大学生科研参与与学生发展—来自中国案例高校的实证研究

关键词:科研参与;学生发展;结构方程模型

一、问题的提出

我国高校自扩招后,学生群体日益多元,校园环境不断变迁,大学生在课堂内外所能参与的活动也愈加丰富多彩,科研参与是其中一项独特而又十分重要的活动形式。科研参与本质上是一种高级学习形式,在时空上可以横跨课堂内外,为学生积累学习经验、发现自己的兴趣和潜能提供良好机会。从促进学生发展的角度来说,科研参与的重要性体现在它直指学生能力发展的核心——思维能力的培养,无论是独立开展科研活动还是参与他人的科研项目,学生积极参与科研活动可能会提升其发现问题、解决问题的能力,从而最终促进自身思维水平和整体认知水平的提高。不仅如此,科研参与还是师生间、同辈间有效互动的绝佳模式,学生在参与科研活动过程中能促进人际交往等社会性能力发展。

《国家中长期教育改革和发展规划纲要》在“高等教育”部分明确提出:“提高人才培养质量,支持学生参与科学研究,强化实践教学环节。”本科生参与科学研究是一种自主式、探究式学习,是培养具备创新精神和实践能力的高素质人才的有效途径。研究本科生科研参与行为对其发展的影响,有助于改进大学生就读经验,提高高等教育人才培养质量。

二、文献述评

(一)本科生科研参与的历史发展

借鉴发达国家本科生科研组织与管理经验,清华大学于1995年在国内率先推出本科生研究训练计划(StudentResearchTraining,简称SRT),随后北京大学、浙江大学、上海交通大学等国内其他高校纷纷出台各自的本科生科研训练计划。2007年,教育部开始实施“国家大学生创新性实验计划”,目前全国已有一百多所大学参与其中。十多年来我国高校本科生科研的快速发展,既是国外本科教育质量改进运动影响力的渗透,也是我国高等教育大众化进程中对本科教育质量和创新型人才诉求的体现。但目前就总体而言,无论看参与的高校、涉及的学科,还是参与的学生群体,我国高校本科生科研的覆盖面都还比较窄,而美国高校本科生科研历史最为悠久,其组织管理经验,值得学习和借鉴。

(二)本科生科研参与的效能评估

三、数据与研究方法

(一)分析框架

本研究围绕本科生科研参与行为及其效能进行如下实证分析:1.学生科研参与的现状及差异分析;2.学生科研参与与其个体发展关联性的分析,包括:学生科研参与对其发展影响的分析、不同背景学生参与科研对其自身发展影响的差异分析。(图表略)

(二)研究方法

本研究采用传统统计以及结构方程模型相结合的方法。其中,统计分析包括统计描述、均值比较、方差分析以及探索性因素分析。结构方程模型的运用,一方面利用验证性因素分析来验证调查问卷的结构效度,另一方面利用路径分析探讨案例高校学生科研参与、学生满意度与学生发展之间的直接、间接和总的影响关系,以及这种影响关系在不同学生群体之间是否存在显著差异。

本研究数据来自2012年对一所北京高校2766名本科生进行的学风状况问卷调查,调査工具为自编问卷。该案例高校是北京市属一般本科院校,2008年在北京市两所工科院校基础上合并组建而成,目前共有三个校区。学校现有全日制本科生约一万人,教职工1300余人,其中专任教师700余人。全校共有9个学院,以工科为主,兼有文理学科,以培养应用型人才为主。

2.问卷施测。问卷正式施测于2012年初进行,在案例高校的三个校区共发放问卷3500份,实际回收2766份,问卷回收率为79%。样本学生来自全校9个学院,男生占57.8%,女生占42.2%。本次问卷调查在抽样框(学生总体分布及名录)基础上,采取严格的多阶段分层随机抽样与比例抽样相结合的方法,在分层时同时考虑学生所在学院、年级和学生性别等因素,有效保证样本的随机性。另外,调査采用专业调查员现场指导来实现问卷的发放和填写,问卷的回收和填写质量都非常高,因此,总体的数据质量是很高的。问卷回收之后即对问卷进行编码,随后录人公司并行录人、对比纠错,研究者对数据进行严格审核,最后得到用于统计软件分析的数据。

3.问卷的信效度分析。运用克隆巴赫(Cronbach)的Alpha系数来估计问卷的内部一致性信度(internalconsistencyreliability),结果表明,问卷总体的信度系数为0.961,各部分的信度系数均在0.80以上,说明该问卷信度良好,各部分题项设计合理,表明测量结果受随机误差的影响较小,测量工具的一致性和稳定性较高。采用探索性因素分析(exploratoryfactoranalysis,简称EFA)的正交方差最大法(varimax)进行主成分分析(principalcomponentsanalysis),以检测问卷的结构效度(constructvalidity)。分析结果表明,问卷各部分的KMO系数值均在0.85以上,Bartlett’s球形检验结果显著,表明问卷各部分适合作因素分析。经主成分分析法提取因子,并按照正交方差最大法进行因子旋转,问卷各部分(包括学生参与、学生发展、学生满意度三部分)提取出若干公共因子,相应解释总方差变异的58.2%、63.1%、61.4%,说明问卷各部分题项设计合理,效度良好。

(四)研究假设

1.不同背景学生科研参与存在显著性差异;

2.学生科研参与对其发展有显著性影响;

3.不同背景学生参与科研对其自身发展的影响有显著性差异。

四、研究结果

(一)学生科研参与现状及差异分析

1.学生科研参与的现状分析

2.不同背景学生科研参与的差异分析

为探讨不同背景学生科研活动的参与度是否存在显著差异,具有哪些背景特征的学生更有可能参与科研活动,本研究对不同背景学生的科研参与次数④进行统计描述、均值比较与方差分析,结果如下:(图表略)

(2)就家庭背景特征而言,不同生源地学生的科研活动参与存在显著差异。京籍学生科研项目参与度显著高于非京籍学生,但同样在此次调查中发现,非京籍学生的科研竞赛参与显著高于京籍学生。一个可能的解释是,京籍学生可能更看重参与科研项目的过程,非京籍学生更倾向于科研竞赛背后的激励与回报机制。此外,京籍与非京籍学生高中阶段的学习经历,特别是探究性、研究性学习的经历不同,这也可能是造成大学阶段科研参与差异的因素之一。

综上,男生、高年级学生、理科学生、学业成绩好的学生、担任过学生干部的学生、京籍学生、毕业后打算读研的学生,其科研活动参与度更高。由此,“不同背景学生科研参与存在显著性差异”这一研究假设得到验证。

(二)学生科研参与行为与其个体发展之间的关联性分析

1.探索性因素分析

心理学意义上的学生发展一般包括认知发展和社会性发展两部分,认知发展的核心是思维能力尤其是批判性思维能力的发展,社会性发展的核心是学生个体认同的发展,即学生对自我认识能力的发展。本研究中“学生发展”部分的问卷包括认知发展和社会性发展两部分,这两部分涉及的题项分别有多个,通过对问卷信效度的分析,可知“学生发展”这部分的问卷具备良好的信度和效度,适合作因素分析。因此,在分析学生科研参与行为与其个体发展间的关系之前,宜先采用探索性因素分析,提取少数几个公共因子分别作为刻画学生认知发展和社会性发展这两个维度的实际指标。

“学生认知发展”主要指学生入学以来在专业知识和技能方面自我感觉到的变化及其评价(包括从“下降”到“很大提高”5个等级),具体包括15个题项。经过探索性因素分析,可以归为“思维及语言能力发展”及“元认知能力发展”这两个因子。⑤

学生社会性发展主要指学生入学以来在社交、情绪管理能力等方面自我感觉到的变化及其评价(包括从“下降”到“很大提高”5个等级),具体包括20个题项。经过探索性因素分析,可以归为“自我认识能力发展”及“社交、情绪管理能力发展”这两个因子。⑥

2.验证性因素分析

3.学生科研参与对其发展的影响

表3(图表略)为路径分析整体模型的适配度检验,检验结果表明,在绝对适配指标、增值适配指标与简约适配指标统计量中,模型一、二、三的所有适配指标值均达模型可接受标准,表示这三个假设模型与样本数据的适配情况均为良好,即模型的外在质量佳,其中模型二的质量最佳。模型四的部分适配度指标未达标准,表明相较于其他三个模型,该模型外在质量欠佳,拟合度或解释力较弱。

表4(图表略)的模型估计结果表明,四个模型中除了“科研参与”对“学生满意度”的路径系数未达显著外,其他两条路径系数均显著地为正,其中,“科研参与”对“学生发展”的路径系数即标准化回归系数分别为0.162,0.128,0.110和0.149,表示“科研参与”对学生各方面发展的直接影响效果为正,且均达到0.001的显著性水平,标准化回归系数符号与原先理论假设模型相符合。由此,可以得到一个比较清晰的判断,即学生参与科研活动对其自我发展评价有显著的积极影响,相对于未参与科研活动的学生,参与科研活动的学生对自身各方面发展的体验和评价显著更高,即在参与科研活动过程中,学生更为明显地感受到自身认知水平以及社会性能力的提升。此外,通过对比各模型中“科研参与”对“学生发展”的路径系数值(模型四除外),可以发现,学生在参与科研活动中,最能感受到自己在思维及语言能力方面的发展,其次是元认知能力的发展,最后是自我认识能力的发展。

表5(图表略)呈现的是“科研参与”对“学生各方面发展”影响的标准化直接效应值、间接效应值以及总效应值。虽然不少已有研究结果发现,学生参与对其自身发展的积极影响在一定程度上是通过学生满意度这一中介变量实现的,即学生参与度的提高会带来就读满意度的提升,从而最终促进学生发展;但本研究结果表明,“科研参与”对“学生满意度”的影响非常微弱,未通过显著性检验,“科研参与”对“学生各方面发展”影响的标准化直接效应值与总效应值几乎相等,间接效应值可以忽略不计。不过,这并不能掩盖“学生满意度”对“学生各方面发展”直接、显著、积极的影响,这种影响程度甚至超过“科研参与”对“学生各方面发展”的直接影响,说明“学生满意度”是影响学生自我发展评价的一个重要因素,只是学生参与科研活动对提升其就读满意度收效甚微。

总之,结构方程模型分析结果表明,学生参与科研活动对其自身认知水平及社会性能力的发展均有帮助,这一分析结果与国内外已有研究结论较为一致。由此,“学生科研参与对其发展有显著性影响”这一研究假设得到验证。

4.不同背景学生参与科研对其自身发展影响的差异分析

由上文路径分析结果可知,学生确实感受到参与科研活动对自身各方面的发展有显著影响,为进一步探讨这种积极影响在不同学生群体之间的差异,需要运用多群组路径分析,在不同背景学生群体之间进行“科研参与”对“学生发展”的路径系数恒等性检验,这里的不同背景学生群体指不同性别、年级、专业、学业成绩排名、学生干部经历、毕业期望的学生。

与此相对的是,在性别、专业、学业成绩排名这三个背景维度的相应四个模型中,路径系数差异的临界比值均小于1.96,表明不同性别、专业、学业成绩排名学生之间的“科研参与”对“学生发展”的路径系数可视为相等,两个群体的路径系数有组间恒等性存在。恒等性检验结果说明,不同性别、专业、学业成绩排名的学生从科研参与中体会到的个人发展并无多少不同,或者说学生参与科研对其各方面发展的影响在不同性别、不同专业、不同学业成绩排名的学生之间不存在显著差异。这一分析结果与国外已有研究有所不同,有研究通过对比理科、社会科学以及人文科学的学生,发现不同专业学生从科研活动中体会到的个人发展在具体内容和可持续性方面存在显著差异。[32]

总之,结构方程模型分析结果表明,学生参与科研对其各方面发展的影响在不同年级、不同学生干部经历、不同毕业期望的学生之间存在显著差异,在不同性别、不同专业、不同学业成绩排名的学生之间不存在显著差异。由此,研究假设3得到部分验证。

五、研究结论与建议

(一)大学生在科研活动中的整体参与度偏低;相较而言,男生、高年级学生、理科学生、学业成绩好的学生、担任过学生干部的学生以及毕业后打算读研的学生,科研参与度更高。

(二)大学生参与科研活动对个体认知水平及社会性能力的发展均有明显帮助,学生越多地参与科研活动,越能体会到自身认知水平及社会性能力的提升。相较而言,在参与科研活动过程中,学生最能感受到自己在思维及语言能力方面的发展,其次是元认知能力的发展,最后是自我认识能力的发展。传统上,人们认为学生参与科研活动首先应该提升其认知水平,本研究再次验证了这一认识。此外,学生参与科研活动对提升自我认识能力也有帮助,而大学生在就读期间最核心的发展任务就是认识自我、了解自我、建立自我认同,所以,本研究实证分析结果也促使我们重新思考和评估学生科研参与的价值、功能。

(三)大学生参与科研活动对个体发展的影响在不同年级、不同学生干部经历、持不同毕业期望的学生之间存在显著差异,在不同性别、不同专业、不同学业成绩排名的学生之间不存在显著差异。具体而言,相对于毕业后计划读研的学生群体,打算就业或创业的学生从科研参与中更为明显地感受到自身思维及语言能力的提升。相对于四年级学生,二年级学生从科研参与中更为明显地感受到自身元认知能力的提升。相对于未担任过学生干部的学生,担任过学生干部的学生从科研参与中更明显地感受到自身社交、情绪管理能力的提升。

上述研究结论引发我们进一步思考,如何让更多的大学生参与科研活动并从中切切实实地收获成长?这是高等教育后大众化时代无法回避的一个重要课题,因为能否提高学生在有意义的活动如科研活动中的参与度和收获度,是评估自身工作价值的最重要指标。但是,就目前我国大学生科研活动的现状来看,无论是参与的高校、涉及的学科,还是参与的学生群体,本科生科研的覆盖面都比较窄,而且大部分高校将学生科研作为普通课余活动来管理,缺乏规范的组织与管理机制。因此,高校要推动大学生科研工作,在政策和实践层面遇到的阻力是十分显然的,以下建议或许可以为高等教育工作者提供些许参考。

六、研究局限与反思

本研究采用案例高校调查数据,且案例高校是地方所属一般本科院校,因此研究结论只局限于样本学校,无法推广至其他地区与其他类型院校。

本研究调查工具采用自陈式量表,“科研参与”、“学生发展”等核心变量的测量基于样本学生的自我报告。自陈式量表的前提是被调查者最了解自己并能如实报告自身情况,因此,就测量效度而言,自陈式量表不及标准化测验。但是,高等教育不同于基础教育阶段,不同专业的学生四年学习经历和收获存在较大差异,虽然国外有少数调查采用标准测试型工具,希望通过标准化测验直接评估大学生发展及增值情况,但截至目前,绝大多数调査工具依然采用学生自陈式量表的形式。

注释:

②院校组织特征包括院校类型、层次及规模等,在跨院校的大样本调查研究中,院校组织特征是影响学生科研参与的重要因素,但本研究属于案例高校的微观调查研究,故这一因素不作为考察重点。

⑤这两个公共因子共解释总方差变异的66.939%。

⑥这两个公共因子共解释总方差变异的62.257%。

⑦学生科研参与=1表示上大学以来至少参加过1次科研项目,=0表示上大学以来没有参加过科研项目。学生满意度指学生对学校总体的满意度,由低到髙分为5个层级。学生各方面发展指学生在思维及语言能力、元认知能力、自我认识能力、社交情绪管理能力等方面的自我发展体验和评价,其具体的测量指标变量见前文因素分析结果;下文中的模型一、二、三、四分别对应内因潜在变量为思维及语言能力发展、元认知能力发展、自我认识能力发展、社交情绪管理能力发展。

参考文献:

[1]TheBoyerCommissiononEducatingUndergraduateintheResearchUniversity.Reinventingundergraduateeducation:AblueprintforAmerica'sresearchuniversities,1998

[2]Astin,A.W.Fourcriticalyears:Effectsofcollegeonbeliefs,attitudesandknowledge.SanFrancisco:Jossey-Bass,1977:1-30.

[3]Astin,A.W.Studentinvolvement:Adevelopmentaltheoryforhighereducation.JournalofCollegeStudentPersonnel,1984:297-308.

[4][10][30]Ernest,T.P.&Patrick,T.T.Howcollegeaffectsstudents(Volume2).SanFrancisco:Jossey-Bass,2005:1-16,571-626.

[5]李正,林凤.美国本科生科研的评估机制[J].中国高等教育,2009(19).

[6]David,J.H.UndergraduateresearchexperienceaspreparationforgraduateSchool.TheAmericanSociologist,1990(2):179-188.

[7]Peppas,N.A.Studentpreparationforgraduateschoolthroughundergraduateresearch.ChemicalEngineeringEducation,1981(2):135-137.

[8]Hunter,A.B.laursen,S.L.,&Seymour,E.Becomingascientist:Theroleofundergraduateresearchinstudents'cognitive,personal,Andprofessionaldevelopment.ScienceEducation,2007(91):36-74.

[9]Linda,J.S.,&Alyssa,N.B.&Casandra,E.H.Thedifferentialeffectsofstudent-facultyinteractiononcollegeoutcomesforwomenandmen.JournalofCollegeStudentDevelopment,2005(6):642-659.

[11]Davis,D.S.,&Glazier,D.HowdoweevaluateundergraduateresearchCouncilonUndergraduateResearchQuarterly,1997(18):73-76.

[12][32]Chris,C.etal.Cross–disciplineperceptionsoftheundergraduateresearchexperience.TheJournalofHigherEducation,2011(1):93-113.

[13]George,D.K.,&Shouping,H.Learningproductivityatresearchuniversities.TheJournalofHigherEducation,2001(1):1-28.

[14]Shouping,H.,George,D.K.,&Joy,G.G.Engagingundergraduatestudentsinresearchactivities:AreresearchuniversitiesdoingabetterjobInnovativeHigherEducation,2007(32):167-177.

[15]Shouping,H.,Kathyrine,S.,&Joy,G.G.Theinfluencesoffacultyonundergraduatestudentparticipationinresearchandcreativeactivities.InnovativeHigherEducation,2009(34):173-183.

[16]卢晓东.本科教育的重要组成部分——伯克利加州大学本科生科研[J].高等理科教育,2000(5).

[17]刘宝存.美国研究型大学本科生科研的基本类型与模式[J].教育发展研究,2004(11).

[18]李正,林凤,卢开聪.美国本科生科研及对我国的启示[J].高等工程教育研究,2009(3).

[19]周廷勇,周作宇.关于大学师生交往状况的实证研究[J].高等教育研究,2005(3).

[20]周作宇,周廷勇.大学生就读经验:评价髙等教育质量的一个新视角[J].大学研究与评价,2007(1).

[21]海迪·罗斯,罗燕,岑逾豪.清华大学和美国大学在学习过程指标上的比较:一种高等教育质量观[J].清华大学教育研究,2008(4).

[22]罗燕,海蒂·罗斯,岑逾豪.国际比较视野中的高等教育测量——NSSE-China工具的开发:文化适应与信度、效度报告[J].复旦教育论坛,2009(5).

[23]鲍威.扩招后中国高校学生的学习行为特征分析[J].清华大学教育研究,2009(2).

[25]朱红.高校学生参与度及其成长的影响机制——十年首都大学生发展数据分析[J].清华大学教育研究,2010(6).

[27]朱红,文东茅,许锐.高校师生交流的生态学实证分析[J].教育学术月刊,2011(2).

[28][29]孙汭睿,丁小浩.大学生课外参与与投入的适度性研究[J].大学教育科学,2010(6).

[31]吴明隆.结构方程模型——AMOS的操作与应用[M].重庆:重庆大学出版社,2009:1-7.

UndergraduateResearchParticipationanditsInfluencesonStudentDevelopment:AnEmpiricalStudyinAChineseUniversity

LIXiangping

Abstract:Basedonatheoreticalandempiricalreviewofcollegestudentinvolvementandresearchparticipation,thispapermainlyanalysestheeffectsofundergraduateresearchparticipationusingastudentsurveydatasetinoneChineseuniversity.Themainempiricalresultsareasfollows:First,thepercentageofstudentsengaginginresearchactivitiesisrelativelylow.Thereisaremarkabledifferenceofresearchparticipationrateamongstudentswithdifferentbackgrounds.Thosewhohavegotbetteracademicachievementandmoresocialexperiencesaremorelikelytoparticipateinresearchactivities.Second,studentswhoengagemoreinresearchactivitieswillmakemoreprogress.However,thepositiveinfluencesofresearchparticipationonstudentdevelopmentvaryamongthosewithdifferentlearningexperiencesandexpectations.Finallythisstudysuggeststhathighereducationeducatorsshouldattractmorestudentstoparticipateinresearchactivities.Meanwhile,evaluationofthequalityofundergraduateresearchparticipationshouldbeemphasized.

Keywords:scientificresearchparticipation;Studentdevelopment;Structuralequationmodeling

THE END
1.一文读懂主成分分析与因子分析(二)图表说明: 上表为因子分析的根据载荷系数等信息所做的主成分权重分析,其计算公式为:方差解释率/旋转后累积方差解释率。 结果分析:因子的权重计算结果显示,因子 1 的权重为 66.9%、因子 2 的权重为 27.396%、因子 3 的权重为 4.625%、因子 4 的权重为 0.576%、因子 5 的权重为 0.503%。 https://developer.aliyun.com/article/1241967
2.主成分分析法案例3篇.doc主成分分析法案例3篇.doc,主成分分析法案例3篇 篇一:主成分分析法及案例分析 在统计学中,主成分分析是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标系统中,使得任何数据投影的第一大方差在第一个坐标上,第二大方差在第二个坐标上,依次类https://max.book118.com/html/2017/0116/84478429.shtm
3.学术前沿与此不同,当下的犯罪率研究,不是用多个自变量解释一个已知的因变量,而是从多个变量中提炼、浓缩共性,前提是多个变量之间存在共性。降维分析中的主成分分析法和因子分析法恰好适合解决此类问题。不过,作为第一次尝试,采用降维分析方法研究犯罪率出来的结果应该不再是每十万人口中的全部或某类案件数或人数,而是多个具体...http://www.zgfzxxh.com/xsqy/202204/t20220411_3620737.shtml
1.简单例子弄懂主成分分析主成分分析法举例但我们发现,可能数学和物理成绩往往有较强的相关性,英语和语文成绩也有一定的关联。 这时我们使用主成分分析(PCA),它会找到新的“综合科目”,也就是主成分。比如第一个主成分可能综合反映了学生的理科思维能力,与数学和物理成绩的关系较大;第二个主成分可能综合反映了学生的语言能力,与英语和语文成绩关系较大。https://blog.csdn.net/Llcm3030zzstj81/article/details/141691418
2.数学建模暑期集训21:主成分分析(PCA)腾讯云开发者社区主成分分析指标解释案例 主成分分析的一大难点是指标意义模糊,难以解释,下面这个例子可以辅助理解。 上表的累计贡献率 = 当前项贡献率 + 之前的累计贡献率。当累计贡献率 > 80%时,剩下的特征向量可以舍弃。 上面的分析需要一定的语言组织能力,也需要一定运气成分,若难以解释,或者强行解释,或者换方法。 https://cloud.tencent.com/developer/article/2022167
3.常用:主成分分析和因子分析的原理,操作,代码和案例讲解!今天,分享《主成分分因子分析的原理, 操作, 代码和案例讲解》,全文分为两个部分,分别对应着主成分分析和因子分析。 1.主成分分析 PCA analysis 主成分分分析也称作主分量分析,是霍特林(Hotelling)在1933年首先提出。主成分分析是利用降维的思想,在损失较少信息的前提下把多个指标转化为较少的综合指标。转化生成的...https://www.shangyexinzhi.com/article/5113763.html
4.数学建模暑期集训21:主成分分析(PCA)51CTO博客主成分分析指标解释案例 主成分分析的一大难点是指标意义模糊,难以解释,下面这个例子可以辅助理解。 上表的累计贡献率 = 当前项贡献率 + 之前的累计贡献率。当累计贡献率 > 80%时,剩下的特征向量可以舍弃。 上面的分析需要一定的语言组织能力,也需要一定运气成分,若难以解释,或者强行解释,或者换方法。 主成分分析...https://blog.51cto.com/u_15762365/5612135
5.转录组专题转录组结题报告解读+文章撰写描述主成分分析(Principal Component Analysis,PCA)是一种无监督模式识别的多维数据统计分析方法,用来判断组内样本的重复性和组间样本的差异。 图2.样本的PCA图 2.3 gene_expression.annot所有样本比对上的所有基因及注释信息 包括基因ID,基因的FPKM值,基因的counts值,以及在不同数据库的注释信息,这个表是所有后续差异基因...https://www.antpedia.com/news/wx_article/752184.html
6.解释主成分分析的主要结果解释主成分分析的主要结果 了解关于 Minitab 的更多信息 请完成以下步骤来解释主分量分析。主要输出包括特征值、分量解释的方差比率、系数和几个图形。 关于本主题 步骤1:确定主分量数 步骤2:根据原始变量解释每个主分量 步骤3:标识异常值 步骤1:确定主分量数 ...https://support.minitab.com/en-us/minitab/18/help-and-how-to/modeling-statistics/multivariate/how-to/principal-components/interpret-the-results/key-results/
7.路噪问题的诊断与优化振动与噪声而参考车内噪声进行主成分分析时,解耦出来的特征基本与目标点噪声直接相关,所以基本上一到两个主成分即可完成拟合,更加方便我们的数据处理分析,同时也更能体现NVH问题。 本案例分析结果如下: 图5 以车内噪声为参考的PCA分析结果 根据图 5所示,车内噪声主要峰值基本均由第一阶主成分拟合而成,所以该阶主成分将被...https://www.auto-testing.net/news/show-106120.html
8.主成分分析(PCA)原理详解及案例分析主成分分析(PCA) 假设我们一组二维数据点如图(1)所示,我们可以看出这两个维度具有很高的相似性,也就是说两个维度之间具有很高的冗余性,如果我们只想保留一个维度,那么该怎么选择才能尽可能多的保留原始数据的信息呢。我们先对数据进行归一化处理,得到的数据点如图(2)所示。然后将数据点映射到另一个新的空间,如图...https://www.pianshen.com/article/65462319392/
9.文化与自然灾害对四川居民保护旅游地生态环境行为的影响对价值观量表、生态环境信念观量表、保护旅游地生态环境行为量表和灾害后果认知及个人规范量表分别进行探索性因子分析(主成分分析法、最大方差旋转、特征值>1)。所有测量量表信度>0.60,效度>0.55表示量表内在信度和效度较好(表 1);同时所有指标因子载荷>0.50,表明不需要剔除任何题项。经探索性因子分析后得到7个因子,由...https://www.ecologica.cn/stxb/ch/html/2014/17/stxb201301090075.htm
10.探索性因子分析(ExploratoryFactorAnalysis)——SPSS软件实现...EFA分析的主要目的之一是通过选取的主成分因子(维度)对数据进行降维,但同时也要注意应尽可能多的包含对数据变异的解释。 1. 软件操作 在“因子分析”(图7)页面,点击“确定”,输出结果如表7所示。 表7 2. 结果解读 在表7“总方差解释”表格中,每个主成分因子(维度)的解释率都>5%,累计方差解释率为58.188%。https://mengte.online/archives/13442