SPSS效度分析
效度分析用於測量問卷項目（定量資料）是否設計合理，通過因子分析（探索性因子分析）進行驗證。研究者對變數和項目之間的期望關係。因子分析後，因子（變數，在因子分析中稱為因子）與項目之間的關係應基本符合期望，表明效度良好。效度分析專門針對量表資料設計；非量表題目（如多選題或單選題性別題目）無法進行效度分析。
什麼是效度分析
效度分析評估問卷項目是否設計合理和有效。它使用因子分析來驗證期望變數與項目之間的關係。當分析中的因子-項目對應關係與期望關係匹配時，表明效度良好。
功能存取
1. 導航到SurveyMars系統中問卷的"分析結果"部分。
2. 點擊"SPSS分析"選項以存取分析功能。
3. 點擊"立即分析"按鈕，從可用的分析方法中選擇"效度分析"。
設定效度分析
1. 選擇要分析效度的測量項目。
2. 如果您期望分析項目分為幾個方面（變數），可以手動設定因子（維度）數量。如果不設定，系統將使用特徵值大於1作為確定因子數量的標準。
3. 確保所有選定的項目都是量表類型題目（具有有序響應選項的定量資料）。
4. 點擊"確認"按鈕產生效度分析結果。
理解因子載荷係數
因子載荷係數表示分析項目與因子之間的相關性。因子載荷係數的絕對值表示關係的強度。對於每個分析項目，有多個因子載荷係數值對應不同的因子。
判斷標準：
- 如果因子載荷係數的絕對值大於0.4，該項目應分配給該因子
- 對於每個分析項目，找到絕對值最高的因子載荷係數值（大於0.4）以確定它屬於哪個因子
因子載荷係數表示例：
| 分析項目 | 因子1 | 因子2 | 因子3 | 共同度 （共同因子方差） |
|---|---|---|---|---|
| 分析項目1 | 0.765 | -0.066 | 0.093 | 0.598 |
| 分析項目2 | 0.676 | 0.081 | -0.017 | 0.464 |
| 分析項目3 | 0.657 | 0.207 | -0.205 | 0.517 |
| 分析項目4 | 0.645 | 0.271 | 0.089 | 0.497 |
| 分析項目5 | 0.501 | 0.457 | 0.085 | 0.467 |
| 分析項目6 | 0.311 | 0.697 | -0.005 | 0.583 |
| 分析項目7 | 0.226 | -0.669 | 0.130 | 0.516 |
| 分析項目8 | 0.191 | 0.644 | 0.046 | 0.453 |
| 分析項目9 | 0.476 | -0.187 | 0.542 | 0.555 |
| 分析項目10 | 0.001 | -0.048 | 0.968 | 0.939 |
注意：在上表中，"分析項目5"在因子1上的因子載荷係數為0.501，在因子2上為0.457，表明它與因子1和因子2都有相對較高的關聯（與因子1略高）。這是"糾纏"項目的一個例子，可以分配給因子1或因子2。同樣，"分析項目9"也是"糾纏"的。
特殊情況：
- "糾纏"項目：當一個項目在多個因子上的因子載荷係數大於0.4時，它被認為是"糾纏"的。這很常見，通常不需要任何處理。但是，如果您有很多項目，可以考慮刪除糾纏項目。具體處理取決於研究者的比較和選擇最優結果。
- "錯位"項目：當一個項目的因子分配與期望關係不匹配時（例如，項目1應該與因子3中的項目9和10在一起，但項目1被放在因子1下），這被稱為"錯位"，必須刪除並重新分析。
刪除不合理的項目
有三種情況應該刪除項目：
1. 共同度低：如果分析項目的共同度（共同因子方差）值小於0.4，應刪除相應的項目。
2. 因子載荷低：如果分析項目的所有"因子載荷係數"絕對值都小於0.4，應刪除該項目。
3. 錯位項目：如果分析項目的因子對應關係顯示嚴重偏差（錯位項目），應刪除該項目並重新分析。
關鍵效度指標
1. KMO值：
- KMO > 0.9：優秀
- 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球形度檢驗：
- 應該顯著（p < 0.05），表明相關矩陣適合因子分析
3. 方差解釋率：
- 累積方差解釋率通常應大於50%
- 單個因子方差解釋率應大於10%
下表解釋了效度分析中使用的關鍵術語：
| 術語 | 定義 |
|---|---|
| 因子載荷係數 | 表示分析項目與因子之間的相關性。絕對值表示關係的強度。如果絕對值大於0.4，該項目應分配給該因子。 |
| KMO值 （Kaiser-Meyer-Olkin） |
測量因子分析的抽樣充分性。KMO > 0.9為優秀，0.8-0.9為良好，0.7-0.8為可接受，0.6-0.7為中等，< 0.6為不可接受。 |
| Bartlett球形度檢驗 | 檢驗相關矩陣是否適合因子分析。應該顯著（p < 0.05）以表明因子分析是合適的。 |
| 方差解釋率 | 每個因子解釋的總方差比例。單個因子方差解釋率應大於10%。 |
| 累積方差解釋率 | 所有因子解釋的總方差的累積比例。通常應大於50%。通常小於100%，但如果多重共線性嚴重，可能超過100%。 |
| 特徵值 | 每個因子解釋的方差度量。通常提取特徵值大於1的因子，但也可以根據專業判斷提取特徵值小於1的因子。 |
| 因子 | 也稱為變數或維度。在因子分析中，因子表示解釋分析項目之間關係的潛在構念。 |
解決KMO值過低的問題
如果KMO值過低，可能是由於：
- 分析項目之間的相關係數過低（小於0.2或不顯著），導致資訊重疊低，無法有效集中資訊
- 分析項目之間的相關係數過高（大於0.8），導致嚴重的多重共線性，可能阻止KMO值輸出
- 分析項目之間的相關係數理想情況下應在0.3和0.7之間
解決方案：
1. 檢查相關關係並刪除相關係數過高的項目。
2. 增加樣本量；建議分析樣本量大於分析項目數量的5倍
3. 檢查是否在分析中包含了分類資料；如果是，先從模型中刪除它
解決效度問題
效度分析需要基於多個指標進行綜合判斷，包括KMO值、Bartlett檢驗、方差解釋率、累積方差解釋率、因子載荷係數和維度-項目對應關係。
關鍵點：
1. 效度分析通常需要刪除項目以使維度-項目對應關係符合期望
2. 最關鍵的是維度-項目對應關係是否與專業期望匹配；
3. 效度分析可能需要多輪比較和項目刪除以找到最優結果
4. 如果效度分析始終無法達到標準，考慮按單個維度進行分析。如果有3個維度，執行3次單獨的效度分析，然後合併並標準化3個分析結果
重要說明
- 效度分析專門針對量表資料設計；非量表資料通常無法進行效度分析
- 效度分析需要基於多個指標進行綜合判斷：KMO值、Bartlett檢驗、方差解釋率、因子載荷係數和維度-項目對應關係
- 最關鍵的是維度-項目對應關係是否與專業期望匹配
- 共同度 < 0.4、所有因子載荷 < 0.4或錯位的項目應刪除
- "糾纏"項目（在多個因子上載荷高）很常見，通常可接受；"錯位"項目必須處理
常見問題（FAQ）
問題1：如何處理"糾纏"項目？
答："糾纏"項目在實際分析中非常常見，通常不需要任何處理。但是，如果您有很多項目，可以考慮刪除糾纏項目。具體處理取決於研究者的比較和選擇最優結果。但"錯位"項目必須處理。
問題2：只有兩個項目是否需要進行效度分析？
答：如果一個維度只對應兩個量表項目，KMO值將始終為0.5。您可以直接描述載荷係數值。當載荷係數都大於0.4時，表明效度良好。建議每個維度有超過2個項目（最好4-7個項目）。只有兩個項目代表一個維度可能容易導致信度問題。
問題3：我可以僅使用KMO值進行效度分析嗎？
答：效度分析沒有固定標準。最簡單的效度測試是直接檢查KMO值是否大於標準（通常為0.6）。對於具體的效度分析方法，請參考相關文獻。
問題4：當特徵值不大於1時，我可以提取因子嗎？
答：分析通常需要根據您的專業知識和軟體結果進行綜合判斷。即使特徵值小於1，仍然可以提取因子。
問題5：如果累積方差解釋率超過100%該怎麼辦？
答：通常，累積方差解釋率應小於100%。如果資料多重共線性過於嚴重，方差解釋率可能超過100%。在這種情況下，執行相關分析以找到相關係數過高的項目（例如，相關係數 > 0.8），從分析中刪除它們，然後重新分析。此外，如果樣本量太小，也可能出現此問題；增加樣本量。
問題6：在信度或效度分析中刪除的項目是否應該在後續分析中保留？
答：如果分析項目在效度分析（或信度分析，或其他分析）中已被確定為不合理並應刪除，所有後續分析方法應保持一致。不要直接刪除資料，只需在分析中排除該項目。
