List (MAACL-R). The data from 307 undergraduate students who completed the MAACL-R were factor analyzed using both principal-components and principal-axis techniques. Based upon research with the original MAACL, two- and five-factor solutions to the MAACL-R factor structure were examined. The principal-components and principal-axis techniques yielded similar item loadings for each solution and the results of both techniques indicated the superiority of the two-factor solution. The two identified factors could be best characterized as representing independent dimensions of negative and positive affect. These findings are interpreted as providing support for the use of the MAACL-R summary scores of Dysphoria and PASS (Positive Affect and Sensation Seeking) rather than for the use of the five MAACL-R subscales.     

Factor Analysis of Scales Composed of Binary Items: Illustration with the Maudsley Obsessional Compulsive Inventory

It is well known that traditional factor analytic methods are designed for use with continuous data, and suboptimal for items with 2 response options (i.e., binary items). Nevertheless, traditional methods have been employed in all previous assessment of the dimensionality of the Maudsley Obsessional Compulsive Inventory (MOCI), a true/false measure of obsessive–compulsive symptoms ( R. J. Hodgson &; S. Rachman, 1977). The aim of this paper is to illustrate 2 techniques that are more suitable for factor-analyzing binary items than traditional methods, through application to the MOCI (n = 1,080). Computer files for use with the TESTFACT (D. Wilson, R. L. Wood, &; R. Gibbons, 1991 ) and Mplus (Muthén &; Muthén, 1998) computer programs are provided. Results from an inappropriately applied principal axis factor analysis are presented for comparison, and factor structures, loadings, and interfactor correlations are compared across methods.     

Necessary Conditions for Mean Square Convergence of the Best Linear Factor Predictor

Several sufficient conditions are available for mean square convergence of factor predictors. A necessary and sufficient condition is given in the Heywood case with respect to (confirmatory) factor analysis. This condition generalizes that of Krijnen (2006) and performs better than a signal-to-noise type of condition (Schneeweiss & Mathes, 1995). The author is obliged to the reviewers for their stimulating remarks. Requests for reprints should be sent to Department of Psychology, Psychological Methods, University of Amsterdam, Roetersstraat 15, 1018 WB Amsterdam, The Netherlands.     

External analysis with three-mode principal component models

Through external analysis of two-mode data one attempts to map the elements of one mode (e.g., attributes) as vectors in a fixed space of the elements of the other mode (e.g., stimuli). This type of analysis is extended to three-mode data, for instance, when the ratings are made by more individuals. It is described how alternating least squares algorithms for three-mode principal component analysis (PCA) are adapted to enable external analysis, and it is demonstrated that these techniques are useful for exploring differences in the individuals' mappings of the attribute vectors in the fixed stimulus space. Conditions are described under which individual differences may be ignored. External three-mode PCA is illustrated with data from a person perception experiment, designed after two studies by Rosenberg and his associates whose results were used as external information.We gratefully acknowledge the assistance of Piet Brouwer in implementing the external analysis options in the TUCKALS programs.     

探索性因素分析、目标旋转与因素结构的一致性

在因素结构水平上评估跨群体的一致性是在心理学研究中常常遇见的一个问题,对此问题的解答,可以选择探索性因素分析→目标旋转→一致性评估这一途径。本文首先介绍正交目标旋转的简单原理,然后介绍其在心理研究中的应用以及相关软件和程序。目标旋转之后,结构一致性的量化可以采用一致性系数等指标,这些指标可采用一定的实证分布、近似处理或经验标准进行统计检验。之后采用一项实证数据,演示探索性因素分析、目标旋转以及结构一致性的评估方法。     

A look,by simulation,at the validity of some asymptotic distribution results for rotated loadings

In the last few years, a number of asymptotic results for the distribution of unrotated and rotated factor loadings have been given. This paper investigates the validity of some of these results based on simulation techniques. In particular, it looks at principal component extraction and quartimax rotation on a problem with 13 variables. The indication is that the asymptotic results are quite good.     

大学生社会适应性问卷的初步编制

在理论分析的基础上,结合国内外的研究成果,通过探索性因素分析和验证性因素分析,编制大学生社会适应性问卷。结果发现,(1)问卷由自我调节、自我评价、学习管理、就业准备、人际交往、角色适应六个分量表构成。(2)各分量表及问卷的a系数分别为0.859、0.847、0.826、0.742、0.751、0.757、0.902。(3)验证性因素分析所提取的6个因子构建的模型拟合较好。问卷具有较好的信度和效度,可以用于大学生社会适应性的测量。