1702648561
1702648562
我们将版本I和Ⅱ中相对应的题项进行组合，并将版本Ⅱ中的类别（c）和（d）与版本I中的类别（c）组合生成新变量NEWBIB。在对这5个题项进行因子分析前，我们先改变ATTEND的方向使其与其他题项正相关。另外，我们将“不知道”和“无应答”作为缺失值处理。我们对样本加权以修正不同家庭户规模所引起的偏差。在删除带有缺失值的样本后，能够用来做因子分析的样本数是1292个。我们用带迭代的主成分因子和最大方差旋转法进行因子分析。
1702648563
1702648564
我们的因子分析中只出现了一个主导因子，它解释了总方差的86%，经旋转后各题项的因子负荷为：
1702648565
1702648566
ATTEND 0.787
1702648567
1702648568
POSTLIFE 0.196
1702648569
1702648570
PRAY 0.573
1702648571
1702648572
RELITEN 0.664
1702648573
1702648574
NEWBIB 0.260
1702648575
1702648576
根据因子负荷的分布，简单观察一下就会发现，由三个最高负荷的题项构成的测度比在此基础上单独纳入NEWBIB或NEWBIB和POSTLIFE的测度更可信。但我们不能仅仅依靠简单观察。应用方程11.2，我们得到α3=0.665，α（3+BIB）=0.656和α5=0.644。（该结果教给我们一个重要的教训：“观察”很容易导致错误的判断——我们以为由三个题项构成的测度比包含低因子负荷的测度要可信得多；但事实上，它们具有同样的信度。在这种情况下，我仍然选择只包含高负荷题项的测度，因为它是对概念“最纯的”测量。）接着，我们对三个题项——ATTEND、PRAY和RELITEN进行标准化并求均值，以构建一个关于FAITH的测度。为了将由缺失值引起的样本缺失问题降低到最小，我对所有至少回答两个题项的有效受访者计算均值。最后我将此测度转换为取值范围在0～1之间的变量，其中1表示宗教信仰最强烈。
1702648577
1702648578
为了构建对堕胎的态度测度，我用上述方法对如下7个题项进行因子分析。请告诉我在下列情况下您认为孕妇是否可以接受合法的堕胎……
1702648579
1702648580
1.ABDEFECT：如果胎儿很可能存在严重的缺陷？
1702648581
1702648582
2.ABNOMORE：如果她已婚但不想要更多的孩子？
1702648583
1702648584
3.ABHLTH：如果妇女自身的健康因怀孕受到严重危害？
1702648585
1702648586
4.ABPOOR：如果家庭收入很低而不能抚养更多的孩子？
1702648587
1702648588
5.ABRAPE：如果她是被强奸而怀孕的？
1702648589
1702648590
6.ABSINGLE：如果她未婚且不想同那个男人结婚？
1702648591
1702648592
7.ABANY：如果她无论何种原因都想堕胎？
1702648593
1702648594
对每一题项的回答都包括“可以”、“不可以”、“不知道”和“无应答”。我们将“不知道”和“无应答”编码成“可以”和“不可以”中间的值。虽然如前文所述，我假设对于治疗型堕胎和个人偏好型堕胎的态度存在差异，但我仍将两类题项一起做因子分析，以说明这两组题项之间的差异。
1702648595
1702648596
我们提取了两个重要的因子，它们共解释了总方差的96%。表11-2是旋转前的因子负荷。
1702648597
1702648598
显然，所有7个题项都在因子1上具有高负荷，但因子2中有些因子负荷为正而有些为负。这种负荷分布说明这些题项可以被分成两组不同的因子。表11-3给出了执行最大方差旋转后的结果，此旋转是一种因子矩阵沿轴旋转的方法，它可使因子间的差异最大化。
1702648599
1702648600
表11-2 堕胎接受题项在旋转前的因子负荷
1702648601
1702648602
1702648603
1702648604
1702648605
表11-3 最大方差旋转后堕胎因子的负荷
1702648606
1702648607
1702648608
1702648609
1702648610
观察这些因子负荷会发现，正如我们所假设的那样，对堕胎的态度具有两个因子。ABNOMORE、ABPOOR、ABSINGLE和ABANY主要负荷于因子1（黑体数字），而它们在因子2上的负荷则很弱，其余三个题项在因子2上的负荷较强（黑体数字），而在因子1上则负荷较弱。这两套题项符合我对个人偏好型堕胎（因子1）和治疗型堕胎（因子2）的先验性区分。