数据有效性分析怎么分析

案例描述

根据对不同人群创业思想的调查，认为创业的可能性可能分为科技发展、社会资源、教育水平三个维度。三个维度中的十一个分析项目都是量表题，创业的可能性也是由两个量表题组成。病例数据还包括性别、年龄等基本个体特征，数据样本为200个。本案例分析的主要目的是研究测量项目的设计是否合理，采用SPSSAU效度分析。首先，解释了有效性的类型。

有效性类型

有效性分析在研究中是很常见的，用来分析被测项目是否真实有效来衡量你想要衡量的变量。效度分析的研究方法很多，包括内容效度、结构效度、聚合效度和区分效度。下表是可见的:

内容效度是指运用书面叙事形式对问卷的合理性和科学性的说明。比如问卷中的测量量表问题，有着严谨的参考依据。一般来说，使用现有的成熟量表说明内容效度良好。例如，为了测量变量“美”，使用了三个量表问题，即“看起来年轻”、“看起来有规律”和“看起来心情好”。这三个测量问题是有参考依据的，或者专家认为这三项确实可以测量关键变量“美”，也就是说具有内容效度。

结构效度通常用探索性因子分析来验证，即通过探索性因子分析对条目进行分析。如果输出结果显示项目与变量的对应关系与预期基本一致，则结构效度良好。即数据采集完成，软件运行后，软件会运行出'变量'和'被测项'的对应关系，它也有'变量'和'被测项'的对应关系。如果两者基本一致，说明你所想的和软件的结果基本一致，说明结构数据是有效的，即具有结构效度。这种测量方法是最常见的，也是实际研究中最常用的。当然，很可能结果是‘变量’和‘测量项’的对应关系，与你的预期不符。这时候就需要你自己去分析了。通常情况下，你删除对应关系错误的被测项，最后使剩余的被测项与变量的对应关系与你的预期一致。

聚合效度强调应该在同一因子下的测量项目确实在同一因子下。聚合有效性用平均开根号来衡量，然后与相关分析结果进行比较。此外，还可以用SPSSAU提供的HTMT异质-单一物质比率法进行测量。

判别效度强调不应该在同一个因子下的测量项目确实不在同一个因子下。判别有效性的具体测量是使用平均值和相关分析结果。

本案例分析采用结构效度首先判断测量项目的对应关系。因为案例中有自变量和因变量，所以对自变量和因变量分别进行分析。因为自变量和因变量之间可能有关系，所以一般是分开做的。

有效性困难

一般来说，如果11项与3个因素的对应关系与专业知识不符，比如第一项被归类在第一个因素之下，那么就意味着要删除Q1，就出现了‘张观·戴笠’现象。因此，在分析过程中可能会删除一些不合理的项目。此外，还可能存在“纠结”现象。

《张观·戴笠》

一般情况下，如果11项与3个因素的对应关系与专业知识不符，比如Q1被归在第一个因素下，那么就意味着要删除Q1，出现了“张观戴笠”现象。如果“张观戴笠”出现，它需要被删除。因为在这种情况下没有“张观·戴笠”，所以没有必要处理它。

“纠结”

除了“张观·戴笠”现象，有时还会出现“纠缠”现象。例如，Q1可以归因于因素1，也可以归因于因素2。这种情况很正常，需要根据实际情况来处理。可以删除也可以不删除。因为本案的自变量有效性分析没有纠缠，所以不需要考虑。

通过对因变量的分析和检验，发现不存在“张观戴笠”和“纠缠”，因此无需处理。因子分析是一个重复的过程。比如删除一项或多项后，需要重新分析进行对比选择。最终目标是:因素与分析项目的对应关系与专业知识基本一致。

结构效度分析

一般的有效性分析过程如下:

先将维数设置为5，再去掉‘共性’的低值，这意味着‘被测项’的信息没有被提取出来，说明它根本不适合测量‘被测项’；然后删除“张观戴笠”的项目，视情况而定。一般情况下，一次尽可能少地删除“测量项目”;重复步骤2和3，直到“测量项目”和“变量”之间的最终对应符合预期。没有必要处理模型，因为不存在“张观·戴笠”的情况。首先，按如下方式设置尺寸:

因为案例分为自变量和因变量，所以在分析时对自变量和因变量分别进行分析。因为自变量和因变量之间可能有关系，所以一般是分开做的。

1.自变量

通过KMO和巴特利特检验验证了该方法的有效性。从上表可以看出，KMO值为0.809，KMO值大于0.8，所以研究数据非常适合提取信息。

研究的效度用来分析研究项目是否合理和有意义。效度分析采用因子分析作为数据分析方法，综合分析KMO值、共同性、方差解释率值、因子负荷系数值等指标，验证数据的效度水平。KMO值用于判断信息提取的适宜性，共性值用于排除不合理的研究项目，方差解释率值用于说明信息提取的水平，因子负荷系数用于衡量因子与项目的对应关系。从上表可以看出，所有研究项目的共性值都高于0.4，说明可以有效提取研究项目的信息。此外，KMO值为0.809，大于0.6，因此可以有效地提取数据。此外，三个因子的方差解释率分别为25.041%、23.627%和21.097%，旋转后的累计方差解释率为69.765%>50%。这意味着可以有效地提取研究项目的信息。最后，请结合因素负荷系数，确认因素与研究项目的对应关系是否与预期一致。如果一致，说明有效；否则，需要重新调整。当加载因子的绝对值大于0.4时，说明选项和因子之间存在对应关系。

2.因变量

用KMO和巴特利特检验来验证效度，从上表可以看出，研究项目只有两个，所以无论如何KMO值都是0.5，不能根据KMO值来衡量效度。

研究的效度用来分析研究项目是否合理和有意义。效度分析采用因子分析作为数据分析方法，综合分析KMO值、共同性、方差解释率值、因子负荷系数值等指标，验证数据的效度水平。KMO值用于判断信息提取的适宜性，共性值用于排除不合理的研究项目，方差解释率值用于说明信息提取的水平，因子负荷系数用于衡量因子与项目的对应关系。从上表可以看出，所有研究项目的共性值都高于0.4，说明可以有效提取研究项目的信息。此外，目前只有两个研究项目，因此KMO值为0.5。另外，一个因素的方差解释率为75.056%，旋转后的累计方差解释率为75.056%>50%。这意味着可以有效地提取研究项目的信息。最后，请结合因素负荷系数，确认因素与研究项目的对应关系是否与预期一致。如果一致，说明有效；否则，需要重新调整。当因子系数的绝对值大于0.4时，说明期权与因子之间存在对应关系。

其他的

对于上述结构效度分析，发现效度良好。如果想深入分析，可以继续分析聚合效度和区分效度。接下来，我们将检查并进一步处理测量项目的聚合有效性和区分有效性。

1.深入分析

聚合有效性

使用SPSSAU问卷调查中的验证性因素分析，将分析项目拖动到右边的分析框中，将一个维度的量表问题拖动到一个因素中，点击开始分析:

聚合效度一般指验证性因素分析的AVE和CR指标结果如下:

这次有4个因素，13个分析项目进行验证性因素分析。从上表可以看出，四个因素对应的AVE值均大于0.5，CR值均大于0.7，说明分析数据具有良好的聚合效度。

区分效度

根据区分效度分析，因子1的AVE的平方根值为0.770，大于因子间相关系数绝对值的最大值0.441，说明其具有良好的区分效度。对于因子2，其AVE平方根值为0.800，大于因子间相关系数绝对值的最大值0.441，说明其具有良好的判别效度。对于因子3，其AVE平方根值为0.728，大于因子间相关系数绝对值的最大值0.336，说明其具有良好的判别效度。对于因子4，其AVE平方根值为0.791，大于因子间相关系数绝对值的最大值0.232，说明其具有良好的判别效度。

2.进一步治疗

分别对自变量和因变量进行分析总结后，根据对应关系对变量进行命名。由于都是量表题，所以大多采用平均法。如果其他分析项目不是量表题，想合成一个维度可以用因子得分等等。

因为调查问卷中的多个尺度代表一个问题，所以这些尺度被合并到一个维度中进行分析:

比如“我意识到技术发展对创业的好处”“我认为技术发展让创业变得更容易”“我认为网络创业在中国会成为一种趋势”“我以后可能会把科技行业作为创业的起点”。四个尺度问题可以表示利用SPSSAU数据处理中生成的变量可以完成“技术发展”，如图:

“我认为社会关系对创业很重要”、“拥有良好的社会关系可以帮助创业者成就一番事业”、“没有良好的社会关系会影响创业活动的成功”。三个量表问题可以表示“社会资源”，如图所示:

其他变量也是如此。最后可以命名为科技发展、社会资源、教育水平、创业可能性四个维度。对于调整后的分析项目，也可以进行可靠性分析。一般的步骤是在效度分析之后进行信度分析，因为效度分析可能会涉及到删除分析项目。

摘要

为了研究本问卷测量项目的设计是否合理，采用了SPSSAU效度分析。首先，阐述了效度的类型，包括内容效度、结构效度、聚合效度和区分效度。案例分析主要使用结构效度。首先，解释了有效性的困难。由于案例中存在自变量和因变量，所以对自变量和因变量分别进行分析。对结构效度的结果进行了分析和解释。分析结束后，对分析项目进行深入分析和进一步处理。这个分析完了。