主要介绍最常用的测量问卷信效度的方法:克隆巴赫信度系数(Cronbach α)方法测量信度、以及探索性因子分析测量效度。
1 信度分析1.1 背景与目标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,其中Q1~Q19均为量表题,现希望对此份数据信度情况进行分析,以验证数据质量可靠。
1.2 *** 作步骤信度分析需要针对每一具体细分维度或者变量进行分析本例子中涉及6个维度,则分别需要进行六次 *** 作,然后将六次 *** 作的结果整理合并整理成一个表格用于研究报告中输出。
以其中一个维度为例:选择对应题项,拖拽至右侧分析框中,默认输出Cronbach α系数。
点击“开始信度分析”。
信度分析界面1.3 输出结果1.4 指标解释(1)校正项总计相关性(CITC):为分析项之间的相关系数,通常大于0.4即可。
这一指标,通常用于预测试中。
(2)项已删除的α系数:为删除该分析项后,剩下分析项的α系数,若此值明显高于Cronbach α系数值,可考虑删除该分析项。
这一指标,通常用于预测试中。
(3)Cronbach α系数:衡量样本回答的可靠性,分析时主要关注此值。
α系数值高于0.8,则说明信度高;α系数介于0.7~0.8之间;则说明信度较好; α系数介于0.6~0.7,则说明信度可接受; α系数小于0.6,说明信度不佳。
1.5 文字分析智能分析1.6 几点注意信度分析仅仅是针对量表数据。
以维度作为单位分别进行信度分析;最终将所有维度的α系数值进行汇总整理成表格,并且输出。
如果某个维度仅对应2个题项,此时α系数值可能会较低(通常大于0.6即说明信度较好,但2个题时通常会较低),如果某个维度仅对应1个题项,此时无法进行信度分析。
如果有反向题,需要首先针对反向题进行反向 *** 作(使用“数据编码”功能),然后用新标题进行分析。
如果说α信度信度系数值小于0,请查看是否有反向题。
如果某个分析项进行了删除处理(即删除该题目及对应的数据),后续所有的分析都要以删除后作为标准进行。
2 效度分析2.1 背景与目标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为影响因素对应题项,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。
2.2 *** 作步骤这里主要对5个影响因素的对应量表题进行分析(1)在左侧分析方法菜单栏找到[问卷研究]>[效度](2)将变量Q1~Q15拖拽到右侧分析框内(3)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。
(4)点击“开始效度分析”效度分析 *** 作界面2.3 输出结果2.4 分析结果第一步:首先分析KMO值与巴特球形检验P值。
KMO值为0.870,大于0.6,通过Bartlett球形检验,意味着数据具有效度。
同时,旋转后累积方差解释率为69.708%>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0.4。
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0.4。
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0.870>0.6,通过巴特球形检验,累积方差解释率值为69.708%,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。
测量信效度的方法还有很多,以上只是介绍了最常见的两种方法。
其他方法也均可以在SPSSAU中使用分析。
hello,我是淦珍珠,很高兴回答你的问题。
信度检验:点击“分析—刻度—可靠性分析”,将选中统一维度的所有题项(点住第一个,shift+最后一个,可以快速全选(ง •̀-•́)ง),点击“项”前面的箭头,最后点击“确定”即可。
效度检验:点击“分析—降维—因子”,选中统一维度的所有题项( *** 作同上),点击“变量”前面的箭头,点击“描述—显著性水平—KMO”,最后点击“确定”即可。
如果还有其他不清楚的,欢迎留言私信~{!-- PGC_VIDEO:{"thumb_height": 808, "vposter": "http://p1.toutiaoimg.com/origin/tos-cn-p-0000/0d439b50bc0742aeaa073d16557d0493 "thumb_width": 1440, "vid": "v02016010000bputjj4pg62fqpmd9ajg "vu": "v02016010000bputjj4pg62fqpmd9ajg "duration": 141.55, "thumb_url": "tos-cn-p-0000/0d439b50bc0742aeaa073d16557d0493 "thumb_uri": "tos-cn-p-0000/0d439b50bc0742aeaa073d16557d0493 "video_size": {"high": {"duration": 141.55, "h": 808, "w": 1440}, "ultra": {"duration": 141.55, "h": 808, "w": 1440}, "normal": {"duration": 141.55, "h": 808, "w": 1440}}} --}
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)