三、数据分析方法

变量测量模型的分析和检验，既可以分别进行，也可以以特定的方式组合进行。［216］考虑到锻炼坚持机制结构模型多数理论构想概念由于没有合适的现成量表使用，采用了新编制的量表，这些变量的测量模型需要进行细致的分析和检验，以及模型涉及的变量较多，因此，作者根据锻炼坚持机制结构模型的大框架把整个测量分成心理机制变量、个体因素变量和社会环境变量三组分别进行分析和检验。

基于锻炼动机研究文献、运动承诺的借鉴研究和访谈资料的总结，锻炼坚持机制解释结构模型中的部分理论构想概念是一个二阶因子结构，测量模型的实证分析除了要检验测量题目的信度和效度等心理测量学特性，还要检验关于理论构想概念的因子结构假设。在每一组变量分析和检验时，首先，根据相关研究的结论和作者对主题以及测量题目的理解，对已经认识到的具有多个成分和二阶因子结构的变量单独采用验证性因子分析检验；对于题目较多，而内部结构不明确的构想概念进行探索性因子分析。通过两种因子分析的结果对不符合测量要求的题目进行删减。其次，对于模型中存在强关系的变量进行区分效度的检验。最后，在单个构想概念分析的基础上，对测量模型进行修正，并采用验证性因子分析的方法对该组的变量进行组合验证。(https://www.daowen.com)

每一组变量分析都考察了测量模型的信度和效度。对于测量模型的信度，主要考察量表的内部一致性系数（Cronbach a系数），一般认为a应在0.7以上，分析采用SPSS 11.0软件中的可靠性分析功能计算内部一致性系数。效度指标主要考察两个结构化效度指标——区分和会聚效度。对于会聚效度，考察了每个构想概念的测量项目——因子的负荷值，将因子负荷低于0.5的测量项目删去［217］；对于区分效度，一方面考察了LISREL结果中PHI矩阵（表示变量之间的相关关系）所示构想概念之间的相关度，并考察了每两个构想概念之间假设相关度设为1和假设相关度为自由估计量的情况。区分和会聚效度主要采用验证性分析方法——结构方程模型（SEM）来分析数据，具体地采用LISREL 8.53软件中的极大似然法（Maxmium Likelihood，简称ML）来分析数据。

在验证性因子分析中，对模型的拟合度进行评估选取了以下几个指标：X2、RMSEA、GFI、AGFI、NFI、CFI、PNFI和PGFI，反映模型产生的协方差矩阵对原协方差矩阵的拟合程度（X2、RMSEA），整体模型的绝对拟合度（GFI、AGFI）、相对拟合度（NFI、CFI）和节约拟合度（PNFI、PGFI）。一般认为，X2/df越小越好，小于2.0表示模型和数据拟合非常好，在2.0至5.0之间时，为可以接受模型，但由于卡方值会随样本数的增大而不断增大，因此，样本大于1000时不适合使用卡方准则来评价模型。［218］RMSEA的值越小越好，小于0.1表示好的拟合，小于0.05表示非常好的拟合；GFI、AGFI、NFI、CFI应大于0.9，大于0.95表示非常好的拟合；PNFI和PGFI则越大越理想，通常达到0.5以上就表示是一个好的模型。［219］