参考视频：网页链接​，网页链接​，网页链接​，Mplus网页链接​

1        理论框架建构

首先通过文献综述建构理论框架，提出研究假设。这里给出一个案例，如图1所示，“初中生深度学习”案例中提出5条假设。大家也可以通过查阅文献，提出自己的研究假设。

H1：在网络环境下，同伴互动能够正向预测初中生的学习动机。

H2：在网络环境下，同伴互动能够正向预测初中生的批判性思维。

H3：在网络环境下，学习动机能够正向预测初中生的问题解决能力。

H4：在网络环境下，批判性思维能够正向预测初中生的问题解决能力。

H5: 在网络环境下，同伴互动能够正向预测初中生的问题解决能力。

图 1 研究假设举例

2        调查工具开发

针对研究中需要用到的变量，确定调查工具的维度。问卷题项可以根据先前研究问卷改编，或根据访谈、文献等内容自主开发。若自主开发或从英文翻译过来，需要请专家检验内容效度。

3        数据收集

按照一定的取样规则收集问卷数据。可以用问卷星收集，比较方便数据统计。收集之后可以按照测谎题、填写时长等规则对数据进行筛选。对每个题项进行数据的正态性检验，保证偏度绝对值小于1，峰度绝对值小于2[1]。

论文中通常需要呈现样本的基本信息，如性别、年龄等分布情况。

4        问卷信效度检验

分析如果问卷是自主开发，则需要同时进行探索性因子分析（EFA）和验证性因子分析（CFA）。将收集的数据分为两半，一半做EFA，一半做CFA。如果问卷是已有研究制定的，则只需进行验证性因子。

4.1    探索性因子分析（EFA）

4.1.1  SPSS探索性因子分析流程

做EFA通常用SPSS。打开数据，点击菜单栏【分析】→【降维】→【因子分析】，打开因子分析主对话框。将要做因子分析的题项（排除基本信息类调查题）选入“变量”框内。

点击右侧【描述】，选中KMO和Bartlett球形检验一项。我们要看一看数据是否适合做因子分析，这是基础工作。点击【继续】。

点击右侧【抽取】，选择因子分析的方法。可以选择【主成分分析】，会得到较好的数据。但【主轴因子分解】的结果要求更高，好一些的期刊通常要求选择主轴因子分解。

点开【旋转】对话框，为方便对公因子的实际含义进行提炼归纳，可以直接做最大方差的旋转。但好的期刊可能要求较高，需要采用直接Oblimin方法。

点开【选项】对话框，我们选择隐去小于0.4的载荷，便于观察公因子和变量间的关系。

点击【继续】，回到因子分析主对话框。点击【确定】，进行因子分析。查看分析结果。

4.1.2  探索性因子分析结果解读

KMO在0.9上非常合适做因子分析：0.8-0.9之间适合：0.7-0.8之间适合：0.6-0.7之间尚：0.5-0.6之间表示差：0.5下应该放弃。解释总方差越大越好。

看旋转成分矩阵。题项不能同时在两个成份上载荷都高于0.5，且不能在自己所属的成份上载荷过低。若载荷不满足要求，则挨个删除题项，重新分析。直到得到满意的结果。案例中得到4个主成分，意味着问卷的所有题项被分为4个维度。探索性因子分析得到的四个维度与问卷设计是一致的，说明具有良好的结构效度。如果旋转后的成分矩阵和维度划分是不一致的，可以考虑重新做问卷或者使用成熟的问卷重新发放（这就又回到了问卷设计阶段）。

探索性因子分析结果

4.2    验证性因子分析

4.2.1  Mplus验证性因子分析流程

CFA的进行必须有特定的理论观点或概念架构作为基础。如果你的模型是别人已经研究过的模型，同时，你的各变量的题项是确定的（参考别人的），各变量的维度也是被验证过的，同时各维度的题项也是已知的，通过检验的（有人用过的），可以用CFA。

用Mplus进行验证性因子分析，首先需要把数据存储为.dat格式或.csv格式。注意不要保留变量名。

打开Mplus，新建一个文件。如下图所示，输入代码。图中给出了代码的简单解释，大家有需要可以在给出的案例文件DeepCFA.dat中的代码基础上改动。

点击红色图标RUN，开始运行。

4.2.2  验证性因子分析结果解读

查看MODEL FIT INFORMATION。数据需要达到的标准：χ2/df (<5), Root Mean Square Error of Approximation (RMSEA) (< 0.10), Standardized Root Mean Square Residual (SRMR) (< 0.05), Comparative Fit Index (CFI) (> 0.90), Tucker-Lewis Index (TLI) (> 0.90)[2]。表明问卷具有良好的结构效度。

在STANDARDIZED MODEL RESULTS中查看因子载荷（Estimate），越高越好，一般来说不能低于0.5。

根据因子载荷计算Average Variance Extracted (AVE) (> 0.5) 和 Construct Reliability (CR) (> 0.7)，看问卷是否具有良好的收敛效度。（AVE和CR的计算方式在文件夹中的EXCEL表中提供）

AVE平方根要大于因子间相关，表明问卷具有良好的区分效度。

模型拟合指标

4.3    信度检验

使用SPSS可以进行内部一致性信度Cronbach’s alpha系数检验。操作步骤为：点击【度量】-【可靠性分析】，把问卷中的题目放到信度分析的选项框中就可以。Cronbach’s alpha系数值得范围以及信度的效果：0.80～0.90非常好0.70～0.80相当好；0.65～0.70最小可接受值；0.60～0.65最好不要[3]。（不同的参考文献对于这个系数的要求也不同，一般来说，Cronbach’s alpha系数大于0.7都是可以接受的）

5   结构方程模型检验

5.1    Mplus结构方程模型检验流程

当我们问卷的变量之间具有显著相关时，我们就可以探究变量之间的预测作用。此时跟CFA流程类似，不同的是代码要体现变量之间的关系。根据我们最初的五条假设，在CFA的基础上添加变量之间关系的代码，见下图绿色注释。大家有需要可以在给出的案例文件DeepSEM.dat中的代码基础上改动。

点击上方红色按钮【RUN】，开始运行。

5.2  结构方程模型结果解读

与CFA一样，数据需要达到的标准：χ2/df (<5), Root Mean Square Error of Approximation (RMSEA) (< 0.10), Standardized Root Mean Square Residual (SRMR) (< 0.05), Comparative Fit Index (CFI) (> 0.90), Tucker-Lewis Index (TLI) (> 0.90)。表明结构方程模型拟合指数良好。

在结果中找到STDYX标准化结果，查看路径的显著性。若显著，则说明预测作用成立。若不显著，则该条研究假设不成立。结果中也能够找到R方值、中介效应、调节效应值，可以根据需要呈现（具体操作可根据需要查看文件夹中提供的电子书）。根据结果解读该条研究假设成立或不成立的可能原因，并用相关研究进行支撑。

点击菜单栏【Diagram】，可以查看模型结果图。

中介效应检验过程见视频MPLUS中介效应检验​。中介效应检验结果呈现示例：

[1] Noar, S. M. (2003). The role of structural equation modeling in scale development. Structural Equation Modeling: A Multidisciplinary Journal, 10(4), 622-647.

[2] Hair, J. F., Black, B., Babin, B. J., & Anderson, R. (2014). Multivariate data analysis. Prentice Hall.

[3] Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 24(2), 337-346. http://doi.org/10.2307/3151312

源代码：

TITLE: deeplearning

DATA: FILE IS DeepCFA.dat;

VARIABLE:    

     NAMES ARE id t1-t23;

     usevar = t1-t8 t14-t23;

Analysis:

     Bootstrap = 1000;  !表明bootsrap 1000次

MODEL: 

    LM by t1-t4;

    PI by t5-t8;

    CT by t14-t18;

    PS by t19-t23;

    PS ON LM PI CT; !表明用LM，PI，CT三个变量预测PR

    CT ON PI;   !表明用PI预测CT

    LM ON PI;   !表明用PI预测LM

MODEL INDIRECT: !检验中介效应

    PS IND PI;  !检验从PI到PS的中介效应

OUTPUT: standardized CINTERVAL(BCBOOTSTRAP);

SAVEdata: save = fscores;

                  file is deep_outcome.dat;

关于分析结果如何在论文中呈现，分享我的几篇论文作参考： https://link.springer.com/article/10.1007/s10639-022-11286-z https://www.frontiersin.org/articles/10.3389/fpsyg.2022.978144/full https://link.springer.com/article/10.1007/s10639-022-11084-7