SPSS信效度检验实操指南：从α系数到因子分析的判断标准

开头先给结论：SPSS的信效度检验，本质上是两件事。信度看量表测量结果稳不稳定，效度看量表有没有测到它该测的东西。很多人卡住不是因为操作不会，而是把结果表里的数字当成“能不能过关”的评分，却不知道每个数字在什么条件下才有意义。这篇就围绕“看懂结果”来讲，把操作步骤、判断标准、常见误读和排查顺序放在一起，适合正在写问卷类论文、做用户调研、或者第一次接触SPSS量表分析的人。

先说清楚一个最容易被绕晕的前提：信效度检验不是针对整份问卷，而是针对一份量表。问卷里可以包含多个量表，每个量表要分别做信效度。比如你问卷里有“工作满意度量表”“离职意向量表”，那就不能把全部题目混在一起跑一次信度，而要按量表维度拆开。如果整份问卷只是零散的人口学信息和单选题，没有统一的构念，那种数据不适合做信度分析，效度里的探索性因子分析也基本没有意义。

1. 先确认数据形态：信效度检验对数据有哪些硬性要求

在点菜单之前，先看数据窗口里的结构。SPSS做信效度，尤其是克隆巴赫α系数和探索性因子分析，对数据格式有明确要求，但不是苛刻。

1.1 一份量表题在SPSS里长什么样

每行是一个样本，每列是一个变量。量表里的每一道题在SPSS里是一列，变量名一般用Q1、Q2、Q3这种方式，变量标签里写完整题目内容。答题选项如果是李克特5级或7级，在变量视图里要设为数值型，测量尺度设为“度量”或“有序”都可以。信效度检验默认数据是数值型，如果你把答案录成了字符串，比如“完全同意”“比较同意”，SPSS的可靠性分析和因子分析菜单会直接弹错或无法计算。

还有一种常见情况：问卷星或腾讯问卷导出的数据里，选项可能带文字前缀。比如导出结果是“1.完全不同意”“2.不同意”。这种到了SPSS里经常变成字符串变量。解决办法是先把数据整理成纯数字，再把文字放到值标签里。值标签不影响分析，但变量类型必须是数值，否则后面的分析全部卡住。

1.2 反向计分题必须先处理

很多量表为了保证作答质量，会设置反向题。比如“我经常觉得工作没有意义”在满意度量表里就是反向题。如果你不做反向计分，直接把所有题目丢进去跑信度，克隆巴赫α系数会偏低，甚至出现负值。

反向计分的本质是把分数倒过来。如果是1到5分制，反向计分后的分值等于6减原值。SPSS里可以在菜单里用“计算变量”生成新列，也可以直接在语法窗口写：

COMPUTE Q3r = 6 - Q3. EXECUTE.

处理完反向题之后，再跟其他正向题放在一起做信度分析。判断标准很简单：维度内所有题目方向一致时，α系数才有参考意义。方向不一致，结果毫无价值。

1.3 样本量多少才适合做效度

经验上，做探索性因子分析时，样本量和题目的比例至少要达到5比1，更稳妥的是10比1。一份量表如果有20道题，样本量低于100，因子分析结果通常不稳定。不是说绝对不能跑，而是当样本量偏小时，KMO值容易虚高或波动，旋转后的因子结构也可能跟理论不一致。

如果样本量确实有限，可以先做信度分析，效度部分可以只呈现内容效度的说明，或者用已有文献支撑构念效度。探索性因子分析不是唯一的效度证据，样本量不足时强行跑，反而容易在答辩时被追问。

2. 信度检验：克隆巴赫α系数到底怎么读

信度检验在SPSS里叫可靠性分析，路径是“分析 → 度量 → 可靠性分析”。左侧把量表内所有题目选进“项”框，模型默认就是Alpha，直接确定即可。输出结果里最关键的是“可靠性统计”表，里面只有一个数字需要重点关注：基于标准化项的克隆巴赫α系数，通常直接看Cronbach's Alpha那一列。

2.1 阿尔法系数多少算合格

不同文献给过不同标准，但学术写作里最常被引用的是这个区间：

很多期刊和学位论文把0.7作为最低标准。如果只有0.65，不能说完全不能用，但需要看是否需要删除“校正后项与总计相关性”较低的题目来提升系数。

2.2 删除项后的阿尔法系数才是排查重点

“项总计统计量”表里藏着最有价值的信息。每一行代表一道题，有几个列要一起看：

• 删除项后的标度平均值：删掉这道题后，剩余题目总分的平均值。
• 删除项后的标度方差：删掉这道题后，剩余题目总分的方差。
• 校正后项与总计相关性（CITC）：这道题与其余题目总分的相关系数，通常要求大于0.4或0.3，低于0.3说明这道题跟其他题不在同一个方向上。
• 删除项后的克隆巴赫α系数：删掉这道题后，整份量表的α系数会变成多少。

判断逻辑很简单：如果某道题的“删除项后的阿尔法系数”比总量表的α系数高出一截，比如总量表α是0.72，删除这道题后变成0.80，那这道题大概率是拖后腿的问题题。这时候要考虑题目是否有歧义、反向计分是否没处理、还是这一题根本不属于这个维度。

实际操作中，我一般会先把CITC低于0.4的题目列出来，再逐个看删除后的α变化，不要一起删。一次删一道，每删一次重新跑一遍，这样能清楚看到每道题的实际贡献。如果一次性删除多题，虽然整体系数可能变高，但你不知道是哪道题的问题，写作时也很难解释清楚。

2.3 信度分析能不能只做一次

信度检验不是跑一次就结束的事情。如果后续删除了题目，信度需要重新计算。如果因子分析之后发现题目归属有调整，新维度的信度也要重新跑。我的习惯是：先按理论维度分别跑信度，再做探索性因子分析，因子结构确定后，再按最终维度重新跑一次信度，这时候得到的α系数才是论文里最终报告的数字。

还有一点要注意：信度分析按维度分开做，不是把所有题目一起跑。一份量表如果有四个维度，那就分别跑四次可靠性分析，报告每个维度的α系数。如果你把所有维度混在一起，得到的信度会虚高，因为它测量的是整个量表的一致性，而不是某个构念的一致性。审稿人和答辩老师会盯着这一点。

3. 效度检验第一步：KMO与Bartlett球形检验

效度检验在实操中最常见的是探索性因子分析，用来考察量表的结构效度。在因子分析之前，SPSS会输出KMO取样适切性量数和Bartlett球形检验结果。很多人把这两项当成了效度本身，其实它们是进入因子分析前的“准入门槛”或“适用性体检”。

3.1 操作路径

在SPSS里，路径是“分析 → 降维 → 因子”。把量表题目全部放入“变量”框后，点“描述”按钮，勾选“初始解”和“KMO和Bartlett的球形度检验”。如果想看每个变量的提取程度，可以继续点“提取”按钮，方法选择“主成分”，提取标准默认是“基于特征值大于1”，输出里勾选“未旋转因子解”和“碎石图”。如果后续要看旋转矩阵，在“旋转”按钮里选“最大方差法”。

这里先不要急着设置太多参数，第一次跑先用默认设置。因为第一步只看KMO和Bartlett，这两个数字决定你是否有资格继续看后面的因子结果。

3.2 KMO值的判断标准

KMO反映的是变量之间的偏相关系数强度，简单理解就是：所有题目之间是否存在足够的共同信息，能不能支撑因子分析。判断标准常见的有：

如果KMO低于0.6，先不要急着下结论说效度不行。更合理的排查顺序是：检查是否有反向题没处理、题目间是否有大量相关性极低的垃圾题、样本量是否太小。这些都会让KMO偏低。KMO低不代表量表无效，它只代表当前数据不适合进入因子分析这一步。

Bartlett球形检验看的是相关矩阵是不是单位矩阵。如果显著性P值小于0.05，说明变量之间存在相关性，适合做因子分析。如果P值大于0.05，说明题目之间近乎独立，做因子分析没有意义。如果遇到这种情况，第一反应应该是检查数据是否录入有误，因为量表题之间完全独立在现实中很少见。

3.3 不要把KMO当作效度指标写进论文

不少论文把“KMO=0.82，Bartlett显著，说明量表效度良好”当成结论。严格来说，这是不严谨的。KMO只说明数据适不适合做因子分析，不是效度本身的证据。效度结论应该来自因子分析里的累计方差解释率、因子载荷、维度结构是否符合理论预期。

当然，实际论文中很多人仍然会把KMO和Bartlett作为因子分析的一部分报告。这个可以理解，但心里要有数：它们只是前置检查，不是效度证据本身。写法上更稳妥的是说“KMO=0.82，Bartlett球形检验显著，数据适合进行探索性因子分析”，后面再报告因子分析结果作为结构效度的证据。

4. 因子分析结果：方差解释率和旋转成分矩阵怎么看

通过KMO检验后，继续往下看因子分析的核心输出。这里有两张表一定要看懂：总方差解释和旋转后的成分矩阵。

4.1 总方差解释率：判断提取了几个因子

“总方差解释”表里列出了每个成分的特征值、方差百分比和累计百分比。默认按特征值大于1提取因子。你要关注的不是每个因子单独解释多少，而是“提取载荷平方和”里的“累积%”。这个数值代表提取出的因子总共能解释量表总变异的多少。

一个常见标准是累计方差解释率大于60%，这在人文社科里被认为可以接受。如果研究的构念本身比较复杂，50%以上也勉强能接受，但需要结合理论解释。如果累计方差解释率只有40%，说明提取出的因子只解释了不到一半的信息，题目之间可能存在严重的异质性，或者维度设计有问题。

这里经常出现一个现象：特征值大于1的因子数量比理论维度多一个或两个。比如你设计的是三个维度，因子分析却提取出五个因子。不要慌，这很常见。可以先看旋转后的成分矩阵，再判断哪些题目的归属不合理。如果某些题目落在了一个只有一两道题的因子里，可以考虑删除，然后重新跑因子分析。

4.2 旋转成分矩阵：看题目和维度的归属

旋转方法里最常用的是最大方差法，属于正交旋转，适合维度之间相关性不高的情况。如果维度之间存在较强相关，可以考虑斜交旋转，比如Promax。但大多数论文和量表分析用的是最大方差法。

看“旋转后的成分矩阵”表时，每一行是一道题，每一列是一个因子。格子里是因子载荷，可以理解为这道题与这个因子的相关系数。判断标准有两条：

• 每道题在某个因子上的载荷应尽量大于0.5。
• 每道题在其他因子上的交叉载荷应尽量小于0.4。

如果一道题在你预期对应的因子上载荷只有0.31，却在另一个因子上载荷达到0.58，这道题就有“串维度”问题。处理方式通常是删除该题，重新跑因子分析。如果删除后整体结构仍然不清晰，就要重新审视量表翻译是否准确、题目是否有歧义、样本是否有特殊性。

实际操作时，我会先把旋转后矩阵按因子载荷从大到小排序，然后把每个因子对应的题目列出来，对照自己的理论维度看是否一致。一致得越多，结构效度越好。如果出现整体错位，比如原设计的维度A题目跑到了维度B上，就要考虑是不是量表在翻译或语境适配时出了问题。这时候不能硬删，要考虑是否是命名和维度划分本身的问题。

4.3 因子数量与理论不一致时怎么处理

有些情况下，理论假设是单维度，但因子分析提取出了两个因子。这不一定说明量表不行，可能是题目中存在语意无关的子群体，比如一部分题目偏正向表述，一部分题目偏反向表述。反向题即使做了分数转换，也可能因为表述方式不同而聚集到一个单独的因子里。

还有一种情况：样本来源群体比较特殊，导致作答模式跟预想不同。比如面向老年人发放的问卷，如果题项里有反义表述，即使数据在统计上分成了两批，也不一定代表构念拆分，更可能是理解偏差。这种时候要结合项目内容判断，不要只凭统计结果。

如果删题反复调整后仍然无法得到一个稳定清晰的因子结构，那就说明量表本身可能存在问题。这时更好走的方向是做二阶因子分析，或者使用AMOS做验证性因子分析，用更加严格的模型来检验构念结构。

5. 实操中的常见坑：从下载到结果解释都容易踩的问题

信效度操作本身不难，真正让人头疼的是散落在前后的各种细节。我整理几个经常被问到的情况。

5.1 软件和插件问题

SPSS信效度分析不需要额外插件，官方菜单就够用。网上经常有人找SPSS process插件，那是用来做中介调节效应分析的。如果你只是做信效度，完全不需要装插件。至于网上流传的各种SPSS版本和下载方式，我的建议是优先使用学校或单位提供的正版授权，或者IBM官网的试用版，尽量不用来源不明的版本。原因有两个：一是稳定性没有保障，数据分析和论文写作阶段突然闪退或无法保存，浪费时间；二是部分修改版可能缺少模块，导致“分析”菜单里连“降维”选项都找不到。

5.2 数据里出现了缺失值

如果量表中某道题有缺失值，SPSS默认可能会整行删除样本。如果缺失比例低，影响不大；如果有几道题缺失很严重，整行删除后样本量大幅缩水。处理方式是在做信效度前先对缺失值做处理。可以用“替换缺失值”功能，也可以用均值替换法，即用该题所有有效答案的均值填充缺失。这招适合缺失值少的情况。缺失值超过10%的题目，建议直接考虑删除该题。

5.3 低配置电脑跑大数据时的卡顿

有些同学把整份问卷的几百道题全部选进因子分析框里，SPSS瞬间卡死。这不是电脑问题，是分析设计问题。因子分析不能把不相关的题丢到一起，尤其不要包含人口学变量。年龄、性别、学历这些人口学题不适合放进探索性因子分析，因为它们的答案分布形态、度量方式和量表题完全不同。把它们放进去不仅拉慢计算，还会污染因子结构。

5.4 聚类分析和信效度的关系

有人在做完信效度之后会做聚类分析或者回归分析。聚类分析前一般不需要单独做信效度，但如果你是用量表总分或因子得分作为聚类变量，那先确保量表信度和结构效度过关是有意义的。包含控制变量的回归分析中，如果核心自变量来自量表，信效度结果通常需要附在正文或附录里。这几种分析的关系是：信效度是基础，回归、聚类、方差分析是后续。基础不牢，后续分析再漂亮也很难解释。

5.5 随机区组方差分析和信效度的关系

随机区组方差分析或重复测量方差分析里，如果你的因变量是量表总分或维度均分，那信度检验就是对这张表的“底层保障”。有些人把所有题目直接放进方差分析里，当成重复测量来处理，这就混淆了“题项”和“被试内条件”的概念。更常见的做法是先通过信度分析确认量表一致，然后计算维度总分或均值，再拿这个总分去做后续差异检验。

6. 输出结果怎么整理成论文可用格式

跑完之后，很多人不知道哪些表要放进论文，哪些表只适合放在自己手里做排查。

6.1 论文里必放的内容

• 每个维度的克隆巴赫α系数。
• KMO值和Bartlett球形检验结果。
• 探索性因子分析的总方差解释率。
• 旋转后的成分矩阵（可以把载荷小于0.4的数字隐藏，或者用加粗标记载荷较高的项目）。

这些内容通常用三线表呈现。SPSS输出的是英文表头，写论文时需要调整成中文。α系数一般写在“信度分析”结果部分，KMO和因子分析结果写在“效度分析”部分。

我见过很多人把SPSS默认输出的整页截图直接贴到论文里，表格内还带着“ANOVA”“Friedman”等不需要的内容。这样信息是有了，但会让阅读体验变差。更专业的做法是在Word里自己绘制三线表，只保留关键列。

6.2 结果描述的稳妥写法

信度部分可以这样写：

“工作满意度量表各维度的克隆巴赫α系数在0.74到0.86之间，表明量表具有较好的内部一致性信度。”

效度部分可以这样写：

“KMO值为0.83，Bartlett球形检验达到显著水平（P<0.001），适合进行探索性因子分析。主成分法提取出3个因子，累计方差解释率为68.42%，旋转后各题项在所属因子上的载荷均大于0.55，且不存在明显交叉载荷，结构与理论假设基本一致。”

这样写的好处是：不夸大、有数据、有判断标准，答辩时经得起追问。

7. 如果信度或效度不达标，不要急着改数据

最后说一个所有写论文的人都可能遇到的诱惑：信度不够，就把某道题删掉，删完之后还是不够，就想“手动优化”数据。数据清洗和删题有合理性，但前提是逻辑清楚、记录完整。

如果信度不达标，优先顺序应该是：

1. 检查反向题有没有漏处理。
2. 检查题目是否翻译生硬、表述有歧义。
3. 检查样本是否填答不认真，比如出现连续同分、作答时间过短。
4. 检查是否有题目CITC明显偏低且删除后α提升较大。
5. 删除题目后，在论文里说明删除了哪几道题以及删除原因。

如果是效度不达标，优先检查理论维度划分是否合理、样本量是否不足、题目归属是否放错。用“为了数据好看而硬删题”的方式，短期能过关，但如果有人复查数据，或者后续做验证性因子分析，很多问题都会暴露出来。

SPSS信效度检验不是高深统计，它更考验的是数据整理习惯和结果解读逻辑。把每个表的判断标准搞清楚，再带着“为什么删题、为什么保留、为什么因子数量是这样”的思考去操作，比单纯记住点击路径有用得多。真正卡住你的，通常不是鼠标点哪里，而是你盯着一排数字时不知道该信哪一个、该按什么顺序去判断。把上面这套顺序走完，大部分信效度问题都能定位到原因。