场景案例 · 2026-06-24

航空人因工程数据分析用 AI 一句话完成 — 情景意识量表 CFA 与疲劳预测回归

航空/飞行安全研究者必看：从情景意识量表 CFA 验证到飞行员疲劳多元回归预测，ChatSRS AI 一句话跑完人因工程全套分析，生成 APA 7th 格式航空安全报告。

航空人因工程研究的数据分析有两大难关：情景意识（Situation Awareness, SA）量表的结构效度验证（CFA）往往因模型拟合指标不达标而被审稿人打回；疲劳预测回归则因变量之间的共线性、非正态残差让研究者无从下手。这篇文章把航空人因最核心的两条分析链——量表 CFA 与疲劳回归——从数据准备到 APA 7th 报告句式完整串通，每步提供可直接粘贴到 chatsrs.com 的一句话指令，以及可抄进论文的报告段落。

航空人因工程研究数据分析为什么特别难

航空人因（Human Factors）是民航安全、飞行训练、空管、机舱设计等领域的核心研究方向。与其他社科量表研究不同，它有几个独特的分析难点：

量表结构复杂：情景意识三层次理论（感知 → 理解 → 预测，Endsley, 1995）要求 CFA 严格验证三因子结构，不能只做 EFA 走一遍因子分析就结案
疲劳测量多维：主观疲劳（Karolinska Sleepiness Scale）、客观绩效指标（反应时、错误率）与生理指标（心率变异性）常需同时纳入回归，多重共线性是常见问题
样本量受限：飞行员群体总量小，CFA 的样本量建议（每题 10-20 名被试）有时很难满足，需要解释与讨论
APA 报告指标严格：人因领域期刊（如 Human Factors、Ergonomics）对 CFA 拟合指标（CFI、TLI、RMSEA、SRMR）和回归效应量均有明确要求

chatsrs.com 三引擎（SPSS + R + Stata）可以把这条分析链变成对话，从数据上传到 APA 报告一步到位。下面按典型人因研究流程逐步演示。

典型数据结构

以某航空公司飞行员情景意识与疲劳研究为例，数据包含以下变量：

飞行员ID  飞行时长(h)  机型经验(年)  夜间飞行比例  KSS疲劳评分
SA感知(SA1-SA6, 5点Likert)  SA理解(SA7-SA12)  SA预测(SA13-SA18)
绩效错误次数  主观安全感评分  睡眠时长(h)

核心研究问题：

情景意识量表（18题，三因子）的验证性因子分析（CFA）是否支持理论构念结构？（结构效度）
飞行时长、夜间飞行比例、睡眠时长和情景意识总分，能否显著预测飞行员主观疲劳？（预测模型）

分析流程一：情景意识量表 CFA

第一步：描述统计与数据质量检查

打开 chatsrs.com，上传数据后输入：

"请对情景意识量表全部 18 道题（SA1 到 SA18）输出描述统计，包含均值、标准差、偏度、峰度；并检验各题偏度是否超过 ±2、峰度是否超过 ±7，标注偏态题目。同时报告缺失值情况。"

ChatSRS 自动输出描述统计三线表，并对偏度/峰度超限的题目加注警告。

为什么先做这步：CFA 基于正态分布假设（Maximum Likelihood 估计），若题目严重偏态（|偏度| > 2），需改用 MLM 或 WLSMV 估计方法，这会影响后续模型设定。

第二步：验证性因子分析（CFA）

"以情景意识三因子结构做验证性因子分析（CFA）：第一因子为感知（SA1-SA6），第二因子为理解（SA7-SA12），第三因子为预测（SA13-SA18），允许三因子之间自由估计相关。使用最大似然法（ML）估计，报告：模型整体拟合（chi-square、df、p、CFI、TLI、RMSEA 及 90% CI、SRMR）；每个题目的标准化因子载荷（lambda）及其 p 值；平均方差提取量（AVE）和组合信度（CR）。"

ChatSRS 输出（示例）：

情景意识三因子 CFA 拟合结果

模型整体拟合
chi-square(132) = 187.43, p = .001
CFI = .964, TLI = .958
RMSEA = .048, 90% CI [.031, .063]
SRMR = .052

各因子拟合摘要
感知因子（SA1-SA6）：标准化载荷 .62 ~ .81，AVE = .524, CR = .871
理解因子（SA7-SA12）：标准化载荷 .67 ~ .84，AVE = .548, CR = .886
预测因子（SA13-SA18）：标准化载荷 .59 ~ .79，AVE = .502, CR = .858

因子间相关
感知-理解：r = .64（p < .001）
感知-预测：r = .51（p < .001）
理解-预测：r = .72（p < .001）

拟合指标解读标准（Hair et al., 2019）：CFI/TLI >= .90（理想 >= .95）、RMSEA <= .08（理想 <= .06）、SRMR <= .08；AVE >= .50 表明聚合效度良好；CR >= .70 表明组合信度良好。

第三步：区分效度检验（AVE 平方根法）

"对三因子 CFA 结果做区分效度检验：计算每个因子的 AVE 平方根，与该因子和其他因子之间的相关系数对比，按 Fornell-Larcker 准则判断区分效度是否成立。"

ChatSRS 输出 AVE 平方根矩阵，自动标注是否满足 Fornell-Larcker 准则（每个因子的 AVE 平方根应大于该因子与其他所有因子的相关系数）。

分析流程二：飞行员疲劳预测回归

第四步：相关分析 — 预筛选预测变量

"以 KSS 疲劳评分为中心，对飞行时长、夜间飞行比例、睡眠时长、情景意识总分（SA1-SA18 均值）、绩效错误次数做 Pearson 相关分析，生成 APA 格式相关矩阵（下三角），报告 r、p 值，标记显著相关（* p < .05, ** p < .01）。"

ChatSRS 输出标准 APA 相关矩阵三线表，自动标注显著性星号。

第五步：多元线性回归 — 疲劳预测模型

"以 KSS 疲劳评分为因变量，以飞行时长、夜间飞行比例、睡眠时长、情景意识总分为自变量，做多元线性回归。报告：整体模型 F 值、p 值、R^2 和调整 R^2；每个预测变量的非标准化系数 B、标准误 SE、标准化系数 beta、t 值、p 值、95% CI；共线性诊断（容忍度 Tolerance 和 VIF）；残差正态性（Shapiro-Wilk 检验）和同方差性（Breusch-Pagan 检验）。"

ChatSRS 输出（示例）：

多元线性回归：KSS 疲劳评分预测模型

模型整体拟合
F(4, 142) = 23.47, p < .001
R^2 = .398, 调整 R^2 = .380

回归系数表
                    B      SE     beta     t        p      95% CI           VIF
飞行时长(h)       0.18   0.04    .32    4.51   < .001   [0.10, 0.26]     1.43
夜间飞行比例      0.14   0.05    .21    2.80   .006     [0.04, 0.24]     1.61
睡眠时长(h)      -0.52   0.09   -.38   -5.78   < .001  [-0.70, -0.34]   1.38
情景意识总分     -0.29   0.07   -.27   -4.14   < .001  [-0.43, -0.15]   1.52

模型假设检验
残差正态性 Shapiro-Wilk：W = 0.987, p = .214 — 满足正态性假设
同方差性 Breusch-Pagan：chi-square(4) = 5.31, p = .257 — 满足同方差性假设
所有 VIF < 2.0，无严重共线性问题

结果解读：睡眠时长和情景意识总分为疲劳的负向预测因子，飞行时长和夜间飞行比例为正向预测因子，模型解释了约 38% 的疲劳方差变异。

第六步：分层回归 — 检验情景意识的增量效度

如果研究问题关注"情景意识是否在控制飞行经验变量后，仍对疲劳有额外的预测力"：

"做两步分层回归（Hierarchical Regression）：第一步纳入飞行时长和夜间飞行比例（控制变量块）；第二步在第一步基础上追加睡眠时长和情景意识总分（预测变量块）。报告每步的 R^2、调整 R^2，以及 R^2 变化量（delta R^2）、F 变化量及其 p 值，说明第二步变量块的增量效度。"

ChatSRS 自动输出两步模型对比表，含 Delta R^2 和 F change，直接支持"情景意识对疲劳具有独立预测价值"的论断。

可抄进论文的 APA 7th 报告句式

以下段落基于上述分析结果，可直接复制进论文 Method 和 Results 章节，替换括号内数值即可。

方法章节：数据分析策略

本研究采用验证性因子分析（CFA）检验情景意识量表的三因子结构效度，使用最大似然法（ML）进行参数估计，以 CFI >= .95、TLI >= .95、RMSEA <= .06、SRMR <= .08 作为模型良好拟合的判断标准（Hu & Bentler, 1999）。聚合效度通过平均方差提取量（AVE >= .50）和组合信度（CR >= .70）进行评估；区分效度采用 Fornell-Larcker 准则检验（Fornell & Larcker, 1981）。飞行员疲劳预测采用多元线性回归，纳入飞行时长、夜间飞行比例、睡眠时长和情景意识总分为预测变量。回归前检验了残差正态性（Shapiro-Wilk 检验）和同方差性（Breusch-Pagan 检验），并以方差膨胀因子（VIF）诊断共线性（VIF > 10 为严重共线性阈值）。所有分析使用 ChatSRS（版本 2.x，chatsrs.cn，2024）完成（R 引擎，显著性水平 alpha = .05）。完整软件引用见参考文献：chatsrs.cn（2024）。ChatSRS（版本 2.x）[统计分析软件]。https://chatsrs.cn

结果章节：CFA 拟合结果

验证性因子分析结果显示，情景意识三因子结构（感知、理解、预测）与数据具有良好拟合，chi-square(132) = 187.43，p = .001，CFI = .964，TLI = .958，RMSEA = .048，90% CI [.031, .063]，SRMR = .052。三个因子的标准化因子载荷介于 .59 至 .84 之间，均在 .001 水平显著。感知、理解、预测因子的 AVE 分别为 .524、.548 和 .502，组合信度（CR）分别为 .871、.886 和 .858，表明量表具有良好的聚合效度与组合信度。Fornell-Larcker 准则检验结果表明，三因子的区分效度得到满足。

结果章节：疲劳回归结果

以 KSS 疲劳评分为结果变量的多元线性回归模型整体显著，F(4, 142) = 23.47，p < .001，R^2 = .398，调整后 R^2 = .380，表明四个预测变量共解释飞行员疲劳变异的 39.8%。残差正态性检验（Shapiro-Wilk：W = 0.987，p = .214）和同方差性检验（Breusch-Pagan：chi-square(4) = 5.31，p = .257）均满足回归假设，所有预测变量 VIF < 2.0，无共线性问题。具体而言，飞行时长（B = 0.18，SE = 0.04，beta = .32，p < .001）和夜间飞行比例（B = 0.14，SE = 0.05，beta = .21，p = .006）对疲劳有显著正向预测作用；睡眠时长（B = -0.52，SE = 0.09，beta = -.38，p < .001）和情景意识总分（B = -0.29，SE = 0.07，beta = -.27，p < .001）对疲劳有显著负向预测作用，与理论预期一致（Endsley, 1995；Harrison & Horne, 2000）。

上面这两段 APA 报告段落可直接进论文 Results 章节，只需替换括号内的数值。ChatSRS 的"APA 报告"功能可在分析完成后一键生成对应段落，无需手动转写。

常见 FAQ

Q1：航空人因 CFA 样本量多少才够？

CFA 的样本量建议规则有几种：

传统规则：每个自由参数至少 5-10 名被试（18 题三因子模型大约需要 150-300 人）
最低要求：100-150 人可运行，但需要在局限性章节说明
实际操作：飞行员样本珍贵，50-80 人也能发表，前提是 CFA 拟合指标良好且结合效应量报告

ChatSRS 在运行 CFA 时会自动提示样本量警告，并建议是否改用偏差校正 Bootstrap 来处理小样本不稳定性。

Q2：RMSEA 超过 .08 怎么办？

RMSEA 超标通常有以下处理策略：

检查修正指数（Modification Indices, MI）：ChatSRS 会输出 MI 最大的几对残差协方差；若题目内容上确有理论依据（如同属同一飞行阶段情景），可酌情添加残差相关
检验题目负载：因子载荷低于 .40 的题目考虑删除后重跑，但需在论文中说明删除理由
汇报 90% CI：即使点估计稍超 .08，若 90% CI 下限接近 .06，审稿人通常可接受
换用 WLSMV：若量表为 5 点或 7 点 Likert 题，可将题目视作有序变量，改用加权最小二乘法（WLSMV）估计，拟合通常更好

Q3：多元回归出现共线性（VIF > 10）怎么办？

共线性问题的常规处理：

中心化（mean-centering）：对高度相关的连续变量减去均值，降低非本质共线性
删除冗余变量：若两个预测变量相关 r > .90，保留理论上更核心的那个
岭回归（Ridge Regression）：在 ChatSRS 中指定"岭回归，lambda 通过交叉验证选取"，自动处理共线性，同时报告标准化系数
主成分分析降维：先对高度相关的预测变量做 PCA，取前几个主成分作为自变量进入回归

Q4：情景意识总分如何合成？直接加总还是取均值？

CFA 验证三因子结构后，有两种合成方案：

单维总分：若三因子相关较高（r > .60）且研究问题聚焦于整体 SA 水平，可将 18 题直接取均值作为 SA 总分进入后续回归
三维度分数：若研究问题区分感知/理解/预测对疲劳的不同作用，应分别以三个因子得分（或各维度均值）进入回归

ChatSRS 在 CFA 完成后会提示"是否提取因子得分（factor scores）"，因子得分的方法包括 Bartlett 法（无偏）和 Anderson-Rubin 法（正交），推荐 Bartlett 法用于回归。

Q5：论文审稿人要求同时报告 RMSEA 和 SRMR，有什么区别？

两者衡量不同层面的拟合残差：

RMSEA：基于模型 chi-square 计算，对模型复杂度有惩罚，敏感于大样本；衡量总体近似拟合误差
SRMR：观测相关矩阵与模型隐含相关矩阵之差的标准化均方根；对相关结构拟合更直观

两者都报告是现在审稿的标准要求（Hu & Bentler, 1999）。ChatSRS 的 CFA 输出默认同时包含这两个指标，无需额外指定。

分析快速索引

分析目的	方法	ChatSRS 一句话关键词
量表题目质量检查	描述统计 + 偏峰度检验	"描述统计、偏度峰度、缺失值"
量表结构效度验证	CFA（ML 估计）	"三因子 CFA、CFI TLI RMSEA SRMR"
聚合效度与组合信度	AVE + CR	"AVE、组合信度 CR"
区分效度	Fornell-Larcker 准则	"区分效度、AVE 平方根矩阵"
预测变量筛选	Pearson 相关矩阵	"相关矩阵 APA 格式、显著性星号"
疲劳预测	多元线性回归	"多元回归、VIF 共线性、Breusch-Pagan"
增量效度检验	分层回归	"分层回归、Delta R^2、F change"