1 数据概况

1.1 数据预处理

Amos无法对原始数据进行管理,一般情况下需要先用数据管理软件进行预处理。例如stata、spss和R语言。

这里我们先用stata挑选出了感兴趣的观测变量,并使用最简单的缺失值处理方法:删除所有作为缺失值的观测样本。

# 注:以下为stata的代码格式,不可在R中使用!
# keep Q15_R13 Q15_R14 Q15_R16 Q15_R22 ///官方媒体
# Q20_R9 Q20_R10 Q20_R11 ///规则型人格
# Q23_R13 Q23_R14 Q23_R15 Q24_R15 ///威权观念
# Q24_R4 Q24_R5 Q24_R6 Q24_R7 

# save //需要保存后才能统一删除行缺失值

# dropmiss, obs any //删除挑选变量中所有的缺失值

# count //查看剩下多少样本量

原始数据的样本量一共为2379,进行特定变量的筛选并统一删除缺失值后,还剩下2149,数据缺失率为9.67%。

以下R的代码是将外部图片插入到Rmd文件中,picture是在大项目中的存放图形的子文件夹,按这样的格式插入即可。

knitr::include_graphics("picture/variable.png")
variable consequence

图1.1: variable consequence

以上为各测题及以它们为基础构建的因子。由于结构方程模型进行的是验证性因子分析,故已预设我们选取了需要的因子及其测题。

一般而言是通过以下两种方式:

  1. 使用SPSS进行探索性因子分析
  2. 具有强力的理论支撑

为方便数据展示,现在导入R语言中查看数据情况。我们直接以stata的格式导入。

library(haven)
netizen <- read_stata("eman.dta")

数据的诊断

## 
## Attaching package: 'dlookr'
## The following object is masked from 'package:base':
## 
##     transform
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.1     ✔ readr     2.1.4
## ✔ forcats   1.0.0     ✔ stringr   1.5.0
## ✔ ggplot2   3.4.2     ✔ tibble    3.2.1
## ✔ lubridate 1.9.2     ✔ tidyr     1.3.0
## ✔ purrr     1.0.1     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ tidyr::extract() masks dlookr::extract()
## ✖ dplyr::filter()  masks stats::filter()
## ✖ dplyr::lag()     masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

1.2 描述统计

以下为官方媒体各测题的描述统计。

以下为规则型人格各测题的描述统计

以下为威权观念各测题的描述统计

以下为民族主义各测题的描述统计