量化研究方法介绍 | 信效度分析

信效度分析是量化研究中的必要步骤，旨在评估测量工具的可靠性和有效性。其中，信度指的是测量工具内部一致性的程度，即同一测量工具在不同时间、不同场合下的使用结果是否相似；效度则指测量工具能否准确、完整地反映被测量的概念或现象。如果信效度不达标，可能需要删除或修改题项，或者调整样本量。

01 /Reliability 信度

Cronbach's alpha系数（克朗巴哈系数）是用于衡量一组测量工具（例如问卷）的内部一致性的统计量。Cronbach's alpha系数介于0和1之间，越接近1表示该工具具有更高的内部一致性和可靠性。一般认为，Cronbach’s α系数在0.7以上表明具有良好的信度。如果不超过0.6，则认为内部一致信度不足。

SPSS操作步骤：点击“分析”→“度量”→“可靠性分析”→选择题项→确定。

02 /Validity效度

（一）内容效度（Face validity）

又称表面效度，是指测量工具的内容是否完整、准确地覆盖了所要测量的概念或领域。内容效度通常需要通过专家评估或理论依据来确定。在学术写作中，可以参考以下几种方式论证内容效度：

1.描述问卷的设计过程，包括问卷设计与研究问题和研究思路如何保持一致性。

2.给出问卷设计的参考依据，比如参考某某文献设计问卷。

3.进行预测试（pilot study），对问卷进行修改处理等。在文中说明已进行预测试和修正。

4.指出专家对于问卷设计的认可性。

（二）效标效度（Criterion validity）

又称准则效度，指的是一种测量工具或方法的有效性，即它能否有效地预测或测量目标变量。效标效度通常使用与目标变量有关的标准（即效标）来进行评价，比如其他已经证明有效的测量工具，若二者相关显著，或者问卷题项对准则的不同取值、特性表现出显著差异，则为有效的题项。

例如，如果一项研究中需要测量某种人格特质，研究者可以选择一个已经被广泛使用的、被证明与该人格特质有高度相关性的标准作为效标，然后使用自己开发的测量工具进行测量。如果测量工具与效标存在高度相关性，并能准确预测该人格特质的表现，那么就可以认为该测量工具具有较高的效标效度。

（三）结构效度（Construct validity）

结构效度指的是测量工具的因素结构是否符合理论假设或者研究预期。在测量某个复杂概念时，常会使用多个指标或者问题来捕捉其不同的维度或者因素。测量结构效度的方法通常是因子分析。

在大部分实际问题中，变量间是有一定相关关系的。为了降低研究的复杂性和提高研究的准确性，人们希望用较少的变量来代替较多的变量，而这些较少的变量能够尽可能地反映原来变量的关系。利用这种降维的思想，产生了因子分析等方法。

03 /Factor analysis

因子分析

因子分析主要用于研究多个变量之间的潜在结构和关系，可以帮助研究者在大量变量中发现共同的因素，进而简化数据分析和解释过程，更好地理解变量之间的关系。

（一）分类

根据目的不同，因子分析可以分为探索性因子分析（Exploratory Factor Analysis, EFA）和验证性因子分析（Confirmatory Factor Analysis, CFA）两种：

（1）探索性因子分析：研究者尚未区分数据维度，基于降维的思想，将众多变量聚合为少数几个的公共因子，以降低数据采集和分析的难度；解释观测变量内在数据结构，并提取出公共因子，按照权重计算出综合得分再进行回归或聚类分析。但EFA不提供有关因素的实际含义和解释的信息。

（2）验证性因子分析：研究者已经区分了数据维度，这时做因子分析主要是验证数据是否符合已分类的维度，检验理论模型的有效性和检查模型是否需要改进。CFA通常需要更多的数据和更准确的测量来支持其假设。

虽然探索性因子分析和验证性因子分析在目的和应用方面有所不同，但它们都是因子分析的重要方法，可以帮助研究者揭示数据的潜在结构，构建可靠的测量工具。

（二）用SPSS进行探索性因子分析

（1）选择“分析”→“降维”→“因子分析”。

（2）选择要进行因子分析的变量。

（3）单击对话框中的“描述”按钮。在“相关性矩阵”选项组中选中“KMO和Bartiett的球形度检验”，单击“继续”按钮返回“因子分析”对话框。

KMO检验：KMO检验是为了判断数据多大程度上适合进行探索性因子分析，其取值范围是0～1。KMO值越接近1，代表变量间的相关性越强，偏相关性越弱，因子分析的效果越好。实际分析中，KMO统计量在0.7以上时效果比较好，0.6则较一般，0.5以下则不适合做因子分析。

Bartiett球形度检验：用来判断是否适合进行探索性因子分析。Bartiett球形度检验用于检验相关阵中各变量间的相关性，是否为单位阵，即检验各个变量是否各自独立。当概率值小于显著性水平（p<0.05）时，适合做因子分析。反之，则说明原有变量之间不存在相关性，这些变量可能独立提供一些信息，不适合做因子分析。

（4）单击“因子分析”对话框中的“抽取”按钮，设置在特征值>1时抽取因子，在“输出”选项组中选中“碎石图”复选框。

碎石图可用于辅助判断最佳因子个数，处在曲线较陡斜率所对应的因子包含的信息多，其个数可确定为主因子提取个数；而处在平缓斜率上的因子对变量的解释力非常小。

（5）单击“因子分析”对话框中的“旋转”按钮，在“方法”选项组中选中“最大方差法”单选按钮。

因子旋转（Rotation）：通过旋转，可以使因子载荷阵的结构简化，令载荷矩阵每列或行的元素平方值向0和1两级分化。这能够使原始变量和因子之间的关系更加突出，即每个变量仅在一个公共因子上有较大的载荷，而在其他公共因子上的载荷较小，便于明确公共因子的含义，对其进行实际背景的解读。常用最大方差法来旋转。

（6）单击“得分”按钮，选择“保存为变量”和“回归”，用于保存计算得到的因子得分。选中“显示因子得分系数矩阵”复选框。

因子得分（Factor score）：通过原始变量与因子之间的关系计算得到，用来评价每个个案在每个公共因子上的分值。因子得分的作用有：①用来代替原始变量进行其他统计分析，比如回归分析（即将因子得分作为自变量，与对应的因变量进行回归）、聚类分析。②进行综合评分。综合评分主要基于各公因子所对应的方差贡献率比例为权重来计算，公式为：综合得分=各因子方差百分比/总方差百分比*因子得分。如在SPSS操作时，选择了“将因子得分保存为变量”的选项，进行因子分析后可以在数据集中看到新增的变量。

（7）单击“选项”，选择“按大小排序”可将变量按照因子载荷值大小从高到低进行排序；选中“取消小系数”，在“绝对值如下”框中输入数字，可表示只输出高于某值的因子载荷。

因子载荷（Factor loading）：因子载荷是指每个变量与每个因子之间的关系程度，其值的大小表示该变量在该因子上的重要性。因子载荷通常介于-1到1之间，绝对值越接近1表示关系越强。一般要求每个测量项对应的因子载荷系数（Factor loading）值大于0.7。因子载荷不达标的题目可考虑删除或调整样本量进行再次分析。输出结果中“成分矩阵”和“旋转成分矩阵”表格中可反映载荷数值。

（8）单击“确定”按钮，输出结果。

共同度（Communality）：表示各变量中所含原始信息能被提取的公因子所解释的程度，取值范围为0-1。解释程度强更好。例如，共同度为0.5时，说明题项中50%的信息能被解释。可在输出结果的“公因子方差表”中查看

方差贡献率：公共因子对所有原始变量总方差的解释能力，值越高，说明该因子的重要程度越高。累计方差贡献率是所有公因子对因变量的合计影响力。一般情况下，累积方差贡献率大于60%，则说明因子对原始变量的解释能力尚可接受，大于70%则说明因子对变量的解释能力很好。可在“解释的总方差”表格查看，“初始特征值”一列显示主成分；“提取载荷平方和”一列显示特征值大于1的主成分的方差贡献率，说明主成分能够涵盖原变量信息、替代原来的变量的能力。“旋转载荷平方和”一列显示的是旋转以后的因子提取结果。