量化研究方法介绍 | 信效度分析

信效度分析是量化研究中的必要步骤，旨在评估测量工具的可靠性和有效性。其中，信度指的是测量工具内部一致性的程度，即同一测量工具在不同时间、不同场合下的使用结果是否相似；效度则指测量工具能否准确、完整地反映被测量的概念或现象。如果信效度不达标，可能需要删除或修改题项，或者调整样本量。

在本期推送中，让我们一起梳理和学习信效度分析的相关知识吧！

01的选项，进行因子分析后可以在中看到新增的变量。

(相关资料图)

（7）单击“选项”，选择“按大小排序”可将变量按照因子载荷值大小从高到低进行排序；选中“取消小系数”，在“绝对值如下”框中输入数字，可表示只输出高于某值的因子载荷。

因子载荷（Factor loading）：因子载荷是指每个变量与每个因子之间的关系程度，其值的大小表示该变量在该因子上的重要性。因子载荷通常介于-1到1之间，绝对值越接近1表示关系越强。一般要求每个测量项对应的因子载荷系数（Factor loading）值大于0.7。因子载荷不达标的题目可考虑删除或调整样本量进行再次分析。输出结果中中查看

方差贡献率：公共因子对所有原始变量总方差的解释能力，值越高，说明该因子的重要程度越高。累计方差贡献率是所有公因子对因变量的合计影响力。一般情况下，累积方差贡献率大于60%，则说明因子对原始变量的解释能力尚可接受，大于70%则说明因子对变量的解释能力很好。可在表格查看，“初始特征值”一列显示主成分；“提取载荷平方和”一列显示特征值大于1的主成分的方差贡献率，说明主成分能够涵盖原变量信息、替代原来的变量的能力。命令，把所有量表题目（除人口统计学题目外）均放入“变量”，点击“确定”，查看“解释的总方差”表格，读取第一公因子的方差解释百分比，一般只要第一个公因子的方差解释百分比小于40%，就可以认为不存在严重的共同方法偏差。

（五）验证性因子分析

在进行验证性因子分析时，需要进行区分效度和收敛效度分析。

（1）收敛效度（Convergent validity）：又称聚合效度，强调同一个潜在变量下的测量项的相关性。在进行收敛效度分析时，则可使用AVE值（Average Variances Extracted，平均方差萃取值）和CR（Composite Reliability，组合信度）这两个指标进行分析，如果每个因子的AVE值大于0.5，并且CR值大于0.7（也有说法认为CR大于0.6即可），则说明具有良好的收敛效度；同时，一般要求每个测量项对应的因子载荷系数（Factor loading）值大于0.7。

（2）区分效度（Discriminant validity）：强调潜在变量之间的区分性。AVE的平方根值大于“该因子与其它因子间的相关系数”，此时说明具有良好的区分效度。

（3）AVE和CR的计算方式：

方法一：Excel插入公式计算或手动计算。参考吴明隆的《结构方程模型——AMOS的操作与应用》，得到计算公式如下：

AVE =(∑λ²)/n

CR = (∑λ)² / [(∑λ)² +∑(θ)] =（∑标准化因子载荷值）²/ [（∑标准化因子载荷值）²+∑(θ)]

其中λ=因子载荷，n=测量指标个数，θ=1-因子载荷量的平方。

方法二：可使用smartPLS、AMOS等软件进行验证性因子分析，采用自动输出的结果。

关键词：