信度是指内容的可靠性、真实性，效度是指内容的准确度、精确度。信度和效度都是研究内容的可靠性、真实性的度量，但信度侧重于研究内容的可靠性、真实性的程度，效度侧重于研究内容的精确性、准确性的程度。信度高，效度就高，反之则低。效度高，信度也高，反之则低。信度是指内容的可靠性、真实性。
信度指的是测量结果的稳定性程度，以及可靠性。效度指一个测量或量表能测出其所要测的某种特征的程度。
信度（Reliability）即可靠性，是指采用同一方法对同一对象进行调查时，问卷调查结果的稳定性和一致性，即测量工具（问卷或量表）能否稳定地测量所测的事物或变量。
信度指标多以相关系数表示，具体评价方法大致可分为三类：稳定系数（跨时间的一致性），等值系数（跨形式的一致性）和内在一致性系数（跨项目的一致性）。
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。效度分为三种类型：内容效度、准则效度和结构效度。效度分析有多种方法，其测量结果反映效度的不同方面。
扩展资料：
信度与效度二者的关系:
1.信度低，效度不可能高。因为如果测量的数据不准确，也并不能有效地说明所研究的对象
2.信度高，效度未必高。例如，如果我们准确地测量出某人的经济收入，也未必能够说明他的消费水平。
3.效度低，信度很可能高。例如，即是一项研究未能说明社会流动的原因，但它很有可能很精确很可靠地调查各个时期各种类型的人的流动数量。
4.效度高，信度也必然高。
参考资料：百度百科-信度
益派调查网可以免费发布调查问卷，可以免费使用样本。调查问卷包含的题型多种多样，开放题、矩阵题什么的都能做，基本满足论文中设计的数据调查及分析。
信度和效度的关系和区别在于一个是稳定性与效率性得不同，因为信度你可以把它理解为可靠度、一致性、稳定性，效度分析，简单来说就是问卷设计的有效性、准确程度，当我们在为研究主题设计问卷时，都会希望问题实际测量到的是我们希望测量的。两者的关系是信度低，效度不可能高，信度高，效度也不一定高，但相反如果效度低，信度很有可能高，效度高，信度也必然高。
两者的区别在于估计对象不同，分析方法也不一样，还有就是建立的前提不同，比如，效度必须在信度的基础上才能建立，而如果没有了效度，信度再高结果是没有意义的，这也才有了前面的两者关系。
其信度就是指同一个人在几次参加同一份试卷的考试假设此人并未有改变分数不会有大的差异，而效度是指这份试卷能勾多大程度测量你的智力水平。
信度是指其可信度，既是在多大程度上是正确的，效度是指能够多有效地表示所需表达的含义，以一份量表测量智力，记忆力之类的标准化试卷为例。
可用专家法和因子分析，菜单Analyze->通常使用克朗巴哈信度系数法（Cronbachα）来测量此种问卷的信度;Reliabilityanalysis效度没有公认的一个指标。如果用SPSS;Scale->.7以上问卷的可信度较高。一般认为在0。克朗巴哈信度系数是目前最常用的信度系数
通常使用克朗巴哈 信度系数法（Cronbach α）来测量此种问卷的信度。 克朗巴哈 信度系数是目前最常用的信度系数。一般认为 在0.7以上问卷的可信度较高。如果用SPSS，菜单Analyze->Scale->Reliability analysis效度没有公认的一个指标，可用专家法和因子分析。
信度分析，它是指采用同样的方法对同一对象重复测量时所得结果的一致性程度。信度指标多以相关系数表示，大致可分为三类：稳定系数（跨时间的一致性），等值系数（跨形式的一致性）和内在一致性系数（跨项目的一致性）。
效度分析，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。效度分为三种类型：内容效度、准则效度和结构效度。效度分析有多种方法，其测量结果反映效度的不同方面。
一、信度分析信度（Reliability）即可靠性，它是指采用同样的方法对同一对象重复测量时所得结果的一致性程度。信度分析的方法主要有以下四种：
1、重测信度法这一方法是用同样的问卷对同一组被调查者间隔一定时间重复施测，计算两次施测结果的相关系数。显然，重测信度属于稳定系数。2、复本信度法复本信度法是让同一组被调查者一次填答两份问卷复本，计算两个复本的相关系数。复本信度属于等值系数。3、折半信度法折半信度法是将调查项目分为两半，计算两半得分的相关系数，进而估计整个量表的信度。折半信度属于内在一致性系数，测量的是两半题项得分间的一致性。4、α信度系数法Cronbach α信度系数是目前最常用的信度系数，其公式中，K为量表中题项的总数， 为第i题得分的题内方差， 为全部题项总得分的方差。从公式中可以看出，α系数评价的是量表中各题项得分间的一致性，属于内在一致性系数。这种方法适用于态度、意见式问卷（量表）的信度分析。二、效度分析效度（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。效度分为三种类型：内容效度、准则效度和结构效度。效度分析有多种方法，其测量结果反映效度的不同方面。常用于调查问卷效度分析的方法主要有以下几种：
1、单项与总和相关效度分析
这种方法用于测量量表的内容效度。内容效度又称表面效度或逻辑效度，它是指所设计的题项能否代表所要测量的内容或主题。2、准则效度分析准则效度又称为效标效度或预测效度。准则效度分析是根据已经得到确定的某种理论，选择一种指标或测量工具作为准则（效标），分析问卷题项与准则的联系。3、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。因子分析的主要功能是从量表全部变量（题项）中提取一些公因子，各公因子分别与某一群特定变量高度关联，这些公因子即代表了量表的基本结构。
不同的指标有不同的要求，α系数大于0.7比较好。
信度和效度分析在问卷分析中大多都会用到的，即使是成熟的问卷，一般也是需要做的，在本科和研究生的论文中均适用。
信度和效度相当于是对于问卷质量的一个前置条件，如果问卷的信度和效度比较好，证明问卷的数据可靠性比较高，问卷数据内部一致性比较高，所以可以用来做后续的建模分析，相反，如果信度和效度不高，可能就需要重新设计问卷，发放问卷。
功能强大
具有完整的数据输入、编辑、统计分析、报表、图形制作等功能。自带11种类型136个函数。SPSS提供了从简单的统计描述到复杂的多因素统计分析方法，比如数据的探索性分析、统计描述、列联表分析、二维相关、秩相关、偏相关、方差分析、非参数检验、多元回归、生存分析、协方差分析、判别分析、因子分析、聚类分析、非线性回归、Logistic回归等。
以上内容参考：百度百科-spss
论文中学生自我评价表要测信度校度一般如果是含有量表的问卷都需要做信效度分析。非量表问卷可以使用文字形式进行描述，无论是什么类型的问卷，都应该在论文中进行表述以证明数据质量可信可靠。如果是自编量表，一般需要进行预测试，就是在小范围发放问卷，进行信效度分析，对信效度较低的题项进行修改或删除，便于研究者对初测问卷进行一定调整以形成最终版本。当然，正式研究还是要做信效度分析。
信效度是指同一检测方法对同一现象重复检测时的一致性程度。如果问题非常简单，而且都是既定事实，若都是认真完成的话，是不会出现再次检测时，答案不一致的情况的。所以不需要进行信效度检测。如需问卷调查推荐使用问卷星。问卷调查法是研究中广泛采用的一种调查方法，根据调查目的设计的调查问卷是问卷调查法获取信息的工具，其质量高低对调查结果的真实性、有效性等具有决定性的作用。为了保证问卷具有较高的可靠性和有效性，信度和效度分析是问卷分析的第一步，如果问卷的信度和效度比较好，证明问卷的数据可靠性比较高，问卷数据内部一致性比较高，可以用来做后续的建模分析，相反，信度和效度如果不高，就需要重新设计问卷并发放问卷。想要了解更多关于调查问卷的相关问题，推荐咨询问卷星 问卷星调查系统支持多种题型，可以设置跳转、关联和引用逻辑。支持微信、邮件和短信等方式收集数据，数据回收后可以进行分类统计、交叉分析，并且可以导出到Word、Excel、SPSS等；同时拥有49种题型，应有尽有；同时单选、多选、矩阵、排序、量表、比重、表格、文件上传等多种题型，让你的调查问卷一目了然！
亲，为您查询到的答案是：是的，学生自我评价表应该测试信度和校度。信度是指测量工具的准确性，即测量工具能够准确地反映研究对象的特征。校度是指测量工具的可比性，即测量工具能够在不同时间和不同环境下反映出研究对象的特征。因此，学生自我评价表应该测试信度和校度，以确保其准确性和可比性。
信度效度检验在问卷调查的过程中是必须要做的。
信度效度检验在问卷调查的过程中是必须要做的，因为问卷调查往往只是整个项目的一个环节，在正确项目的目标下，一定会另有调查的可信度，有效分析来支持调查结果，这样我们的问卷调查才有可信度，结果也能趋于正确数据。
信度指测验结果的一致性、稳定性及可靠性，一般多以内部一致性来加以表示该测验信度的高低。信度系数愈高即表示该测验的结果愈一致、稳定与可靠。
系统误差对信度没什么影响，因为系统误差总是以相同的方式影响测量值的，因此不会造成不一致性。反之，随机误差可能导致不致性，从而降低信度。信度可以定义为随机误差R影响测量值的程度。如果R=0，就认为测量是完全可信的，信度最高。
一般如果是含有量表的问卷都需要做信效度分析。非量表问卷可以使用文字形式进行描述，无论是什么类型的问卷，都应该在论文中进行表述以证明数据质量可信可靠。
如果是自编量表，一般需要进行预测试，就是在小范围发放问卷，进行信效度分析，对信效度较低的题项进行修改或删除，便于研究者对初测问卷进行一定调整以形成最终版本。当然，正式研究还是要做信效度分析。
效度与信度是优良测量工具所必备的两项主要条件。效度与信度之间存在的关系，可以用一句话来概括：信度是效度的必要条件而非充分条件。
信度是效度的必要条件，就是说，一个指标要有效度就必须有信度，不可信就不可能正确。但是，信度不是效度的充分条件，即是说，有了信度，不一定有效度。
严格来说！不是所有问卷都适合做信效度分析，信效度分析主要针对【量表】类问卷，而如果只是调查一些客观现实（如年龄、性别、职业、车辆、工资等）以【显变量】为主的问卷，是不适合做信效度分析的！判断一些变量之间是否适合做信效度检验，应该关注这么几点：
（1）潜变量：直接无法观测到的变量，主要反映人的认知和主观意愿等。
（2）可测：可以被测量的变量，一般是有序或等距的变量，而不是像地点这样的分类变量。
（3）变量之间等距等尺度：例如均采用5点或7点评分法获得的测量数据。
今天的我总结几个毕业论文问卷分析的几点建议，希望能帮到各位看官 PS：此处的问卷分析，仅代表具有量表的问卷分析。 因为成熟量表往往经历了现实的考验，其信度和效度达标的概率比较大。 而自己设计的量表，很容易出现信度和效度检验结果惨不忍睹的情况。 这样我们在处理信度分析，探索性因子分析，甚至验证性因子分析的时候，都能游刃有余。 另外如果题目是2个，因子分析KMO值是一定等于0.5的，而一般我们最低也得0.6吧 为了信度和效度能出一个比较好的结果，在文字描述部分，同维度的各个题目，尽量能给一些心理暗示，或者描述上尽量相近，这样能使得维度内的题目的相关性较好，从而信度和效度也不至于太差 一般达到0.6就可以了，0.7以上更好。最好是把每个维度的信度都求一下，然后总体再求一个。这个一般没什么难度，也很容易通过。如果你的数据信度不行，那就进行下项目分析，将高低分样本中不具有区分度的样本删掉。 只求量表的KMO值和巴特利球形检验值。这可能是效度检验的最低要求了。除非导师认同，最好不要仅用这两个值 大部分的同学都会用到的，也是比较不容易通过的一个分析。 遇到最多的问题莫过于，假设题目的维度归属，跟实际出的结果不一致。 碰到这种情况，一般进行如下处理： ①只有少数题目不匹配 要么直接删掉，要么暂时保留 ②绝大多数题目不匹配 从新设计量表，重新收集数据，重新来过吧 若非特殊情况，不建议使用。因为实际收集的问卷数据要想探索性因子分析+验证性因子分析，各个指标均达到理想值，那几乎是不可能的。 如果你看到某某人的论文中用了这样的检验方法，指标非常漂亮，我可以负责任的告诉你，其大概率是改过数据了。 特殊情况1：模型验证阶段，使用AMOS结构方程，导师要求效度检验阶段使用验证性因子分析。 特殊情况2：模型验证阶段，未使用AMOS结构方程，导师也要求效度检验使用验证性因子分析。（导师傻x） 这里特别提一点，显著性的p值代表的是两者是否相关，皮尔逊或者斯皮尔曼系数代表的是相关性程度。 显著性检验通过了，皮尔逊或者斯皮尔曼系数大小才有意义，绝对值越大相关性越大，正负代表正相关与负相关。 显著性通过了，但是系数偏小，那相关性也是显著的，只是两者是存在显著的弱相关性，而不是系数小就代表不相关。 可能是最简单的模型了，将自变量和因变量放进，直接跑就行了。 ①要不要放控制变量 这个随意。 如果放控制变量，尽量放一些层级类的变量，不要放多分类变量。 层级变量比如学历（初中，高中，大学，硕士） 多分类变量比如职业 层级变量的赋值尽量与其题项对应。 如果放了多分类的变量，尽量删掉，如果想保留最好做成虚拟变量 ②用标准系数还是标准化系数 标准化系数。 ③要不要做VIF共线性检验 若非导师要求，那就不做。 ④r方多大算好 这个指标没有非常严格的标准，而且跟导师的价值观有非常深刻的影响。 对于现实收集的数据而言，个人认为，一般大于0.2就好了。 不过我遇到过大于0.1，导师也认为可以接受的情况。 这是一个仁者见仁的问题 从科学的角度来看，应该与你研究的场景有密切的关系。 但是，中介效应模型要比调节效应模型容易出通过，而且解释起来也不那么绕口。 所以，如果不是想给自己挖坑，那就用中介效应模型吧。 快捷验证中介效应模型的方式（快速确定是否存在中介，非正式使用） 条件1，中介变量，自变量和因变量，相关性都显著 条件2，自变量和中介变量关于因变量的回归模型，中介变量的系数显著 如果满足上述两个条件，中介效应一定显著，如果条件2中的自变量也显著，那么就是部分中介效应，如果不显著就是完全中介效应。 另外极少数情况是用sobel来检验中介效应的 如果不是导师要求amos验证中介效应，尽量用spss回归的方式检验中介效应。 快捷验证条件效应模型的方式（快速确定是否有调节效应，非正式使用） 先将调节因子计算处理（标准化后的自变量和中介变量相乘即可） 自变量，调节变量和调节因子关于因变量的回归模型，调节因子的系数显著。 公众号:alone5400
毕业论文信效度分析要0.79。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。效度是指所测量到的结果反映所想要考察内容的程度，测量结果与要考察的内容越吻合，则效度越高；反之，则效度越低。效度分为三种类型：内容效度、准则效度和结构效度。
一般如果是含有量表的问卷都需要做信效度分析。非量表问卷可以使用文字形式进行描述，无论是什么类型的问卷，都应该在论文中进行表述以证明数据质量可信可靠。
如果是自编量表，一般需要进行预测试，就是在小范围发放问卷，进行信效度分析，对信效度较低的题项进行修改或删除，便于研究者对初测问卷进行一定调整以形成最终版本。当然，正式研究还是要做信效度分析。
信效度具体分析参考SPSSAU的帮助手册说明。
信度分析智能文字解读-SPSSAU
参考资料：信度分析-SPSSAU
信度的检验方法 ：重测信度法、复本信度法、折半信度法、α信度系数法。
效度的检验方法 ：内容效度、构想效度、效标效度。
1、重测信度法
这一方法是用同样的问卷对同一组被调查者间隔一定时间重复施测，计算两次施测结果的相关系数。显然，重测信度属于稳定系数。
重测信度法特别适用于事实式问卷，如性别、出生年月等在两次施测中不应有任何差异，大多数被调查者的兴趣、爱好、习惯等在短时间内也不会有十分明显的变化。
2、复本信度法
复本信度法是让同一组被调查者一次填答两份问卷复本，计算两个复本的相关系数。复本信度属于等值系数。
复本信度法要求两个复本除表述方式不同外，在内容、格式、难度和对应题项的提问方向等方面要完全一致，而在实际调查中，很难使调查问卷达到这种要求，因此采用这种方法者较少。
3、折半信度法
折半信度法是将调查项目分为两半，计算两半得分的相关系数，进而估计整个量表的信度。折半信度属于内在一致性系数，测量的是两半题项得分间的一致性。这种方法一般不适用于事实式问卷（如年龄与性别无法相比），常用于态度、意见式问卷的信度分析。
4、α信度系数法
Cronbach α信度系数是目前最常用的信度系数，其公式为：α=(k/(k-1))*(1-(∑Si^2)/ST^2)
其中，K为量表中题项的总数， Si^2为第i题得分的题内方差， ST^2为全部题项总得分的方差。从公式中可以看出，α系数评价的是量表中各题项得分间的一致性，属于内在一致性系数。这种方法适用于态度、意见式问卷（量表）的信度分析。
总量表的信度系数最好在0.8以上，0.7-0.8之间可以接受；分量表的信度系数最好在0.7以上，0.6-0.7还可以接受。Cronbach 's alpha系数如果在0.6以下就要考虑重新编问卷。
5、内容效度
内容效度经常与表面效度（face validity）混淆。表面效度是由外行对测验作表面上的检查确定的，它不反映测验实际测量的东西，只是指测验表面上看来好像是测量所要测的东西；内容效度是由够资格的判断者（专家）详尽地、系统地对测验作评价而建立的。
6、构想效度
对测验本身的分析，测验间的相互比较：相容效度（与已成熟的相同测验间的比较）、区分效度（与近似或应区分测验间的比较）、因素分析法，效标效度的研究证明，实验法和观察法证实。
7、效标效度
效标，即衡量测验有效性的参照标准，指的是可以直接而且独立测量的我们感兴趣的行为。我们感兴趣的行为，就是要预测的行为，这是一个总的观念，故必须以可操作的测量来确定才有实际意义。
因此有必要把效标细分为两个层次，其一是理论水平的“观念效标”，其二是操作定义水平的“效标测量”。
扩展资料：
效度和信度的关系可以用测量值的构成公式O=T S R来理解。
如果测量是完全有效的，即0=T，S=0，R=0，此时测量必然是完全可信的，若量表的信度不足，它也不可能完全有效，因为有O=T R。
如果量表是完全可信的，可以达到完全有效，也可能达不到，因为有可能存在导致误差，虽然缺乏信度必然缺乏效度，但信度的大小并不能体现效度的大小。
信度是效度的必要条件，但不是充分条件。从理论的角度来看，量应具有足够的效度和信度；从实践的观点来看，一个好的量表还应该具有实用性。实用性指量表的经济性、便利性和可解释性。
一般来说，信度是效度的必要条件，也就是说，效度都必须建立在信度的基础上；但是没有效度的测量，即使它的信度再高，这样的测量也是没有意义的。
参考资料：
百度百科-信度分析
百度百科-信度
百度百科-效度
一般我们做的所谓信度都是alpha系数，这个指标其实是对你问卷所用的题目的内部一致性，即内部相关的一种检测，相关越高，代表信度越好，那就要想办法提高项目间的相关。一般就两种法子：第一，增加题目，自己根据理论依据和自己的合理论证给问卷添加符合其概念的题目，好题目（同质的题目）加的越多，信度越好。第二，删题目，把和其他项目明显不一样的题目删掉，也能增加alpha系数值，至于删哪个，你可以根据spss求alpha系数的操作来进行，在spss里面选分析——可靠性分析——然后在对话框里面找到有一项是 如果删除该项目后所得的alpha系数，这个操作会告诉你每个题目删除后alpha系数的变化，这样你就知道该删哪个了，另外也可以根据理论依据，把不符合理论的题目删掉。总而言之，就是增加同质的题目，删掉不同质的题目信度是效度的必要条件，也就是说，要想效度高，首先要信度好，那么提高信度的方法也可以用来提高效度可以说，增删题目是最常见也最有效的方法，本来增加样本容量也是个好办法，不过既然你说没时间，那就没法子了。另外的话，就是去除异常数据，把乱答的找出来，比如全部填同一个答案的，规律作答的，还可以按均值上下3个标准差去除极端值
不可以。论文本身是对某领域的研究和成果的描述。具有一定的实际意义。在论文审核时候有一项标准即为论文的可行性。过低则没有实际的参考意义，需要修改。信度即可靠性，它是指采用同样的方法对同一对象重复测量时所得结果的一致性程度。信度分析就是论文的可实现性。
做量表研究的人，或多或少都曾因为量表效度不达标困扰过，尤其在很多研究领域并没有特别权威的经典量表可以引用。使用自制的量表来研究，容易信效度不达标，那么如果遇到效度非常糟糕的情况时应该怎么办呢？
在解决效度低的这个问题之前，我们不妨一起来回顾下，判断效度达标的指标都有哪些。以使用探索性因子分析检验结构效度为例：
（ 1 ） KMO >0.6 、通过巴特莱球形检验
SPSSAU效度分析 中可自动输出KMO 和 Bartlett 的检验结果。
如果KMO值高于0.8，则说明效度高；如果此值介于0.7~0.8之间，则说明效度较好；如果此值介于0.6~0.7，则说明效度可接受，如果此值小于0.6，说明效度不佳(如果仅两个题；则KMO无论如何均为0.5)。
通过Bartlett 球形度检验意味着变量之间有一定的相关性，适合使用因子分析检验效度。
（2）分析项归类清晰
结构效度分为两种：一种是使用探索性因子分析的方法；另一种是使用验证性因子性分析。其中探索性因子分析适合非经典量表使用。
比如说预期有5个维度，但是分析后得到3个公因子，可能就是某些分析项预期与实际分析时出现了偏差，这时可以适当删减不合理的分析项，当分析项与维度的划分与专业意义上的内在逻辑结构基本一致，此时则说明数据具有较好的效度。
通常分析项的在某个因子下的因子载荷系数绝对值>0.4，即认为该分析项可以归属于这个因子下。
比如上表中的分析项d1，预期归属于因子5里，但实际在因子1里。此时就应该移出d1重新分析。
（3）其他效度分析判断指标： 共同度 、相关系数矩阵等
如果变量相关性过高，可能会存在共线性问题，区分效度较低等问题；如果相关性太低，则说明变量之间的内在联系比较弱，不适合进行因子分析。通常共同度值>0.4即可。
共同度值可在 效度分析 结果中获得，相关系数矩阵可通过SPSSAU【 通用方法 】--【 相关 】得到。
（1）怎么都划分不清维度
（2）实际分析项归类与预期维度不同
（3）有很多共同度很低的题项
（1）怎么都划分不清维度
建议每次 放入一个维度的题项 ，移出共同度低的问题。重复以上操作，将每个维度分析一遍，确保每个维度内部没有太糟糕的题。然后再放入全部的题目，整体分析。这样就可以看到维度之间划分得是否清晰。
（2）实际分析项归类与预期维度不同
分析项归类与预期维度不同，是一个非常常见的问题。
CFA检验流程轻参考：
建议每次放入一个维度的题项，移出共同度低的问题。重复所有维度操作一遍，确保每个维度内部没有太糟糕的题。然后再放入全部的题目，整体做一遍。这样就可以看到维度之间划分得是否清晰。
如果仍然无法解决建议可增加样本量，或重新收集数据修改量表内容。
如果结果的维度划分比较清晰，且符合专业知识认知，建议以分析结果为准，根据假设和结果，修正量表。
同样的样本数据，不同的分析思路，有可能出现结果不相同，但只要符合效度的思维概念即可。
（3）有很多共同度很低的题项
有很多共同度低的分析项，意味着分析项之间的关联性较低，通常这时候分析项归类也不好。
此时建议可以从共同度最低的分析项开始移出，依次分析直至删除所有共同度小于0.4的项，需要来回多次进行对比，找出最佳结果。
当然，最根本的改善效度的方法，还是要做好预调研工作，保证数据收集质量。设计量表时每个维度的题目最好有出处可寻。这样做才能为后续分析工作提供便利。