Cronbach’s α?KMO系数?因子载荷?史上最易懂的问卷信效度分析教程!!!(SPSS和AMOS)

Cronbach’s α?KMO系数?因子载荷?史上最易懂的问卷信效度分析教程!!!

  • 在文章开始之前当然要先准备好硬件,大家要先下载一下SPSS和AMOS的安装包,由于SPSS比较容易找到,AMOS就不太好找,这里给大家推荐一个公众号,叫CHUICHUI统计君 ,或者呢,你也可以直接点击这里 直接去下载,AMOS和SPSS都有。
  • 然后我们进入教程,信度和效度分析怎么做??
1、信度分析——用SPSS计算克朗巴哈系数(Cronbach's alpha或Cronbach's α)
  • (1)何为信度?如何衡量?
    信度(Reliability)即可靠度、一致性或者稳定性。
    目前最常用的衡量是克朗巴哈系数,一般情况下我们主要考虑量表的内在信度——项目之间是否具有较高的内在一致性。通常认为,信度系数应该在0~1之间,如果量表的信度系数在0.9以上,表示量表的信度很好;如果量表的信度系数在0.8~0.9之间,表示量表的信度可以接受;如果量表的信度系数在0.7~0.8之间,表示量表有些项目需要修订;如果量表的信度系数在 0.7以下,表示量表有些项目需要抛弃

  • (2)克朗巴哈系数测量步骤?
    第一步,保证变量类型是数字

    image

第二步,在SPSS工具栏点击分析——标度——可靠性分析,举个例子,我这里要对EU这个变量做信度分析,只要把它的四个题项EU1、EU2、EU3、EU4放进项即可,再点击确定,结果就出来了。

image

如图,EU的Cronbach's α系数是0.860,说明信度可以接受。
如果要做问卷整体的信度分析,同样的,点击分析——标度——可靠性分析,把所有项选中,再确定就可以了。

  • 信度分析相对而言非常简单,大部分都能通过,只要你的样本数量够多,题项数最少最少不要少于三个,都可以有0.7以上。

2、效度分析(结构效度分析)——利用SPSS和amos做因子分析

  • (1)何为效度?如何衡量?
    效度(Validity)即有效性,是衡量综合评价体系是否能够准确反映评价目的和要求。是指测量工具能够测出其所要测量的特征的正确性程度。效度越高,即表示测量结果越能显示其所要测量的特征,反之,则效度越低。常用于调查问卷效度分析的方法主要是结构效度分析。

  • (2)何为结构效度分析?
    结构效度是指测量结果体现出来的某种结构与测值之间的对应程度。结构效度分析所采用的方法是因子分析

  • (3)是否适合做因子分析?
    在做因子分析之前,我们要判断一下这个数据到底适不适合做因子分析,这个时候就要用到SPSS的KMO检验和Bartlett球形检验。

    ①KMO。用于检查变量间的偏相关性,取值在0-1之间。KMO值越接近于1,变量间的偏相关性就越强,因子分析效果就好。KMO值0.9以上极适合做因子分析,0.8以上适合做因子分析,0.7以上尚可,0.6以上勉强度可以,0.5以上不适合,0.5以下非常不适合。实际运用中,在0.7以上,效果比较好;在0.5以下时,不适合应用因子分析。

    ②Bartlett球形检验。用于判断相关矩阵是否是单位阵,即各变量是否有较强的版相关性。P<.05,不服从球形检验,应拒绝各权变量独立的假设,即变量间有较强相关;P>.05时,服从球形检验,各变量相互独立,不能做因子分析。

  • (4)KMO检验和Bartlett球形检验步骤
    第一步,选择分析-降维-因子,出现因子分析对话框。

第二步,这里依然以EU这个变量为例,选择描述勾选KMO和巴特利特球形度检验,再点击确定即可得到结果。

image

image

结果:

image

KMO值为0.789,Bartlett球形检验显著性为.000,表明很适合做因子分析!同理,如果你要做整个问卷的KMO,选中所有变量即可。

注意:
在KMO检验的结果中,会有一个旋转成分矩阵,但那个是探索性因子分析法(EFA)的因子载荷,而不是验证性因子分析(CFA)。只有AMOS可以做CFA

  • (5)因子分析??
    因子分析的方法有两类。一类是探索性因子分析法(EFA),另一类是验证性因子分析(CFA)

    探索性因子分析不事先假定因子与测度项之间的关系,而让数据“自己说话”。主成分分析和共因子分析是其中的典型方法。验证性因子分析假定因子与测度项的关系是部分知道的,即哪个测度项对应于哪个因子,虽然我们尚且不知道具体的系数。这里还要注意一点,spss做出来的探索性因素分析,amos的是验证性因素分析。

    根据EFA和CFA的定义我们应该可以看出CFA更适用于实证分析。也就是说在我们根据理论基础得出各变量之间的关系之后,我们再利用验证性因子分析去验证这个关系,得到因子载荷,根据因子载荷判断变量的保留。

    因子载荷的临界百值没有统一的标准,根据《结构方程模型及其应用》这本教材的观点,因子载荷在0.45以下的题目即可可考虑删除,但实际应用中,研究者度的取舍都是比较灵活的,有的题目尽管因子载荷不高,但考虑问到是在使用他人已经修订好的问卷(尊重版权)答,或者研究者自己有理由相信这道题目测到了想测回的内容,有很好的理论意义,也是可以考虑保留的。

  • (6)Amos做验证性因子分析步骤??
    第一步,我们在AMOS的顶部栏选择 File——data files,出现对话框,点击File Names,我们找到对应的.sav数据文件,从而导入数据和变量。

    image

    image

第二步,通过AMOS工具栏画出变量,同时用双箭头连接每两个变量,也就是说每两个变量之间都要有一个双箭头连接。

image

第三步,做好图之后,设置一下output,点击工具栏的一个小工具,出现对话框,勾选几个东西,如下图所示:
image

第四步,先点击运行小工具,再打开输出窗口,就可以看到因子载荷了。

image

结果:

在这里插入图片描述

3、结语
到这里,实证分析的信度和效度分析就结束了,如果还有疑问,可以关注我的公众号“胡录乱影”联系我。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
禁止转载,如需转载请通过简信或评论联系作者。
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 217,657评论 6 505
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,889评论 3 394
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 164,057评论 0 354
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,509评论 1 293
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,562评论 6 392
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,443评论 1 302
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,251评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,129评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,561评论 1 314
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,779评论 3 335
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,902评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,621评论 5 345
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,220评论 3 328
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,838评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,971评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,025评论 2 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,843评论 2 354