讀進資料

lab <- read.csv(file=”data1.csv”,header=TRUE, sep=”,”)
dim(lab)

my <- read.csv(file=”data3.csv”,header=TRUE, sep=”,”)

colnames(my) <- lab[,1]

summary(my)

敘述統計量

dim(my)

多少受試者與多少變項

head(my,20)

str(my)
a <- my[ , c(2:31)]

可以在EXCEL去除編號、性別與教育程度

從原始my data取問卷量表的部分出來

dim(a)

summary(a)

a_nomiss <- na.omit(a) # listwise deletion

head(a_nomiss,20)

delete missing data, listwise deletion

dim(a_nomiss);summary(a_nomiss)

factor analysis : EFA

library(psych)

windows()
fa.parallel(a_nomiss,fa=”fa”,fm=”ml”)

numbers of factor

parallel analysis

fa= facor axis extract主軸萃取 ml=最大概似估計

library(GPArotation)

轉軸用

print.psych(fa(a_nomiss, nfactors=5,rotate=”promax”,SMC=TRUE,fm=”pa”),cut=.3)
print.psych(fa(a_nomiss[ ,c(1:4,6:13,16:30)], nfactors=5,rotate=”promax”,SMC=TRUE,fm=”pa”),cut=.3)

alpha( a_nomiss[ ,c(1:4,6,7)])
alpha( a_nomiss[ ,c(8:12)])
alpha( a_nomiss[ ,c(13:19)])
alpha( a_nomiss[ ,c(20:25)])
alpha( a_nomiss[ ,c(26:30)])

alpha( a_nomiss)

windows()
omega(a_nomiss[ ,c(1:4,6:13,16:30)],nfactors=5)

factor score