SPSSAU效度分析彙總

效度分析用於分析題是否可以有效的表達對應變數的概念資訊，即分析量表題設計是否合理。在預測試和正式研究時均可以進行效度的分析，在絕大多數情況下，問卷研究會使用探索性因子分析進行結構效度分析，如果量表具有很強的權威性，那麼不需要使用探索性因子分析進行結構效度分析，使用內容效度分析即可。那麼效度包含哪些方法，應該怎麼分析？接下來進行描述。

效度分類

效度類別可以分為四大類，其中包括內容效度、結構效度、區分效度以及收斂效度。

內容效度

內容效度一般用文字的形式描述測量項是否合理，通常是專家點評或者參考文獻，如果量表具有很強的權威性，可以使用該方法進行效度說明。

結構效度

結構效度通常是利用量表測量結構，觀察預期與分析結果是否一致，其中主要測量方式是利用因子分析，最大方差旋轉法，在測量過程中可能需要對應關係的調整，其中包括‘張冠李戴’和‘糾纏不清’。也是效度分析中比較常用的方法。

區分效度

區分效度又名判別效度、區別效度。區分效度共有三種方式，其中包括，AVE平方根判斷法、Fornell-Larcker法以及MSV和ASV判斷法。

收斂效度

收斂效度又成聚斂效度、聚合效度等。是指測量相同潛在特質的測驗指標會落在同一共同因素上。常見研究指標為AVE和CR，一般需要AVE大於0。5以及CR值大於0。7。

SPSSAU如何做效度

1。SPSSAU位置

結果效度分析路徑：問卷研究→效度；區分效度和收斂效度分析路徑：問卷研究→驗證性因子分析。

2。影片資料

（1）結構效度

結構效度分析疑難點：https：//www。bilibili。com/video/BV1EX4y1L7in/

效度分析的幾種形式及實現https：//www。bilibili。com/video/BV16X4y1G7wK/

（2）區分效度和收斂效度

如何做驗證性因子分析：https：//www。bilibili。com/video/BV16r4y1N7M6/

三、效度分析

由於效度類別較多，所以這裡分析比較常用的結構效度分析。結構效度指標一般包括KMO值、Bartlett球形度檢驗、因子載荷係數等。

研究簡單背景：當前有一份資料，共涉及A1~A4，B1~B4，C1~C3，D1~D3共14個量表題，此14個題目共分為4個維度，分別稱作A，B，C和D維度。現希望對此份資料效度情況進行分析，如果有不合理題項將其進行刪除處理。

1。測量項與因子之間的對應關係

上表可以得到KMO值為0。91大於0。6，Bartlett球形度檢驗對應的p值小於0。05，說明此次分析KMO值達標並且已經透過Bartlett球形度檢驗。

接下來檢視測量項與對應關係是否需要需要調整：

如果某對應關係與預期不符可以進行處理，常見需要處理的關係共有兩種，一種是

‘張冠李戴’

，一種是

‘糾纏不清’

，其中‘張冠李戴’是說明B1-B4本應該屬於因子1結果B1不屬於因子1屬於因子2，稱這種情況為‘張冠李戴’，而‘糾纏不清’A1-A4本應該對應因子3但是A1和A2又屬於因子3又屬於因子1，對於‘張冠李戴’的情況要處理，而‘糾纏不清’的情況可以考慮是否處理，如果結果可以接受或者沒有很大影響可以選擇不處理。

由上表可以發現B1和D3存在‘張冠李戴’的情況，所以首先要將B1和D3進行刪除處理，處理後的對應關係表如下：

由上表可以發現A1存在‘張冠李戴’的情況，所以將A1進行刪除處理，處理後的對應關係表如下：

由上表可以發現D2存在‘糾纏不清’的情況，但是考慮結果可以接受並且D維度只剩下兩項，所以暫時不進行處理。分析結果。

2。效度分析

上表可以得到KMO值為0。876大於0。6，Bartlett球形度檢驗對應的p值小於0。05，說明此次分析KMO值達標並且已經透過Bartlett球形度檢驗。

最後經過不斷處理，得到最終結果，其中A2-A4對應因子3，因子載荷係數的絕對值均大於0。4，B2-B4對應因子2，因子載荷係數的絕對值均大於0。4，C1-C3對應因子1，因子載荷係數的絕對值大於0。4，D1和D2對應因子4，其因子載荷係數的絕對值也大於0。4，並且各項的共同度均大於0。4，立即方差率大於50％，說明能夠提取大部分資訊，所以此次分析結果可以接受，問卷題項設定合理。

疑難點

結構效度不達標應該怎麼處理？

如果有兩個分析項KMO值一定為0。5，如果分析項大於2個KMO值較低，建議刪除掉共同度值較低項。或者建議利用相關分析檢查相關關係，如果相關係數值小於0。2，或者沒有呈現出顯著性，可以說明題項之間關聯性弱，建議先移除相關係數值較低的項後再次分析。

2。效度分析時，KMO值為null不存在？

如果不輸出KMO值，說明資料質量交叉，建議可以使用下相關分析，檢視下相關關係，如果相關關係係數值均小於0。2或者沒有呈現出顯著性，可以說明題項之間關聯性弱，建議先移除相關係數值較低的項後再次分析。但是分析項之間的相關係數過高（大於0。8）等，這會導致嚴重的共線性可能無法輸出KMO值。所以分析項之間的相關係數值一般希望介於0。3~0。7之間較好。