amos⾥CFA可⾏性辨别结果怎么看_论⽂⽤问卷调查法，数据
分析怎么做？
论⽂问卷数据的分析，看起来简单，好像每个⼈都会做。但是做起来还真的有点难度。很多初次使⽤问卷调查⽅法的⼈⼤多以为，问卷数据分析嘛，⽆外乎对单选题做做频率分析，看看选择不同的选项的⼈占⽐有多少。对于评分题⽬，看看均值是多少，不同性别，年龄段的⼈均值是多少。对于⼀般的⼩调查，这样粗略的分析可能够了，但是对于学术论⽂中的问卷分析⽽⾔，以上所做的⼯作，只是其最简单的⼀部分，后⾯还有⼤量的⼯作要做。
更让新⼿们⽐较着急的是，统计软件即使实现了数据分析过程的⾃动化，但是其输出的结果也并不能直接使⽤，还需要经过⾃⼰的整理才能放到论⽂当中去。
问卷处理
回收问卷后的具体操作步骤
当我们把收集到海量数据之后，最重要的是回过头分析⾃⼰的研究⽬的，只有明晰⾃⼰研究的初衷，得出的结论才能为⾃⼰的研究所⽤。问卷中设置的各项问题也是围绕我们的研究⽬的展开的。
怎么做数据分析理清⾃⼰的研究⽬的之后，就可以对回收的问卷数据进⾏分析了。依据调查结果，对问卷中每⼀个问题的回答情况进⾏编码统计。调查问卷得到的数据我们可以有两种分析⽅法，即定性分析和定量分析。
定性分析依靠研究者以⾃⼰的专业知识并采取不同的分析视⾓，对所得的数据进⾏编码分析。但这种⽅法存在较⼤的主观性，会受到研究者专业知识⽔平和主观意识的影响。所以，在通常的研究中采⽤定量研究的⽅法更多，本⽂给⼤家介绍的也是定量分析数据的⽅法。
在使⽤定量研究时，⼀般采⽤专业的数据分析软件将问卷调查中得到的数据进⾏分析，在教育研究领域⽤得⽐较多的数据分析软件⼯具如Excel和SPSS。在使⽤统计软件时，我们⾸先要做的是将得到的
数据录⼊软件，再根据⾃⼰的研究⽬的调⽤适当的分析⽅法，最后保存分析结果即可。
本⽂主要就回收数据之后我们应该从哪⼏个⽅⾯分析数据进⾏介绍。
识别⽆效问卷
问卷回收后，⾸先就需要剔除⽆效问卷，判断其可信性。在剔除⽆效问卷的同时，还需要保持⼀个较⾼的问卷回收率。⼀般来说，回收率如果仅有30%左右，资料只能作参考；50%以上，可以采纳建议；当回收率达到70~75%以上时，⽅可作为研究结论的依据。因此，问卷的回收率⼀般不应少于70%。
空⽩较多的问卷、未完成的问卷很容易被识别和剔除，但有些表⾯上完整的问卷也可能存在种种问题，需要进⼀步辨别。常见的⽆效问卷还包括：
（1）选择单⼀选项。⽐如全部都选B，或者—半选A⼀半选B。
（2）随意填答（回答者随机选择答案）。这种情况在没有测谎题的问卷中较难发现，但有时通过对完全相同的题⽬或相近题⽬进⾏对⽐仍可判断出来。
（3）多⼈同种答案。这种情况在当场回收的问卷中较少，多出现在在同⼀单位集体发放问卷、经⼀段
时间后回收的情况下，有些被调查可能相互抄袭应付，或者⼀个⼈填答⼏份问卷。这样的问卷显然不能反映真实情况，都应作为废卷处理。
信度检验
信度检验是对调查问卷的可信度进⾏检验的⽅法，常见的信度检验⽅法有重测信度检验、折半信度检验、复本信度检验等。在李克特态度量表法中常⽤的信度检验⽅法为 Cronbachα系数，α信度系数主要反映量表的内部⼀致性信度，α系数越⾼，代表量表的内部⼀致性越⾼。下表是α信度系数的判断标准。
效度检验
效度检验是指对调查问卷的有效程度进⾏的检验，常见的检验⽅法有内容效度检验、准则效度检验、结构效度检验等。效度检验⼀般可以请领域专家进⾏分析判断，也可以使⽤统计软件进⾏分析。
刘⽂超在他的博⼠学位论⽂中基于结构⽅程模型的AMOS软件进⾏验证性因⼦分析（CFA），如下表：
从上图表中得到的信息较多，现仅就聚合效度分析数据展开分析。平均⽅差提取量（AVE）是⽤来进⾏聚合效度分析的有效⼯具，可以显⽰被潜在构念所解释的⽅差有多少是来⾃测量误差，平均⽅差提取量越⼤，指标变量被潜在变量构念解释的⽅差百分⽐越⼤，相对的测量误差就越⼩，⼀般的判断标
准为⼤于 0.5。显然，从上表中我们得知，⼗个因⼦中有⼋个因⼦的 AVE值⼤于 0.5，但是也有评估和⾓⾊两个因⼦的 AVE 值⼩于 0.5，但是⾮常接近 0.5。这说明该研究的相关数据具有较好的聚合效度，基本符合要求。
相关分析
相关分析是对研究变量间统计关系强弱程度进⾏测量的⼀种⽅法，通常使⽤Pearson系数来表⽰，也有通过绘制散点图的⽅式来反应变量之间的相关性。
回归分析
回归分析的⽬的是从数量上对具有相互联系和⼀定因果关系的现象进⾏描述，通过分析这些变量间的关系，以⼀个数学模型的形式近似的反应出这些变量间的变化关系。根据研究中⾃变量和因变量的关系，可以分为线性回归和⾮线性回归；根据⾃变量的数量则可以分为⼀元回归分析和多元回归分析。
回归分析中主要通过t检验来验证变量间的线性关系是否显著，即在特定的显著性⽔平下，检验回归系数是否为0，若 t 值⾼于⼀个特定的对应值，则回归系数不为0，回归有效。对于拟合优度则主要依据判定系数R2以及F检验。R2数值越⾼越好，因为它反映的是模型中能够被解释的内容所占的⽐例。F值反映的是对整个回归⽅程的显著性，同样R2⼀样，F值也越⾼越好，理论上要求F检验的值⾄少要⾼出⼀个给定的⽔平，才能保证回归⽅程的显著性。
以企业参与动机的提⾼⽣产效率、改进服务质量和提⾼顾客满意度三个因⼦为⾃变量，以共同创造服务体验整体为因变量进⾏回归分析，如下表：
表2 企业参与动机与共同创造服务体验回归分析模型汇总
表3 企业参与动机与共同创造服务体验回归分析中的⽅差分析
表4 企业参与动机与共同创造服务体验回归分析系数
从表 2 能看出，回归模型中R2值为 0.087，调整后的R2值为0.073，说明⾃变量共计解释了总体⽅差的7.3%。从表3能看出，回归分析中的 F值为6.174，在0.01 ⽔平上显著。从表 4能看出，三个⾃变量中，有两个变量的回归系数不显著，只有第三个⾃变量的回归系数在0.05⽔平上显著。数据表明，假设 H1a 和假设 H1b 没有得到⽀持，假设 H1c 得到⽀持。从⽽说明，提⾼顾客满意度与参与共同创造服务体验存在正向相关关系。
结构⽅程模型分析
它融合了传统多变量统计分析中的“因素分析”和“线性模型的回归分析”的统计技术，对于各种因果模型可以进⾏模型辨识、估计与验证。