聚合效度全流程
聚合效度分析流程如下：
一、聚合效度定义
聚合效度（convergent validity），又称收敛效度，是指测量同一变量的测量项会落在同一因子上，强调本应该在同一因子下的测量项，确实在同一因子下。即一个变量的测量题项之间要高度相关。从题项角度讲，聚合效度是维度内所有题项相关性要高。进行聚合效度分析的主要目的在于检验同一变量的各指标之间的相关程度。
聚合效度分析一般只针对量表题进行，可以使用SPSSAU中验证性因子分析进行。
二、操作分析
验证性因子分析用于验证对应关系，是在已知因子的情况下检验收集的数据能否按照事先预设的结构方式产生作用。验证性因子分析可以用于分析量表的聚合效度、收敛效度、共同方法偏差等，本文主要使用验证性因子分析进行聚合效度分析。
使用验证性因子分析进行聚合效度分析，本例中量表共分为4个因子，分别为A,B,C,D；将每个因子对应的测量项分别放到右侧分析框中，比如因子A对应的测量项为A1~A4，将A1~A4放到Factor1的分析框中，因子B对应的测量项为B1~B4，将B1~B4放到Factor2分析框中，依次放入其余因子对应的测量项，如下图所示：
操作如下图：
同时，在SPSSAU分析页面的右侧，可以进行因子名称的设置（SPSSAU默认使用Factor的形式定义因子名称）。比如，将Factor1~Factor4改为因子A、B、C、D，操作如下图：
上述操作完成后，点击【开始分析】就可以得到聚合效度检验结果。
三、检验方法
聚合效度检验主要有两种方法：①标准载荷系数值均大于0.7为佳，0.5以上也可以接受；②AVE和CR指标，通常情况下AVE大于0.5且CR值大于0.7，说明聚合效度较高。
- 标准载荷系数
因子载荷系数值的统计意义就是变量i与公共因子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。
标准载荷系数是指经过标准化处理的因子载荷系数，非标准载荷系数就是未经过标准化处理的因子载荷系数。验证性因子分析使用标准载荷系数判断聚合效度。各个测量项的标准载荷系数值大于0.7，说明量表的聚合效度好，或者放宽要求在0.5以上也能接受（社会学科研究编制的量表因子载荷量都不会太高）。
SPSSAU输出因子载荷系数表格中包含标准载荷系数值，如下图：
从上图可以得到，本例的标准载荷系数值除D3外，均在0.7,以上，说明该量表的聚合效度较高。
- AVE和CR指标
AVE平均方差萃取（Average Variances Extracted），AVE值= Average(loading平方然后求和)，loading值为标准化载荷系数。从公式不难看出，当loading值（标准载荷系数）越大时，AVE值越大，聚合效度越高，一般AVE值大于0.5为好。
CR组合信度（composite reliability），CR值=Sum(loading)^2 / [sum(loading)^2 + sum(e)]，e为残差标准载荷系数。从公式依旧可以看出，当标准载荷系数越大时，CR值越大，聚合效度越高，一般CR值大于0.7为好。
综上，当AVE值大于0.5，且CR值大于0.7时，量表的聚合效度较高。
SPSSAU输出模型AVE和CR指标如下图：
从上图可以得到，本例中4个因子的平均方差萃取AVE值均大于0.5，且组合信度CR值均大于0.7，说明本次分析的量表数据具有良好的聚合效度
四、不达标处理
如果聚合效度不达标，可以从以下几个方面调整：
- 检查信度和结构效度
在进行聚合效度分析之前要确保量表通过信度分析，并且具有良好的结构效度，这是进行聚合效度分析的前提条件；结构效度分析，要确保因子与测量项之间具有良好的对应关系。如果没有按照标准的分析流程进行分析，很有可能不能得到良好的聚合效度。 - 尽量使用经典量表
经典量表是反复经过测试的，信度效度都很高，一般不会出问题。但是要注意经典量表与自己研究内容的契合度，即选择的经典量表是否适合研究自己的课题。 - 删除载荷系数低的测量项
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），绝对值越接近1，说明变量与公共因子的关系越密切。标准载荷系数是判断量表聚合效度的重要指标，所以可以将标准载荷系数低的项（比如小于0.6）进行删除后，再进行分析。
五、总结
聚合效度用于分析本应该在同一因子下的测量项，确实在同一因子下面。聚合效度使用SPSSAU中的验证性因子分析进行分析，主要检验指标：①标准载荷系数值均大于0.7为佳。②AVE和CR指标，通常情况下AVE大于0.5且CR值大于0.7，说明聚合效度较高。如果聚合效度不达标，可以查看量表的信度和结构效度是否达标、或者改用经典量表、删除标准载荷系数低的测量项等方法进行调整。
