第九節 信度、效度分析

一、信度分析

前言
對于信度效度分析大家應該都不陌生，即使不明白真實的含義，應該也聽過這兩個詞匯。從認知廣泛度也可以知道信度、和效度分析在統計學上的重要性。雖然信效度分析很重要，但是對于信效度分析的深層含義可能很多人都不知道。
首先，信效度分析不是一個分析方法，信度和效度是兩個截然不同的分析方法。但是信度和效度通常會同時出現，因此通常情況都會說成信效度分析。
信度和效度分析是輔助性的統計學分析方法，它只有檢驗數據質量好壞的唯一用途。信效度分析是保證假設檢驗具有意義的重要前提。只有保證數據質量，假設檢驗的結果才有意義。
另外，信效度分析僅針對量表進行分析，或者可以劃分為量表形式的問卷也可以進行信效度分析。
在信效度分析中，信度檢驗的是數據可靠性（內部一致性）和穩定性。而效度分析檢驗的是數據真實性。

信度分析
信度分析主要分析三種方法：科隆巴赫系數（Cronbach α系數）、折半信度以及重測信度。其中克隆巴赫系數和折半信度檢驗的是 可靠性或者內部一致性。而重測信度檢驗的是穩定性。一般在實際運用中最常用的是克隆巴赫系數。（舉例說明信度的含義）
信度分析的核心原理：
三種信度檢驗方法都有自己對應的公式，計算公式涉及到的指標都各有不同。但是，決定信度高低的核心原理是題目之間的相關性。相關性的高低決定了信度的高低。

科隆巴赫系數（Cronbach α系數）：
公式：

其中Si2為題目的方差，Sx2為總體方差，k為題目數量。克隆巴赫系數的取值范圍在0-1之間，系數值越高信度越高，一般認為信度低于0.6就需要重新設計量表或者重新收集數據。一般在論文研究中大部分信度都需要大于0.7以上。另外克隆巴赫系數的大小還會受到題目數量的影響，比如10個題目的時候信度為0.8，如果題目增加到20個，在相同環境下，信度可能就超過0.9了。

折半信度：
折半信度的原理是將原始數據劃分為兩半，然后計算兩半樣本數據之間的相關性。相關性的高低就代表了信度的高低。

其中rhh為兩半樣本分數之間的相關系數，rxx為整個測驗的信度系數值。注意：如果量表題目數量少于10個題目的時候不適合使用折半信度。另外劃分的兩半樣本數據要求盡可能的相似（應當具有相近的均值和標準差），如果兩份樣本不相似，可以采用下面的兩個公式計算信度值。

弗朗那根公式：

盧倫公式：

其中Sa2和Sb2分別為兩個樣本數據的方差，Sx2為總體方差。Sd2為兩部分樣本得分之的方差。

重測信度：
重測信度是檢驗數據或者量表穩定性的分析方法，采用同一份問卷分別采集兩次數據，然后分別計算得分，最終計算兩個得分之間的相關系數即可。

其中x和 代表的是第一次測量的實際得分和實際得分的平均值。y和 代表第二次測量的實際得分和實際得分的平均值。

二、效度分析

效度分析是檢驗數據量表數據真實性的分析方法。這里的真實性應當理解為測量準確度。比如測量職業滿意度，那么檢驗的目的就是檢驗維度包含的題目是否真的測量到了職業滿意度。效度分析和信度分析不同，信度分析在spss里面有專用的分析方法，我們可以通過某一個具體的指標進行信度的判斷。但是效度分析沒有專用的分析方法，因此量表的效度檢驗通常都是采用探索性因子分析或者驗證性因子分析進行檢驗的，從而效度的判斷也就不能用某個單一的指標進行判斷好壞了。而是要結合分析的整個流程進行判斷。
我們采集的數據很容易通過信度檢驗，但是嚴格的效度檢驗一般很難通過，效度檢驗對于數據質量的要求非常高。因此，相對而言，在數據質量檢驗方面，效度分析的結果更加的可靠。
探索性因子分析和驗證性因子分析效度檢驗之間有一定的邏輯關系，通常探索性因子分析是確定量表的結構，而驗證性因子分析是對已經確定的結構進行驗證的分析方法。在實際的運用中，兩種分析方法均可以采用，并沒有規定哪種量表用哪種檢驗方法的要求。只不過不同的問卷有不同的解釋說明而已。

成熟量表的效度檢驗：
成熟量表可以不進行效度檢驗，前提是導師允許。如果成熟量表需要進行效度檢驗，我們可以采用兩種方式進行檢驗。
1、探索性因子分析：用探索性因子分析檢驗成熟量表的效度采用的是“驗證”思想，因為成熟量表的維度劃分一般都是已經確定了的，因此如果采用探索性因子分析進行效度檢驗，那么就是去驗證我們收集的數據是否能夠準確的劃分出量表已經確定的維度，如果可以就說明效度好，如果不行就說明效度不好，證明我們收集的數據質量不行。

2、驗證性因子分析方法：同樣，成熟量表的維度劃分是確定的，也就是說量表的結構是已經確定了的，因此我們可以直接采用驗證性因子分析方法進行效度檢驗。

自編或者改編量表的效度檢驗：
自編或者改編量表的效度檢驗分為兩種情況。一種是在自己改編或者自編量表的時候就已經預設了維度的劃分。因此，在效度檢驗上和成熟量表的檢驗方法是一致。可以采用探索性因子分析檢驗維度劃分結果是否和預設的維度一致。也可以直接用驗證性驗證預設結構的效度。
第二種情況是自編了量表，但是并沒有進行維度的劃分，那么這個時候進行效度檢驗可以觀察維度劃分的結果是否具有可解釋性（也就是維度歸類的結果能不能用一個名稱總結）。結合因子分析的相關指標綜合判斷量表的效度。這種方法一般是在量表開發的時候會使用。

因子分析原理及介紹：
因子分析是利用相關性原理，將原本很多的變量歸納為少數幾個變量，然后用新的歸納出來的變量代替原始的變量去進行分析的分析方法。因子分析對于統計學的研究有著重大的作用，大大的提高了分析的效率和結果的可靠性。
在因子分析過程中，我們會將很多的變量納入分析，那么因子分析就是利用變量之間的相關性，將相關性比較高的題目劃分為一類，那么根據變量的多樣性，最終我們就會得到好幾個維度劃分的結果。而利用探索性因子分析進行效度檢驗利用的就是這個思想。因為我們在信度分析里面知道，同一個維度下面的題目相關性肯定比較高，不同維度題目之間的相關性相對比較低。因此在因子分析中我們將所有題目進行分析的時候，按照因子分析的原理，同一個維度下面的題目就應該被劃分在一起。所以，因子分析最終的維度劃分結果就是我們判斷效度是否達標的標準。

因子分析進行效度檢驗的前提條件：
因子分析利用變量之間相關性做為原理進行分析的方法。因此在進行因子分析之前變量之間具有相關性是最基本的前提條件。所以在進行因子分析之前需要先檢驗變量之間是否具有相關性，檢驗的方法有很多種這里我們就只介紹最常用、最標準的檢驗方法——KMO值和巴特利特球形檢驗（Bartlett Test of Sphericity）。

1、KMO值：
rij是變量之間的簡單相關系數，pij是變量之間偏相關系數。KMO值得取值范圍在0-1之間，0.5以下為非常不合適進行因子分析，0.6以下表示不太合適，0.7表示一般，0.8表示合適，0.9以上表示非常合適。
2、巴特利特球形檢驗：
巴特利特球形檢驗是需要進行假設檢驗的，所提出的原假設H0:相關系數矩陣為單位陣（除了對角線其他相關系數均=0），H1:相關系數矩陣不是單位陣。根據檢驗計算結果p是否小于0.05來判斷接受原假設還是拒絕原假設。

因子分析效度檢驗流程：
在上述步驟確定了我們的變量是否適合進行因子分析以后。我們就可以利用因子分析進行效度檢驗了。一般按照特征值大于1的標準進行主成分提取（維度劃分）。最終劃分的結果可以通過觀察“成分矩陣”或者“旋轉后成分矩陣”觀察維度劃分的結果是不是我們想要的結果（和預設維度一致）。那么這里面就涉及到一個問題，我們在進行因子分析的時候利用的是變量之間的相關性，因此在進行同維度題目歸類的時候，只會保留相同的部分，不相同的部分會被舍棄，這個叫做信息損失。因此，既然存在信息損失，那么就會影響我們維度劃分結果的質量。所以，在最后觀察維度劃分之前還需要進行質量檢驗。通常分為共同度檢驗，累積方差、特征值以及因子載荷。
其中共同度檢驗的是每一個題目信息保留的程度，一般要求保留的信息不能低于0.4。累積方差和特征值代表代表我們所提取的主成分（公因子）能夠代替原始變量合集的程度，一般要求大于0.6。因子載荷代表題目和對應公因子之間的相關程度，一般要求不能低于0.5（特殊情況0.4，0.3都可以）。

總結：
根據因子分析進行效度檢驗的講解我們可以發現，效度檢驗其實是一個非常復雜的過程，并且對于數據質量的要求非常高。根據我們自身體會也會發現，一般自己收集的數據按照嚴格的檢驗標準來進行因子分析真的很難達到想要的結果。遇到這種情況一般正確的做法應該是根據因子分析的結果進行題目的調整反復的進行數據的收集，直到最終達到穩定的、想要的結果才是標準流程。但是除了真正進行科研活動外，單就寫論文而言幾乎沒有人能做到這種程度。所以，如果遇到按照標準流程效度通不過檢驗的時候，有三種方案可以選擇。
1、第一種：采用內容效度，也就是找專家讓他們對問卷進行主觀性的評價。
2、第二種：每個維度分開進行效度檢驗。
3、第三種：用KMO值和巴特利特球形檢驗代替效度檢驗。

第二種方法和第三種方法都有一定的風險，因為嚴格來說這個并不是效度檢驗的標準流程。但是，如果按照標準來效度真的很難通過。因此，一般情況下，采用第二種或者第三種審稿人也會認可。但是如果遇到要求很嚴格的審稿人，這就行不通了。因此，在效度檢驗中優先按照標準流程來，如果實在通過檢驗的，先請示導師，明確說明維度劃分不出來，能不能用第二種或者第三種方法進行效度檢驗，雖然導師的建議不能代表答辯組或者審稿人的意見，但至少對自己學校或者自己專業的情況比較了解。因此，聽取他的意見大概率不會出問題。如果必須要求按照嚴格流程進行檢驗，自己數據又不行的時候，又沒有能力重復收集數據的情況下，可能就只能想想某些門道了。

總結

以上是生活随笔為你收集整理的第九节 信度、效度分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。