|
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。 在本期推送中，让我们一起梳理和学习信效度分析的相关知识吧！ 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。
（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（例）
（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。
（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。
（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。
（8）单击“确定”按钮，输出结果。
（四）共同方法偏差检验 共同方法偏差检验是一种用于检查研究数据中是否存在共同方法偏差的方法。共同方法偏差（Common Method Variance, CMV）是指由于使用相同方法（或相同评价者）来收集数据，导致各变量之间产生了一种人为的关系，从而影响到研究结果的准确性和可信度。共同方法偏差可能受被试、问卷题目特征、问卷内容、测量环境的影响。 检验方式：Harman单因素检验。在SPSS中，选择“分析”→“降维”→“因子分析”命令，把所有量表题目（除人口统计学题目外）均放入“变量”，点击“确定”，查看“解释的总方差”表格，读取第一公因子的方差解释百分比，一般只要第一个公因子的方差解释百分比小于40%，就可以认为不存在严重的共同方法偏差。 （五）验证性因子分析 在进行验证性因子分析时，需要进行区分效度和收敛效度分析。 （1）收敛效度（Convergent validity）：又称聚合效度，强调同一个潜在变量下的测量项的相关性。在进行收敛效度分析时，则可使用AVE值（Average Variances Extracted，平均方差萃取值）和CR（Composite Reliability，组合信度）这两个指标进行分析，如果每个因子的AVE值大于0.5，并且CR值大于0.7（也有说法认为CR大于0.6即可），则说明具有良好的收敛效度；同时，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。 （2）区分效度（Discriminant validity）：强调潜在变量之间的区分性。AVE的平方根值大于“该因子与其它因子间的相关系数”，此时说明具有良好的区分效度。 （3）AVE和CR的计算方式： 方法一：Excel插入公式计算或手动计算。参考吴明隆的《结构方程模型——AMOS的操作与应用》，得到计算公式如下： AVE = (∑λ²) / n CR = (∑λ)² / [ (∑λ)² ∑(θ) ] =（∑标准化因子载荷值）²/ [（∑标准化因子载荷值）² ∑(θ) ] 其中λ=因子载荷，n=测量指标个数，θ=1-因子载荷量的平方。 方法二：可使用smartPLS、AMOS等软件进行验证性因子分析，采用自动输出的结果。 |
|
|
