第七节 变量的测量（二）在线视频

同学们大家好

欢迎来到管理定量方法课程

我是今天的主讲老师 杨老师

第七讲

我们来学习变量的测量第二部分

这部分内容我们接着上一讲

会讲到尺度的设置

和如何提高度量的可靠性

尺度的设置中

我们主要讨论

多项目与多项目的度量

因为概念通常具有多维性

而抽象的概念

真实值无法直接测度

在概念已经明确定义

概念意义已经确定的情况下

研究者

要生成符合概念域用来度量概念

每个维度的项目域集合

与概念

与之对应的项目集合

称之为概念域

如果概念域中的项目

与拟度量的概念维度

和元素相对应

并且用概念域中

所有项目来度量概念

那么项目的度量值

即为概念域的真实值

这是不可能做到的

实际中

很难用单一的标准

来度量复杂的变量

特别是观点

和倾向这类复杂的变量

单一的标准

只能提供某变量

大概的情况

几种数据的组合

则可以提供更全面

更准确的情况

在使用问卷调查的时候

没有任何一个问题

可以单独描述一个变量

应当设计若干的问题

每个问题代表变量的一部分

如果用定序尺度处理变量

单一的标准

很难提供足够的类别

而有几项内容

组合成指标和尺度

却可以做到这一点

我们这里边给大家举了一个例子

比如说

在创新管理研究中

研究团队创新氛围的测度

West在1994年开发了量表

他认为在测量团队创新氛围的时候

有以下的一些测量条目

可以用来形成团队

创新氛围的项目

比如说

团队目标清晰性

认同目标的程度

目标的共享性

目标可实现性

信息共享

集体归属感

安全性

人际关系

互动频率

共同寻找新思路

寻求新答案

花时间解决问题

相互合作

提供实际的支持

追求好业绩

为高行业绩效交流想法

为高业绩明确评价成员

实际上

这些测量的条目

测度了

团队创新氛围的两个参考维度

一个是目标的认同性

另外一个是任务导向

在开发这些测量条目概念域的过程中

我们需要注意以下的四个问题

第一

项目必须根据经验

与被测量的概念是相关的

第二

项目必须把所测量的维度

持有不同观点的人区别开

第三

要避免双关的

或含糊的项目

第四

项目既要包括积极的

也要包括消极的方向

这样防止测量中

默许的回答

在实际的操作过程中

我们使用最多的

就是里克特尺度

里克特尺度

是现代调查问卷中

普遍采用的提问格式

它的基本形式

就是给出一个陈述

按照同意的程度

进行项目的排列

要求调查对象

表明他强烈赞成

赞成

反对

强烈反对

或者未决定的意图

这种格式的特殊价值

在于答案

具有明确的顺序

且容易评定分数

有5种答案

则评分为0~4

或者1~5

这就是我们常用的

5分度里克特量表

里克特量表的尺度

要求概念是一维的

如果是多维的概念

要求将其细分为

多个维度的子集

里克特尺度

可以是由一组问题组成的

但每一个问题

都是一种观点的判断

要求受试者

在列出的赞成

或者是反对的等级尺度中

选择一个值

我们举一个例子

对超市顾客满意度的一个调查量表

调查问卷中的量表

可以发现

其里克特尺度

明显的特征是

为了避免产生的偏差

所有问题都按照正向提问

和反向提问

分成数目相等的两类

并分别以正号

和负号标识两种提问

最后分别统计

正向的题目得分

以及负向题目的得分

可以看到

里克特尺度的量表

我们可以提以下的6个问题

第一 服务人员的态度是否友善

二 一个负向的问题是

结账速度很慢

第三 商品的价格合理

第四 商品齐全

五 马上是一个反向的问题

营业时间不方便

六 购物路线不清楚

也是一个反向的问题

我们都用了

5分度的里克特尺度量表

来进行尺度的度量

总结来看

在使用里克特尺度度量的过程中

分成以下几步

可以达到科学制定量表的过程

第一 使用里克特尺度

度量某一个概念

要明确测量态度

涉及的基本的理论概念有哪些

第二 总结归纳出与态度相关的项目

第三 要求被调查者作答

第四 计算分值

第五 分析哪些项目

会对测量的可靠性

和价值贡献最大

里克特尺度

有自己的优点和不足

里克特尺度

在制作过程中简单

用途广泛

结论可靠

调查内容有一定的深度

可以用来测试

具有多维尺度的内容

是一种应用广泛的方法

学校里

让学生对于教师的教学效果

进行评估

所用的调查问卷

往往也包括了一组

采用里克特尺度来度量的问题

里克特尺度的不足在于

没有给出

关于主题接受范围的信息

所以

我们要正确的认识度量的方法

我们发现

不存在完美无缺的度量方法

各种度量方法

都只能够近似的代表研究的对象

尺度设置

对于提高测试的结果

有效性

起到了非常重要的作用

而在尺度设置过程中

经常要通过反复的试用

和对结果进行分析

对度量方案加以修改

那么如何提高度量的可靠性

第四个问题

我们来讨论

提高可靠性的方法

有两大类的统计方法

可以帮助我们来提高

问卷量表的可靠性

一种 是采用克隆巴赫阿尔法系数

来测度项目间内部一致性

克隆巴赫阿尔法系数较低

表明项目样本

与概念域缺乏吻合性

这时需要剔除那些

与多数项目相关性较小的个别项目

如果概念有多维

克隆巴赫阿尔法系数

需要在每一维内

分别计算

并且在每一维内

去除不符合概念域的项目

第二 可以利用因子分析

Factor Analysis

这种方法

可以检验概念的维度

如果克隆巴赫阿尔法系数

足够大

并且因子分析发现

维度与概念域中描述的是一致的

就可以得到

令人满意的度量设计

否则需要返回前面的步骤

继续改进度量的设计

我们先给大家来讨论一下

信度分析的基本过程

对量表进行信度分析

考虑的是

量表测量过程中

某个概念条目的内部一致性

信度分析的基本原理是

对量表的有效性进行信度的分析

考虑的是

量表测度的某一个概念条目的

内部一致性

我们可以用IBM SPSS软件

对量表进行内在信度的分析

那么克隆巴赫阿尔法系数

表示的是测量量表的内部一致性

它的计算过程有如下的两步

第一 软件会帮助我们计算各种量表中

评估项目的相关系数矩阵

并计算相关系数的均值

第二 计算克隆巴赫阿尔法系数

它的数学定义为

克隆巴赫阿尔法系数

就等于k乘以R拔除以1

加上k减1括起来再乘以R拔

K是评估项目数

R拔是k个测量项目相关系数的均值

克隆巴赫阿尔法系数的

评判标准是什么

在我们使用

克隆巴赫阿尔法系数

评估问卷的

内部一致性信度的时候

有一系列的统计经验

克隆巴赫阿尔法系数大于0.9

则认为量表的内在信度很高

如果克隆巴赫阿尔法系数大于0.8

我们认为问卷的内在信度较高

克隆巴赫阿尔法系数低于0.7

说明问卷设计存在缺陷

这个标准是个统计的经验

如果不符合这个标准

问卷设计是存在一定风险的

另外

IBM SPSS软件

在应用的时候

信度分析应针对问卷各个子方面

或者是潜变量

进行逐个的验证

一般不直接对整个的量表进行分析

如果问卷设计中

存在着一些反向的问题的时候

应对它们进行反向的处理

再进行信度的分析

我们给大家展示

IBM SPSS软件

在信度分析中的一个应用

输出的结果

会有以下的几项

剔除某评估项目后

剩余项目的总平均分

剔除某评估项目后

剩余项目的总分的方差

某评估项目

与剩余项目总分的简单相关系数

某评估项目

与其余项目的负相关系数

剔除某评估项目后信度系数

最后一项

剔除某评估项目后的信度系数

可以帮助我们进行量表的纯化

比如

我们这里边输入了8个条目

来进行一个概念的度量

分别是d1到d8

我们把数据

输入IBM SPSS软件系统中

进行克隆巴赫阿尔法系数的一个检验

克隆巴赫阿尔法系数

在剔除某一个项目之后的系数大小

我们在跟整体的8个项目

克隆巴赫阿尔法系数0.879进行一个对比

可以看到没有一项被删除

因为删除任何一个条目

都不可以提高整个量表的信度

所以说

当我们发现一个测量的条目

在删除之后的信度

要超过0.879的话

我们可以把这个项目删除掉

具体的

我们给大家展示一下

IBM SPSS软件

在克隆巴赫阿尔法系数

计算过程中的一个应用实例

我们打开了一组数据

这个数据是一个量表数据

一共有15个题项

d1 d2 d3 一共到d15

一共15个条目

在测度同一个潜变量

我们看一下样本

往下拉

一共是218个被试样本来填了问卷

我们把整个问卷的信度测度一下

信度克隆巴赫阿尔法系数的测度

在软件的分析功能里

有一个非常重要的功能叫标度

标度里第一个就是可靠性分析

可靠性分析就是信度分析

我们打开

打开之后需要对整个量表进行分析

我们点全选Ctrl A

全选所有的测度指标

把它们点进去

计算的模型就是克隆巴赫阿尔法系数

还有一个地方大家需要注意

一定不要忘记点一下统计

点统计这里

会有一个删除项后的标度

删除项后的标度

用于测度剔除某个评估项目之后

剩余项目的信度系数是多少

点继续

然后直接点确定就可以了

可以看到

在个案的处理摘要中

一共有218个样本

得到的所有样本的

15个测量条目的

克隆巴赫阿尔法系数是0.923

一共测量的项目是15个

好 我们再看这张表

一共生成了4列

第1列

是删除某项后这些标度的平均值

第2列 是删除项后标度的方差

第3列 是修正后的项

总计的相关系数

最后一列

是删除某一个项之后的

克隆巴赫阿尔法系数

也就是把某一个项目剔除之后

总的克隆巴赫阿尔法系数是多少

我们可以看到

若把d1删除

剩余的项目的

克隆巴赫阿尔法系数就是0.919

那么删除d1之后

整个量表的信度会下降

所以d1是不需要被删除的

那么d2被删除之后

整个量表的信度是0.918

量表的信度也是在下降的

但是删除d9之后

量表的信度是0.926

比原来的克隆巴赫阿尔法系数

0.923要高了

所以说

d9是值得被删除的

以上就是对量表进行的信度分析

我们采用的测度指标

是克隆巴赫阿尔法系数

好 这节课就讲到这里

同学们再见