SPSS信度效度怎么写？2026硕士分步实操指南

01 1. 什么是信度与效度？为什么SPSS分析中必须一起报告？

信度（Reliability），也叫可靠性，是指测量工具的一致性、稳定性。简单地说就是“反复测量同一个东西，结果是否一致”。在SPSS中最常用的信度指标是Cronbach's alpha系数，它是根据题目之间的协方差矩阵来计算的，反映的是量表内部一致性，即所有的题目是否测量同一个构念。

效度（Validity），也叫有效性，是指测量工具是否真的测到了它所要测的东西。效度检验主要是KMO（Kaiser-Meyer-Olkin）抽样充分性检验和Bartlett's球体检验，两者一起用来判断数据是否适合做因子分析，从而检验量表的结构效度。

信度与效度的关系：高信度是高效度的必要不充分条件。这说明：

• 一个量表可以有高信度（Cronbach's alpha > 0.9）但效度很低（题目测的并非目标构念）
• 但一个效度高的量表，必然有较高的信度

因此，在SPSS分析中，必须同时报告信度和效度，才能证明你的问卷是“靠谱”的。

信度与效度判断标准速查表

02 2. SPSS信度分析步骤详解

很多人在SPSS信度分析中只看最后的Cronbach's alpha系数，而忽略了两个重要的信息，即项目删除后的alpha和修正项目总相关（CITC）。这两个输出才是提高信度的“秘密武器”。

数据准备：变量类型及缺失值处理

在开始SPSS操作之前，必须保证数据格式正确：

• 变量类型：所有量表题项应为连续变量（Scale），而非名义或有序变量。如果使用了李克特量表（1-5分或1-7分），直接按数值输入即可。
• 缺失值处理：缺失值会影响Cronbach's alpha的计算。SPSS默认采用成对删除（Pairwise deletion），即只删除含有缺失值的观测对。缺失比例大于5%时，先做缺失值插补（均值替代）或者删除个案。

操作路径：分析→刻度→可靠性分析

1. 步骤1：打开SPSS，加载数据文件
2. 步骤2：导航菜单

点击菜单栏：`分析（Analyze）` → `刻度（Scale）` → `可靠性分析（Reliability Analysis）`

1. 步骤3：选择变量

在可靠性分析对话框中，把属于同一个维度的所有题项变量（Q1、Q2、Q3、Q4）从左侧变量列表移到右侧的项目（Items）框里。

1. 步骤4：选择模型

在模型（Model）下拉菜单中选择默认的Alpha（Cronbach's alpha）。SPSS还提供了其他选项：

• Split-half：分半信度，适用于需要评价量表稳定性的情况
• Guttman：Guttman信度系数，很少使用
• Parallel：平行模型，假定所有题目方差相等

1. 步骤5：设置统计量

点击统计量（Statistics）按钮，在弹出的窗口中勾选：

• 描述性（Descriptives for）：建议勾选项目（Item）、量表（Scale）和如果项目删除则进行度量（Scale if item deleted）——这是关键，可以得到项目删除后的alpha
• 项之间（Inter-Item）：勾选相关性（Correlations）
• 摘要（Summaries）：勾选均值（Means）和方差（Variances）

1. 步骤6：运行分析

点击确定（OK），SPSS输出结果。

SPSS信度分析结果解读及报告模板

Cronbach's alpha值的判断标准

解读时，主要看两个表格：

1. 可靠性统计量（Reliability Statistics）：直接给出Cronbach's alpha系数（如0.723）
2. 项总计统计量（Item-Total Statistics）：包含“项目删除后的Cronbach's alpha值”和“修正项目总相关（CITC）”

Cronbach's alpha值的判断标准：

• ≥0.9：信度优秀，题目一致性极高
• 0.8-0.9：信度良好
• 0.7-0.8：信度可接受（学术论文的常见区间）
• 0.6-0.7：探索性研究可接受
• <0.6：信度不可接受，需修订量表

特别注意：Cronbach's alpha对题项数量非常敏感。当题项多于10个的时候，即使alpha达到0.9，也会有冗余的题目；当题项少于5个的时候，alpha小于0.7也是正常的。

项目删除后的alpha变化说明什么

项目删除后Cronbach's alpha值是信度分析的主要价值所在。它表明，如果删除某一个题目，整个量表的信度将会怎样变化。

• 删除后alpha升高：说明该题目与其它题目一致性较差，建议删除
• 删除后alpha降低：说明该题目对信度有贡献，保留
• 删除后alpha不变：说明该题目中性，可保留或删除

IFCC（修正项目总相关）的含义

修正项目总相关（CITC） 是指一个题目同其他所有题目总分的相关程度，取值范围为0到1。

• CITC > 0.5：题目与构念相关性良好
• CITC 0.3-0.5：可接受
• CITC < 0.3：该题目与其它题目一致性差，强烈建议删除

论文中报告信度结果的常用句式

论文里信度报告一般用如下格式：

“本研究用Cronbach's alpha系数来检验量表的内部一致性信度。结果表明，X维度的Cronbach's alpha系数为0.838，Y维度的Cronbach's alpha系数为0.794，都大于0.7的临界值（Nunnally，1978），说明量表具有较好的信度。另外各个题项的修正项目总相关（CITC）都大于0.3，删除任何一个题项后alpha系数都没有显著提高，所以保留所有的题项。”

03 3. SPSS效度分析步骤详解

效度分析的核心是结构效度，一般用探索性因子分析（EFA）来完成。很多人认为效度分析就是跑个KMO，其实不然，你需要做完整的因子分析才能得到真正的效度结论。

效度分析前提：样本量与KMO判断

样本量要求：因子分析对样本量有严格的要求。

• 最低要求：样本量应至少为变量数的5倍（如10个题项，至少50个样本）
• 理想要求：样本量应在变量数的10倍以上，且总样本量不少于100
• 最佳实践：对于研究生论文，200-300份有效问卷是比较合适的

KMO值判断：KMO（Kaiser-Meyer-Olkin）是用来衡量变量间偏相关性的，它反映的是数据是否适合做因子分析。

操作路径：分析→降维→因子分析

1. 步骤1：打开SPSS，加载数据文件
2. 步骤2：导航菜单

点击菜单栏：`分析（Analyze）` → `降维（Dimension Reduction）` → `因子分析（Factor）`

1. 步骤3：选择变量

把所有的量表题项（Q1到Q10）移到变量（Variables）框里。

1. 步骤4：设置描述统计

点击“描述（Descriptives）”按钮，勾选：

• 统计量（Statistics）：初始解（Initial solution）
• 相关矩阵（Correlation Matrix）：勾选KMO和Bartlett的球形度检验（KMO and Bartlett's test of sphericity）——这是效度分析的核心输出

1. 步骤5：设置抽取方法

点击“抽取（Extraction）”按钮：

• 方法（Method）：选择主成分（Principal components）——这是SPSS默认，也是学术界最常用的方法
• 分析（Analyze）：勾选“相关矩阵（Correlation matrix）”
• 输出（Display）：勾选“未旋转的因子解（Unrotated factor solution）”和“碎石图（Scree plot）”
• 抽取（Extract）：勾选“基于特征值（Eigenvalues over）”，默认设为1

1. 步骤6：设置旋转方法

点击旋转（Rotation）按钮：

• 方法（Method）：选择最大方差法（Varimax）——这是正交旋转中最常用的方法，能够使因子载荷更清晰，便于解释
• 输出（Display）：勾选“旋转后的解（Rotated solution）”和“载荷图（Loading plot）”

1. 步骤7：设置选项

点击选项（Options）按钮：

• 缺失值（Missing Values）：选择“成对排除个案（Exclude cases pairwise）”
• 系数显示格式（Coefficient Display Format）：勾选“按大小排序（Sorted by size）”和“取消小系数（Suppress small coefficients）”, 将绝对值设为0.3（或0.4）

1. 步骤8：运行分析

点击确定（OK），SPSS输出结果。

SPSS效度分析结果解读及报告模板

KMO和Bartlett检验结果的解读

KMO值：在KMO和Bartlett的检验（KMO and Bartlett's Test）表中直接给出KMO值（0.812）。

• KMO > 0.8：非常好，数据非常适合因子分析
• KMO 0.7-0.8：良好，适合因子分析
• KMO 0.6-0.7：可接受，但结果需谨慎解读

Bartlett's球体检验：该检验的零假设是“相关矩阵是单位矩阵”（即变量间不相关）。

• p值 < 0.05：拒绝零假设，说明变量间存在相关性，适合因子分析
• p值 ≥ 0.05：不能拒绝零假设，数据不适合因子分析

因子载荷（factor loading）的标准

旋转成分矩阵（Rotated Component Matrix） 是效度分析的主要结果，它显示出每一个题目在各个因子上的载荷系数。

• 因子载荷 > 0.7：优秀，题目与因子高度相关
• 因子载荷 0.5-0.7：可接受，题目与因子有中等相关性
• 因子载荷 < 0.5：建议删除，题目与因子相关度低

交叉载荷问题：如果某个题目在两个或以上因子上的载荷都大于0.4，则存在“交叉载荷”，说明该题目区分度差，建议删除。

累积方差解释率的要求

总方差解释（Total Variance Explained） 表展示了各因子解释的方差比例：

• 累积方差解释率 > 50%：可接受——因子提取能解释大部分变异
• 累积方差解释率 > 60%：良好
• 累积方差解释率 > 70%：优秀

论文中报告效度结果的常用句式

“本研究使用探索性因子分析来检验量表的结构效度。KMO值为0.812，大于0.7的临界值；Bartlett's球体检验结果为χ²=1245.678（df=45，p<0.001），说明数据适合做因子分析。采用主成分分析法和最大方差正交旋转，共提取3个特征值大于1的因子，累积方差解释率为68.23%，超过50%的临界值。旋转后的因子载荷矩阵显示，各个题项在其所属因子上载荷都大于0.6，没有交叉载荷，说明量表结构效度好。”

04 SPSS信度效度分析常见问题与避坑指南

信度低怎么办：项目删除策略

当Cronbach's alpha小于0.7的时候，不要慌张，按照以下步骤处理：

1. 查看“项总计统计量”表：找出“项目删除后的alpha”最高的题目
2. 检查CITC值：如果某题目的CITC < 0.3，优先删除
3. 逐题删除：每次只删除一个题目，然后重新运行信度分析，观察alpha值变化
4. 注意边界：删除题目后，即使alpha提升到0.7，也应确保该维度至少保留3个题项

实战案例研究生小张在分析50份问卷的时候，发现学习动机量表的Cronbach's alpha只有0.52。他查看了“项总计统计量”，第5题“我每天学习超过8小时”的CITC只有0.12，删除之后alpha提高到0.78。删除此题之后再进行信度分析，alpha为0.82，信度合格。

效度不合格怎么办：问卷修订与重复测量

当KMO < 0.6或者Bartlett's检验不显著的时候，解决办法有：

• 增加样本量：收集更多的问卷，KMO值会随着样本量的增加而提高
• 删除低载荷题目：在旋转成分矩阵中，删除因子载荷小于0.5的题目
• 检查反向题：如果有反向题，必须先做反向计分（见下文）
• 重新设计问卷：如果以上方法都不行，就需要重新设计量表

反向题的处理（需要先反向计分）

很多问卷中会有反向题（“我经常感到焦虑”和“我很少感到焦虑”），如果不做反向计分，就会严重影响信度和效度。

SPSS操作步骤：

1. 打开SPSS，进入`转换（Transform）` → `计算变量（Compute Variable）`
2. 在“目标变量（Target Variable）”中输入新变量名（如“Q5_rev”）
3. 在“数字表达式（Numeric Expression）”中输入公式：`（最大值+1）- 原变量值`（如5分制：`6 - Q5`）
4. 点击“确定”，生成反向计分后的变量

注意事项：反向计分后，再用新变量参与信度效度分析，而不是用原变量。

样本量不足对效度的影响

样本量不足（n<50）会造成：

• Cronbach's alpha波动大：随机误差增大，alpha值可能虚高或虚低
• KMO值偏低：抽样充分性不足
• 因子结构不稳定：因子载荷可能不可靠，旋转结果难以复现

建议：当样本量不够时，可以先做预测试（pilot test），用30-50份问卷来检验信效度，然后再进行调整后大规模收集。

05 4. 综合案例：从问卷数据到完整的信效度报告

案例背景

研究生小李拟研究“大学生在线学习满意度”，设计了包含3个维度、15个题项的问卷（每个维度5题），采用5点李克特量表（1=非常不同意，5=非常同意）。共收集有效问卷200份。维度包括：

• 维度1：学习资源（Q1-Q5）
• 维度2：互动体验（Q6-Q10）
• 维度3：技术支持（Q11-Q15）

逐步演示信度分析操作与结果

1. 步骤1：对维度1“学习资源”进行信度分析

操作路径：`分析` → `刻度` → `可靠性分析`，选择变量Q1-Q5，勾选“如果项目删除则进行度量”。

SPSS输出结果：

• 可靠性统计量：Cronbach's alpha = 0.763
• 项总计统计量（部分）：

解读：Cronbach's alpha = 0.763 > 0.7，信度可接受。所有CITC均大于0.3，删除任一题项后alpha均未显著提升，因此保留所有题项。

1. 步骤2：重复操作维度2和维度3

• 维度2“互动体验”：Cronbach's alpha = 0.812
• 维度3“技术支持”：Cronbach's alpha = 0.794

信度报告表格：

逐步演示效度分析操作与结果

1. 步骤1：对所有15个题项进行因子分析

操作路径：`分析` → `降维` → `因子分析`，选择变量Q1-Q15，勾选KMO和Bartlett's检验，选择主成分法，旋转方法为最大方差法。

SPSS输出结果：

KMO和Bartlett's检验表：

• KMO值：0.845
• Bartlett's球形度检验：近似卡方 = 1832.654，df = 105，p < 0.001

KMO与Bartlett检验报告表：

总方差解释表：提取3个特征值大于1的因子，累积方差解释率为65.43%。

旋转成分矩阵（部分）：

解读：

• KMO = 0.845 > 0.8，Bartlett's检验p < 0.001，数据非常适合因子分析
• 提取3个因子，与问卷设计维度完全吻合
• 所有题项的因子载荷均大于0.6，且无交叉载荷
• 累积方差解释率65.43% > 50%

效度报告表格：

整合成学术论文可用的报告段落

信度分析：本研究使用Cronbach's alpha系数来检验各个维度量表的内部一致性信度。结果表明，学习资源维度（5题）的α系数为0.763，互动体验维度（5题）的α系数为0.812，技术支持维度（5题）的α系数为0.794，均大于0.7的临界值（Nunnally，1978），说明量表具有较好的信度。各个题目的修正项目总相关（CITC）都大于0.3，删除任何一个题目之后alpha系数都没有显著提高，所以全部题目都保留。

效度分析：本文用探索性因子分析来检验量表的结构效度。KMO值为0.845，大于0.8的临界值；Bartlett's球形度检验结果为χ²=1832.654（df=105，p<0.001），说明数据适合做因子分析。采用主成分分析法以及最大方差正交旋转的方法，共得到3个特征值大于1的因子，累积方差解释率为65.43%，大于50%的临界值。旋转后的因子载荷矩阵显示，各个题项在其所属的因子上载荷都大于0.6，没有交叉载荷，说明量表具有较好的结构效度。