news 2026/8/16 9:55:29

糖尿病自我管理量表统计实践:信度不足条目如何定位与改良

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
糖尿病自我管理量表统计实践:信度不足条目如何定位与改良

2 型糖尿病患者自我管理行为问卷信效度与结构分析汇总

最近在处理糖尿病自我管理相关问卷数据,需要完成信效度检验、因子分析、不良条目筛查。
前期手动用 SPSS 操作,步骤繁琐,调参数、解读输出结果要花费大量时间。偶然使用 DabbitAI(dabbit‑ai.com)完成整套量表数据分析,一键输出 KMO、Bartlett 检验、Cronbach’s α、条目校正相关系数以及改良建议,省去大量重复操作。
本文记录本次问卷数据分析全过程,包括结果解读、信度不足成因、条目删减优化思路,给做问卷实证的同学做参考。

分析概览

本汇总报告基于323 份 2 型糖尿病患者自我管理行为调查问卷,包含两项相互衔接的分析:一是对该问卷各分量表进行信度(内部一致性)与效度(结构效度)检验;二是对问卷中 24 个可量化多条目进行探索性因子分析(EFA),考察量表结构并判断各条目归属因子。

数据概览与预处理

有效样本共323 份,原始变量76 列,涵盖人口学信息、自我管理行为(SDSCA)、心理自我效能和社会支持等内容。

预处理重点:将「高脂肪食物」和「抽烟」两个条目反向编码,使所有 SDSCA 行为条目统一为"得分越高 = 自我管理越好"的方向。

量表总分描述显示,心理自我效能均值为 29.59(满分 40),血糖监测均值 14.16(满分 16),而足部护理均分较低(4.30),提示足部自我护理行为普遍不足。

探索性因子分析纳入24 个量化条目,分为三类:SDSCA 行为自评 11 条、心理自我效能 8 条、家庭社会支持 5 条。预处理同样将「高脂肪」与「抽烟」条目反向编码,使所有行为条目统一为"得分越高 = 自我管理越好",并做标准化处理后再计算相关矩阵。

建模思路与方法

信度与效度检验

采用经典心理计量学信效度流程:

  1. 信度检验:对每个分量表计算 Cronbach’s α(内部一致性)、条目-总分相关(含校正)、删除某条目后的 α,以及奇偶分半的 Spearman-Brown 折半信度。
  2. 效度检验:对心理自我效能量表及 SDSCA 总行为量表进行 KMO 取样充分性检验与 Bartlett 球形检验,并对心理自我效能量表做主成分分析,考察其单维结构。

探索性因子分析

采用标准 EFA 流程:先以 KMO 与 Bartlett 检验判断适切性,再对相关矩阵做主成分特征值分解,用「特征值 > 1」准则确定因子个数,最后以最大似然法抽取公因子并做 Kaiser 正交 varimax 旋转,逐条取最大 |载荷| 确定归属。同时用碎石图和载荷热力图辅助判读因子结构。

信度检验结果

从真实输出看,各分量表的 Cronbach’s α 如下:

分量表α折半信度评价
SDSCA足部护理0.8830.883良好
心理自我效能0.8310.834良好
SDSCA血糖监测0.8130.815良好
家庭社会支持0.6360.841一般/较低
SDSCA总行为量表0.620一般
SDSCA饮食0.6000.611一般/较低
SDSCA运动0.5390.539一般/较低

效度检验结果

心理自我效能的结构效度

KMO =0.938(>0.8,非常适合因子分析),Bartlett 球形检验χ2=705.37\chi^2=705.37χ2=705.37p<0.001p<0.001p<0.001。主成分分析提取出1 个特征值 >1 的因子,累计解释方差45.9%,8 个条目的因子载荷介于 0.62–0.73 之间,表明该量表呈现良好的单维结构。

SDSCA 总行为量表 KMO =0.864,Bartlett 检验p<0.001p<0.001p<0.001,同样适合因子分析。

探索性因子分析结果

对问卷中 24 个可量化多条目进行探索性因子分析(EFA),采用 Kaiser 正交 varimax 旋转。样本适切性优秀:KMO = 0.869,Bartlett 球形检验χ2=2701.13\chi^2=2701.13χ2=2701.13p<0.001p<0.001p<0.001。按特征值大于 1 准则提取6 个因子,累计解释方差60.45%

因子归属解读

各条目归属如下(按最大载荷):

  • 因子1(足部护理):检查双足(0.82)、检查鞋子(0.88)——两条目载荷高且集中,构念明确。
  • 因子2(亲缘支持):儿女(0.76)、兄弟姐妹(0.77)、其他成员(0.70)——家庭中的代际/旁系成员。
  • 因子3(日常行为管理):饮食、运动、血糖监测共 9 条(载荷 0.31–0.71)——覆盖饮食、运动、血糖的核心自律行为,其中测血糖两项载荷最高(0.71、0.71)。
  • 因子4(心理自我效能):8 个心理感受条目全部聚于此因子,载荷 0.42–0.48,单维结构清晰。
  • 因子5(夫妻/父母支持):夫妻(恋人)(0.72)、父母(0.54)——与因子2区分开的核心家庭支持。
  • 因子6:无条目归属,为特征值刚过 1 的弱因子。

结果解读与说明

因子结构与理论一致性。EFA 结果基本复现了问卷设计的三个大类,且心理自我效能量表的 8 个条目完全落在单一因子(因子4),是结构效度最重要的证据;5 个家庭社会支持条目并未聚合为一个因子,而是拆成两人一组(因子5)和三人一组(因子2),说明"核心家庭成员"与"亲友旁系"的社会支持存在差异,与已有研究中社会支持的多维性相一致。

载荷偏低的条目的提示。因子3 中「高脂肪」(0.31)与「抽烟」(0.33)载荷明显低于其他行为条目,且有交叉载荷迹象——这与信度分析中这两条删除后 α 上升、弱相关的结论相互印证,提示它们在行为构念中关联较弱,可考虑在后续量表精简时单独处理或调整表述。

核心结论

该问卷中心理自我效能量表、SDSCA 血糖监测和足部护理子量表的信效度良好,可放心使用;但饮食、运动和家庭社会支持等子量表 Cronbach’s α 低于 0.7,信度欠佳,需结合条目修正后谨慎采用。

从结构角度看,24 个条目可清晰地归入6 个因子,且与量表理论结构高度吻合:足部护理单独成因子、心理自我效能 8 条完整聚合、家庭支持再细分为亲缘支持与夫妻/父母两类,说明该问卷整体结构效度良好。总体而言,6 因子结构合理、累计解释方差约六成,问卷结构效度较好;但第六因子无实质条目、个别行为条目载荷偏低,仍需结合理论复核,数据不足以进一步判断是否需要强制合并因子。

成因分析与改进建议

低信度子量表的归因

SDSCA 饮食(0.60)与运动(0.54)的条目较少(仅 2–4 项),α 天然易偏低;条目分析还显示,饮食量表中的「高脂肪」条目校正条目-总分相关仅 0.218,删除后 α 上升到 0.689,说明该条目与其余饮食条目一致性较弱。家庭社会支持(0.64)中「父母」条目校正相关仅 0.081,与整体支持构念关联很弱,可能是导致 α 降低的主因。

EFA 中「高脂肪」(0.31)与「抽烟」(0.33)载荷明显低于其他行为条目且有交叉载荷迹象,与信度分析结论相互印证,提示这两个条目在行为构念中关联较弱。

改善方向

针对低一致性条目,可考虑删除「高脂肪」「父母」等弱相关条目后再核算 α;同时为饮食和运动等仅 2 个条目的子量表补充题目,以提高内部一致性。SDSCA 总行为量表中抽烟条目呈负相关(校正相关 −0.405),建议将其从总量表中单独分析,避免拉低整体一致性。第六因子无实质条目、个别行为条目载荷偏低,仍需结合理论复核,数据不足以进一步判断是否需要强制合并因子。

对于社科问卷、量表实证,信效度检验是绕不开的一环。很多时候不是问卷设计直接报废,而是个别条目相关性弱拉低整体信度,通过条目分析筛选、修订题目就可以改善。
本次整套信效度、因子分析、条目诊断全部在 DabbitAI(dabbit‑ai.com) 完成,不需要配置复杂统计环境,适合学生快速做问卷预实验分析。
本文仅为个人实战复盘,不构成科研工具推荐,大家根据自身研究需求选择合适分析手段。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/8/16 9:52:46

SFP与SFP+模块混插兼容性深度解析:原理、风险与厂商实践

1. 项目概述&#xff1a;一个看似简单却暗藏玄机的硬件兼容性问题 在数据中心或者企业网里做运维的朋友&#xff0c;估计都遇到过这种场景&#xff1a;机柜里一台核心交换机&#xff0c;上面有几个空余的10G SFP光口&#xff0c;手头正好缺一个千兆电口或者千兆光口&#xff0c…

作者头像 李华
网站建设 2026/8/16 9:52:42

PyCharm安装与配置全攻略:Python新手高效开发环境搭建指南

1. 项目概述&#xff1a;为什么PyCharm是Python新手的“第一课” 如果你正准备踏入Python编程的世界&#xff0c;或者刚刚开始学习&#xff0c;那么你大概率会从无数教程、视频和前辈口中听到一个名字&#xff1a;PyCharm。它不仅仅是一个代码编辑器&#xff0c;更是JetBrains为…

作者头像 李华
网站建设 2026/8/16 9:52:36

AI 组件生成网关:语义缓存、Token 预算与 AST 校验

AI 组件生成网关&#xff1a;语义缓存、Token 预算与 AST 校验 自然语言生成组件的难点不在“能不能出代码”&#xff0c;而在生成结果能否进入现有工程。本文把请求拆成缓存、预算和 AST 校验三段&#xff0c;并说明每段该记录什么数据。示例代码用于展示边界&#xff0c;不代…

作者头像 李华
网站建设 2026/8/16 9:51:34

AI Agent核心架构解析:LLM、工具调用、循环与上下文工程

你有没有遇到过这种情况&#xff1a;想用大模型帮你处理一个稍微复杂点的任务&#xff0c;比如“查一下最近三天的天气&#xff0c;如果明天下雨就提醒我出门带伞&#xff0c;并且把提醒事项同步到我的日历里”&#xff0c;结果发现&#xff0c;它要么只能回答天气&#xff0c;…

作者头像 李华
网站建设 2026/8/16 9:51:27

彻底解决Windows DLL卸载残留:从原理到实战清理指南

1. 项目概述&#xff1a;深入理解DLL卸载残留问题 如果你在Windows系统上卸载过软件&#xff0c;尤其是那些体积庞大、功能复杂的专业工具或游戏&#xff0c;大概率遇到过这样的困扰&#xff1a;软件明明已经从“控制面板”或“设置”里移除了&#xff0c;但它的安装目录、用户…

作者头像 李华