如何做spss信度分析（调研工厂收藏级spss信效度分析实操版）

在调查问卷中，人们常常利用含多个项目的量表来测量人们的意见、态度、看法或观念等比较抽象的东西。

这就产生了一个问题：所测的数值是否可靠、准确？是否具有适用性？社会测量的信度与效度就是人们对测量的质量进行评估的两个指标。那么如何进行信效度分析呢？

调研工厂为大家带来收藏级spss信效度分析实操版，内容有点长，但全是干货！

一

问卷信度分析

01

信度测量方法

信度的分析方法主要包括再测信度、复本信度和折半信度、库德理查逊信度法、克隆巴赫α信度系数五种。

其中，克隆巴赫α信度系数是最常用的信度测量方法。

克隆巴赫系数α信度系数是一套常用的测验可靠性的方法，依一定公式估量测验的内部一致性，作为信度的指标，它克服部份折半法的缺点，是目前研究最常使用的信度指标，它是测量一组同义或平行测验“总和”的信度。

（备注：在一般情况下，信度系数不会高到1.00，也不会降到0.00，而是在两者之间；标准化测试的信度系数要求在0.90以上，课堂测试的信度系数则以0.70-0.80之间为可接受性系数）

02

SPSS信度分析操作步骤

1.创建数据文件

2.将数据文件导入spss

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

（可靠性分析）

4.指定变量

5.选择信度估计方法

6.单击OK

结果分析分析各个维度和总量的信度后，将它们列出一个表格，其中每个维度的a信度系数都大于0.8，说明该量表信度较好，符合问卷调查。

03

信度系数不好的解决方法

一般可以根据CITC值和项删除后的α系数这两个指标判断量表题目是否需要修改或删除。

项删除后的α系数是指删除该道题目后，该维度中剩下的题目所得出的α信度系数，若项删除后的α系数比维度原有题目的α系数的大，说明去掉该题后维度的信度提高了，这也说明了这道题在该维度内的一致性较差，需要删除，提高量表的信度。

所以，在信度分析中若出现某个维度的信度较低的现象，就需要计算该维度的每道题项的CITC值和删除项后的α系数，根据指标对量表题目进行针对性的修改。

02

问卷效度分析

效度信度没问题后，接下来需要分析的是问卷的效度。

01

效度测量方法

效度分析在用spss进行分析的时候使用的方法是因子分析。

效度分析对于很多的同学来说是最不好处理的。效度比较好代表的是问卷的数据内部一致性比较好，也就是说每个维度的所有题目的选择上基本是一致的，维度划分比较好。

比方说：职业目标维度的5个题目分别为：

1、对于将来做什么工作，我已经做了决定

2、尽管现在我还是个学生，但是我能想象出将来自己工作状况

3、我已经选定了我的职业，所以，现在我不用担心职业的问题

4、对于职业，我已经做了明确的决定

5、尽管以后我可能会改变想法，但现在，我已经选定了一个吸引我的职业。

对应的选项为5级量表，分别为：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。

如果问卷填写人认真填写，那这些题目的选择上应该不会存在太大差异，因为这些题目都是换着方法对同一个问题的问法。

需要注意的一点是，如果在问卷题目中有反向的题目，需要先将反向的题目转换为正向的题目。

同一个维度的数据通过效度分析后再进行问卷数据的矩阵运算和旋转后也会自动落到一个维度上。

效度分析最好的结果是，整体的问卷会按照不同的维度划分成对应的主成分，如果不是这样的就需要考虑重新做问卷或者和导师沟通下如何分析。

02

效度测量标准

评判标准：KMO值在0-1之间，KMO值越接近1，就越适合做因子分析。

问卷的效度分析是基于主成分因子分析实现的，通过比较题项的因子载荷系数是否在同一主成分表现最优而实现。

分析——降维——因子分析，把所有主观题选到：“项目”中，点击描述，选择KMO和Bartlett’s检验。

点击旋转，选择最大方差法。点击选项，按大小排序。

其中，KMO值大于0.7，说明问卷的结构效度良好。

03

SPSS效度分析操作步骤

分析-降维-因子-把量表的变量移动到右侧变量框中-描述-选择KMO/提取-选择碎石图/旋转-选择最大方差法/选项-排除小系数。分别选择好后都需要点继续。

分析-降维-因子-

把量表的变量移动到右侧变量框中

描述

选择KMO/提取

选择碎石图/旋转

生成结果以及解释：

通过SPSS25进行分析，需要分析显著性和KMO值，显著性小于0.05，说明该问卷数据适用于做因子分析，然后看KMO值，如果此值高于0.8，则说明效度高；如果此值介于0.7~0.8之间，则说明效度较好；如果此值介于0.6~0.7，则说明效度可接受，如果此值小于0.6，说明效度不佳。

这是第三个表格，这个表格代表的是提取的公因子解释问卷数据的比例。公因子提取的数量默认是提取特征值大于1的，上表可以看出，只有前3个是大于1的，所以提取前3个公因子。公因子解释整体问卷数据的比例为91.74%，这个数值是看最右下键的数值。一般高于60%都是可以接受的。问卷信度效度比较好的时候这个数值可以到80%左右。

上图为输出的碎石图。对于碎石图普遍的解释是找出图中的陡坡和缓坡的临界点，就认为陡坡的是需要提取的公因子，可以看出第3和4为临界点。从碎石图可以看出每个因子代表的特征值，从碎石图可以更清晰的看出，前三个因子的特征值大于1，第四个因子所包含的信息量就小于1，也就是说第四个因子所代表的信息量已经不足以代表1道题目，所以就没有要提取多余的因子。

这是第四个表格，旋转后的成分矩阵表（注意，一般都是要用最大方差法对成分矩阵进行旋转的，不然因子之间容易混杂在一起，不容易区分出来）。这个表格代表的是每个因子在每个题目上所包含的信息量。

一个比较好的问卷数据最终的展现的结果是每个因子将会代表一个维度，这个维度和手动做的维度划分是一致的。通过上表可以看出问卷数据被分成了三个主要的因子，分别为第VAR00001 - VAR00004, VAR00005- VAR00008, VAR00009- VAR00012三个主要的因子，也就是说上述三个段的题目分别代表不同的因子。

因子分析的结果和问卷的维度划分是一致的是最好的情况，说明问卷效度很好，如果旋转后的成分矩阵和维度划分是不一致的，可以考虑重新做问卷或者使用成熟的问卷重新发放（这就又回到了问卷设计阶段）、或者和老师沟通下处理的方法，有的不严格的老师效度分析只要KMO的数值就可以，这样就可以避免展现这个表格。

版权声明：部分图表来源本文为CSDN博主「sljwy」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

,