在調查問卷中，人們常常利用含多個項目的量表來測量人們的意見、态度、看法或觀念等比較抽象的東西。

這就産生了一個問題：所測的數值是否可靠、準确？是否具有适用性？社會測量的信度與效度就是人們對測量的質量進行評估的兩個指标。那麼如何進行信效度分析呢？

調研工廠為大家帶來收藏級spss信效度分析實操版，内容有點長，但全是幹貨！

一

問卷信度分析

01

信度測量方法

信度的分析方法主要包括再測信度、複本信度和折半信度、庫德理查遜信度法、克隆巴赫α信度系數五種。

其中，克隆巴赫α信度系數是最常用的信度測量方法。

克隆巴赫系數α信度系數是一套常用的測驗可靠性的方法，依一定公式估量測驗的内部一緻性，作為信度的指标，它克服部份折半法的缺點，是目前研究最常使用的信度指标，它是測量一組同義或平行測驗“總和”的信度。

（備注：在一般情況下，信度系數不會高到1.00，也不會降到0.00，而是在兩者之間；标準化測試的信度系數要求在0.90以上，課堂測試的信度系數則以0.70-0.80之間為可接受性系數）

02

SPSS信度分析操作步驟

1.創建數據文件

2.将數據文件導入spss

3.Analyze（分析）→Scale（标度） →Reliability Analyze

（可靠性分析）

4.指定變量

5.選擇信度估計方法

6.單擊OK

結果分析分析各個維度和總量的信度後，将它們列出一個表格，其中每個維度的a信度系數都大于0.8，說明該量表信度較好，符合問卷調查。

03

信度系數不好的解決方法

一般可以根據CITC值和項删除後的α系數這兩個指标判斷量表題目是否需要修改或删除。

項删除後的α系數是指删除該道題目後，該維度中剩下的題目所得出的α信度系數，若項删除後的α系數比維度原有題目的α系數的大，說明去掉該題後維度的信度提高了，這也說明了這道題在該維度内的一緻性較差，需要删除，提高量表的信度。

所以，在信度分析中若出現某個維度的信度較低的現象，就需要計算該維度的每道題項的CITC值和删除項後的α系數，根據指标對量表題目進行針對性的修改。

02

問卷效度分析

效度信度沒問題後，接下來需要分析的是問卷的效度。

01

效度測量方法

效度分析在用spss進行分析的時候使用的方法是因子分析。

效度分析對于很多的同學來說是最不好處理的。效度比較好代表的是問卷的數據内部一緻性比較好，也就是說每個維度的所有題目的選擇上基本是一緻的，維度劃分比較好。

比方說：職業目标維度的5個題目分别為：

1、對于将來做什麼工作，我已經做了決定

2、盡管現在我還是個學生，但是我能想象出将來自己工作狀況

3、我已經選定了我的職業，所以，現在我不用擔心職業的問題

4、對于職業，我已經做了明确的決定

5、盡管以後我可能會改變想法，但現在，我已經選定了一個吸引我的職業。

對應的選項為5級量表，分别為：1,2,3,4,5代表的是 非常不符合、有些不符合、不能确定、有些符合、非常符合。

如果問卷填寫人認真填寫，那這些題目的選擇上應該不會存在太大差異，因為這些題目都是換着方法對同一個問題的問法。

需要注意的一點是，如果在問卷題目中有反向的題目，需要先将反向的題目轉換為正向的題目。

同一個維度的數據通過效度分析後再進行問卷數據的矩陣運算和旋轉後也會自動落到一個維度上。

效度分析最好的結果是，整體的問卷會按照不同的維度劃分成對應的主成分，如果不是這樣的就需要考慮重新做問卷或者和導師溝通下如何分析。

02

效度測量标準

評判标準：KMO值在0-1之間，KMO值越接近1，就越适合做因子分析。

問卷的效度分析是基于主成分因子分析實現的，通過比較題項的因子載荷系數是否在同一主成分表現最優而實現。

分析——降維——因子分析，把所有主觀題選到：“項目”中，點擊描述，選擇KMO和Bartlett’s檢驗。

點擊旋轉，選擇最大方差法。點擊選項，按大小排序。

其中，KMO值大于0.7，說明問卷的結構效度良好。

03

SPSS效度分析操作步驟

分析-降維-因子-把量表的變量移動到右側變量框中-描述-選擇KMO/提取-選擇碎石圖/旋轉-選擇最大方差法/選項-排除小系數。分别選擇好後都需要點繼續。

分析-降維-因子-

把量表的變量移動到右側變量框中

描述

選擇KMO/提取

選擇碎石圖/旋轉

生成結果以及解釋：

通過SPSS25進行分析，需要分析顯著性和KMO值，顯著性小于0.05，說明該問卷數據适用于做因子分析，然後看KMO值，如果此值高于0.8，則說明效度高；如果此值介于0.7~0.8之間，則說明效度較好；如果此值介于0.6~0.7，則說明效度可接受，如果此值小于0.6，說明效度不佳。

這是第三個表格，這個表格代表的是提取的公因子解釋問卷數據的比例。公因子提取的數量默認是提取特征值大于1的，上表可以看出，隻有前3個是大于1的，所以提取前3個公因子。公因子解釋整體問卷數據的比例為91.74%，這個數值是看最右下鍵的數值。一般高于60%都是可以接受的。問卷信度效度比較好的時候這個數值可以到80%左右。

上圖為輸出的碎石圖。對于碎石圖普遍的解釋是找出圖中的陡坡和緩坡的臨界點，就認為陡坡的是需要提取的公因子，可以看出第3和4為臨界點。從碎石圖可以看出每個因子代表的特征值，從碎石圖可以更清晰的看出，前三個因子的特征值大于1，第四個因子所包含的信息量就小于1，也就是說第四個因子所代表的信息量已經不足以代表1道題目，所以就沒有要提取多餘的因子。

這是第四個表格，旋轉後的成分矩陣表（注意，一般都是要用最大方差法對成分矩陣進行旋轉的，不然因子之間容易混雜在一起，不容易區分出來）。這個表格代表的是每個因子在每個題目上所包含的信息量。

一個比較好的問卷數據最終的展現的結果是每個因子将會代表一個維度，這個維度和手動做的維度劃分是一緻的。通過上表可以看出問卷數據被分成了三個主要的因子，分别為第VAR00001 - VAR00004, VAR00005- VAR00008, VAR00009- VAR00012三個主要的因子，也就是說上述三個段的題目分别代表不同的因子。

因子分析的結果和問卷的維度劃分是一緻的是最好的情況，說明問卷效度很好，如果旋轉後的成分矩陣和維度劃分是不一緻的，可以考慮重新做問卷或者使用成熟的問卷重新發放（這就又回到了問卷設計階段）、或者和老師溝通下處理的方法，有的不嚴格的老師效度分析隻要KMO的數值就可以，這樣就可以避免展現這個表格。

版權聲明：部分圖表來源本文為CSDN博主「sljwy」的原創文章，遵循CC 4.0 BY-SA版權協議，轉載請附上原文出處鍊接及本聲明。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!