效度（Validity）在英文原术语中即为有效性，衡量的指标是某一实验的有效性和准确性。其统计学意义是使用的测量手段是否能准确反映所测量内容的程度，主要反映测量结果和被测内容的关系。如果实验结果与被考察内容的吻合程度越高，则说明实验效度越高；反之效度越低。如果想要获取高质量的实验数据，效度分析是对测量结果进行进一步分析的基础保障。接下来就让我们一起对效度分析的全流程进行逐步解读吧。
一、效度指标的分类
通过对效度的验证，可以确保数据质量和问卷设计有意义且有针对性。而效度分析方法根据评估对象和手段的不同，又可以分为逻辑效度、结构效度和效标效度三种。
1. 逻辑效度
逻辑效度指标的目的是为了衡量问卷内容设计的合理性和有效性，也就是一个问卷在多大程度上测量到了设计者希望测量的内容。该问卷所选内容与全部内容相比，如何衡量取样的代表性和适当性就成了逻辑效度所代表的指标。
测量逻辑效度最常用的方法是专家判断法，该方法的操作方式是首先定义测试内容总体的范围和测量目标，其次交由该领域内的资深专家按照题目设置和测量内容相匹配的原则设计纲目或框架，最后制定评定量表并请学科专家对题目设计的代表性和恰当性作出评价，并加以适当修改直到满足要求。
2. 效标效度
效标效度，指的是衡量数据结果和效标的相关性程度的指标。效标指的是衡量问卷有效性的指标和标准，既可以是连续型数值变量或分类变量、也可以是主观评定或客观测量等等。由于效标效度需要有实证依据，所以又叫实证效度。如果一个实验者想要检测自己设计的问卷是否能够准确测量要测的内容，可以将自己的问卷与该领域内公认权威的成熟问卷进行相关分析。
例如，某实验者想要检测自己设计的问卷是否能够测量被试的自尊程度，则他可以选择对罗森伯格自尊量表收集到的数据作为基准，与本问卷收集的数据进行相关分析，以检测问卷的效标关联效度。
3. 结构效度
结构效度衡量的主要是实验能否真正验证假设，即因子与所要测量的理论结构是否具有对应关系。衡量结构效度通常采用的分析方法主要为探索性因子分析和验证性因子分析。
探索性因子分析是当前使用范围最广的结构效度分析方法。在使用探索性因子分析测量结构效度时，首先需要对KMO值和Bartlett球形检验的结果进行验证，证明数据适合进行因子分析。其次应对因子数量、因子载荷系数、每个因子的旋转后方差解释率、所有因子的累计方差解释率进行说明。
验证性因子分析主要用于探究聚合效度和区分效度，其对于样本量和量表的设计质量有着较高的要求。如果样本量大小和问卷设计质量较难保证，则难以保证验证性因子分析的结果能够达到标准。
二、效度分析的前提
1. 非量表题型
在信度分析中，我们提到进行信度分析的数据必须为量表数据。而在效度分析中，非量表题型可以通过逻辑效度的形式对其数据有效性进行验证。
设计者可以通过文字描述说明问题的设计思路和整体设计过程，说明研究内容和整体设计目标、问卷收集的过程和样本特征控制、是否预测试、回收问卷后如何进行无效数据的剔除等等的整体流程，并标注问卷设计的参考文献。以证明实验的合理性和有效性。同时，还可考虑采用专家判断法的形式，专家先行对总体内容进行定义，制定评定标准，再与问卷设计者进行比较。
2. 量表类题型
如果问卷中包含量表题型，则逻辑效度、效标效度、结构效度三种指标都可以使用。既可以通过文字叙述来证明结果合理有效，也可以通过统计学方法计算出各指标加以衡量。
3. 效度分析不是统计方法
效度是衡量实验有效性的指标，效度分析是对该指标进行分析的概念，而并非一种统计分析方法。效度分析的主要途径是因子分析、相关分析及其他指标。不同效度类型需要采用不同的数据分析方法。
三、效度分析中的常见问题
1. KMO值和Bartlett球形检验值无法输出或KMO值过小
①KMO值和Bartlett球形检验值无法输出
原因：非量表题型；样本量过小；量表设计不到位；变量之间独立性较强，不适合做因子分析
解决方法：非量表题改用逻辑效度分析；提高样本量；更改量表设计；放弃结构效度分析
②KMO值过小（例如：＜0.6）
原因：无法提取该因子的有效信息；题项相关性过低；分析项只有两个，此时KMO值必然为0.5（忽视即可）
解决方法：删除无法提取信息或相关性较低的题项
2. 对应关系出现问题
①分析项没有和任何因子建立关系或对应出错
解决方法：删除题项即可
②分析项和多个维度建立了对应关系
解决方法：看情况处理，可以保留
③一个因子只对应一个分析项
解决方法：删除该项并进行适当文字描述说明情况
3. 因子载荷系数为负
原因：量表中含有反向计分题
解决方法：在分析前进行反向预处理，或者只观察绝对值
使用Credamo进行效度分析
1. 指标解读
·KMO值：＞0.8，说明效度非常好；介于0.7~0.8之间，代表效度比较好；介于0.6~0.7，说明效度处于可接受范围，如果此值介于0.5~0.6之间，说明效度不佳；＜0.5，则说明效度极差。
·Bartlett球形检验：如果对应P值＜0.05，则说明通过球性检验
·特征根值：判断因子个数的标准的信息量，＞1是通常标准
·方差贡献率值：代表各维度可解释整体量表的信息量，此值越大越好
·累积方差贡献率值：所有维度可解释整体量表的信息量；此值越大越好
·因子载荷系数值：分析项与维度之间的相关关系情况，此值较为关键，一般绝对值＞0.4为宜，可以通过删除对应关系不合理的题项来进行提升
·共同度：分析项可以被提取出的信息量情况，比如为0.894，可以理解为该项有89.4%的信息可被最终提取出来
2. 添加分析
在本例中我们希望检测某问卷量表设计的有效性情况。
首先新建分析组，选中该组别并点击右上角的添加分析按钮。在分析方法中选择效度分析并编辑名称。首先在所有选项中确定需要分析的维度，找到需要对应分析的数值变量。在该过程中可以编辑分析名称，并为该维度命名，也可在下方添加复数个维度。点击右下角确定后即生成分析结果。
*在平台的数据清理功能中，可以选择对不同变量进行命名。本例中因数据保密性原则，已将变量名称略去，并将变量用题项序号表示。
3. 分析结果生成
在完成逻辑分析的添加后，Credamo会生成带有KMO值，Bartlett球形检验值，特征根值，方差贡献率值，因子载荷系数和共同度等指标一系列智能分析表格。系统会在整体解读中自动对模型效果作出评价并对分析结果作出智能解读，并根据智能建议优化您的实验设计。
本例中，KMO值＞0.8且Bartlett球形检验P值＜0.05，说明数据适合进行因子分析。因子载荷系数的绝对值＞0.4，且除Q1-4以外的题项都仅与一个因子存在对应关系，且各维度与各因子一一对应，问卷效度较为良好。但数据回收的样本量过小，且调整题项后量表包含题项数量过少，应增加样本量并优化量表设计。
更多关于数据分析的干货内容定期更新，请关注我们的文章专栏：
Credamo：信度分析全流程攻略zhuanlan.zhihu.com
如您对本篇关于效度分析的内容有任何疑问，欢迎前往公众号联系野生客服捉虫。
@Credamowww.zhihu.com亲，如果小C的文章对您有帮助的话，请别忘点赞、关注，后面有更多类似文章推送给您！
7143
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
