因素分析的樣本量得多少

2021-02-08 SPSS學堂

作者:晃晃悠悠 審核:X 封面:自己想吧

        樣本量就是樣本中所包含的單位的個數,即抽樣單位數。樣本量直接影響抽樣誤差、調查的費用、調查所需的時間、調查訪員的數量以及其他一些重要的現場操作的限制條件。樣本量過大,會造成人力、物力和財力的浪費;樣本量過小,會造成抽樣誤差增大,影響抽樣推斷的可靠程度。

       進行因素分析時,樣本應該多少才能使結果最為可靠,學者間沒有一致的結論,然而多數學者均贊同因素分析要有可靠的結果需要受試樣本數比量表題項數還多。根據學者的研究,樣本的數量主要取決於量表的題目數量。

       學者Gorsuch( 1983)的認為:題項與受試者的比例最好為1: 5,總樣本總數不得少於100人。學者Stevens(2002)對於因素分析程序的樣本大小與因素可靠性間的關係提出以下看法:樣本大小視分析變量數目而定,一般的標準是每個變量(題項)所需的樣本數要介於2位至20位之間,但使用者要獲得可靠的因索結構,每個變量最少的樣本觀察值要有5位,因而一份有四十題的量表(不是問卷,一份問卷可能包含數種量表),要進行因素分析時,其樣本數最小的需求要有40x5=200位。學者Comrey與Lee(1992)對於因素分析時所需的樣本大小有以下論點:樣本數少於50是非常不佳的、樣本數少於100是不佳的、樣本數在200附近是普通的、樣本數在300附近是好的、樣本數在500附近是非常好的、樣本數在1000附近是相當理想的。

       若是變量的因素負荷量較高,進行因素分析時不需要那麼多樣本數,若是變量數較少,則樣本數150已經足夠,在某此特殊情境下,因素分析時樣本介於50至100間也可以,如果變量間的相關較高,因素間的相關不高,則因素分析時小樣本也是可以的

        因此,進行因素分析,則預試樣本數最好為量表題項數(量表的題項數非問卷的總題數,而是問卷中包含題項數最多的一份量表)的5倍;如果預試樣本數與量表題項數的比例為1: 10,則結果會更有穩定性。

相關焦點

  • 觀察性療效比較研究的樣本量計算,研究實例及注意事項
    觀察性療效比較研究樣本量的計算 影響非隨機對照試驗中檢驗效能計算的因素往往比RCT研究中的多。例如研究者在使用傾向評分或配對分析等統計分析前,可能很難獲得人群中結局指標比較的效應值大小。除此之外,在研究者進行傾向評分或配對的過程中可能會人為地排除一些研究對象。
  • 檢驗功效(Power)與樣本量
    在樣本量n一定的情況下,α減小,β就會增大;β增大,α就會減小;要想同時減小α和β,只有增大樣本量n才行*。*因為增大樣本量會使得樣本均值的置信區間變窄,從而使得均值的正態分布曲線變得更窄。假設檢驗的功效(Power)受到以下三個因素的影響:樣本量:其他條件保持不變時,樣本量越大,功效越大。
  • 談談樣本量選擇背後的科學道理
    資料來源:《用戶體驗度量》Jeff Sauro,James R.Lewis著,機械工業出版社,P134-135從表中可以看出,決定樣本量涉及到兩個因素:一個是確定程度,一個是問題發生的概率。但是這個公式存在一個問題:我要是連總體方差(CV2)都能知道,還做個毛線調研。
  • 醫學研究,樣本量計算結果到底給誰看的?
    專家需要看到你一項研究預估樣本量是多少!可能大多數人都說,專家需要,導師需要,是他們要看。。。。其實,樣本量是計算給自己看的!當你為了減少樣本量,用高估的參數去計算樣本量時,那意味著你自己就很清楚,你將有較高的概率結果是陰性結果。只有客觀估計樣本量,你的統計分析結果才會在你的預期中。
  • 科普| 細節決定A/B測試的成敗:有底線的樣本量
    本文作者將結合自身經驗以及相關案例,與你分享在A/B測試中的關鍵因素——樣本量大小。針對A先生的問題,我們進行了一系列分析,最後確定了癥結所在:樣本量不足。A先生的實驗實際上需要至少1500人,但是目前只有1000人進入實驗,也就是說樣本量的缺口達到了500。若想解決這個問題,只要繼續讓流量進入實驗,達到最低需要的樣本量,即可。
  • G.Power教程 | 樣本量估計
    補數據相對而言比較麻煩,可能要重新做實驗,重新分析數據和畫圖。而且有的實驗因為現實原因,不能夠補數據了。那麼,你可以採取另外一種辦法:使用G.Power進行先驗分析,估計出所需要的樣本量,然後看看你的數據量能否大於估計的樣本量。
  • 樣本量n>30時,還能繼續使用T檢驗嗎?
    我的意見很簡單:只要是兩個樣本平均數的差異性檢驗,假定總體正態,不管樣本容量是否大於30,就直接使用t檢驗,而不用費心地想是採用t檢驗還是採用z檢驗。這大概也叫做「認知經濟論」吧!兩個樣本平均數的差異性檢驗,實際上是針對樣本平均數差異量的分布來展開的。
  • 實驗設計最小樣本量測算
    【測算公式】關於t檢驗樣本量的測算公式:    關於比率檢驗樣本量的測算公式
  • 【學習記·第31期】單因素、雙因素方差分析VS協方差分析
    虛無假設的意思是數據樣本間的差異是誤差引起的。檢驗虛無假設的依據是小概率原理,即概率很小的事件在一次實驗中幾乎不可能發生。 方差分析的基本思想•  方差分析是對數據變異量的分析,將總變異分解為由自變量(或稱實驗處理)引起的變異和誤差因素引起的變異,如果由自變量產生的變異顯著多於誤差造成的變異,那麼我們可以有把握的推斷自變量對因變量確實產生了影響。在這裡就涉及方差分析的邏輯基礎,即方差的可分解性。用公式表示即:。
  • 17分觀點:臨床微生物組研究,要多少樣本才夠?
    過少的樣本量難以幫助我們發現差異,而過多的樣本量意味著巨大的研究成本。那麼究竟需要多少樣本量?如何進行合理的估算呢? 最近的綜述中詳述了實驗設計中的影響因素,如樣品採集和儲存11,樣品製備方法4和分析方法12,13。本文通過列舉兩個案例,來闡述一個簡單微生物組研究所需的受試者樣本量和把握度計算方法。 為了簡便起見,本文中給出的兩個例子均採用同一個研究QIITA。
  • SPSS單因素分析·聽課筆記
    第一篇:SPSS單因素分析:《連續變量》一、①性別等轉化成數字,利於統計。連續變量=標度;有序變量=有序;分類變量=名義。【注意看一下SPSS自動判斷變量名稱是否正確,進行適當修改】;【例如,想對性別進行線性回歸,需將名義變量改成標度。】
  • 【乾貨】統計學×數據分析|信度|卡方|施測|統計量|正態分布_網易...
    描述統計分為集中趨勢分析和離中趨勢分析和相關分析三大部分。  集中趨勢分析  集中趨勢分析主要靠平均數、中數、眾數等統計指標來表示數據的集中趨勢。 例如被試的平均成績多少? 是正偏分布還是負偏分布?  分類  ① 單因素方差分析: 一項試驗只有一個影響因素,或者存在多個影響因素時,只分析一個因素與響應變量的關係  ② 多因素有交互方差分析: 一頊實驗有多個影響因素,分析多個影響因素與響應變量的關係,同時考慮多個影響因素之間的關係  ③ 多因素無交互方差分析: 分析多個影響因素與響應變量的關係,但是影響因素之間沒有影響關係或忽略影響關係
  • 統計學最常用的「數據分析方法」清單(一)|信度|卡方|施測|統計量|...
    例如被試的平均成績多少?是正偏分布還是負偏分布?  2. 離中趨勢分析  離中趨勢分析主要靠全距、四分差、平均差、方差(協方差:用來度量兩個隨機變量關係的統計量)、標準差等統計指標來研究數據的離中趨勢。例如,我們想知道兩個教學班的語文成績中,哪個班級內的成績分布更分散,就可以用兩個班級的四分差或百分點來比較。  3.
  • spss單因素方差分析的理論與實踐教程—— 【杏花開醫學統計】
    方差分析(analysis of variance,ANOVA),即考察樣本某處理因素的多個處理水平(至少兩個處理水平)在因變量均數上的差異是否具有統計學意義,又稱F檢驗。  醫學研究中,常需要對所研究的對象施加多種處理來推斷處理因素的影響,如研究某新研製藥物的不同服用量對降低血脂的臨床效果等。
  • 人類微生物組研究設計、樣本採集和生物信息分析指南
    然後,我們討論了研究設計方案、樣本量計算方法以及提高研究可靠性的方法。我們特別強調了陽性和陰性對照的重要性。接下來,我們討論了微生物組研究中常用的統計分析方法,重點關注多重比較的問題以及組間β多樣性分析的方法。最後,我們介紹了生物信息學分析的具體流程。總之,嚴謹的研究設計是獲得有意義結果的關鍵步驟,而適當的統計方法對於準確解釋微生物組數據很重要。
  • 研究報告:直銷從業者收入影響因素分析
    北京大學中國直銷行業發展研究中心對此次調查的9406份問卷進行了數理計量分析,構建了直銷從業者收入影響因素回歸模型,第一次通過數理計量方法研究了直銷從業者收入的影響因素及其顯著性水平。從業者收入影響因素是理解一個行業的重要視角,我們希望這樣的研究有助於人們更好的理解直銷行業。我們調查包含了從業者在從事直銷前的收入水平信息。
  • 大樣本分析神器WGCNA正式上線!
    這不僅減少了我們的運算量,也提高了分析的準確性。在轉錄組數據分析裡,這種適合大樣本的分析方法真是越來越香了,大家也一直在詢問什麼時候能在線上做WGCNA。今天,Omicsmart WGCNA分析平臺正式上線啦!一種分析,我們除了要知道能得到哪些結果,更需要了解其分析的意義,這樣才能知道如何利用結果去探索得到我們想要的信息。
  • SPSS之單因素方差分析ANOVA
    最近很多小夥伴都在詢問組間方差分析,綜合大家需求做了一個SPSS的ANOVA教程,其實並沒有大家想像得那麼可怕,跟著小賽一起開始動手吧
  • 《量表信效度分析》系列文章
    為讓大家更加方便的學習信效度分析的基礎知識與應用,學堂現將《 量表信效度分析》系列文章匯總起來呈現給大家。此系列文章專門為信效度分析的初學者準備,內容全面、豐富,大家可以根據自己的需要慢慢學習,後續文章將持續更新中!
  • 元分析-驗證性因素分析
    本文將介紹元分析-驗證性因素分析 ,這是一種將元分析和結構方程模型