量表信效度分析..ppt

量表信效度分析及其SPSS操作 调查问卷编制程序 • 采用开放式问卷对受测对象进行集体调查 ，并对其中一部分对象进行访谈，了解真 实情况 • 编写初始问卷 • 对初测问卷的施测结果进行探索性因素分 析，依据相关指标剔除不当题项，确定问 卷的因素结构，形成正式问卷 • 检验问卷的信度和效度：内部一致性信度 、分半信度、重测信度、内容效度、结构 效度以及效标效度 • 对形成的正式问卷在群体中施测，用获得 的数据进行验证性因素分析，进一步检验 与修正问卷结构，并考察问卷实用性 信度分析 信度(reliability)指调查表测量结果的可靠性 、稳定性和一致性，即精确度（precision ） 一般认为信度反映测量误差或观察误差也 即随机误差引起的变异程度 常用指标：（1）重测信度 （2）分半信度 （3）内部一致性信度 • 重测信度（test-retest reliability） 用同一调查表在不同时间对同一组调查对象进行 重复测量，两次结果间的一致性即重测信度 通常用两次测量的量表得分的简单相关系数r表示 ，一般要求达到0.7以上。

原则上要求应在调查的主要内容还未发生变化的 期间内进行 重测信度评价要对每个个体进行两次测量 ，比较麻烦为此，人们更愿意采用一次 性测量的评价方法，分半信度正是如此 • 分半信度(split-half reliability) 在一次测量后将条目分为相等但独立的两 部分，如分前后两个部分、按提问项目号 的奇数和偶数分两个部分计算两个部分 的得分的简单相关系数r，作为信度指标 这实际上考察的是指标的一致性，因测量 同一特征的指标间关系密切，故具有一致 性则说明结果可信 分半信度较少被应用原因： 由于其结果不稳定，因为随机分成两个半 表的结果很多，特别是条目数量较多时 由于 系数是所有可能的分半信度的平均值 ，因此可以代表分半信度 • 内部一致性信度(internal consistent reliability) 是分半信度的推广无需将条目分为两个部分，而是以 条目之间的联系程度对信度作出估计 通常用克朗巴赫 系数（Cronbach’s alpha）表示，它 取值在0到1之间，其值越大，信度越高一般认为克朗 巴赫 系数应达到0.7以上 系数根据一次测量的结果即可算得，使用简便，利用 信息充分，在实际工作中广为采用。

信度分析实例：某研究应用癫痫患者生活质量评定量表（QOLIE-33 ）对198名癫痫患者进行调查，量表结构见下表，分析该量表总的信 度和各因素的信度 1.Cronbach 系数 发作担忧（sw）的Cronbach 系数 • sw:0.883 • oq:0.751 • ew:0.780 • ef:0.758 • cog:0.871 • me:0.804 • sf:0.849 • cn:0.567 除因素cn外，均大于0.70，可以说各个因 素的内部一致性信度较高 2.描述统计量 3.条目的敏感性分析 4.相关阵分析(Inter-Item Correlation Matrix) 主要考察相关系数比较大的情况相关系数 太大，提示有关条目的内容可能重复，为取 舍的参考依据之一 5.条目的方差分析 6.多重交互作用检验与等均数检验 效度分析 效度（validity）主要评价量表的准确度、 有效性和正确性，即测定值与目标真实值 的偏差大小 效度意在反映某测量工具是否有效地测定 到了它打算测定的内容，即实际测定结果 与预想结果的符合程度。

常用指标：（1）内容效度 （2）效标效度 （3）结构效度 • 内容效度（content validity） 量表测量的内容与所要测量的内容之间的 符合情况，即测定对象对问题的理解和回 答是否与条目设计者希望询问的内容一致 内容效度的评价主要通过主观经验判断一 般通过专家评议打分 • 效标效度（criterion validity） 又称为标准关联效度，是以一个公认有效 的量表作为标准（效标），检验新量表与 标准量表测定结果的相关性，以两种量表 测定得分的相关系数表示标准效度 • 结构效度（construct validity） 又称构想效度，说明量表的结构是否与制 表的理论设想相符，测量结果的各内在成 分是否与设计者打算测量的领域一致，结 果效度主要用于证实性因子分析（CFA） 评价 • 证实性因子分析是确定存在几个因子，以 及各实测变量与各因子的关系，用实际数 据拟合特定的因子模型，分析拟合优度， 评价实测指标性质与设计目标是否吻合 • 将量表的每个条目作为一项指标，分析所 有指标的内在公因子如果因子分析提取 的公因子与聊表设计时确定的各领域有密 切的逻辑关系，则说明量表具有较好的结 构效度。

主成分分析与因子分析 • 主成分分析（principal components analysis ） 通过对原始指标相互关系的研究，找出少数几 个综合指标，这些综合指标是原始指标的线性 组合，既保留了原始指标的主要信息，又互不 相关 从众多原始指标之间相互关系入手，寻找少数 综合指标以概括原始指标信息的多元统计方法 称为主成分分析 主成分分析可以视为一种探索性方法 主成分分析目的： 用较少个数的综合指标来反映全部原始指 标中的主要信息，因此主成分的个数总是 小于原始指标的个数 主成分个数选取的原则： • 以累计贡献率来确定：当前k个主成分的累 积贡献率达到某一特定值时（一般大于 70%为宜），则保留前k个主成分 • 以特征值大小来确定：即若主成分的特征 值大于等于1则保留，否则就去掉该主成分 • 结合主成分的实际含义来定 因子载荷：是指第i个主成分与第j个原始指 标之间的相关系数，它反映了主成分与原 始指标之间联系的密切程度与作用的方向 因子载荷矩阵：由因子载荷所构成的矩阵 • 因子分析（factor analysis） 医学研究中有一些现象是难以直接观测的， 称为不可测现象，只能通过其他多个可观 测的指标来间接反映。

由于各个可观测指 标都不同程度地反映了不可测现象，因此 这些可测指标之间呈现出一定的相关性 因子分析就是一种从分析多个原始指标的 相关关系入手，找到支配这种相关关系的 有限个不可观测的潜在变量，并用这些潜 在变量来解释原始指标之间的相关性或协 方差关系的多元统计分析方法 因子旋转 建立因子分析模型的目的：不仅是找出公 因子，更重要的是弄清楚各公因子的专业 意义 很多情况下，因子分析的主成分解、主因 子解及极大似然解中的各公因子的典型代 表变量并不突出，使各因子的专业意义难 于解释，达不到因子分析目的 因子旋转的作用：通过旋转使每一公因子 上因子载荷向0和1两极分化，造成尽可能 大差别，以使各公因子尽可能支配不同的 原始指标，从而使各公因子具有较为清晰 的专业意义 方法： （1）正交旋转：因子正交旋转、四次方最大 旋转、均方最大旋转等 （2）斜交旋转 主成分分析与因子分析不同点： 主成分分析重点在综合原始变量的信息； 公因子分析则重在解释原始变量之间的关 系 主成分分析中各主成分的得分可以准确计 算；因子分析中各公因子得分只能估计 因子分析既可以降低变量维数，又可以对 变量进行分类，因此广泛应用于量表结构 效度的评价。

因子分析步骤： （1）进行KMO检验及球形检验，判断数据 是否适于因子分析 （2）确定因子数目经主成分分析累计贡 献率大于70%，特征值大于1；根据研究内 容确定，如以量表维数为因子数目） （3）进行旋转变换，寻求最佳分析结果，此 过程可反复尝试 （4）计算因子得分，以备进一步分析用 效度分析实例：在住院病人满意度量表研制 中，初步拟定的量表由5个因素共27个条目 组成，即医生服务（7个条目，d1~d7）， 伙食供应（4个条目，f1~f4），辅助科室服 务（6个条目，h1~h6），护理（6个条目， n1~n6）和医疗环境与设施（4个条目， s1~s4） 对193名住院患者进行调查，试用因子分析 验证该量表的合理性，以评价其构建效度 • KMO统计量：用于检验变量间的偏相关性 是否足够小是简单相关量与偏相关量的一个 相对指数取值在0至1之间，其值越大，因 子分析的效果越好Kaiser认为，KMO>0.9 时，做因子分析的效果最理想；KMO0.05）， 用因子分析应慎重 1.KMO检验及球形检验 2.因子数目与特征值散点图 3.因子得分 见数据文件 4.主成分分析 5.因子负荷矩阵（未经旋转变换） 6.因子负荷矩阵（经旋转变换） 结构效度分析补充 通常运用相关法测量问卷的结构效度。

各个因素与总量表应具有中高程度相关（收敛效度 ） 各个因素之间应具有中低程度相关（区分效度） 过高—因素之间有重合，有些因素可能不需要 过低—有的因素测的并不是所要测的 要求各因素既有一定独立性，又反映出相应的归属 心理学家Tuke指出：一个良好的问卷结 构，要求各因素与总分的相关在0.3~0.8 之间；各因素之间的相关在0.1~0.6之间 仍以癫痫患者生活质量评定量表（QOLIE-33）为例，评价其结构效度 。