在对量表问卷展开分析之前，必须要经过信度和效度检验。
信度检验，可以理解为可靠性检验（Reliability indices），为可靠度、一致性、稳定性。用于测量样本回答结果是否可靠,即样本有没有真实作答量表类题项，最常用的检验办法是使用科隆巴赫系数(Cronbach’s alpha或Cronbach’s α)。一般认为，科隆巴赫系数>0.7就是通过了信度检验，有些文献中，需要>0.8，有些文献需要>0.6，但是无论如何，0.6是底线。
如果问卷的效度过低，需要通过哪几个角度修正问卷数据呢？
1、进行信度检验的问卷必须是量表问卷，所以检查进行效度的题项是否为量表题项，对于非量表题项要提出。比如性别，年龄，出生地等题项要删除。
2、样本量必须足够，一般来说，样本量为题数的5倍以上，最好是10倍以上。比如有量表有10个题，样本数量最好100个以上。
3、检查数据是否有缺失，也就是有漏填数据。
4、最重要的一点，看一下题目是否有反向题目，这个可以具体参考下科隆巴赫系数的计算公式，和各个题目得分方差、整个试卷得分方差有关系。
Spss操作很简单：
1、点击分析，点击可靠性分析
2、将分析的维度拖入右侧“项”中，再次强调，必须是量表题！！！性别年龄之类的参与分析会导致信度降低，甚至为负。
3、如果考虑在后续分析中，删除题目提高信度，可以选择统计，选择“删除后的标度”。
观察结果：
结果中的“可靠性统计”就是“信度”，结果中的“项总计统计”对应的是删除每一个题后，科隆巴赫系数变为多少。如果剔除该题后信度不降反升，说明该题应该剔除。但在给定的案例中，很明显剔除每一个题，总的信度都有下降，所以不应该剔除。所以这也是提高信度的一个小tips。
效度分析称之为效度检验（Validity indices），可以理解为问卷是否有效，简单来说就是问卷设计的有效性、准确程度，用于测量题项设计是否合理。效度检验主要通过验证性因子分析实现的。
验证性因子分析，顾名思义，验证问卷题目维度划分是否合理，通过数据说明维度是否和自己划分的一致。验证性因子分析（CFA）主要包括：结构效度、收敛效度、区分效度。
先来介绍最最常见的，合理的收敛效度里的因子载荷。
Spss步骤：
1、点击分析，点击降维，点击因子
2、把对应的量表题目拖入右侧
3、设置描述、提取、旋转、得分、选项
注意在选项里，最后的设置是因子载荷小于多少的不显示，有的文献设置0.4，有的设置0.45，也有的设置0.5，怎么样都可以，这里以0.5为例。
分析结果：
1、先看下MKO值和巴特勒球形检验，通过结果显示KMO>0.9，显著性为显著，说明适合做因子分析。KMO临界值有时候取0.6或者0.7。
2、总方差解释配合碎石图，判断出来公因子选取3个最合适。3个因子方差贡献率为60%。（这个如何评判？当然越多越好，多少是及格线？明白的小伙伴可以留言。）
3、再看旋转后的成分矩阵，也发现可以分为3个维度。但是结果和我们预想的并不一样，教养方式4并没有归到成分1里（教养方式），学习行为4没有归到成分3里（学习行为），效能感1和效能感2也没有归到成分2里（效能感）。处理这样的结果，就是将这些与预设维度不符的题目逐个删除，也就是删除一个，做一次，删除一个做一次（每剔除一个题目，都有可能影响其他题目的分类），直至和预设维度相符。这里有个不太好的小细节，如果自动分不出来，可以强制性提取4个。最终的结果，我们发现剔除一些数据后，维度和我们预想的就一样了。
到这里基本上就做完了。但是有些人说spss不适合做验证性因子分析，应该用amos做。
我们可以用amos将刚才的结果验证一下。具体的amos操作过程就不多介绍了，大概就是先画变量，再导入数据，再把数据中的每个问题拖入矩形框中，椭圆形框自己命名就好了。模型结果和刚才spss可能不太一样，在学习行为这里是有2、3、6组成。为啥呢？在spss做的时候，学习行为这个维度就体现的不是很明显，所以在amos中，把6个问题都导入进去，先跑一下，看标准化因子载荷，逐步的把因子最低的删掉。如果采用spss的结果，学习行为使用1、5，最后学习行为这个维度的聚合效度不能通过。所以选变量这个事，也可以理解为先从变量推结果，再从结果推删变量。再将剩余变量做一个KMO和巴特利球形检验就可以了。
看下结果，
关键指标自由度卡方比<3（如果不严格，＜5也可以）
Rmsea<0.08
信度检验，可以理解为可靠性检验（Reliability indices），为可靠度、一致性、稳定性。用于测量样本回答结果是否可靠,即样本有没有真实作答量表类题项，最常用的检验办法是使用科隆巴赫系数(Cronbach’s alpha或Cronbach’s α)。一般认为，科隆巴赫系数>0.7就是通过了信度检验，有些文献中，需要>0.8，有些文献需要>0.6，但是无论如何，0.6是底线。
如果问卷的效度过低，需要通过哪几个角度修正问卷数据呢？
1、进行信度检验的问卷必须是量表问卷，所以检查进行效度的题项是否为量表题项，对于非量表题项要提出。比如性别，年龄，出生地等题项要删除。
2、样本量必须足够，一般来说，样本量为题数的5倍以上，最好是10倍以上。比如有量表有10个题，样本数量最好100个以上。
3、检查数据是否有缺失，也就是有漏填数据。
4、最重要的一点，看一下题目是否有反向题目，这个可以具体参考下科隆巴赫系数的计算公式，和各个题目得分方差、整个试卷得分方差有关系。
Spss操作很简单：
1、点击分析，点击可靠性分析
2、将分析的维度拖入右侧“项”中，再次强调，必须是量表题！！！性别年龄之类的参与分析会导致信度降低，甚至为负。
3、如果考虑在后续分析中，删除题目提高信度，可以选择统计，选择“删除后的标度”。
观察结果：
结果中的“可靠性统计”就是“信度”，结果中的“项总计统计”对应的是删除每一个题后，科隆巴赫系数变为多少。如果剔除该题后信度不降反升，说明该题应该剔除。但在给定的案例中，很明显剔除每一个题，总的信度都有下降，所以不应该剔除。所以这也是提高信度的一个小tips。
效度分析称之为效度检验（Validity indices），可以理解为问卷是否有效，简单来说就是问卷设计的有效性、准确程度，用于测量题项设计是否合理。效度检验主要通过验证性因子分析实现的。
验证性因子分析，顾名思义，验证问卷题目维度划分是否合理，通过数据说明维度是否和自己划分的一致。验证性因子分析（CFA）主要包括：结构效度、收敛效度、区分效度。
先来介绍最最常见的，合理的收敛效度里的因子载荷。
Spss步骤：
1、点击分析，点击降维，点击因子
2、把对应的量表题目拖入右侧
3、设置描述、提取、旋转、得分、选项
注意在选项里，最后的设置是因子载荷小于多少的不显示，有的文献设置0.4，有的设置0.45，也有的设置0.5，怎么样都可以，这里以0.5为例。
分析结果：
1、先看下MKO值和巴特勒球形检验，通过结果显示KMO>0.9，显著性为显著，说明适合做因子分析。KMO临界值有时候取0.6或者0.7。
2总方差解释配合碎石图，判断出来公因子选取3个最合适。3个因子方差贡献率为60%。（这个如何评判？当然越多越好，多少是及格线？明白的小伙伴可以留言。）
3、再看旋转后的成分矩阵，也发现可以分为3个维度。但是结果和我们预想的并不一样，教养方式4并没有归到成分1里（教养方式），学习行为4没有归到成分3里（学习行为），效能感1和效能感2也没有归到成分2里（效能感）。处理这样的结果，就是将这些与预设维度不符的题目逐个删除，也就是删除一个，做一次，删除一个做一次（每剔除一个题目，都有可能影响其他题目的分类），直至和预设维度相符。这里有个不太好的小细节，如果自动分不出来，可以强制性提取4个。最终的结果，我们发现剔除一些数据后，维度和我们预想的就一样了。
到这里基本上就做完了。但是有些人说spss不适合做验证性因子分析，应该用amos做。
我们可以用amos将刚才的结果验证一下。具体的amos操作过程就不多介绍了，大概就是先画变量，再导入数据，再把数据中的每个问题拖入矩形框中，椭圆形框自己命名就好了。模型结果和刚才spss可能不太一样，在学习行为这里是有2、3、6组成。为啥呢？在spss做的时候，学习行为这个维度就体现的不是很明显，所以在amos中，把6个问题都导入进去，先跑一下，看标准化因子载荷，逐步的把因子最低的删掉。如果采用spss的结果，学习行为使用1、5，最后学习行为这个维度的聚合效度不能通过。所以选变量这个事，也可以理解为先从变量推结果，再从结果推删变量。再将剩余变量做一个KMO和巴特利球形检验就可以了。
看下结果，
关键指标自由度卡方比<3（如果不严格，＜5也可以）
Rmsea<0.08
其他的指标也基本符合要求：
评价标准如下表所示。
总之，效度分析一般是比较难的，数据拿到手之后，通过spss的因子分析很难得出与预设维度相同的结果，再加上有些同学说spss不适合做验证性因子分析，所以索性先通过spss的因子分析把不符合预设维度的题删掉，然后剩余的题目放入amos中，做效度检验，这时候基本上能够满足要求。
最后，根据amos结果，给出报告，报告中需要给出测量模型图、结构效度、收敛效度、区分效度。
测量模型图：
结构效度：
表 模型拟合系数表
|
Model fit |
Standard |
Results |
|
X2/df |
<3 |
2.550 |
|
RMSEA |
<0.08 |
0.062 |
|
RMR |
<0.08 |
0.016 |
|
GFI |
<0.08 |
0.967 |
|
AGFI |
<0.08 |
0.939 |
|
NFI |
<0.08 |
0.960 |
注：根据模型结果，选取符合评判标准的几个指标就可以，但是卡方自由度比，RMSEA必须满足。
聚合效度：
当AVE值大于0.5，且CR值大于0.7时，量表的聚合效度较高。CR和AVE计算，需要用到exps软件，当然可以根据公式自己算，甚至自己用python或者c#做一个GUI。有需要私聊我。
表 聚合效度
区别效度：
表 区别效度
|
|
学行为 |
自效能 |
教方式 |
|
学行为 |
0.722288 |
||
|
自效能 |
0.648** |
0.784857 |
|
|
教方式 |
0.805** |
0.722** |
0.741957 |
|
AVE |
0.5217 |
0.616 |
0.5505 |
OK，到此为止，效度分析就结束了，能够看出来，amos验证分析对数据的质量要求是比较高的，否则剔除变量就花费很长时间。
参考视频：
数据：
链接：https://pan.baidu.com/s/1KeK2QQ6tV1MX9J91VN6ucQ?pwd=1111
提取码：1111
标签：分析,量表,信度,因子分析,维度,效度,问卷 From： https://www.cnblogs.com/lgwdx/p/17298822.html