理论教育 受众科技创新性因子分析结果

受众科技创新性因子分析结果

时间:2023-11-27 理论教育 版权反馈
【摘要】:2)因子分析的过程本研究将6个受众科技创新性变量应用上述的因子分析程序。近似卡方值为1 514.319,p值小于0.01,达到显著,表示适合进行因素分析。构成因素2的题目有3个,分别为TI4,TI5和TI6,这3个问项主要反映的是社会心理,受众个体对与众不同的追求,因此可以命名为社会创新因子。

受众科技创新性因子分析结果

5.3.1 受众科技创新性的因子分析

1)因子分析方法

因子分析可以简化测量的那日,将复杂的共变结构予以简化,使得许多有相似概念的便利,通过数学关系的转换,简化成几个特定的同质性类别。进行因子分析需要达到一定的样本规模,Gorsuch(1983)建议样本数最少为变量数的五倍,且大于100。本研究的样本数为452个,达到样本要求。其次一组观察变量是否适合进行因素分析,主要与观察变量之间的相关情形有关,需要有较高的相关性才能进行因子分析。一般有几种方法可以判断相关矩阵的适切性,主要有Bartlett的球形检验(Bartlett's test of sphericity)、KMO量数(Kaiser-Meyer-Olkin measure of sampling adequacy)和共同性(communality)。Bartlett的球形检验需要显著大于0,才能适合因子分析。KMO量数大小判断准则如表5-10。共同性介于0与1之间,越高则表示该变量与其他变量可测量的共同特质越多。

表5-10 KMO统计量的判断原理[2]

img40

本研究具体因子分析的程序是:选取测量变量,以主成分分析法萃取共同变异因子,萃取出特征根大于1的因子,并以最大方差法(Varimax)转轴法对因子进行正交旋转。参照Tabachnica & Fiedell(2007)提出因子负荷标准,剔除掉因子载荷小于0.45,其余测量项目即为相应因子的测量项目。

2)因子分析的过程

本研究将6个受众科技创新性变量应用上述的因子分析程序。首先进行了相关性验证,具体Bartlett的球形检验和KMO量数如表5-11,数据显示,KMO量数为0.797,适合对问项进行因子分析。近似卡方值为1 514.319,p值小于0.01,达到显著,表示适合进行因素分析。转轴后的因子负荷如表5-12,可以看到每个问项均在0.733~0.854之间,显示了较强的相关性。所以本研究的问项适合进行因子分析。

表5-11 KMO量数和Bartlett球形检验

img41

表5-12 因子负荷

img42

萃取方法:主成分分析。

保留特征值大于1的因素,发现共有2个因子构面,分别可以解释58.110%和21.628的变量变异量,累计解释方差为79.737%,已超过40%的接受值,故认为保留的因子构面是合理的。经过转轴分析之后,发现这2个因子构面所包含的题项分别都超过3个问项,因此都能代表各个维度的表达特征,具体见表5-13。

表5-13 转轴后的成分矩阵(a)

img43

3)因子分析的结果(www.daowen.com)

经过以上过程,最终得到两个主要因素,即两个因子构面,构成因素1的题目有3个,分别为TI1,TI2和TI3;构成因素2的题目有3个,分别为TI4,TI5和TI6。

表5-14 总解释方差量

img44

萃取方法:主成分分析。

4)因子构面的信度分析

本研究除了将对整个量表进行信度评估外,还需对不同的分量表进行评估。本部分将对因子构面进行Cronbach'alpha信度分析,具体信度评估如表5-15。

表5-15 因子构面的信度分析

img45

从表5-15可以看出,本研究科技创新性的因子构面的总体信度为0.8547,而萃取出的因素1的信度为0.8800,因素2的信度为0.8609。因此本部分的因子分析信度较高。

5)因子构面的命名

根据表5-16本研究对2个因子构面进行命名。

构成因素1的题目有3个,分别为TI1,TI2和TI3,这3个问项主要都是针对个人寻求刺激的冲动和对新奇的偏好,以及在此过程中的自我感官享受,可以说这3个问项测量的是个体本身的创新性问题,因此可以命名为自主创新因子。

构成因素2的题目有3个,分别为TI4,TI5和TI6,这3个问项主要反映的是社会心理,受众个体对与众不同的追求,因此可以命名为社会创新因子。

表5-16 因子构面的因子负荷

img46

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈