效度分析计算说明

提示：本指南只针对效度分析特有的内容进行描述，关于软件的通用操作流程（如文件上传、参数设置、结果下载等），请查看：通用计算说明

1. 方法概述

效度分析（Validity Analysis）用于评估测量工具（如问卷、量表）是否真正测量了它所要测量的内容，是问卷设计和数据分析中的重要环节。本工具基于因子分析方法，通过以下指标评估效度水平：

  • KMO检验：评估数据是否适合进行因子分析
  • Bartlett球形度检验：检验变量间是否存在相关性
  • 因子载荷系数：衡量因子（维度）和题项的对应关系
  • 共同度：用于排除不合理的研究项
  • 方差解释率：说明信息提取水平

特别提醒：效度分析通常在信度分析通过后进行，用于验证问卷的结构效度。

2. 计算步骤

2.1 问卷设计

在进行效度分析之前，你应该已经完成了问卷设计和数据收集：

  1. 设计量表：根据理论框架确定维度和题项
  2. 收集数据：通过问卷调查收集样本数据
  3. 信度检验：先进行信度分析，确保测量工具可靠
  4. 数据整理：将问卷数据整理成Excel格式

2.2 数据文件格式

效度分析需要上传包含问卷数据的Excel文件。

文件格式要求：

  • Excel文件必须包含一个名为"原始数据"的Sheet
  • 每一列代表一个题项（变量）
  • 每一行代表一个样本（被调查者）
  • 数据区域为样本对各题项的评分（数值型数据）
  • 不允许有缺失值，所有单元格都必须填写评分
  • 至少需要2个题项和3个样本
  • 样本数应大于题项数

数据示例：

题项1 题项2 题项3 题项4 题项5
5 4 5 4 5
4 5 4 5 4
5 5 5 4 5
4 4 4 5 4
5 5 5 5 5

2.3 参数设置

效度分析提供以下参数设置：

2.3.1 结果保留小数位

  • 默认值：5
  • 取值范围：1-10
  • 控制所有统计量的小数精度

2.3.2 因子个数

  • 自动识别（推荐）：留空则自动识别特征根>1的因子
  • 手动指定：可以手动指定提取的因子个数
  • 取值范围：1到题项总数

选择建议：

  • 首次分析建议使用自动识别
  • 如果有明确的理论维度，可以手动指定因子个数
  • 手动指定的因子数不应超过特征根>1的成分数

2.4 计算结果

2.4.1 KMO和Bartlett球形度检验

<div style=“text-align: center;”> <img src=“/guide/figures/效度分析/KMO检验.png” width=“900” alt=“KMO和Bartlett检验”> </div>

KMO取样适切性量数：

KMO值用于判断数据是否适合进行因子分析（从侧面反映效度水平）：

  • KMO ≥ 0.8：研究数据非常适合提取信息（从侧面反映出效度很好）
  • 0.7 ≤ KMO < 0.8：研究数据适合提取信息（从侧面反映出效度较好）
  • 0.6 ≤ KMO < 0.7：研究数据比较适合提取信息（从侧面反映出效度一般）
  • KMO < 0.6：数据不适合提取信息（从侧面反映出效度较差）

注意：如果仅有2个题项，则KMO值无论如何均为0.5

Bartlett球形度检验：

用于判断变量间是否存在相关性：

  • p < 0.05：通过检验，变量间存在显著相关性，适合进行效度分析
  • p ≥ 0.05：未通过检验，变量间相关性不显著，不适合进行效度分析

效度分析要求必须通过Bartlett检验（p值需要小于0.05）

2.4.2 载荷系数矩阵

<div style=“text-align: center;”> <img src=“/guide/figures/效度分析/载荷系数.png” width=“700” alt=“载荷系数矩阵”> </div>

结果包含：

  1. 因子载荷系数

    • 用于衡量因子（维度）和题项的对应关系
    • 因子载荷系数绝对值 > 0.4 时，说明题项和因子有对应关系
    • 载荷系数越大，题项与因子的关系越强

  2. 共同度（公因子方差）

    • 用于排除不合理研究项
    • 共同度值 < 0.4（有时以0.5为标准）的题项可考虑删除
    • 共同度表示该题项被因子解释的方差比例

本表展示的是Varimax旋转后的载荷系数矩阵

分析步骤：

  1. 首先分析KMO值：判断研究数据是否适合提取信息（从侧面反映效度水平）

  2. 接着分析题项与因子的对应关系：

    • 检查每个题项在哪个因子上的载荷系数最大
    • 判断这种对应关系是否与研究预期一致
    • 如果对应关系与预期基本一致，则说明效度良好

  3. 检查共同度值：

    • 如果某题项的共同度值 < 0.4（有时以0.5为标准），可考虑删除该题项

  4. 题项删除标准：

    • 共同度值低于0.4（有时以0.5为标准）
    • 题项与因子对应关系出现严重偏差
    • 某题项与维度（因子）对应关系与预期完全不符
    • 某题项和维度（因子）无对应关系

  5. 重复分析：删除不合理题项后，重复上述步骤，直至KMO达标且题项与因子对应关系与预期基本吻合

2.4.3 总方差解释表

<div style=“text-align: center;”> <img src=“/guide/figures/效度分析/总方差解释表.png” width=“1600” alt=“总方差解释表”> </div>

结果包含：

  1. 特征根（特征值）

    • 特征根 > 1 的成分被认为是有效成分
    • 系统会自动识别特征根 > 1 的因子数量

  2. 方差解释率

    • 表示该成分解释了总方差的百分比
    • 用于说明信息提取水平

  3. 累计方差解释率

    • 表示前n个成分累计解释的总方差百分比
    • 一般要求累计方差解释率达到60%以上
    • > 50%意味着研究项的信息量可以有效地提取出来

  4. Varimax旋转后的结果（如果因子数≥2）

    • 使用最大方差旋转法（Varimax）对选定的因子进行正交旋转
    • 旋转后的方差解释率使各成分的因子载荷两极分化，更易解释
    • 旋转不改变总方差解释率，但会重新分配各成分的解释率

分析说明：

系统会显示数据中共有多少个特征根大于1的成分。如果手动指定了因子个数，则使用手动指定的数量；否则使用自动识别的数量进行分析。

3. 常见问题

3.1 样本量要求

问：效度分析需要多少样本？

答：一般建议样本量至少是题项数的5-10倍，且样本数必须大于题项数。例如，如果有10个题项，建议至少50-100个样本。样本量太少会影响因子分析的稳定性和可靠性。

3.2 KMO值过低怎么办

问：如果KMO值 < 0.6怎么办？

答：KMO值过低说明数据不适合进行因子分析，可以考虑：

  1. 增加样本量
  2. 检查题项设计是否合理
  3. 删除与其他题项相关性很低的题项
  4. 检查是否有反向题未进行反向计分
  5. 重新审视问卷的理论框架

3.3 Bartlett检验未通过怎么办

问：如果Bartlett检验p值 ≥ 0.05怎么办？

答：这说明变量间相关性不显著，不适合进行效度分析。可能的原因：

  1. 题项之间缺乏内在联系
  2. 问卷设计存在问题
  3. 样本量不足
  4. 数据质量问题

建议重新审视问卷设计，或增加样本量后再次分析。

3.4 因子个数如何确定

问：应该选择多少个因子？

答：

  • 自动识别：使用特征根>1的标准，这是最常用的方法
  • 理论依据：根据问卷的理论维度数量确定
  • 累计方差解释率：选择能使累计方差解释率达到60%以上的因子数
  • 碎石图法：观察特征值的陡坡变化（需要在其他统计软件中查看）

首次分析建议使用自动识别，如果结果与理论预期不符，可以尝试手动指定。

3.5 载荷系数如何解读

问：如何判断题项属于哪个因子？

答：

  1. 查看该题项在各个因子上的载荷系数
  2. 载荷系数绝对值最大的因子即为该题项所属的因子
  3. 如果载荷系数 > 0.4，说明有对应关系
  4. 如果一个题项在多个因子上的载荷系数都很高（交叉载荷），说明该题项可能存在问题

3.6 共同度过低怎么办

问：如果某题项的共同度 < 0.4怎么办？

答：共同度过低说明该题项不能被提取的因子很好地解释，建议：

  1. 考虑删除该题项
  2. 检查该题项的表述是否清晰
  3. 分析该题项是否真正属于当前的理论维度
  4. 删除后重新进行效度分析

3.7 信度和效度的关系

问：信度和效度有什么关系？应该先做哪个？

答：

  • 信度：测量工具的可靠性和一致性（测量的稳定性）
  • 效度：测量工具的有效性（是否测量了想测的内容）
  • 关系：信度是效度的必要不充分条件，即有效度必有信度，但有信度不一定有效度
  • 顺序：应该先进行信度分析，通过后再进行效度分析

3.8 多维度量表的效度分析

问：如果问卷包含多个维度，如何进行效度分析？

答：有两种方式：

  1. 整体分析：对整个问卷进行效度分析，检验因子结构是否与理论维度一致
  2. 分维度分析：对每个维度单独进行效度分析

通常推荐整体分析，因为这样可以验证问卷的结构效度。如果整体分析的因子结构与理论维度不符，再考虑调整题项或分维度分析。