第二节信度和效度分析
一、信度分析
与预测试数据分析方法一样，为了确保问卷的可靠性，先进行信度分析，信度检验指标在前面已详细述，在此不再述。问卷信度分析如表4-2所示：
表4-2：量表信度检验结果
经过SPSS24.0数据统计软件分析得知个变量Cr onbach's α均大于0.6，且组合信度在0.792以上，说明所有问卷都具备可靠性，能够较好的反应变量的真实情况。
二、效度检验
（一）容效度
为了确保调研问卷容的有效性，问卷量表通过文献研究先初步圈定问卷容，所用量表大多采用国外已经开发出的成熟量表，对于这部分量表，本文给予直接采用的方式，其余量表则是在前人研究的基础上，根据本文的研究目的和方向进行谨慎的拟定。因此，本问卷具有容效度。
（二）结构效度
在测量结构效度时，通常采用探索性因子分析。在进行因子分析时，通常采用主成分分析法，主成分分析的目的在于利用变量间的线性组合来解释每个层面的方差，变量的第一个线性组合可以解释最大的变异量，以此类推，所以主成分分析法的步骤是，选取特征值大于1的因子，然后利用方差最大旋转法进行旋转，使得旋转后题目在各个因子的负荷量大小出现明显差异，大部分题目在每个公共因子中有一个差异较大的因子负荷量出现。但在因子分析之前需要进行KMO值和Bartlett球形检验，只有当KMO>0.5且Bartlett球形检验的Sig.值小于0.05时，
问卷才具有结构效度，才能够进行因子分析。本研究中对三个量表进行的结构效度分析具体情况如下。
（1）虚拟品牌社群价值的效度检测
1.1虚拟品牌社群价值的KMO值和Bartlett球形检验
在对虚拟品牌社群价值做因子分析之前，先做KMO值和Bartlett球形检验，检测结果如表4-3所示：
表4-3：虚拟品牌社群价值的KMO值和Bartlett检验
取样足够度的Kaiser-Meyer-Olkin度量.901
Bartlett的球形度检验近似卡方4892.820
df 186
Sig. .000
通过对虚拟品牌社群价值量表的14个题项进行KMO检验和Bartlett球形检验，发现虚拟品牌社群价值量表的KMO值为0.901，表明各个变量之间的相关系数非常高，适合做因子分析，同时Sig.值为0.000<0.05，达到显著性水平，综上可以得出虚拟品牌社群价值量表适合做因子分析。
1.2虚拟品牌社群价值因子分析
通过KMO值和Bartlett球形检验可知，虚拟品牌社群价值适合做因子分析，运用主成分提取法进行因子旋转后得到以下数据，如:表4-4所示：
表4-4：虚拟品牌社群价值旋转因子负荷值
通过因子旋转对虚拟品牌社群价值量表的14个题目进行因子分析，旋转出5个因子，总方差解释率达到78.711%，表明这5个因子对虚拟品牌社群价值具有较强的解释性，同时各因子负荷量均在0.6以上，说明因子与变量之间的相关性很高。在这5个维度对虚拟品牌社群价值的解释中，虚拟品牌社群功能价值的解释力最强，解释了总方差变异量的20.374%，其次是虚拟品牌社群利益价值，解释了总方差变异量的16.629%，虚拟品牌社群情感价值解释了总方差变异量的15.790%，然后是虚拟品牌社群社交价值，解释了总方差变异量的14.534%，虚拟品牌社群社交价值贡献率最低，解释了总方差变异量的11.384%。因子分析的结果表明，虚拟品牌社群价值量表具有较好的效度，适合用于本研究。
(2)顾客满意的效度检测
2.1顾客满意的KMO值和Bartlett球形检验
在对顾客满意做因子分析之前，先做KMO值和Bartlett球形检验，检测结果如表4-5所示：
表4-5：顾客满意的KMO值和Bartlett检验
取样足够度的Kaiser-Meyer-Olkin度量.834
Bartlett的球形度检验近似卡方1425.820
df 120
Sig. .000
通过对顾客满意量表的4个题项进行KMO检验和Bartlett球形检验，发现顾客满意量表的KMO值为0.834，表明各个变量之间的相关系数非常高，适合做因子分析，同时Sig.值为0.000<0.05，达到显著性水平，综上可以得出顾客满意量表适合做因子分析。
2.2顾客满意因子分析
通过KMO值和Bartlett球形检验可知，顾客满意适合做因子分析，运用主成分提取法进行因子旋转后得到以下数据，如:表4-6所示：
表4-6：顾客满意旋转因子负荷值
B1 .836
B2 .875
B3 .932
B4 .792
方差解释率82.56%
通过因子旋转对顾客满意量表的4个题目进行因子分析，旋转出1个因子，方差解释率达到82.56%，各因子负荷量均在0.6以上，表明该因子对顾客满意具有较强的解释性，同时，说明因子与变量之间的相关性很高，具有良好的结构效度。
(3)口碑传播意愿的效度检测
3.1口碑传播意愿的KMO值和Bartlett球形检验
在对口碑传播意愿做因子分析之前，先做KMO值和Bartlett球形检验，检测结果如:表4-7所示：
表4-7：口碑传播意愿的KMO值和Bartlett检验
取样足够度的Kaiser-Meyer-Olkin度量.903
Bartlett的球形度检验近似卡方758.820
df 30
Sig. .000
通过对口碑传播意愿量表的3个题项进行KMO检验和Bartlett球形检验，发现口碑传播意愿量表的KMO值为0.903，表明各个变量之间的相关系数非常高，适合做因子分析，同时Sig.值为0.000<0.05，达到显著性水平，综上可以得出口碑传播意愿量表适合做因子分析。
3.2口碑传播意愿因子分析
通过KMO值和Bartlett球形检验可知，口碑传播意愿适合做因子分析，运用主成分提取法进行因子旋转后得到以下数据，如表4-9所示：
表4-9：口碑传播意愿旋转因子负荷值
通过因子旋转对口碑传播意愿量表的3个题目进行因子分析，旋转出1个因子，方差解释率达到85.05%，各因子负荷量均在0.6以上，表明该因子对口碑传播意愿具有较强的解释性，同时，说明因子与变量之间的相关性很高，具有良好的结构效度。
第四节假设检验
本节将采用相关分析和回归分析两种方法研究虚拟品牌社群价值、顾客满意和口碑传播意愿之间的作用机制，用相关分析探讨各因素之间的联系，用回归分析研究各因素之间的因果关系，从而对本文研究假设进行检验。
一、相关分析
相关分析是一种常见的数据分析方法，主要是用于分析两个变量之间的关联程度，本文采用相关分析最常用的皮尔森相关系数来表示两个变量之间的关联程度，相关系数在-1到1之间，相关系数的绝对值越接近1，表明两个变量之间的关联程度越强，绝对值越小，关联程度越弱，通常情况下我们认为若绝对值小于0.3，则表明变量之间关系微弱，认为不相关；若绝对值在0.3-0.5之间，是低相关度，若在0.5-0.8之间为中度相关度，若大于0.8则为高相关度。同时，如果相
关系数是正数，则表明两个变量之间是正相关的关系，即一个变量增强，另一个变量也增强；相反，若相关系数是负数，表明两个变量之间是负相关的关系，即一个变量增强，另一个变量会减弱。
（一）虚拟品牌社群价值与消费者口碑传播意愿的相关分析
首先，将虚拟品牌社群价值所包含的五个测量维度：功能价值、财务价值、社交价值、情感价值和形象价值与口碑传播意向进行相关性分析，如表4-10所示：
表4-10：虚拟品牌社群价值与口碑传播意愿相关性分析
由表结果可知，在0.01显著性水平下虚拟品牌社群功能价值、财务价值、社交价值、情感价值和形象价值与口碑传播意愿呈现正相关关系，相关系数分别为0.849、0.735、0.693、0.744、0.689，相关系数均为正数且大于0.5，因此可以证明虚拟品牌社群价值与口碑传播意愿具有正向相关关系。
（二）虚拟品牌社群价值与顾客满意的相关分析
首先，将虚拟品牌社群价值所包含的五个测量维度：功能价值、财务价值、社交价值、情感价值和形象价值与顾客满意进行相关性分析，如表4-11所示：表4-11：虚拟品牌社群价值与顾客满意相关性分析
由表结果可知，在0.01显著性水平下虚拟品牌社群功能价值、财务价值、社交价值、情感价值和形象价值与顾客满意呈现正相关关系，相关系数分别为0.792、0.635、0.834、0.689、0.676，相关系数均为正数且大于0.5，因此可以证明虚拟品牌社群价值与顾客满意具有正向相关关系。
（三）顾客满意与消费者口碑传播意愿的相关分析
首先，将顾客满意与口碑传播意向进行相关性分析，如表4-12所示：
表4-12:顾客满意与口碑传播意愿相关性研究
**. 在 0.01 级别（双尾），相关性显著。
由表结果可知，在0.01显著性水平下顾客满意与口碑传播意愿呈现正相关关系，相关系数分别为0.842，相关系数均为正数且大于0.5，因此可以证明顾客满意与口碑传播意向具有正相关关系。
因此，通过顾客满意与口碑传播意愿相关性分析可验证假设H11成立。
二、回归分析
通过前一部分相关分析，已经验证了虚拟品牌社群价值、顾客满意与口碑传播意愿之间存在显著正向关系，但相关分析只能证明各因素之间是否存在关系，并不能对因果关系进行验证，因此本节将通过回归分析进一步指出关系的方向，运用逐步多元回归方法和回归方程验证模型的可信程度。同时，本节运用回归分析方法验证顾客满意对虚拟品牌社群价值和口碑传播意愿的中介作用。（一）虚拟品牌社群价值与口碑传播意愿的回归分析
运用SPSS24.0对虚拟品牌社群的功能价值、财务价值、社交价值、情感价值和形象价值与口碑传播意愿进行回归系数分析，结果如表4-13所示：
表4-13：虚拟品牌社群价值与口碑传播意愿的回归分析
a. 因变量：口碑传播意愿
功能价值的回归系数为0.214，Sig.值为0.000＜0.05，表明功能价值对口碑传播意愿具有显著的预测作用。标准化系数为0.347，为正数，表明功能价值对口碑传播意愿的预测作用是正向的。调整R方为0.361，表明自变量功能价值可
以解释因变量口碑传播意愿36.1%的变异。因此，假设“ H1：虚拟品牌社群功能价值对口碑传播意愿具有正向影响”成立。
财务价值的回归系数为0.211，Sig.值为0.012＜0.05，表明财务价值对口碑传播意愿具有显著的预测作用。标准化系数为0.123，是正数，表明财务价值对口碑传播意愿的预测作用是正向的。调整R方为0.196，表明自变量财务价值可以解释因变量口碑传播意愿19.6%的变异。因此，假设“H2：财务价值对口碑传播意愿具有正向影响”成立。
社交价值的回归系数为0.267，Sig.值为0.000＜0.05，表明社交价值对口碑传播意愿具有显著的预测作用。标准化系数为0.217，为正数，表明社交价值对口碑传播意愿的预测作用是正向的。调整R方为0.248，表明自变量社交价值可以解释因变量24.8%的变异。因此，假设“H3：社交价值对口碑传播意向具有正向影响”成立。
情感价值的回归系数为0.270，Sig.值为0.000＜0.05，表明情感价值对口碑传播意愿具有显著的预测作用。标准化系数为0.275，为正数，表明情感价值对口碑传播意愿的预测作用是正向的。调整R方为0.319，表明自变量情感性可以解释因变量口碑传播意愿31.9%的变异。因此，假设“H4：情感价值对口碑传播意向具有正向影响”成立。
形象价值的回归系数为0.109，Sig.值为0.063>0.05，显著性值高于水平标准，表明形象价值对口碑传播意愿的直接影响不显著。因此，假设“H5：形象价值对口碑传播意向具有正向影响”不成立。
（二）虚拟品牌社群价值与顾客满意的回归分析
运用SPSS24.0对虚拟品牌社群的功能价值、财务价值、社交价值、情感价值和形象价值与顾客满意进行回归系数分析，结果如表4-14所示：
表4-14：虚拟品牌社群价值与顾客满意的回归分析
a. 因变量：顾客满意
功能价值的回归系数为0.175，Sig.值为0.000＜0.05，表明功能价值对顾客满意具有显著的预测作用。标准化系数为0.373，为正数，表明功能价值对顾客满意的预测作用是正向的。调整R方为0.428，表明自变量功能价值可以解释因变量顾客满意42.8%的变异。因此，假设“H6：虚拟品牌社群功能价值对顾客满意具有正向影响”成立。
财务价值的回归系数为0.142，Sig.值为0.023＜0.05，表明财务价值对顾客满意具有显著的预测作用。标准化系数为0.143，是正数，表明财务价值对顾客满意的预测作用是正向的。调整R方为0.231，表明自变量财务价值可以解释因变量顾客满意23.1%的变异。因此，假设“H7：虚拟品牌社群财务价值对顾客满意具有正向影响”成立。
社交价值的回归系数为0.201，Sig.值为0.000＜0.05，表明社交价值对对顾
客满意具有显著的预测作用。标准化系数为0.251，为正数，表明社交价值对对顾客满意的预测作用是正向的。调整R方为0.301，表明自变量社交价值可以解释因变量30.1%的变异。因此，假设“H8：社交价值对对顾客满意具有正向影响”成立。
情感价值的回归系数为0.225，Sig.值为0.000＜0.05，表明情感价值对对顾客满意具有显著的预测作用。标准化系数为0.275，为正数，表明情感价值对口碑传播意愿的预测作用是正向的。调整R方为0.274，表明自变量情感性可以解释因变量对顾客满意31.9%的变异。因此，假设“H9：情感价值对顾客满意具有正向影响”成立。
形象价值的回归系数为0.136，Sig.值为0.082>0.05，显著性值高于水平标准，表明形象价值对对顾客满意的直接影响不显著。因此，假设“H10：形象价值对口碑传播意向具有正向影响”不成立。
（三）顾客满意与口碑传播意愿的回归分析
运用SPSS24.0对顾客满意与口碑传播意愿进行回归系数分析，结果如表4-15所示：
表4-15：顾客满意与口碑传播意愿的回归分析
模型非标准化系数标准化系
数T Sig. R方调整
R方
F
B 标准误
差
Bata （常量）.375 0.032
顾客满意1.20
9
0.051 0.687 21.86
3
0.000 0.783 0．726 440.82
4
因变量：口碑传播意愿
前文通过顾客满意与口碑传播意愿相关分析发现，顾客满意与口碑传播意愿有显著的正相关关系，还需要通过回归分析来检验顾客满意与口碑传播意愿是否具有预测作用。以顾客满意为自变量，以口碑传播意向为因变量，运用一元线性回归分析，得出顾客满意的回归系数为1.209，Sig.值为0.000＜0.05，表明顾客满意与口碑传播意愿具有显著的预测作用。标准化系数是0.687，为正数，表明顾客满意与口碑传播意愿的预测作用是正向的。调整R方为0.726，表明自变量顾客满意能够解释因变量口碑传播意向72.6%的变异。因此，假设“H11：顾客满意对口碑传播意向具有正向影响”成立。
（四）顾客满意中介效应验证
在自变量X与因变量Y的方程中，如果自变量X通过另一个变量M来影响因变量Y，M即为中介变量，通过M来实现X对Y的影响即为中介效应。本研究通过逐步回归法来检验顾客满意在虚拟品牌社群价值对口碑传播意愿影响的中介效应，步骤如下：
第一步：对自变量虚拟品牌社群价值和因变量口碑传播意愿进行回归分析，回归系数达到显著水平；
第二步：对自变量虚拟品牌社群价值和中介变量顾客满意进行回归分析，回归系数达到显著水平；
第三步：让自变量虚拟品牌社群价值和中介变量顾客满意共同与因变量口碑
传播意愿进行回归分析。当自变量的回归系数减小，且达不到显著水平时，说明中介效应祈祷完全中介作用；当自变量回归系数减小，但仍达到显著水平，说明中介变量只起到部分中介作用。
表4-16中介效应分析效果表
功能价值口碑传播意愿
顾客满意口碑传播意愿
功能价值&顾客满意口碑传播意愿
财务价值口碑传播意愿
顾客满意口碑传播意愿
功能价值&顾客满意口碑传播意愿
社交价值口碑传播意愿
顾客满意口碑传播意愿
功能价值&顾客满意口碑传播意愿
情感价值口碑传播意愿
顾客满意口碑传播意愿
功能价值&顾客满意口碑传播意愿
本章小结
本章主要对通过问卷调查收集起来的数据进行统计分析，主要是借用SPSS24.0分析统计工具，通过描述性统计对被调查者的基本资料进行分析，通过效度和信度分析检测问卷可信度和有效性，最后用相关分析和回归分析找出虚拟品牌社群价值、顾客满意和口碑传播意愿三者之间的因果关系，对本文的假设进行验证。最后在虚拟品牌社群价值对口碑传播意愿的回归分析中发现虚拟品牌社群形象价值对口碑传播意愿不具有预测作用，因此假设H5不成立；并进一步分析顾客满意在虚拟品牌社群价值和口碑传播意愿中的中介作用，结果显示形象价值同样对顾客满意不具有预测作用，假设H10不成立，但顾客满意具有部分中介作用。至此验证了假设H1、H2、H3、H4、H6、H7、H8、H9、H11成立。
第五章研究结果与启示
第一节研究结果
一、假设检验结果汇总
本研究提出了虚拟品牌社群价值影响口碑传播的五个因素即：功能价值、财务价值、社交价值、情感价值和形象价值，并根据文献研究构建了影响模型，由此进行了11个假设。数据分析结果显示，假设H5、H10不被支持，即形象价值对顾客满意和口碑传播不存在正面正面显著影响作用，其他假设成立，检验结果汇总如表5-1所示：
表5-1：假设检验结果汇总
H9 虚拟品牌社群情感价值对顾客满意有正向显著影响；支持
H10 虚拟品牌社群形象价值对顾客满意有正向显著影响；不支持
H11 顾客满意对口碑传播意向其正向显著影响；支持
二、研究模型修正
根据假设验证结果，本文实证研究的模型修正为如图5-1所示。
在虚拟品牌社群价值中除形象价值外，功能价值、财务价值、社交价值、情感价值对口碑传播意向皆有正向显著影响，同时顾客满意在虚拟品牌社群价值和口碑传播意愿中起部分中介作用。
图5-1：虚拟品牌社群价值对口碑传播意愿影响的实证研究。
第二节研究结果分析
本文通过针对“小米社区”的调查研究，通过数据分析得出关于虚拟品牌社群价值、顾客满意和口碑传播之间的关系，具体如下：
一、虚拟品牌社群价值与口碑传播的关系
在假设中，本文认为虚拟品牌社群价值的功能价值、财务价值、社交价值、情感价值和形象价值可以正向影响口碑传播意愿，认为对社群价值的感知越高，口碑传播意愿越强。
从相关分析结果来看，功能价值、财务价值、社交价值、情感价值和形象价值与口碑传播意愿的相关系数分别是0.849、0.735、0.693、0.744、0.689呈正相关关系，说明虚拟品牌社群价值与口碑传播意愿之间具有一定相关性。
但在回归分析中，功能价值、财务价值、社交价值、情感价值和形象价值与口碑传播意愿的显著性值分别是：0.000、0.012、0.000、0.000、0.063，其中形象价值显著性值0.063>0.05，说明“形象价值”对口碑传播意愿没有显著预测作用，“形象价值”被踢出，因此假设H5不成立。而在功能价值、财务价值、社交价值、情感价值对口碑传播价值的解释率分别为36.1%、19.6%、24.8%、31.9%，这说明对口碑传播意愿影响程度从大到小依次是：功能价值>情感价值>社交价值>财务价值。
为什么虚拟品牌社群形象价值不能显著影响口碑传播意愿呢？在发现形象价值对口碑传播意愿假设不成立后，选取了部分填写问卷人员进行了小规模访谈，访谈发现形象价值不能预测口碑传播的原因如下：
（1）易得到性：受访人员表示，小米社群的成员身份很容易得到，只需要
注册即可参与到社群中，没有准入门槛，并没有带来社会身份荣誉感，同时，受访人员表示成员大多处于初级，高级用户占比较少，也不是社群的意见领袖，所以并没有社会形象的提升，更不会去朋友之间宣传成员身份。
（2）品牌背书普通性：受访人员表示，拥有知名度高和当下流行的产品并与之产生联系会在一定程度上提升个人形象，其中重要的衡量因素就是商品价格，而小米手机等产品目前的定位属于中端，与华为和苹果相比略胜一筹，所以认为小米社群的成员身份并没有在很大程度上提升个人形象，也没有值得炫耀和传播的地方。
二、虚拟品牌社群价值与顾客满意的关系
在假设中，本文认为虚拟品牌社群价值的功能价值、财务价值、社交价值、情感价值和形象价值可以正向影响顾客满意，认为对社群提供的价值越多，顾客满意的程度越高。
从相关分析结果来看，功能价值、财务价值、社交价值、情感价值和形象价值与顾客满意的相关系数分别是0.792、0.635、0.834、0.689、0.676，呈正相关关系，说明虚拟品牌社群价值与顾客满意之间具有一定相关性。
但在回归分析中，功能价值、财务价值、社交价值、情感价值和形象价值与顾客满意的显著性值分别是：0.000、0.023、0.000、0.000、0.082，其中形象价值显著性值0.082>0.05，说明“形象价值”对顾客满意没有显著预测作用，“形象价值”被踢出，因此假设H10不成立。而在功能价值、财务价值、社交价值、情感价值对顾客满意的解释率分别为42.8%、23.1%、30.1%、27.4%，这说明对口碑传播意愿影响程度从大到小依次是：功能价值>社交价值>情感价值>财务价值。
调查问卷的信度效度分析方法 问卷调查法是教育研究中广泛采用的一种调查方法，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、适用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，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，调整问卷结构，从而提高问卷的信度和效度。信度和效度分析的方法包括逻辑分析和统计分析，本文主要讨论后者。 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）。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。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。如果没有突发事件导致被调查者的态度、意见突变，这种方法也适用于态度、意见式问卷。由于重测信度法需要对同一样本试测两次，被调查者容易受到各种事件、活动和他人的影响，而且间隔时间长短也有一定限制，因此在实施中有一定困难。 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
信度分析和效度分析数据计分方法说明
讲问卷调查的数据进行如上表的数据预处理后，接下来再进行如下分析。 1 信度分析 这里有63份问卷，首先我们需要的判定的是问卷中的调查题目能否反映调查的目的和调查的意图，问卷中的各个问题是否测量了相同的内容和信息；同时，对于调查问卷所得到的数据是否具有可靠性，就必须在对问卷分析之前做信度分析。信度本身与测量结果的正确与否无关，它的用途在于检测问卷本身的稳定性。信度分析中常用Cronbach α系数的大小来衡量调查问卷的信度。一般而言，如果问卷的信度系数达到0.9以上，该问卷调查的信度就较好；信度系数在0.8以上，是不错的；一般认为试卷信度在0.5至0.9以内是合理的，如果信度系数低于0.5，则此问卷的调查结果就不可信了。 将以上63份问卷的数据用SPSS21.0先进行标准化处理，再进行信度分析，其结果如表一所示： 表一信度分析表
表一显示，整体问卷和问卷中的各个维度的Cronbach's Alpha系数值均大于0.6，所以可以推断此问卷的可信度一般，该评价问卷只具有很较高的内在一致性。 2 效度分析 具备信度的问题不一定具备效度，因此做完信度分析，再用SPSS21.0对其进行效度分析。 2.1 因子模型适应性分析 效度分析使用的是因子分析模型，在运用因子模型分析之前，首先要对问卷数据进行因子模型适应性分析，分析结果如下表所示： 表二 KMO 和 Bartlett 的检验 KMO 和 Bartlett 的检验 取样足够度的 Kaiser-Meyer-Olkin 度量。 .657 Bartlett 的球形 度检验近似卡方 1187.63 6 df465 Sig..000
如何用spss做问卷的结构效度分析？ 问：因子分析里面Descriotives里面KMO和巴特利检验就可以了吗？除此之外，还要做什么啊？请高手赐教点简单易懂又能说明效度问题的，谢谢啦！ 问题补充： 提取因子的个数怎么确定？是选特征值大于1的吗？还有，因子载荷怎么算？是在输出结果中直接可以看到吗？本人刚接触spss，请多多指教！ 答： 首先必须要做KMO和Bartlett球形检验,这个你应该会了吧,如果这两个检验合格的话说明数据是适合做因子分析的。 然后提取因子后，看主因子解释总变异的百分比和个因子的因子载荷，主因子解释总变异一般若大于60%的和因子载荷大于0.6的话说明结构效度很好。 pS: ,如果题目没有规定就是选特征值大于1的,如果题目事先要提取几个因子,那么在操作的时候,用SPSS那个因子分析的选项里面有一个地方可以著名，因子载荷在输出的结果直接可以看到（rotated compoment matrpx),一定要是旋转后的因子载荷 用spss进行效度分析? 我要对我的问卷调查数据做一个信度和效度分析。信度分析我会了，就是看Cronbach’s Alpha 系数。效度分表面效度、准则效度和构建效度，前面两项只要说明一下，但是构建效度要用SPSS分析，我想是在因子分析里面吧？就是不知道哪个值代表效度。 答： 因子分析的效度分析主要的指标可以看，因子提取的方差累积贡献率，如果因子提取的越少且方差累积率又不低的话（一般如果2个因子达到40%以上的贡献率就算可以的了），就可以认为因子分析的效度还可以。 除此之外，你可以用因子分析里面Descriotives里面KMO和巴特利检验（battele，不知道是不是这样写的），KMO的值如果>0.5，则说明因子分析的效度还行，可以进行因子分析；另外，如果巴特利检验的P<0.001，说明因子的相关系数矩阵非单位矩阵，能够提取最少的因子同时又能解释大部分的方差，即效度可以。 问:问卷效度测验如何应用于SPSS 问卷效度测验如何应用于SPSS,然后因为做效度检验貌似要用皮尔逊相关还是因子分析,所以不懂如何把这些应用于SPSS，不想要变量，想要整体，一个整体。 用因子分析，就已经是在检验变量的整体了 因子分析就是用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子反映原资料的大部分信息的统计方法。三、因子分析的SPSS过程 第一步：准备数据文件，打开对话框，加载观测变量。数据文件主要是由较多的（一般在10个以上）可观测变量组成，个案数应比较大。然后点击“Analyze” ，选择“Data Reduction” 中的“Factor”打开因子分析对话框，将参与分析的所有观测变量加载到“Variables”下边的方框中。
附件6、 难度、区分度、信度和效度的一般说明 一、难度 难度是指试题的难易程度，它是衡量试题质量的一个重要指标参数，它和区分度共同影响并决定试卷的鉴别性。 一般认为，试题的难度指数在0.3－0.7之间比较合适，整份试卷的平均难度最好在0.5左右，高于0.7和低于0.3的试题不能太多。 1、难度的两种定义 （1）P=1－x/w 其中：x为某题得分的平均分数，w为该题的满分。 这种定义法，难度值小时表明试题容易，值大时表明试题难，最小值为0，最大值为1。 （2）P=x/w 这种定义法，难度值小时表明试题难，值大时表明试题容易，最小值为0，最大值为1。 2、难度的计算 （1）主观性试题的难度 A、基本公式法：P=1－x/w B、极端分组法P=1－(XH+XL)/2W 其中：XH为高分组的平均得分（前27%），XL为低分组的平均得分（后27%）。
（2）客观性试题的难度 A、基本公式法：P=1－R/N 其中：R为答对人数，N为全体人数。 B 极端分组法：P=1－（PH+PL）/2 其中：PH=RH/n叫高分组通过率，RH为高分组答对人数，n 为总人数的前27%。PL=RL/n 叫低分组通过率，RL为低分组答对人数。 二、区分度 区分度是区分应试者能力水平高低的指标。试题区分度高，可以拉开不同水平应试者分数的距离，使高水平者得高分，低水平者得低分。而区分度低则反映不出不同应试者的水平差异。 试题的区分度与试题的难度直接相关。通常来说，中等难度的试题区分度较大。另外，试题的区分度也与应试者的水平密切相关，试题难度只有等于或略低于应试者的实际能力，其区分性能才能充分显现出来。 1、区分度指标的评价 -1.00≤D≤+1.00，区分度指数越高，试题的区分度就越强。一般认为，区分度指数高于0.3，试题便可以被接受。 2、区分度的计算方法 （1）基本公式法：D＝（H－L）/N 其中：D代表区分度指数，H代表高分组答对题的人数，L代表低分组答对题的人数，N代表一个组的人数即高分组与低分组人数之
信度分析和效度分析数据计分方法说明 类别小分类 对应 题项每题计分方法维度计分方法 题 项 职业倦怠 情感枯竭 1-3 题 正向计分 全部题项直接加 总 3 去个性化 4-6 题 正向计分 全部题项直接加 总 3 个人成就感 7-10 题 逆向计分 全部题项取倒数 后加总 4 心理资本 11-18 题正向计分 全部题项直接加 总 8 组织气氛 19-26 题 21题为逆向计 分，其余题项正 向计分 21题取倒数后与 其余题项加总 8 总体幸福 感27-31 题 27题和31题为逆 向计分，其余题 项为正向计分 27和31题取到术 后与其余题项加 总 5 整体问卷 以上各个维度的 总分直接加总 31 讲问卷调查的数据进行如上表的数据预处理后，接下来再进行如下分析。 1 信度分析
这里有63份问卷，首先我们需要的判定的是问卷中的调查题目能否反映调查的目的和调查的意图，问卷中的各个问题是否测量了相同的内容和信息；同时，对于调查问卷所得到的数据是否具有可靠性，就必须在对问卷分析之前做信度分析。信度本身与测量结果的正确与否无关，它的用途在于检测问卷本身的稳定性。信度分析中常用Cronbach α系数的大小来衡量调查问卷的信度。一般而言，如果问卷的信度系数达到0.9以上，该问卷调查的信度就较好；信度系数在0.8以上，是不错的；一般认为试卷信度在0.5至0.9以内是合理的，如果信度系数低于0.5，则此问卷的调查结果就不可信了。 将以上63份问卷的数据用SPSS21.0先进行标准化处理，再进行信度分析，其结果如表一所示： 表一显示，整体问卷和问卷中的各个维度的Cronbach's Alpha系数值均大于0.6，所以可以推断此问卷的可信度一般，该评价问卷只具有很较高的内在一致性。 2 效度分析 具备信度的问题不一定具备效度，因此做完信度分析，再用SPSS21.0对其进行效度分析。 2.1 因子模型适应性分析 效度分析使用的是因子分析模型，在运用因子模型分析之前，首先要对问卷数据进行因子模型适应性分析，分析结果如下表所示： 表二 KMO 和 Bartlett 的检验 0.05的巴特利球型检验，说明问卷调查的数据非常适合做因子分析。 2.2 因子分析结果 在进行了适应性检验之后，接下来就进行因子分析，其结果如下： 表三方差贡献率
s p s s数据分析教程之 s p s s信度分析和效度分 析 Prepared on 21 November 2021
信度分析和效度分析 数据计分方法说明 1 信度分析 这里有63份问卷，首先我们需要的判定的是问卷中的调查题目能否反映调查的目的和调查的意图，问卷中的各个问题是否测量了相同的内容和信息；同时，对于调查问卷所得到的数据是否具有可靠性，就必须在对问卷分析之前做信度分析。信度本身与测量结果的正确与否无关，它的用途在于检测问卷本身的稳定性。信度分析中常用Cronbach α系数的大小来衡量调查问卷的信度。一般而言，如果问卷的信度系数达到0.9以上，该问卷调查的信度就较好；信度系数在0.8以上，是不错的；一般认为试卷信度在0.5至0.9以内是合理的，如果信度系数低于0.5，则此问卷的调查结果就不可信了。 将以上63份问卷的数据用SPSS21.0先进行标准化处理，再进行信度分析，其结果如表一所示： 表一信度分析表
表一显示，整体问卷和问卷中的各个维度的Cronbach's Alpha系数值均大于 0.6，所以可以推断此问卷的可信度一般，该评价问卷只具有很较高的内在一致性。 2 效度分析 具备信度的问题不一定具备效度，因此做完信度分析，再用SPSS21.0对其进行效度分析。 2.1 因子模型适应性分析 效度分析使用的是因子分析模型，在运用因子模型分析之前，首先要对问卷数据进行因子模型适应性分析，分析结果如下表所示： 表二 KMO 和 Bartlett 的检验 KMO 和 Bartlett 的检验 取样足够度的 Kaiser-Meyer-Olkin 度量。.657 Bartlett 的球形度检验近似卡方1187.636 df465 Sig..000 由上表的数据可知，问卷数据的KMO值为0.657，并且通过了显着性水平为0.05的巴特利球型检验，说明问卷调查的数据非常适合做因子分析。 2.2 因子分析结果 在进行了适应性检验之后，接下来就进行因子分析，其结果如下： 表三方差贡献率 解释的总方差 成份 初始特征值提取平方和载入旋转平方和载入 合计方差的 %累积 %合计方差的 %累积 %合计方差的 %累积 % 18.75228.23128.2318.75228.23128.231 4.93715.92615.926 2 3.25910.51438.745 3.25910.51438.745 3.76612.14828.074 3 2.7158.75847.503 2.7158.75847.503 2.9969.66637.740 4 2.2867.37454.877 2.2867.37454.877 2.7148.75646.496 5 1.51 6 4.89159.768 1.516 4.89159.768 2.5848.33554.831 6 1.342 4.32864.096 1.342 4.32864.096 2.076 6.69761.528 7 1.252 4.03868.134 1.252 4.03868.134 1.709 5.51167.040 8 1.053 3.39871.532 1.053 3.39871.532 1.393 4.49271.532 9.958 3.08974.620 10.880 2.84077.461 11.762 2.45979.920 12.714 2.30282.222 13.684 2.20784.429 14.623 2.01186.440 15.580 1.87088.309 16.509 1.64289.951
信度分析和效度分析 数据计分方法说明 类别 小分类 对应题项 每题计分方法 维度计分方法 题项 职业倦怠 情感枯竭 1-3题 正向计分 全部题项直接加总 3 去个性化 4-6题 正向计分 全部题项直接加总 3 个人成就感 7-10题 逆向计分 全部题项取倒数后加 总 4 心理资本 11-18题 正向计分 全部题项直接加总 8 组织气氛 19-26题 21题为逆向计分，其余题项正向计分 21题取倒数后与其余 题项加总 8 总体幸福感 27-31题 27题和31题为逆向计分，其余题项为正 向计分 27和31题取到术后与 其余题项加总 5 整体问卷 以上各个维度的总分 直接加总 31 讲问卷调查的数据进行如上表的数据预处理后，接下来再进行如下分析。 1 信度分析 这里有63份问卷，首先我们需要的判定的是问卷中的调查题目能否反映调查的目的和调查的意图，问卷中的各个问题是否测量了相同的内容和信息；同时，对于调查问卷所得到的数据是否具有可靠性，就必须在对问卷分析之前做信度分析。信度本身与测量结果的正确与否无关，它的用途在于检测问卷本身的稳定性。信度分析中常用Cronbach α系数的大小来衡量调查问卷的信度。一般而言，如果问卷的信度系数达到0.9以上，该问卷调查的信度就较好；信度系数在0.8以上，是不错的；一般认为试卷信度在0.5至0.9以内是合理的，如果信度系数低于0.5，则此问卷的调查结果就不可信了。 将以上63份问卷的数据用SPSS21.0先进行标准化处理，再进行信度分析，其结果如表一所示： 表一 信度分析表
类别Cronbach's Alpha项数 整体问卷.61731 职业倦怠.82210 心理资本.8018 组织气氛.8378 总体幸福感.6795 表一显示，整体问卷和问卷中的各个维度的Cronbach's Alpha系数值均大于0.6，所以可以推断此问卷的可信度一般，该评价问卷只具有很较高的内在一致性。 2 效度分析 具备信度的问题不一定具备效度，因此做完信度分析，再用SPSS21.0对其进行效度分析。 2.1 因子模型适应性分析 效度分析使用的是因子分析模型，在运用因子模型分析之前，首先要对问卷数据进行因子模型适应性分析，分析结果如下表所示： 表二 KMO 和 Bartlett 的检验 KMO 和 Bartlett 的检验 取样足够度的 Kaiser-Meyer-Olkin 度量。.657 Bartlett 的球形度检验近似卡方1187.636 df 465 Sig. .000 由上表的数据可知，问卷数据的KMO值为0.657，并且通过了显著性水平为0.05的巴特利球型检验，说明问卷调查的数据非常适合做因子分析。 2.2 因子分析结果 在进行了适应性检验之后，接下来就进行因子分析，其结果如下： 表三方差贡献率 解释的总方差 成份初始特征值提取平方和载入旋转平方和载入
关于调查问卷的信度和效度检验 （一）信度 1、 信度的含义 测验的信度又称测验的可靠性 ，是指同一个测验对同一组被试施测两次或多次 ，所得结果 一致形程度。一个好的测验必须是稳定可靠的 ，多次使用所获得的结果是前后一致的。例 如，用直尺测量长度，其结果是稳定可靠的 ；用橡皮筋测长度则是不可靠的 ，前后测量 结果缺乏一致性。在测量理论中 ，信度被定义为：某次测验分数的真变异数与总变异数 ST2 （即实测分数）之比：R xx - S x 2 式中Rxx 表示测量的信度,ST -代表真分数的变异数 （方差）,Sx -表示实得分数的变异 数（方差）。 For pers onal use only in study and research; not for commercial use 从上式可看出，（1）信度是指实测值和真值相差的程度 ，实测值是指对某物实际进行测 量时所获得值 ，也称实测分数 （X ）;真值是指被测事物的真实规模取值 ，也称真分数 （T ）。由于各种原因，实得分数常不等于真分数 ，两者之差称为测量误差或误差分数 （E ）。从理论上看，实得分数由真分数和误差分数两部分组成即 :X=T+E Rxx 就是对一组测验数据的实测分数与真分数相差程度的最好估计。 （2 ）信度又是指相同的测验对相同的被试再次测量时引起的同样反应的程度。如果两次 测验中，受测者所得分数或所处等级前后一致 ，则说明测验结果的信度较高 ；反之，两 次测验结果一致性低 ，说明测验结果的信度低。 For pers onal use only in study and research; not for commercial use 信度是任何一种测量的必要条件 （但不是唯一条件 ）,只有测量值接近或等于真值 ，用同 一工具多次测量同一特性获得相同或相近的结果 ，才能认为这个测量结果是可靠的。 信度 对于教育测量尤其重要，只有信度高的教育测验才能成为教育工作者有用的工具 ，才能为 教育工作者提供可靠的信息，为教育预测和决策提供客观依据。 2、 信度的估计方法 测验的信度是用信度系数的大小来表示的 ，根据测量理论，信度系数 For pers onal use only in study and research; not for commercial use ST2 R xx S 2 但是在实际测量中，一般只能获得实得分数 （X ）及实得变异数 （Sx 2 ）,而真分数（T ）及 真变异数（ST 2 ）是不知道的，因此，依据上述公式还无法机算信度系数。在统计上 ，主 要采用相关分析的方法即机算两列变量的相关系数 ，用相关系数的大小来表示信度的高 低。主要用以下方法来求得信度 ：
信度分析和效度分析 数据计分方法说明 类别 小分类 对应 题项 每题计分方法 维度计分方法 题 项 情感枯竭 1-3题 正向计分 全部题项直接加总 3 职业倦怠 去个性化 4-6题 正向计分 全部题项直接加总 3 个人成就感 7-10 题 逆向计分 全部题项取倒数后 加总 4 心理资本 11-18 题 正向计分 全部题项直接加总 8 组织气氛 19-26 21题为逆向计分， 21题取倒数后与其 8 题 其余题项正向计分 余题项加总 总体幸福感 27-31 题 27题和31题为逆 向计 分，其余题项 为正向计分 27和31题取到术后 与其 余题项加总 5 整体问卷 以上各个维度的总 分直接 加总 31 讲问卷调查的数据进行如上表的数据预处理后，接下来再进行如下分析 1信度分析 这里有63份问卷，首先我们需要的判定的是问卷中的调查题目能否反映调查的目的和 调查的意图，问卷 中的各个问题是否测量了相同的内容和信息；同时，对于调查问卷所得到 的数据是否具有可靠性，就必须在对问卷分析之前做信度分析。信度本身与测量结果的正确 与否无关，它的用途在于检测问卷本身的稳定性。信度分析中常用 Cron bach a 系数的大小 来衡量调查问卷的信度。一般而言，如果问卷的信度系数达到 0.9以上，该问卷调查的信度 就较好；信度系数在0.8以上，是不错的；一般认为试卷信度在 0.5至0.9以内是合理的， 如果信度系数低于0.5，则此问卷的调查结果就不可信了。 将以上63份问卷的数据用SPSS21.0先进行标准化处理，再进行信度分析，其结果如表 一所示： 表一信度分析表 类别 Cronbach's Alpha 项数 整体问卷 .617 31 职业倦怠 .822 10 心理资本 .801 8 组织气氛 .837 8 总体幸福感 .679 5 表一显示，整体问卷和问卷中的各个维度的 Cron bach's Alpha 系数值均大于0.6，所以 可以推断此问卷的可信度一般，该评价问卷只具有很较高的内在一致性。
如何进行问卷信效度分析 问卷调查法是教育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、适用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，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，调整问卷结构，从而提高问卷的信度和效度。信度和效度分析的方法包括逻辑分析和统计分析，本文主要讨论后者。 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）。信度分析的方法主要有以下四种： 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。如果没有突发事件导致被调查者的态度、意见突变，这种方法也适用于态度、意见式问卷。由于重测信度法需要对同一样本试测两次，被调查者容易受到各种事件、活动和他人的影响，而且间隔时间长短也有一定限制，因此在实施中有一定困难。 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。 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。在问卷调查中，态度测量最常见的形式是5级李克特（Likert）量表。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，以保证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（rhh，即半个量表的信度系数），最后用斯皮尔曼-布朗（Spearman-Brown）公式，求出整个量表的信度系数（ru）。 α信度系数法：Cronbach α信度系数是目前最常用的信度系数。其中，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： 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。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。逻辑分析一般由研究者或专家评判所选题项是否“看上去”符合测量的目的和要求。统计分析主要采用单项与总和相关分析法获得评价结果，即计算每个题项得分与题项总分的相关系数，根据相关是否显著判断是否有效。若量表中有反意题项，应将其逆向处理后再计算总分。 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，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
问卷调查的信度与效度分析图解 蒋智钢 前几天有朋友要我帮忙算下调查问卷的信度和效度，看了一下后才发现原来这个问题是很多人都会碰到的，似乎有必要写那么一丁点东东。 对于从医还要涉及那么点科研的人来说，问卷调查是许多人都不可避免要做的一项工作，无论你是要做毕业课题，还是要完成一项基金项目，甚至好多人的课题的核心就是做一个问卷调查，那么，你把问卷设计好了，也发出去了，或者结果也统计出来了，但是，问你一句：你的结果可靠吗？你的问卷合格吗？怎么回答？ 判断一份用于调查的问卷是否合格是有指标的，也就是我今天要提到的这2个：信度和效度。顾名思义，信度嘛，当然是指调查问卷的可信程度；效度呢，就是指问卷的有效性，二者各取一字成其名。好了，闲话到此打住，直接进入正题，怎么个算法。 1. 先算信度，这个指标是用Cronbach α信度系数来评价的，其实信度系数还有好多个，但是，我们一般就考虑量表的内在信度【这里的量表也就是调查表啦】，简言之，就是项目之间是否具有较高的内在一致性，所以，就算这个Cronbach α就好了。再啰嗦一句：这个α在0~1之间，α>0.8时，表示量表信度很好；0.7~0.8之间，表示量表的信度可以接受；如果是在0.6~0.7范围内，表示量表也可以接受但需改进。 计算的方法很简单，打开SPSS，把你的数据都输入进去即可，当然，数据的输入也是有技巧的，你可以在excel里面先输入数据然后再导入，我比较喜欢这种方式。但是要记住，一列代表一个指标或者称之为“维度”，换言之也就是你的问卷里面的一个具体的题目，有多少个问题就对应多少列，一行代表一个调查对象。数据都弄好之后，在SPSS中点“Analyze-Scale-Reliability Analysis…”进行计算，剩下的不打字了，自己看图吧。 你的问卷调查表的数据可能与下面的类似：【这些数据是我随便弄的，这里只讲方法，不论结果好坏！】
信度分析和效度分析 本问卷分析的方法全部参考谦瑞数据分析服务有限公司提供的问卷分析，如果对下面文章中涉及到的统计方法不太明白的可以到https://www.doczj.com/doc/dc11886304.html,中详细学习。 数据计分方法说明 类别小分类对应题项每题计分方法维度计分方法题项 职业倦怠 情感枯竭1-3题正向计分全部题项直接加总 3 去个性化4-6题正向计分全部题项直接加总 3 个人成就感7-10题逆向计分全部题项取倒数后加总 4 心理资本11-18题正向计分全部题项直接加总8 组织气氛19-26题 21题为逆向计 分，其余题项正 向计分 21题取倒数后与其余题项 加总 8 总体幸福感27-31题27题和31题为 逆向计分，其余 题项为正向计分 27和31题取到术后与其余 题项加总 5 整体问卷以上各个维度的总分直接 加总 31 讲问卷调查的数据进行如上表的数据预处理后，接下来再进行如下分析。 1 信度分析 这里有63份问卷，首先我们需要的判定的是问卷中的调查题目能否反映调查的目的和调查的意图，问卷中的各个问题是否测量了相同的内容和信息；同时，对于调查问卷所得到的数据是否具有可靠性，就必须在对问卷分析之前做信度分析。信度本身与测量结果的正确与否无关，它的用途在于检测问卷本身的稳定性。信度分析中常用Cronbach α系数的大小来衡量调查问卷的信度。一般而言，如果问卷的信度系数达到0.9以上，该问卷调查的信度就较好；信度系数在0.8以上，是不错的；一般认为试卷信度在0.5至0.9以内是合理的，如果信度系数低于0.5，则此问卷的调查结果就不可信了。 将以上63份问卷的数据用SPSS21.0先进行标准化处理，再进行信度分析，其结果如表一所示： 表一信度分析表 类别Cronbach's Alpha项数 整体问卷.61731 职业倦怠.82210 心理资本.8018 组织气氛.8378 总体幸福感.6795
第二节信度和效度分析 一、信度分析 与预测试数据分析方法一样，为了确保问卷的可靠性，先进行信度分析，信度检验指标在前面已详细述，在此不再述。问卷信度分析如表4-2所示： 表4-2：量表信度检验结果 - . -优质文档
经过SPSS24.0数据统计软件分析得知个变量Cronbach's α均大于0.6，且 组合信度在0.792以上，说明所有问卷都具备可靠性，能够较好的反应变量的真实情况。 二、效度检验 （一）容效度 为了确保调研问卷容的有效性，问卷量表通过文献研究先初步圈定问卷容，所用量表大多采用国外已经开发出的成熟量表，对于这部分量表，本文给予直接采用的方式，其余量表则是在前人研究的基础上，根据本文的研究目的和方向进行谨慎的拟定。因此，本问卷具有容效度。 （二）结构效度 在测量结构效度时，通常采用探索性因子分析。在进行因子分析时，通常采用主成分分析法，主成分分析的目的在于利用变量间的线性组合来解释每个层面的方差，变量的第一个线性组合可以解释最大的变异量，以此类推，所以主成分分析法的步骤是，选取特征值大于1的因子，然后利用方差最大旋转法进行旋转，使得旋转后题目在各个因子的负荷量大小出现明显差异，大部分题目在每个公共 因子中有一个差异较大的因子负荷量出现。但在因子分析之前需要进行KMO值- . -优质文档
和Bartlett球形检验，只有当KMO>0.5且Bartlett球形检验的Sig.值小于0.05时，问卷才具有结构效度，才能够进行因子分析。本研究中对三个量表进行的结构效度分析具体情况如下。 （1）虚拟品牌社群价值的效度检测 1.1虚拟品牌社群价值的KMO值和Bartlett球形检验 在对虚拟品牌社群价值做因子分析之前，先做KMO值和Bartlett球形检验，检测结果如表4-3所示： 表4-3：虚拟品牌社群价值的KMO值和Bartlett检验 取样足够度的Kaiser-Meyer-Olkin度量.901 Bartlett的球形度检验近似卡方4892.820 df 186 Sig. .000 通过对虚拟品牌社群价值量表的14个题项进行KMO检验和Bartlett球形检验，发现虚拟品牌社群价值量表的KMO值为0.901，表明各个变量之间的相关系数非常高，适合做因子分析，同时Sig.值为0.000<0.05，达到显著性水平，综上可以得出虚拟品牌社群价值量表适合做因子分析。 1.2虚拟品牌社群价值因子分析 通过KMO值和Bartlett球形检验可知，虚拟品牌社群价值适合做因子分析，运用主成分提取法进行因子旋转后得到以下数据，如:表4-4所示： 表4-4：虚拟品牌社群价值旋转因子负荷值 - . -优质文档
s p s s数据分析教程之S P S S信度分析和效度 分析 集团标准化工作小组 [Q8QX9QT-X8QQB8Q8-NQ8QJ8-M8QMN]
信度分析和效度分析 数据计分方法说明 1 信度分析 这里有63份问卷，首先我们需要的判定的是问卷中的调查题目能否反映调查的目的和调查的意图，问卷中的各个问题是否测量了相同的内容和信息；同时，对于调查问卷所得到的数据是否具有可靠性，就必须在对问卷分析之前做信度分析。信度本身与测量结果的正确与否无关，它的用途在于检测问卷本身的稳定性。信度分析中常用Cronbach α系数的大小来衡量调查问卷的信度。一般而言，如果问卷的信度系数达到以上，该问卷调查的信度就较好；信度系数在以上，是不错的；一般认为试卷信度在至以内是合理的，如果信度系数低于，则此问卷的调查结果就不可信了。 将以上63份问卷的数据用先进行标准化处理，再进行信度分析，其结果如表一所示：
表一显示，整体问卷和问卷中的各个维度的Cronbach's Alpha系数值均大于，所以可以推断此问卷的可信度一般，该评价问卷只具有很较高的内在一致性。 2 效度分析 具备信度的问题不一定具备效度，因此做完信度分析，再用对其进行效度分析。 因子模型适应性分析 效度分析使用的是因子分析模型，在运用因子模型分析之前，首先要对问卷数据进行因子模型适应性分析，分析结果如下表所示： 表二 KMO 和 Bartlett 的检验 KMO 和 Bartlett 的检验 取样足够度的 Kaiser-Meyer-Olkin 度量。.657 Bartlett 的球形度检验近似卡方 df465 Sig..000 由上表的数据可知，问卷数据的KMO值为，并且通过了显着性水平为的巴特利球型检验，说明问卷调查的数据非常适合做因子分析。 因子分析结果 在进行了适应性检验之后，接下来就进行因子分析，其结果如下： 表三方差贡献率 解释的总方差 成份 初始特征值提取平方和载入旋转平方和载入 合计方差的 %累积 %合计方差的 %累积 %合计方差的 %累积 % 1 2 3 4 5 6 7 8 9.958 10.880 11.762 12.714 13.684 14.623 15.580 16.509 17.449 18.394 19.342 20.289.934
关于调查问卷的信度和效度检验 （一）信度 1 、信度的含义 测验的信度又称测验的可靠性 , 是指同一个测验对同一组被试施测两次或多次 , 所得结果一致形程度。一个好的测验必须是稳定可靠的 , 多次使用所获得的结果是前后一致的。例如 , 用直尺测量长度 , 其结果是稳定可靠的 ; 用橡皮筋测长度则是不可靠的 , 前后测量结果缺乏一致性。在测量理论中 , 信度被定义为 : 某次测验分数的真变异数与总变异数 ( 即实测分数 ) 之比 :22 S R x xx ST = 式中 Rxx 表示测量的信度 ,ST 2 代表真分数的变异数 ( 方差 ),Sx 2 表示实得分数的变异数 ( 方差 ) 。 从上式可看出 , （ 1 ）信度是指实测值和真值相差的程度 , 实测值是指对某物实际进行测量时所获得值 , 也称实测分数 (X); 真值是指被测事物的真实规模取值 , 也称真分数 (T) 。由于各种原因 , 实得分数常不等于真分数 , 两者之差称为测量误差或误差分数 (E) 。从理论上看 , 实得分数由真分数和误差分数两部分组成即 :X=T+E Rxx 就是对一组测验数据的实测分数与真分数相差程度的最好估计。 （ 2 ）信度又是指相同的测验对相同的被试再次测量时引起的同样反应的程度。如果两次测验中 , 受测者所得分数或所处等级前后一致 , 则说明测验结果的信度较高 ; 反之 , 两次测验结果一致性低 , 说明测验结果的信度低。 信度是任何一种测量的必要条件 ( 但不是唯一条件 ), 只有测量值接近或等于真值 , 用同一工具多次测量同一特性获得相同或相近的结果 , 才能认为这个测量结果是可靠的。信度对于教育测量尤其重要 , 只有信度高的教育测验才能成为教育工作者有用的工具 , 才能为教育工作者提供可靠的信息 , 为教育预测和决策提供客观依据。 2 、信度的估计方法 测验的信度是用信度系数的大小来表示的 , 根据测量理论 , 信度系数 2 2 S R x xx ST = 但是在实际测量中 , 一般只能获得实得分数 (X) 及实得变异数 (Sx 2 ), 而真分数 (T) 及真变异数 (ST 2 ) 是不知道的 , 因此 , 依据上述公式还无法机算信度系数。在统计上 , 主要采用相关分析的方法即机算两列变量的相关系数 , 用相关系数的大小来表示信度的高低。主要用以下方法来求得信度 : （ 1 ）再测法 : 用同一测验对同一被试 , 前后施测两次 , 根据两次测验分数计算相关系数 , 即是再测信度。该信度反映了测验的稳定性程度 , 故又称稳定性系数 , 是用皮尔逊积差相关公式计算的 :2 12 1/21S S M M N X X R xx ?-= ∑ 式中 X 1 .X 2 为同一被试的两次测验得分 ,M1.M2 为两次测验的平均分数 ,S 1 .S 2 是两次测验的标准差 ,N 是被试人数。 用再测法估计信度 , 可以得到有关测验结果是否随时间而变化及变化程度的资料 , 可以作为预测被测者将来行为表现的依据。但也存在明显的局限性 : 前后两次测验结果易受到练习和记忆的影响 , 前后两次施测的时间间隔影响稳定性系数 , 特别是对学绩测验的影响较大。如果时间间隔太长 , 被测者的身心因受环境影响将发生大的变化 , 从而对第二次施测结果产生较大影响 , 使稳定性系数降低 ; 如果间隔太短 , 则被试第一次完成测验时练习和记忆会对第二次测验产生较大影响 , 使第二次测验性质发生变化。另外 , 有些测验不宜用再测法估计信度 , 如测量创造力测验 , 被试一旦掌握了解决问题的办法、原则 , 重测时 , 他将很容易作出反应 , 这样测验的性质就发生了改变。因此 , 只有在没有复本可用 , 测验不易受重复使用影响 , 现实条件又允许重复施测的情况下才使用重测法估计信度。 用重测法估计信度 , 间隔时间长短没有严格的规定 , 一般说 , 间隔时间越长 , 稳定性系数越低 , 最适
SPSS与测验信度、效度、及项目分析 在SPSS中，专门用来进行测验信度分析的模块为Scale下的Reliability Analysis；使用Data Reduction之下的Factor模块，可以利用因素分析的方法来进行测验的建构效度检验； 至于项目分析则没有专门的模块可以之间进行计算分析，但是却可以利用Summarize下的Frequencies、Correlate下的Bivariate和Compare Mean下的Independent-Samples T Test来计算几个常用的项目分析指标。 一、信度分析 Reliability Analysis模块主要功能是检验测验的信度，主要用来检验折半信度、库李及a系数以及Hoyt信度系数值。至于重测信度和复本信度，只需将样本在二次（份）测验的分数的数据合并到同一数据文件之后，利用Correlate之下的Bivariate求其相关系数，即为重测或复本信度；而评分者信度则就就是使用的Spearman等级相关及Kendall和谐系数。 表1 Reliability Analysis模块的Model选项的参数及对应中文术语关键字功能 Alpha Cronbach a系数 Split-half折半信度，n是第二分量表的题数 Guttman Guttman最低下限真实信度法 Parallel各题目变异数同质时的最大概率（maximum-likelihood）信度Strict parallel各题目平均数与变异数均同质时的最大概率信度 表2 Reliability Analysis模块的Statistics部分选项的参数及对应中文术语 关键字功能 F test Hoyt信度系数 Friedman Chi Friedman等级变异数分析及Kendall和谐系数 Cochran Chi Cochran’s Q检验，适用于答案为二分（如是非题）的量表Hotelling’s T Hotelling’s T2检验 Tukey’s Tukey的可加性检验 Intraclass量表内各题目平均数相关系数 二、效度分析 即因素分析的方法。 三、项目分析 （一）难度 1、是非题和选择题 对于是非题、选择题等采用二分法记分的项目，难度通常用通过率来表示，即用答对或通过该题人数的百分比作为指标： P－项目的通过率，R答对或通过该项目的人数，N为全体被试人数。 所涉及SPSS模块：Frequencies。
一般信度分析是针对态度、性格、爱好、兴趣类的主观问题或现象的调查，而这类的调查问卷一般都是采用量表的形式，因此就是你看到的现象。 而对于一般我们调查的客观类的问卷数据，不需要做信度分析。信度分析主要是考察数据的可靠性的，比如内部一致性系数、拆半系数、相关系数等等，而这些系数都是针对量表那种具有一系列相关问题进行的分析，因此，如果你需要做信度分析，看看你的问卷是否适合或有必要做信度分析。通常可以对整个问卷做信度分析，也可以对问卷中一类问题进行信度分析。 如何用spss做问卷的结构效度分析？ 问：因子分析里面Descriotives里面KMO和巴特利检验就可以了吗？除此之外，还要做什么啊？请高手赐教点简单易懂又能说明效度问题的，谢谢啦！问题补充： 提取因子的个数怎么确定？是选特征值大于1的吗？还有，因子载荷怎么算？是在输出结果中直接可以看到吗？本人刚接触spss，请多多指教！答： 首先必须要做KMO和Bartlett球形检验,这个你应该会了吧,如果这两个检验合格的话说明数据是适合做因子分析的。 然后提取因子后，看主因子解释总变异的百分比和个因子的因子载荷，主因子解释总变异一般若大于60%的和因子载荷大于0.6的话说明结构效度很好。 pS: ,如果题目没有规定就是选特征值大于1的,如果题目事先要提取几个因子,那么在操作的时候,用SPSS那个因子分析的选项里面有一个地方可以著
名，因子载荷在输出的结果直接可以看到（rotated compoment matrpx),一定要是旋转后的因子载荷 用spss进行效度分析? 我要对我的问卷调查数据做一个信度和效度分析。信度分析我会了，就是看Cronbach’s Alpha 系数。效度分表面效度、准则效度和构建效度，前面两项只要说明一下，但是构建效度要用SPSS分析，我想是在因子分析里面吧？就是不知道哪个值代表效度。 答： 因子分析的效度分析主要的指标可以看，因子提取的方差累积贡献率，如果因子提取的越少且方差累积率又不低的话（一般如果2个因子达到40%以上的贡献率就算可以的了），就可以认为因子分析的效度还可以。 除此之外，你可以用因子分析里面Descriotives里面KMO和巴特利检验（battele，不知道是不是这样写的），KMO的值如果>0.5，则说明因子分析的效度还行，可以进行因子分析；另外，如果巴特利检验的P<0.001，说明因子的相关系数矩阵非单位矩阵，能够提取最少的因子同时又能解释大部分的方差，即效度可以。 问:问卷效度测验如何应用于SPSS 问卷效度测验如何应用于SPSS,然后因为做效度检验貌似要用皮尔逊相关还是因子分析,所以不懂如何把这些应用于SPSS，不想要变量，想要整体，一个整体。