数据分析方法-人才流动、个体发展与区域经济增长

（1）描述性统计分析。

描述数据分布特征的统计量可分为两类：一类是表示数据的中心位置，如平均数、中位数、众数等；另一类表示数据的变异程度（或称为离散程度），如标准差、方差、频数分布、峰度、偏度等。通过对数据中心位置的统计，对数据进行集中趋势分析，反映数据的一般水平。通过对数据离散程度的分析，反映数据之间的差异程度。根据描述性统计分析的结果适当修正数据或者对数据进行分类，从而为进一步的模型分析奠定基础。

（2）信度和效度分析。

信度是对量表可靠程度的检验。设计有效的量表应该具有可靠性和稳定性，即对同一事物进行测量，其结果应该始终保持一定的可信度。目前，最常用的是克伦巴赫信度系数法，通过估量量表测量条目之间是否具有较高的一致性，来对量表进行信度检验。一般而言，克伦巴赫信度系数取值范围为0～1。当克伦巴赫信度系数大于0.9时，量表的信度很好；当克伦巴赫信度系数为0.8～0.9时，量表的信度为可接受；当克伦巴赫信度系数为0.7～0.8时，此量表的某些测量条目需要重新修订；当量表的克伦巴赫信度系数小于0.7时，此量表的某些测量条目需要剔除。本书利用SPSS20.0软件对调查问卷进行信度检验。

效度是对量表准确性和有效性的检验，主要用于反映量表是否有效地测量了预定的内容，即实际测定结果与预想结果的符合程度。成熟量表的效度检验主要通过验证性因子分析（CFA）来进行。由于本章中的量表都是成熟量表，所以本部分通过验证性因子分析来测量本调查问卷中各部分量表的效度。本章利用SPSS20.0软件，借助KMO检验和Bartlett球形检验对结构效度进行检验。KMO值在0.9以上表示非常适合进行因子分析，在0.8以上表示比较适合进行因子分析，在0.7以上表示适合进行因子分析，在0.6以上的可以进行因子分析，而低于0.6则表示不适合进行因子分析。

（3）结构方程模型分析。

结构方程模型是集多重回归、通径分析、因子分析、协方差分析等方法于一体的一种参数估计和检验变量间因果关系的方法。结构方程模型的技术特性具体表现为：第一，具有理论性先验性；第二，可同时处理测量与分析的问题；第三，以协方差的运用为核心，亦可处理平均数估计；第四，适用于大样本的分析；第五，包含了许多不同的统计技术；第六，重视多重统计指标的运用。(www.xing528.com)

结构方程模型的实施步骤主要分为：模型设定、模型识别、模型估计、模型评价和模型修正这几个方面。具体说来，研究者首先根据先前的理论及已有的知识，通过逻辑推论和假设形成一个由一组变量之间的相互关系组成的模型。模型识别是对结构方程模型是否有解的检验。只有设定的模型可识别，才能得到系统中各个自由参数的唯一估计值。模型可识别，即模型有解的条件是：模型中的自由参数要小于或者等于所观察数据的方差和协方差个数的总和。而模型估计的过程就是使结构方程模型所推导出的方差协方差矩阵尽可能接近于样本中观察变量的方差协方差矩阵。最常用的是最大似然估计法和广义最小二乘估计法。模型评价是在已有的证据与理论范围内，考察提出的模型拟合样本数据的程度。模型的总体拟合程度的测量指标主要有卡方检验、近似误差均方根（RMSEA）、增量拟合指数（IFI）、规范拟合指数（NFI）、比较拟合指数（CFI）和调整后的拟合优度指数（AGFI）等。卡方χ2统计量用于检验观察矩阵与理论估计矩阵之间的拟合程度。而为了减少样本规模对拟合检验的影响，多采用χ2／df指标。通常情况下，当χ2／df小于2时，认为模型拟合得较好；当χ2／df范围为2～5时，认为模型是可接受的。当近似误差均方根值小于0.08时，表示模型拟合是合理的；当近似误差均方根小于0.05时，表示模型拟合是良好的；当近似误差均方根小于0.01时，表示模型拟合得非常好。调整后的拟合优度指数范围为0～1时，值越大，模型拟合得越好。规范拟合指数是通过对设定模型的χ2值与独立模型的χ2值比较来评价，其取值范围为0～1。规范拟合指数越接近1，模型拟合得越好。一般而言，增量拟合指数和比较拟合指数取值范围为0～1时，值越大表示模型拟合得越好。

结构方程模型拟合指标及检验标准如表5.3所示。

表5.3　结构方程模型拟合指标及检验标准

续表

本书将运用最大似然估计的方法，通过SPSS 20.0和LISREL 8.51软件对样本数据进行拟合与分析。