毕业论文问卷效度分析方法

问卷调查法是教育研究中广泛采用的一种调查方法，为了保证问卷具有较高的可靠性和有效性，在形成正式问卷之前，应当对问卷进行试测，并对试测结果进行信度和效度分析，根据分析结果筛选问卷题项，调整问卷架构，从而提升问卷的信度和效度。说了这么多，我们先对一些调研小白解释一下，什么是信度和效度？信度：可靠性、一致性或稳定性。比如说，在对同一对象进行测量，多次测量结果都很接近，我们就认为这个结果是可信的，也就是信度高。如果每次测量的结果都有很大的差异，则说明信度较低。效度：正确性程度，效度越高表示测量结果越能显示出所要测量对象的真正特征。他们两的差别在于信度度量的是问卷测量结果是否一致的可靠程度，而不涉及结果是否正确的问题；效度则针对问卷测量的目的，重点考察测量结果的有效性。对于量表来说，效度是首要条件，而信度是效度的必要条件。也就是说有效的问卷必定是可信的问卷，但可信的问卷未必是有效的问卷。了解了定义后，我们来聊一聊检测调查问卷信效度的方法。信度分析（可靠性分析）1. 重测信度法用同样的问卷对同一被测间隔一定时间的重复测试，也可称作测试——再测方法，计算两次测试结果的相关系数。很显然这是稳定系数，即跨时间的一致性。重测信度法适用于事实性的问卷，也可用于不易受环境影响的态度、意见式问卷。由于重测信度需要对同一样本试测两次，而被测容易受到各种事件、活动的影响，所以间隔时间需要适当。较常用者为间隔二星期或一个月。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模式不同外，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，常用于态度、意见式问卷的信度分析。进行折半信度分析时，如果量表中含有反意题项，应先将反意题项的得分作逆向处理，以确保各题项得分方向的一致性，然后将全部题项按奇偶或前后分为尽可能相等的两半，计算二者的相关系数，最后求出整个量表的信度系数。4. α信度系数法 Cronbachα信度系数是目前最常用的信度系数，其公式为︰α=(n/n-1)*(1-(∑Si2)/ST2)其中，n为量表中题项的总数，Si2为第i题得分的题内方差，ST2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。效度分析1. 单项与总和相关效度分析 也称为内容效度或逻辑效度，指的是测量的内容与测量目标之间是否适合，也可以说是指测量所选择的项目是否“看起来”符合测量的目的和要求。主要依据调查设计人员的主观判断。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。对内容效度常采用逻辑分析与统计分析相结合的方法进行评价。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，分析问卷题项与准则的联系，若二者相关显著，或者问卷题项对准则的不同取值、特性表现出显著差异，则为有效的题项。评价准则效度的方法是相关分析或差异显著性检验。在调查问卷的效度分析中，选择一个合适的准则往往十分困难，使这种方法的应用受到一定限制。3. 结构效度分析 结构效度是为了说明从量表所获得的结果与设计该量表时所假定的理论之间的符合程度。研究者在设计量表时，通常会事先假定一定的量表结构（n个维度），这种结构是否与测量的数据相符合（是否确定存在上述几个维度），需要进行验证。为了提升调查问卷的质量，进而提升整个研究的价值，问卷的信度和效度分析绝非赘疣蛇足，而是研究过程中必不可少的重要环节。

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，这样研究的数据才能准确的说明问题。 例如，我们想了解一个班级里学生的综合成绩情况，正式研究中如果仅测试数学一科，然后得出结论，这样的研究有效性可能很低，原因在于实际测量的方向与研究方向之间有很大偏差。 效度又可分为内容效度、结构效度和效标效度。 （1）内容效度，指问卷题项对相关概念测量的合理性情况，通常是以文字来说明问卷的有效性。如通过参考文献，或者权威来源说明问卷的权威性和有效性。还有就是通过对问卷前测并结合结果进行题项的修正等工作来充分说明问卷的有效性。 （内容效度并非统计软件进行的统计方法，对于问卷研究来讲，基本上均需要进行内容效度说明。） （2）结构效度，指测量题项与测量维度之间的对应关系。测量方法有两种，一种是探索性因子分析，另外一种是验证性因子分析。其中，探索性因子分析是当前使用最为广泛的结构效度测量方法。使用探索性因子分析进行效度验证时，应该以量表为准，对变量或者量表分别进行分析。（3）效标效度，如果以前有一份权威且标准的量表数据，现在依旧使用该量表进行研究，并且收集回来一份数据。以前权威标准数据作为标准，当前数据与前一份数据之间进行相关分析，如果说相关系数值较高，则说明效标效度良好。（1）背景 为测量消费者对某产品的购买意愿及影响因素（共5个分别为：因素产品, 促销, 渠道推广, 价格, 个性化服务），设计了一份问卷。共25题（均为量表题），其中Q1~Q15影响因素对应题项，Q16~Q19为购买意愿对应题项，现希望对量表效度情况进行分析，如果有不合理题项将其进行删除处理。（2）操作步骤 这里使用的是探索性因子分析以验证问卷效度水平 第一步：在左侧分析方法菜单栏找到【问卷研究】->【效度】 第二步：将变量Q1~Q15拖拽到右侧分析框内 第三步：设置输出因子个数，预期有5个维度，所以设置因子个数为5。如果没有确定预期维度，也可以选择让系统输出。点击“开始效度分析”（3）分析结果 第一步：首先分析KMO值： KMO值为，大于，意味着数据具有效度。同时，旋转后累积方差解释率为>50%，说明研究项的信息量可以有效的提取出来。第二步：分析题项与因子的对应关系；如果对应关系与研究心理预期基本一致，则说明效度良好。 可以看到所有题项的共同度均大于。除Q6与预期维度对应不符以外，其他题项均与预期对应关系一致，且题项的因子载荷系数绝对值均高于。因而删除Q6，再次分析。题项均已满足预期对应关系，说明效度良好，与专业情况完全相符。第三步：对分析进行总结。 使用探索性因子分析进行效度分析，15个量表题目共分为5个维度；删除掉Q6共一道题，最终余下14个题项，此14项与维度对应关系情况良好，与专业预期相符。从上表可知：KMO值为>，通过巴特球形检验，累积方差解释率值为，说明5个维度可以提取出大部分题项信息。因而综合说明研究数据具有良好的结构效度水平。   （1）效度分析只针对量表题，如为非量表题可用文字形式进行描述以测量问卷的有效性 （2）如果KMO值过低，可删除共同度较低项，再次分析 （3）效度分析时，很可能需要删除题目，以便于维度和题项对应关系符合预期，最关键的地方在于：维度和题项对应关系是否与专业预期符合；其余指标相应比较容易达标，最核心的是让维度和题项对应关系保持基本一致性 （4）无论如何效度分析均不达标，可考虑以单个维度分别进行分析，有几个维度就分析几次（同一维度的题目一起分析，仅需要删除掉因子载荷系数值低于的题项即可，不用考虑多个维度间的逻辑对应关系） （5）如果分析过程中删除某题项（即删除该题目及对应的数据），后续所有的分析都要按删除后的问卷作为标准进行分析更多分析方法的使用说明可到 SPSSAU官网 查看。

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值是一定等于的，而一般我们最低也得吧 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 一般达到就可以了，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，一般大于就好了。 不过我遇到过大于，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