SPSS信度效度怎么写？超详细步骤+案例解析

如果你是正在为毕业论文、学术研究或市场调研报告而头疼的大学生、研究生或科研人员，那么“信度效度分析”这个词一定不陌生。它就像一份研究报告的“质检报告”，决定了你的问卷或量表数据是否可靠、有效。然而面对SPSS复杂的界面和一堆专业术语，很多人往往感到无从下手。

别担心！这篇文章就是为你量身打造的“手把手”保姆级教程。我们将彻底抛开晦涩的理论，用最直观的步骤、最清晰的案例，带你从零开始，在SPSS中完成信度与效度分析。我们的目标是：让你看完就能上手操作，做出符合学术规范的可靠分析。

在动手操作之前，我们花一分钟快速理解这两个核心概念，这能帮助你更好地理解每一步操作的意义。

简单来说：

• 信度高 ≠ 效度高（尺子很稳定，但测的是体重，不是我们想测的身高）。
• 效度高 → 信度一定高（如果能准确测出身高，那测量结果必然是稳定可靠的）。

在实证研究中，我们通常先检验效度（验证量表结构是否合理），再检验信度（验证合理结构下的题目是否可靠）。接下来，我们就进入实战环节。

为了让教程更直观，我们假设一个研究案例：

• 研究主题：大学生学习投入度调查。
• 测量工具：采用一份经典的“学习投入量表”，共15道题（Q1-Q15），采用李克特5点计分（1=完全不符合，5=完全符合）。
• 数据：我们已经收集了200份有效问卷数据，并录入SPSS。数据视图大致如下（你的变量名可能是中文或其它编号）：

（提示：上图展示了SPSS中典型的数据录入格式，每行是一个样本，每列是一道题目或变量。）

准备工作：打开你的SPSS软件，并加载好需要分析的数据文件。

效度分析的核心是探索性因子分析，目的是看我们的15个题目是否能归为几个有意义的“维度”（因子），从而验证量表的结构是否和理论预期一致。

这是EFA的“入场券”，用于判断数据是否适合做因子分析。

1. 点击菜单栏：【分析】 -> 【降维】 -> 【因子…】。

2. 选择变量：在弹出的窗口中，将左侧所有量表题目（Q1到Q15）选入右侧的【变量】框。

3. 设置描述选项：点击右上角的【描述…】按钮。

• 在【统计】栏，勾选“初始解”。
• 在【相关性矩阵】栏，务必勾选“KMO和巴特利特球形检验”。
• 点击【继续】。

4. 设置提取选项：点击【提取…】按钮。

• 方法选择“主成分”（最常用）。
• 分析栏选择“相关性矩阵”。
• 输出栏勾选“碎石图”，它可以帮助我们直观判断提取几个因子。
• 提取栏选择“基于特征值”，特征值大于“1”的标准（这是默认且最常用的标准）。
• 点击【继续】。

5. 设置旋转选项：点击【旋转…】按钮。

• 方法选择“最大方差法”。这是关键一步！ 它能让因子结构更清晰，便于解释。
• 点击【继续】。

6. 设置选项：点击【选项…】按钮。

• 在【系数显示格式】栏，勾选“按大小排序”和“取消小系数”。
• 将“绝对值如下”的阈值设为 0.4 或 0.5（常用标准，低于该值的负荷量不显示，使结果更简洁）。
• 点击【继续】，然后点击主对话框的【确定】。

SPSS会输出一系列表格，我们重点关注以下几个：

1. KMO和巴特利特检验表

• KMO值：范围在0-1之间。判断标准通常为：
• > 0.9：非常适合；
• 0.8~0.9：适合；
• 0.7~0.8：一般；
• < 0.7：不太适合；
• < 0.5：极不适合。
• 我们的目标：通常要求KMO值 > 0.8。如果低于0.7，可能需要考虑删除部分题目或重新收集数据。
• 巴特利特球形检验：看其显著性（Sig.）。
• 我们的目标：Sig.值 < 0.001（即达到显著性水平），表明变量间存在相关性，适合做因子分析。

2. 总方差解释表

这个表告诉我们提取的因子能解释总变异的多少。

• 关注“旋转后载荷平方和”部分的“累计%”。
• 经验标准：累计方差贡献率最好 > 60%，说明提取的因子能较好地代表原始题目信息。

3. 碎石图

• 判断方法：观察图中折线由陡峭变为平缓的“拐点”。拐点之前的主成分（因子）通常予以保留。上图示例中，拐点在2或3处，意味着提取2-3个因子较为合适。

4. 旋转后的成分矩阵表

这是效度分析最核心的结果！ 它显示了每个题目在其所属因子上的“负荷量”（可以理解为相关性）。

• 解读方法：
• 每个题目在某个因子上的负荷量绝对值越大（通常要求 > 0.5），说明它与该因子的关系越紧密。
• 一个题目最好只在一个因子上有高负荷（>0.5），在其他因子上的负荷应较低（<0.4）。这称为“简单结构”，是理想状态。
• 根据题目的负荷情况，结合理论，为提取出的因子命名。例如因子1可能包含Q1-Q7，都与“认知投入”相关；因子2包含Q8-Q15，与“行为投入”相关。
• 如果出现问题怎么办？
• 交叉负荷：一个题目在两个因子上的负荷都 > 0.4。考虑删除该题目。
• 负荷过低：所有因子上的负荷都 < 0.5。考虑删除该题目。
• 因子归属与理论不符：检查量表设计或数据。

小技巧：效度分析往往是一个迭代过程。你可能需要根据第一次结果，删除不合适的题目，然后对剩余的题目重新跑一遍上述因子分析步骤，直到得到一个清晰、合理、符合理论的结构。

在通过效度分析确定了量表的因子结构后，我们对每个因子（维度）以及总量表分别进行信度分析。

假设我们根据效度分析，将Q1-Q7归为“认知投入”维度。

1. 点击菜单栏：【分析】 -> 【刻度】 -> 【可靠性分析…】。

2. 选择变量：将“认知投入”维度下的题目（Q1到Q7）选入右侧的【项目】框。

3. 模型选择：在左下角的“模型”下拉菜单中，确保选择的是 Alpha（即克隆巴赫Alpha系数）。

4. 点击【统计】按钮：这个很重要！

• 勾选“如果项目已删除则进行度量”。这个选项能帮助我们判断删除某个题目后，整体信度系数是否会提升。
• 勾选“项之间”的相关性，可选。
• 点击【继续】。

5. 点击主对话框的【确定】。

1. 可靠性统计表

• 克隆巴赫 Alpha：这是核心指标。判断标准如下：
• > 0.9：信度非常好；
• 0.8~0.9：信度良好（学术研究普遍接受的标准）；
• 0.7~0.8：信度可以接受；
• < 0.7：信度不佳，需要考虑修订量表。
• 我们的目标：每个维度的Alpha系数最好 > 0.8，总量表 > 0.9 则非常理想。

2. 项目总计统计表

• “校正后项总计相关性”：即每个题目与其余题目总分的相关系数。此值应 > 0.4。如果过低，说明该题目与其他题目测量内容不一致。
• “项目删除的Alpha系数”：观察删除该题目后，整体的Alpha系数变化。
• 关键技巧：如果某个题目的“校正后项总计相关性”很低（如<0.3），且删除该题目后，整体Alpha系数有明显提升，那么就应该考虑删除这个题目。例如整体Alpha是0.82，删除Q3后Alpha升到0.85，那么Q3可能就是“拖后腿”的坏题。

• 重复步骤1和2，对“行为投入”维度（Q8-Q15）进行信度分析。
• 将所有15个题目一起选入【项目】框，进行总量表的信度分析。

分析做完后，如何将结果清晰地呈现在论文或报告中？

• 文字描述：“首先对量表进行探索性因子分析。KMO值为0.92，巴特利特球形检验显著（χ² = 1200.50, df = 105, p < .001），表明数据非常适合进行因子分析。采用主成分分析法，以特征值大于1为标准，并经过最大方差法旋转，共提取出2个因子，累计方差解释率为68.45%。旋转后因子负荷矩阵如表1所示，所有题目的因子负荷均大于0.60，且无双重负荷现象，表明量表具有较好的结构效度。”
• 制作表格：

表1 学习投入量表探索性因子分析结果（N=200）

• 文字描述：“采用克隆巴赫Alpha系数检验量表的内部一致性信度。结果显示（见表2），‘认知投入’维度的Alpha系数为0.89，‘行为投入’维度的Alpha系数为0.87，总量表的Alpha系数为0.92，均高于0.80的推荐标准，表明该量表具有极高的信度。”
• 制作表格：

表2 学习投入量表信度分析结果

1. 效度和信度先做哪个？

• 理论上，应先做效度（验证结构），再做信度（验证内部一致性）。一个糟糕的结构，其信度再高也无意义。

2. 因子分析时，题目删还是不删？

• 遵循统计指标（负荷量<0.5，交叉负荷>0.4）和理论意义综合判断。不要为了追求漂亮的数字而盲目删题，首先要保证内容效度。

3. Alpha系数越高越好吗？

• 不一定。Alpha系数>0.9有时可能意味着题目间冗余度太高（即题目问的是同一个意思）。0.8-0.9之间通常是理想区间。

4. 样本量要多大？

• 进行因子分析，样本量通常要求是题目数的5-10倍以上，且总数不少于100。200-300是比较安全的范围。

5. SPSS做完就万事大吉了吗？

• 不是！ SPSS的探索性因子分析（EFA）主要用于数据驱动的探索。如果你的量表有非常成熟的理论结构，可能需要使用验证性因子分析（CFA），这需要在AMOS、Mplus或R等软件中完成，它是用来“验证”你的数据是否拟合预设的理论模型。

恭喜你！跟着这份超详细的指南走下来，你已经掌握了SPSS中进行信度效度分析的核心流程。记住，数据分析不仅是技术活，更是思考的过程。多练习、多结合你的研究问题思考结果的含义，你一定会越来越得心应手。祝你科研顺利，论文高分通过！