结构效度全流程汇总
结构效度分析流程如下图
一、结构效度的意义
效度分析在学术研究中非常常见，结构效度是为了分析“从量表获得的结果与设计该量表时所假定的理论之间的符合程度”。简单来讲，在研究者设计量表之初，一般会预设好几个维度，在经过因子分析后，需要验证测量的数据是否与预设的几个维度相对应，如果测量项与预设维度之间对应关系良好，则说明量表的结构效度良好，说明量表设计的合理且有效，那么通过该量表得到的分析结果也是有效的。
二、探索性因子分析
结构效度通常使用探索性因子分析进行验证，即通过探索性因子分析对题项进行分析，如果输出结果显示测量项与预设维度对应关系基本与预期一致，则说明结构效度良好。使用探索性因子分析进行结构效度的验证通常分为以下三个步骤，分别是效度分析指标判断、维度与测量项对应关系判断、对应关系调整。下面将分别进行说明。
- 效度分析指标
效度分析是综合各项指标进行综合判断，包括KMO值、Bartlett球形度检验、因子载荷系数值、维度与测量项对应关系等。主要的判断指标说明如下：
- KMO值
KMO值取值在0和1之间，用于综合衡量分析项间的信息重叠情况（即分析项之间的相关关系情况）。一般以0.6作为判断标准，如果KMO值大于0.6，说明数据适合进行因子分析，如果KMO值低于0.6说明数据不适合进行因子分析，可能原因在于分析项之间相关系数较低，无法有效浓缩信息。最简单的效度分析直接查看KMO值即可，但这种方法一般检验效能较低。 - Bartlett球形度检验
巴特利特球形检验是一种检验各个变量之间相关性程度的检验方法。一般在做因子分析之前都要进行巴特利特球形检验，用于判断变量是否适合用于做因子分析。与KMO值作用类似。
图1 KMO值和Bartlett球形度检验
- 因子载荷系数值
因子载荷系数值的统计意义就是变量i与公共因子（维度）j的相关系数（程度），范围为[-1,1]，绝对值越接近1，说明变量与公共因子的关系越密切，通俗理解为变量向公共因子贡献了足够多的信息，一般来讲，因子载荷系数绝对值大于0.4，则说明变量i就应该归属于公共因子j。 - 共同度
共同度的大小代表了因子分析中提取出的因子包含原始数据的信息量。如果因子分析中大部分测量项的共同度都大于0.8，说明提取出的公共因子已经能够代表原始变量80%的信息量。如果共同度低于0.4，说明无法提取出有效信息，应该将共同度低于0.4的测量项进行删除。
图2 旋转后因子载荷系数表格
- 维度与测量项对应关系
效度分析最关键的地方在于：维度与分析项对应关系是否与专业预期相符合，只有符合的时候才能说明量表的结构效度良好。比如在判断物流服务质量时，预期测量项“退货包运费”应该隶属于衡量物流“可靠性”这一维度，如果该测量项出现在“经济性”这一维度下，则说明维度与测量项对应关系不好，需要进行调整。
效度分析的其他指标都比较容易达标，最核心的是维度与测量项关系的判断与调整，下面将结合示例进行讲解与分析。
- 维度与测量项对应关系判断
维度与测量项关系的判断通过SPSSAU因子分析结果的旋转后因子载荷系数表格进行分析，如下图：
图3 第一次分析旋转后因子载荷系数表格
从上图可以看出，经济性1-4这四个测量项隶属于因子1（维度1）；时间性1-4这四个测量项隶属于因子2,；灵活性1-3这三个指标隶属于因子3；可靠性1-3应该隶属于因子4，但是可靠性3这个测量项却对应因子1下面，那么就将这种本应该对应在因子i下，却对应到因子j下的测量项出现的对应关系问题叫做“张冠李戴”。对于出现“张冠李戴”现象的测量项，应该将该项进行删除操作。
从上图可以看出，可靠性1-2，对应因子1和因子4均可，灵活性2和灵活性3这两项对应因子2和因子3均可，那么将此类既可以对应因子i又可以属于因子j的测量项出现的问题叫做“纠缠不清”。属于“纠缠不清”，一般出现“纠缠不清”现象时，可先保留，暂时不处理，先处理“张冠李戴”现象。
完成维度与测量项的对应关系判断，即确定了各个测量项所出现的问题属于“张冠李戴”还是“纠缠不清”后，下一步进行对应关系的调整，将对应关系出错的测量项进行调整。
- 对应关系调整
对于出现“张冠李戴”现象的测量项，应该将该项进行删除操作；一般出现“纠缠不清”现象时，可先保留，暂时不处理。那么在上述描述中，知道了“可靠性3”出现了“张冠李戴”类对应关系错误，那么将“可靠性3”在分析项中移除，而其他出现“纠缠不清”类错误的测量项对分析结果并没有太大影响，暂不处理。
删除“可靠性3”后再次进行因子分析，得到分析结果如下：
图4 第二次分析旋转后因子载荷系数表格
从上图可以看出，移除“可靠性3”后，虽然可靠性1-2，灵活性2-3的“纠缠不清”的情况仍然存在，但是“张冠李戴”的现象已经没有了，可以认为此时13个测量项与4个因子的对应关系良好，结构效度达标。
三、结构效度不达标处理
通常效度不达标主要可能出现以下三个方面的问题：KMO值不存在、无法划清维度、与预期维度对应关系不符。下面将依次说明解决办法。
（1）KMO值不存在
效度分析是使用因子分析进行的检验，因子分析要求测量项之间有适当的相关关系；如果测量项之间相关系数过高，说明测量项之间共线性太强，无法有效浓缩信息；相关性太弱，信息重叠度低则无法有效提取信息，都可能无法输出KMO值，所以当KMO值不存在时，可以检查相关关系情况，移除相关系数过高（大于0.8）和过低（小于0.2）的测量项。同时如果样本量过低，也会出现问题，样本量一般要大于5倍测量项的个数。比如共有14个测量项，那么样本量至少在14*5=70份以上，如果过少，要加大样本量。
（2）无法划清维度
如果无论如何不能划分清楚维度，可以每次放入一个维度的测量项，依次进行效度分析，依次移除共同度低的测量项，确保每个维度中都没有特别糟糕的测量项之后，在将全部测量项放入分析框中进行整体分析。比如，在本例中，将可靠性1-3、经济性1-4、时间性1-4、灵活性1-3，这4个维度对应的测量项先依次进行效度分析，移除共同度低于0.4的测量项之后，在将全部测量项放入分析框中，整体进行效度分析，再查看分析结果。
（3）与预期维度对应关系不符
此类问题比较常见，除非是使用经典量表，否则不可能一次分析就能得到完美的对应关系。值得注意一点的是，如果专业预期维度为4个，那么在分析之初，应该首先将维度先设置为4个。在效度分析是一个来回多次对比的过程，测量项与预期维度的对应关系需要进行反复的调整，在这个过程中，一定要搞清楚“张冠李戴”与“纠缠不清”这两类错误的对应关系，及时对出现“张冠李戴”问题的测量项做出处理，多次对比删除后得到最优的结果。
四、总结
结构效度分析是为了检验测量项与预期维度对应关系情况。效度分析没有固定的判断标准，是综合各项指标进行的一个综合判断过程，包括KMO值、Bartlett球形度检验、因子载荷系数、共同度、维度与测量项对应关系等。其中最重要的是查看维度与测量项的对应关系，最难的部分也在于维度与测量项对应关系的调整，其他指标比较容易达标。当效度分析不达标时，可以按照第三部分所讲的内容，查看自己的问题所在，进行对应的修改。一定要注意，效度分析并不是一步完成的，可能是一个需要反复调整才能得到最优结果的过程。
