发布时间 : 星期二 文章关于在杭大学生考证消费的调查研究更新完毕开始阅读4031170b52ea551810a68730
证态度对学生的影响不大，大学生自己有合理的价值观，不需要借助父母的。从父母方面来讲，他们相对来说对于孩子的考证还是一般性的支持。
结合x13-x17这5个题项，他们都界于2-3之间。由此可以看出，大学生对于考证有着合理的思考但又比较盲目，随大流现象是有发生。
结合x18-x20这3个题项，他们都在4左右。由此可以看出大学生对于高校的一些教育资源的落后表示还可以接受，但这也间接影响了大学生考证的热度。
结果变量的总体描述，有调查可以发现，大学生对于考证消费的热度的平均值界于5-6之间，说明当代大学生对于考证的热情程度还是比较高的。花在考证的时间上大部分同学都在1小时以下，说明积极性不高。同样的在花费上，很大一部分同学的花费在200元以上，这从另一个侧面说明大学生的考证消费热的程度还是很高的。
从人口自身因素可以发现，女生的考证热情程度均值5.6略大于男生5.3.由此可以说明女生对于考证更加看重。再者，大二年级的学生的考证热度明显大于其他的年级段，说明大二学生对于人生规划的积极性比较的高。 5.2相关分析和因子分析结果发现
（1）因子分析：本研究提取公因子采用主成分方法，即因子旋转采用方差最大旋转来提取一阶因子。在因子分析前采用KMO样本测度和Baetlet球形检验来检验量表中指标间的相关性，用以反映样本是否适宜做因子分析。 解释变量的因子分析发现: 如表2所示： KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig. .833 5.446E3 190 .000 表4
KMO的检验统计量为0.833，巴特利特球形显著水平均为0.000，拒绝巴特利特球形检验零假设，可见各题项间的相关程度无太大差异，数据非常适合做因子分析。
如表4是解释变量公因子方差比
Communalities x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 x16 x17 x18 x19 x20 Initial 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 Extraction .879 .892 .882 .295 .884 .888 .897 .920 .917 .928 .896 .947 .887 .905 .897 .905 .880 .897 .920 .923 Extraction Method: Principal Component Analysis. 表5
有该表可以看出公因子方差比都在80%以上，平均提取俩比较理想 Total Variance Explained Component 1 2 3 4 5 6 Total 5.906 3.762 2.719 2.662 2.389 .780 Initial Eigenvalues % of Variance 29.532 18.811 13.594 13.309 11.946 3.901 Cumulative % 29.532 48.343 61.937 75.246 87.192 91.093 Extraction Sums of Squared Loadings Total 5.906 3.762 2.719 2.662 2.389 % of Variance 29.532 18.811 13.594 13.309 11.946 Cumulative % 29.532 48.343 61.937 75.246 87.192 7 8 9 10 11 12 13 14 15 16 17 18 19 20 .247 .195 .185 .173 .164 .151 .121 .105 .094 .088 .071 .069 .064 .056 1.236 .974 .923 .864 .818 .753 .606 .525 .469 .439 .353 .347 .319 .282 92.329 93.303 94.226 95.089 95.907 96.660 97.266 97.791 98.260 98.699 99.052 99.399 99.718 100.000 Extraction Method: Principal Component Analysis. 表6
表6是解释变量的主成分方差累计贡献率表，可以看出前5个因子的特征值大于1，且这5个因子可以解释大部分（87.2%）的方差。从第6个因子开始，特征值大大小于1.这说明，只需要提取前茅5个因子。 表7旋转前的因子载荷矩阵 Component Matrix a x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 1 .309 .361 .290 .489 .725 .756 .755 .715 .719 .117 .136 2 .326 .253 .193 -.087 .513 .437 .471 .536 .544 .389 .361 Component 3 .234 .294 .233 .048 -.225 -.253 -.232 -.283 -.266 .692 .687 4 -.346 -.284 -.391 -.139 .181 .217 .217 .184 .157 -.305 -.287 5 .709 .728 .744 .162 -.113 -.115 -.060 -.090 -.097 -.438 -.440 x12 x13 x14 x15 x16 x17 x18 x19 x20 .129 .708 .723 .719 .710 .685 .168 .175 .198 .415 -.600 -.585 -.587 -.598 -.589 -.199 -.128 -.165 .661 .027 -.007 .012 .058 .074 .532 .552 .468 -.330 -.151 -.174 -.172 -.154 -.196 .728 .732 .780 -.461 -.050 -.099 -.070 -.128 -.142 .127 .183 .171 Extraction Method: Principal Component Analysis. a. 5 components extracted.
表8旋转后的因子载荷矩阵 Rotated Component Matrix a x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 x16 x17 x18 x19 1 -.007 .064 .077 .407 .103 .166 .137 .074 .080 -.024 .003 -.027 .933 .943 .939 .945 .934 .084 .034 2 .132 .118 .025 .205 .928 .925 .929 .952 .948 .048 .052 .079 .087 .118 .104 .088 .062 -.010 .023 Component 3 .067 .060 .015 .013 .080 .025 .025 .033 .061 .960 .944 .968 -.051 -.036 -.039 .012 .046 .025 .035 4 -.029 .075 -.041 .021 .019 .047 .063 -.011 -.024 .013 .031 -.030 .065 .019 .036 .065 .034 .943 .957 5 .925 .930 .934 .294 .075 .042 .101 .081 .092 .054 .042 .044 .050 .016 .043 -.004 .000 -.025 .043