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。
效度分类
效度又可分为内容效度、结构效度和效标效度。
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。）
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。
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。
案例应用
（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
在左侧分析方法菜单栏找到【问卷研究】->【效度】，将变量Q1~Q15拖拽到右侧分析框内
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0.870，大于0.6，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。
总结
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
如果KMO值过低，可删除共同度较低项，再次分析
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
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0.4的题项即可，不用考虑多个维度间的逻辑对应关系）
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
更多数据分析相关内容可登录spssau查看
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
