SPSS效度分析
效度分析用于测量问卷项目（定量数据）是否设计合理，通过因子分析（探索性因子分析）进行验证。研究者对变量和项目之间的期望关系。因子分析后，因子（变量，在因子分析中称为因子）与项目之间的关系应基本符合期望，表明效度良好。效度分析专门针对量表数据设计；非量表题目（如多选题或单选题性别题目）无法进行效度分析。
什么是效度分析
效度分析评估问卷项目是否设计合理和有效。它使用因子分析来验证期望变量与项目之间的关系。当分析中的因子-项目对应关系与期望关系匹配时，表明效度良好。
功能访问
1. 导航到SurveyMars系统中问卷的"分析结果"部分。
2. 点击"SPSS分析"选项以访问分析功能。
3. 点击"立即分析"按钮，从可用的分析方法中选择"效度分析"。
设置效度分析
1. 选择要分析效度的测量项目。
2. 如果您期望分析项目分为几个方面（变量），可以手动设置因子（维度）数量。如果不设置，系统将使用特征值大于1作为确定因子数量的标准。
3. 确保所有选定的项目都是量表类型题目（具有有序响应选项的定量数据）。
4. 点击"确认"按钮生成效度分析结果。
理解因子载荷系数
因子载荷系数表示分析项目与因子之间的相关性。因子载荷系数的绝对值表示关系的强度。对于每个分析项目，有多个因子载荷系数值对应不同的因子。
判断标准：
- 如果因子载荷系数的绝对值大于0.4，该项目应分配给该因子
- 对于每个分析项目，找到绝对值最高的因子载荷系数值（大于0.4）以确定它属于哪个因子
因子载荷系数表示例：
| 分析项目 | 因子1 | 因子2 | 因子3 | 共同度 （共同因子方差） |
|---|---|---|---|---|
| 分析项目1 | 0.765 | -0.066 | 0.093 | 0.598 |
| 分析项目2 | 0.676 | 0.081 | -0.017 | 0.464 |
| 分析项目3 | 0.657 | 0.207 | -0.205 | 0.517 |
| 分析项目4 | 0.645 | 0.271 | 0.089 | 0.497 |
| 分析项目5 | 0.501 | 0.457 | 0.085 | 0.467 |
| 分析项目6 | 0.311 | 0.697 | -0.005 | 0.583 |
| 分析项目7 | 0.226 | -0.669 | 0.130 | 0.516 |
| 分析项目8 | 0.191 | 0.644 | 0.046 | 0.453 |
| 分析项目9 | 0.476 | -0.187 | 0.542 | 0.555 |
| 分析项目10 | 0.001 | -0.048 | 0.968 | 0.939 |
注意：在上表中，"分析项目5"在因子1上的因子载荷系数为0.501，在因子2上为0.457，表明它与因子1和因子2都有相对较高的关联（与因子1略高）。这是"纠缠"项目的一个例子，可以分配给因子1或因子2。同样，"分析项目9"也是"纠缠"的。
特殊情况：
- "纠缠"项目：当一个项目在多个因子上的因子载荷系数大于0.4时，它被认为是"纠缠"的。这很常见，通常不需要任何处理。但是，如果您有很多项目，可以考虑删除纠缠项目。具体处理取决于研究者的比较和选择最优结果。
- "错位"项目：当一个项目的因子分配与期望关系不匹配时（例如，项目1应该与因子3中的项目9和10在一起，但项目1被放在因子1下），这被称为"错位"，必须删除并重新分析。
删除不合理的项目
有三种情况应该删除项目：
1. 共同度低：如果分析项目的共同度（共同因子方差）值小于0.4，应删除相应的项目。
2. 因子载荷低：如果分析项目的所有"因子载荷系数"绝对值都小于0.4，应删除该项目。
3. 错位项目：如果分析项目的因子对应关系显示严重偏差（错位项目），应删除该项目并重新分析。
关键效度指标
1. KMO值：
- KMO > 0.9：优秀
- KMO 0.8 - 0.9：良好
- KMO 0.7 - 0.8：可接受
- KMO 0.6 - 0.7：中等
- KMO < 0.6：不可接受
2. Bartlett球形度检验：
- 应该显著（p < 0.05），表明相关矩阵适合因子分析
3. 方差解释率：
- 累积方差解释率通常应大于50%
- 单个因子方差解释率应大于10%
下表解释了效度分析中使用的关键术语：
| 术语 | 定义 |
|---|---|
| 因子载荷系数 | 表示分析项目与因子之间的相关性。绝对值表示关系的强度。如果绝对值大于0.4，该项目应分配给该因子。 |
| KMO值 （Kaiser-Meyer-Olkin） |
测量因子分析的抽样充分性。KMO > 0.9为优秀，0.8-0.9为良好，0.7-0.8为可接受，0.6-0.7为中等，< 0.6为不可接受。 |
| Bartlett球形度检验 | 检验相关矩阵是否适合因子分析。应该显著（p < 0.05）以表明因子分析是合适的。 |
| 方差解释率 | 每个因子解释的总方差比例。单个因子方差解释率应大于10%。 |
| 累积方差解释率 | 所有因子解释的总方差的累积比例。通常应大于50%。通常小于100%，但如果多重共线性严重，可能超过100%。 |
| 特征值 | 每个因子解释的方差度量。通常提取特征值大于1的因子，但也可以根据专业判断提取特征值小于1的因子。 |
| 因子 | 也称为变量或维度。在因子分析中，因子表示解释分析项目之间关系的潜在构念。 |
解决KMO值过低的问题
如果KMO值过低，可能是由于：
- 分析项目之间的相关系数过低（小于0.2或不显著），导致信息重叠低，无法有效集中信息
- 分析项目之间的相关系数过高（大于0.8），导致严重的多重共线性，可能阻止KMO值输出
- 分析项目之间的相关系数理想情况下应在0.3和0.7之间
解决方案：
1. 检查相关关系并删除相关系数过高的项目。
2. 增加样本量；建议分析样本量大于分析项目数量的5倍
3. 检查是否在分析中包含了分类数据；如果是，先从模型中删除它
解决效度问题
效度分析需要基于多个指标进行综合判断，包括KMO值、Bartlett检验、方差解释率、累积方差解释率、因子载荷系数和维度-项目对应关系。
关键点：
1. 效度分析通常需要删除项目以使维度-项目对应关系符合期望
2. 最关键的是维度-项目对应关系是否与专业期望匹配；
3. 效度分析可能需要多轮比较和项目删除以找到最优结果
4. 如果效度分析始终无法达到标准，考虑按单个维度进行分析。如果有3个维度，执行3次单独的效度分析，然后合并并标准化3个分析结果
重要说明
- 效度分析专门针对量表数据设计；非量表数据通常无法进行效度分析
- 效度分析需要基于多个指标进行综合判断：KMO值、Bartlett检验、方差解释率、因子载荷系数和维度-项目对应关系
- 最关键的是维度-项目对应关系是否与专业期望匹配
- 共同度 < 0.4、所有因子载荷 < 0.4或错位的项目应删除
- "纠缠"项目（在多个因子上载荷高）很常见，通常可接受；"错位"项目必须处理
常见问题（FAQ）
问题1：如何处理"纠缠"项目？
答："纠缠"项目在实际分析中非常常见，通常不需要任何处理。但是，如果您有很多项目，可以考虑删除纠缠项目。具体处理取决于研究者的比较和选择最优结果。但"错位"项目必须处理。
问题2：只有两个项目是否需要进行效度分析？
答：如果一个维度只对应两个量表项目，KMO值将始终为0.5。您可以直接描述载荷系数值。当载荷系数都大于0.4时，表明效度良好。建议每个维度有超过2个项目（最好4-7个项目）。只有两个项目代表一个维度可能容易导致信度问题。
问题3：我可以仅使用KMO值进行效度分析吗？
答：效度分析没有固定标准。最简单的效度测试是直接检查KMO值是否大于标准（通常为0.6）。对于具体的效度分析方法，请参考相关文献。
问题4：当特征值不大于1时，我可以提取因子吗？
答：分析通常需要根据您的专业知识和软件结果进行综合判断。即使特征值小于1，仍然可以提取因子。
问题5：如果累积方差解释率超过100%该怎么办？
答：通常，累积方差解释率应小于100%。如果数据多重共线性过于严重，方差解释率可能超过100%。在这种情况下，执行相关分析以找到相关系数过高的项目（例如，相关系数 > 0.8），从分析中删除它们，然后重新分析。此外，如果样本量太小，也可能出现此问题；增加样本量。
问题6：在信度或效度分析中删除的项目是否应该在后续分析中保留？
答：如果分析项目在效度分析（或信度分析，或其他分析）中已被确定为不合理并应删除，所有后续分析方法应保持一致。不要直接删除数据，只需在分析中排除该项目。
