问卷信效度检验
问卷信效度检验
在进行问卷调查时，对问卷进行信效度检验是确保研究结果可靠性和有效性的关键步骤。本文将详细介绍为什么需要进行信效度检验，以及如何通过SPSS和AMOS软件进行具体的检验操作。
一、为什么要对问卷进行信效度检验？
人文社科领域的研究者在进行问卷调查时，经常会被答辩老师或导师问到：“你所使用的问卷是否做了信效度检验？”那么，为什么我们要对问卷进行信效度检验呢？
原因一：经得起检验的测量工具才算测量工具
检验的主要目的是保证所用使用的问卷的质量。比如，假设想要测量被试的智商，如果我们随便使用一个量表给被试施测，然后告诉被试量表的成绩就是你的智商，这就很难让人信服。尤其是，人文社科领域所用问卷来源混杂，可能是别人随便编制的，因此，我们要对我们所使用的问卷进行信效度检验，以保证我们的问卷是可靠的以及有效的。只有这样别人才会相信我们的测量工具。
原因二：学术论文的规定动作
对测量工具进行信效度检验是问卷分析的学术规范要求，信度和效度分析是研究者进行量化研究时必须养成的良好习惯。
二、怎样对问卷进行信效度检验
信效度检验可以分成两部分，其一是信度检验，其二是效度检验
1.信度检验
（1）什么是信度检验？
信度（量表的可信程度），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。比如：有一道题问：你觉得今天的生活幸福吗？被试当天心情好的时候选择幸福，隔天心情差选择了不幸福。那么该问卷没有提供一个稳定的测量结果，信度较差。
信度可以分成：重测信度、复本信度、分半信度、同质性信度（内部一致性系数）
**同质性信度是目前最常用的信度类型，Cronbach α系数是同质性信度最常用的指标，数值处于0~1之间，**数值越大表示信度越高。
（2）怎样进行信度检验？
SPSS操作步骤：点击“分析”→“度量”→“可靠性分析”→选择题项→确定。
克隆巴赫系数为0.941，表明信度非常高
2.效度检验
效度（Validity），即有效性，它是指测量工具或手段能够准确测出所需测量的事物的程度。也就是说，效度所关注的是测量结果与想要考察的内容之间的吻合程度。比如，我们想要测量智商，我们必须保证我们所使用的量表测的确确实实是智商，不是其他什么东西。
效度可以分成：内容效度、结构效度、效标效度
结构效度是目前最常用的效度类型，测量结构效度的方法通常是因子分析，根据目的不同，因子分析可以分为探索性因子分析和验证性因子分析两种。
如果没有区分数据维度——探索性因素分析+验证性因素分析
如果已经了区分数据维度——验证性因素分析
（1）探索性因素分析
（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”，
（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。碎石图可用于辅助判断最佳因子个数，处在曲线较陡斜率所对应的因子包含的信息多，其个数可确定为主因子提取个数；而处在平缓斜率上的因子对变量的解释力非常小。
（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。比如，如果将数值设置为0.5，表明只有因子载荷大于0.5的数据才能输出。
案例结果：
首先，我们需要看一下KMO以及巴特利特显著性，以判断是否适合做因子分析。
KMO检验：KMO检验是为了判断数据多大程度上适合进行探索性因子分析，其取值范围是0～1。KMO值越接近1，代表变量间的相关性越强，偏相关性越弱，因子分析的效果越好。实际分析中，KMO统计量在0.7以上时效果比较好，0.6则较一般，0.5以下则不适合做因子分析。
Bartiett球形度检验：用来判断是否适合进行探索性因子分析。Bartiett球形度检验用于检验相关阵中各变量间的相关性，是否为单位阵，即检验各个变量是否各自独立。**当概率值小于显著性水平（p<0.05）时，适合做因子分析。**反之，则说明原有变量之间不存在相关性，这些变量可能独立提供一些信息，不适合做因子分析。
这张图显示，KMO=0.921>0.5且和P<0.001，说明可以做因子分析。
其次，我们需要看总方差解释，从图中可以看到，总共提取了2个因子，并且累计方差解释率达到了70.108%。累积方差大于70%，说明因子对变量的解释能力很好。
最后，我们需要看旋转后的成分矩阵。
数据代表因子载荷（Factor loading），因子载荷是指每个变量与每个因子之间的关系程度，其值的大小表示该变量在该因子上的重要性。因子载荷通常介于-1到1之间，绝对值越接近1表示关系越强。一般要求每个测量项对应的因子载荷系数（Factor loading）值大于0.4。因子载荷不达标的题目可考虑删除或调整样本量进行再次分析。
本案例中一共探索出两个因子，上半部分的题目属于因子一，下半部分题目属于因子二。有的时候同一道题在两个因子上都有载荷，这时需要划分到数值大的因子上。
PS：在做完因素分析以后，不要忘记对每个因子的题目分别再做一次信度分析，确保因子内题目的一致性。
（2）验证性因素分析
探索性因子分析的主要目的是数据降维和数据解释，而验证性因素分析的目的是检验假设模型的拟合程度。当前我们使用amos软件进行操作。以下为amos软件的界面
Step1：导入数据。在进行分析之前，需要准备sav格式的数据，也就是spss最常用的数据格式。
1蓝色按钮——2File Name——3 OK
step2：画模型
在进行探索性因素分析时，我们分析出了两个因子，每个因子包含一定数量的题目，现在我们需要根据探索性因素的分析结果建立模型。
首先点击模型按钮，在画布上画椭圆，，之后点击椭圆因子包含多少道题目就点击多少次。
建立模型时常用的功能：
step3：将题目纳入模型中
1点左边白色按钮——2选择题目——3将所选题目拖入到模型中。每个因子包括哪些题就选择哪些题。之后点击Plugins中的 name unobserved variables为残差命名。
step4：点击【View】——【Analysis Properties】，可在出现的框中选择需要的方法进行估计。本案例中使用默认方法，即最大似然估计（Maximum Likelihood）进行模型运算。
step5：设置标准化系数。点击【View】——【Analysis Properties】——【Output】，选择以下数据。
step6：运行并查看结果
结果解释：
点击 Model fit查看拟合指数
需要看这几个值以及SRMR值，但是SRMR有时候不显示，这时候点击Plugins——Standardized RMR,不要对它进行任何操作，同时再次点击运行，就出结果了
结果解释：
卡方自由度比(χ²/df)又称标准化卡方值(Normed Chi-square)，主要是为了减少样本数对卡方值所造成的影响。卡方自由度比越小，表示模型拟合度越高，最好小于3 但也不要小于1，小于1为过度拟合，表示研究者对模型过度修正了。
TLI：另一种修正方法，也考虑到模型自由度对拟合指数的影响。其大于0.9时认为模型拟合程度可以接受。
CFI（Comparative Fit Index），即比较拟合指数，其数值处于0到1之间，越接近1表明模型拟合程度越高。其大于0.9时认为模型拟合程度可以接受。
近似误差均方根（root mean square error of approximation，RMSEA）：一般情况下，RMSEA为0.05或小于0.05并且RMSEA的90%置信区间上限在0.08及以下，表示数据与定义模型拟合较好。
标准化均方根残差值（standardized root mean square residual，SRMR)的计算步骤如下：样本相关矩阵－预测相关矩阵=标准化残差矩阵，取其绝对值加总平均的均方根值就是 SRMR。**SRMR愈小，表示模型拟合度愈高。SRMR=0 表示完美拟合，SRMR<0.05般为良好的拟合标准，SRMR<0.08 一般为可接受的拟合标准。**SRMR 也会受到样本数影响，样本数越大或估计的参数越多，SRMR 越小。
以下是常用标准：
模型修正
如果模型拟合不理想，这时需要进行模型修正，点击Modification Indices,...change,表示添加两项的连接后，整个模型能优化多少。我们可以根据change值添加联系，一步步优化模型