翻译

以克隆巴赫系数为例

Verner, Hecht,和Fansler(1998)着手开展一项有科学依据的关于体育运动捐赠动力的研究.通过利用一篇广泛详尽的文学评论和与捐赠者的定性采访,研究人员确定了关于捐赠动力的14个特征,然后在专家的进一步筛选和关于研究中潜在的各个项目现场试验之后减少到12个特征.这项研究中的一项关于飞行员的测验有500名被随机挑选的体育运动捐赠者,10所密苏里谷会议各有50名参与者.最后回复的人数有296个人(达到了59%的回复率),这些研究中的255项被认为很实用.这项研究中的项目属于一系列的统计测试,克隆巴赫系数被用来比较与被认可的体育运动捐赠动力的内在一致性.这些动机包括参与次等事件(α=84),公众赏识(α=77),给予时间和能量(α=91),内部消息(α=86),优先治疗(α=72),慈善（α=83）,合作（α=83），创造力（α=83），变化（α=86），好奇心（α=85），力量（α=83），忠诚（α=53）。因此关于忠诚动力的克隆巴赫系数低于由Nunnally和Bernstein(1994)规定的0.7这个被推荐的临界点。鉴于不够标准的克隆巴赫系数数值（也是随后被用来讨论的在一项用于证实的因素分析中不够标准的系数）,研究人员决定将研究忠诚动力的项目从这项研究之能够取消。因此，最后关于这项研究的看法包括针对体育运动捐赠动力而引发的11个因素。同时，无论如何，研究人员建议由于在他们挑选的样本中假定存在的环境和行为因素的潜在影响应增加一些额外的研究来检验忠诚因素。

探索因素分析和主要成分分析

当研究人员询问一个工具的基础结构或者想减少独立可变物的数量时，他们可能认为进行例如探索因素分析和主要成分分析这样对结构的分析很合适。这些分析有一个共同的目标：使几个相关的，独立的可变物化合为更少的，更基础的因素，因而展示了一种与数据一致的简单的“内部结构”。必不可少地，探索因素分析和主要成分分析是易变化的转换技术，而且他们通过决定哪些可变物聚集在一起，哪个导致正如希望的那样几组可变物测量了一个普通的构成物来减少可变物的数量。这个过程是无理论基础的，意味着它不是被预先选择的理论所驱使并且没有使用统计学这个捷径来将一系列可变物减少到一批更加简明扼要的可支持其探索本性的可变物。结果，研究人员必须时刻确定与真实世界中的实体相一致的这些易变化的转换技术的成果。（研究人员应该检验内容的成果或者面对其正确性）。如果成功了，探索因素分析和主要成分分析程序确定了一套新的可以解释所有的或者几乎所有的以前被一套更大的可变物解释的变化的可变物。

统计学家大体上认为大一些的样本和小一些的样本相比更可取因为他们会尽可能的使错误发生的可能性降低，使人口估算的准确性最大化，并且提高结果的概括归纳性，但是统计学家在推荐探索因素分析和主要成分分析样本尺寸这个问题上有点儿分歧。一些统计学家推荐一种完完全全地最小的样本尺寸，Guadagnoli和Velicer(1988)关于提供这样建议的研究的回顾认为建议从50条（Barrett和Kline,1981）变化到400条（Aleamoni，1976）另外，Comfrey和Lee(1992)认为“样本尺寸大小的适合度可能在以下的范围下粗略估算：50（非常差），100（差），200（正常），300（好的），500（非常好），≥1000（极好的）”然而，其他统计学家坚持认为设置一个完全最小的样本尺寸有些过分简单化的。这些统计学家坚持认为样本的尺寸大小应该根据问卷中项目的数量来计算，它们的建议从使用至少一个5：1物物兑换比率（Gorsuch，1983；Hatcher，1994）变化到使用至少一个10：1物物兑换比率（Nunnally，1978）。统计学家之间关于使用一个完全地最小样本尺寸或者在计算探索因素分析和主要成分分析样本尺寸大小的物物兑换比率问题上缺少相同意见是不幸的，因为一个不足够大的样本尺寸的结果是相当重要的：不稳定的负荷（Cliff，1970）随意的，不可重复的因素（Aleamoni，1976;Humphreys,Ilgen,McGrath,,Montanelli,1969）;人口变化的缺乏（MacCallum，Widaman，Zhang Hong，1999）。直到达成共识，对于研究人员来说当考虑它们样本尺寸的准确性并且尽可能保守地阐释样本尺寸时使用来自两大阵营

的衡量标准。

在讨论用于结构分析的程序之前，我们将传达出与这样分析数据相关的一些特殊的术语。可变物经常指因素或者，在主要成分分析中，作为成分来讲。一个可变物通常由在一个特定的特征或者因素上聚集在一起的单独的问卷项目组成。任何探索因素分析和主要成分分析的一个重要输出信息是一个因子载荷，它被阐述成为带有一个基因的原始可变物的Pearson相关系数。与一个相关系数类似，因子载荷从负1变化到正1，即使可变物可能在所有因子上有一些载荷，它们通常只在一个因子上有较高的载荷。提取是因子由一系列较大可变物决定的一个过程。通过对因子载荷数据的估算，研究人员能将一个特殊的因子鉴定为一个可变物并且可根据反映各个项目集中测量的数据来命名它。

特定的术语在易变化的转换技术方面也被用来与方差的测量保持一致。一个特征值表明被每个因子或者成分解释的方差的数量。特征值通常在陡坡图中被表示出来，在图中标明每个特征值的数量（纵轴）与序数相对比（横轴）。陡坡图在决定记忆因子最大数量方面很有用。术语公共性指的是在由普通因子解释说明的被观察的可变物发生的变化。公共性允许研究人员检验个体的可变物如何反映变异性的来源，并且在探索因素分析方面广泛应用。

探索因素分析和主要成分分析最基本的区别在于在一份主要成分分析里变异性（独一无二的，共享的，错误变异性）所有的来源是为每个被观察的可变物被分析的，然而在一份探索因素分析里只有共享的变异性才会被分析。结果，主要成分分析分析方差，探索因素分析分析协方差。必不可少地，主要成分分析被用来寻找将可变物化合为一小部分子集的最理想的方法，探索因素分析被用来鉴定基本可变物的结构并且估算潜在因子的尺寸（构成物不能直接被测量）。当目标是为了从一系列数据中将最大方差提取出来时主要成分分析是提取因子时最常用的方法，导致一些不相关的成分。如果一个研究人员最初打算进行回归分析但是不能这样做因为被观察的变异性很大长度上不相关，一份主要成分分析允许研究人员创造不相关的加权的被观察的变异性线性组合（主要成分刻痕）它解释在数据里的一些最大数量的方差。简单来说，一份主要成分分析的目标是解释相同数量的方差和很少的可变物。例如，对于一个渴望把一个容纳150个项目范围缩小到一个更小的，更简洁仪器的研究人员，主要成分分析将会更加有用。

然而，如果分析的目的是确定潜在的因子的数量并且确定一批可变物的潜在因子结构，探索因素分析可能成为首选的易变化的转化技术。在某种意义上，探索因素分析允许一名研究人员为了建立一套不把事先构成的结构强加于模式的一中测量好的可变物可探索一种潜在的可能的因子结构。

主要成分分析把共享共同的方差的独立的可变物分组，然后为了更长远的调整把这些因子划分给一种叫旋转的过程。正交旋转被广泛的使用，因为它的目标是为了决定一套最终与其他因子无关的因子，当展开一项关于独一无二的因子的研究时这种因子经常是一名研究人员的目标。正交旋转的类型包括最大方差法，四分最大正交旋转和等极限轴转并且当一名研究人员想将结果的普遍性最大化时，这些类型会被普遍使用。另一方面，倾斜旋转可使因子与其他因子不产生联系；结果，倾斜旋转使数据与结构的契合度达到最大限度。

当人们进行一份主要成分分析时，一名研究人员，理所当然，最终会决定是否要保存一个因子。幸运地是，几条准则对于研究人员做这样决定具有指导作用。首先，研究人员可借鉴阐述保存特征值大于1的仅有的成分的Kaiser规则（Kaiser，1960）。其次，研究人员为了观察内行中一个急剧的转弯处可检验陡坡图。Stevens（1992）提议在第一个发生阶段影响的转弯处之前在剧烈斜坡的内行中保存有特征值的所有成分。然后，研究人员为解释方差而设定了一个预先指定的临界点并且保存和阐释说明所有方差中一些特定数量的所有因子。如果这种观点被采用，Stevens（1992）提议为了解释方差使用70%作为最小临界值。最后，在对合适模式的评估的基础上研究人员可做保留的决定。如果合理靠近的不相关事物