SPSS信度效度怎么写？从操作到结果解读的完整教程

如果你是正在写毕业论文或者学术论文的研究生，面对SPSS里密密麻麻的菜单，最头疼的就是“信度效度怎么写”。本文直接给出答案，信度用Cronbach α系数表示，效度用KMO和Bartlett检验来衡量，结果用三段式格式来写。接下来，我会一步步地带你完成从操作到结果解读的过程，保证你写完之后可以直接放进论文里。

01 1. 什么是信度和效度？为什么在SPSS中分析它们？

信度，简单地说就是问卷的可靠性，即同一份问卷在不同的时间对同一群人进行测量，结果是否一致？例如，你设计出一份“大学生学习焦虑”量表，信度好说明今天测和明天测，同一个学生的得分应该差不多。效度就是有效性，即问卷是否真的测到了你想要测的东西？例如，你设计的学习焦虑量表，如果测出的结果与学习动机有很高的相关性，那么说明你的问卷没有测准焦虑，效度存在问题。

信度、效度为问卷质量的两个主要指标，在学术研究中常被用作评价问卷好坏的标准。没有信度，数据就是随机的噪声；没有效度，分析的结果就毫无意义。SPSS之所以成为信效度分析的主流工具，是因为它可以一键输出Cronbach α系数、KMO值、Bartlett检验结果，比手动计算节省至少70%的时间，而且结果被全球学术期刊广泛认可。

02 2. SPSS信度分析全流程（Cronbach α系数）

SPSS信度分析操作步骤详解

开始操作之前，要保证数据已经输入SPSS，并且变量是连续型数值（李克特量表1-5分）。特别注意：单选题（如“性别”）和多选题不纳入信度分析。

操作步骤：

1. 打开SPSS，点击菜单栏 Analyze → Scale → Reliability Analysis。

2. 在弹出的对话框中，将从属同一维度的题项（如“学习焦虑”的5道题）全部选入右侧的 Items 框。

3. 在 Model 下拉框中，选择 Alpha（即Cronbach α系数）。

4. 点击 Statistics 按钮，勾选 Item、Scale、Scale if item deleted，然后点击 Continue。

5. 点击 OK，等待输出结果。

关键提示：建议先做信度再做效度。因为低信度数据会拉低KMO值，导致效度分析结果不理想。如果信度不合格，你还需要先调整问卷题项。

SPSS信度分析结果解读与撰写

输出结果解读：

• Reliability Statistics表：这是核心结果。看 Cronbach's Alpha 列的值，该值介于0到1之间。根据Nunnally（1978）的经典标准：
• α ≥ 0.9：信度优秀，问卷非常可靠
• 0.7 ≤ α < 0.9：信度良好，可接受
• 0.6 ≤ α < 0.7：信度一般，需谨慎使用
• α < 0.6：信度较差，建议删除题项或重新设计问卷
• Item-Total Statistics表：重点关注 Corrected Item-Total Correlation（校正后项目-总分相关）和 Cronbach's Alpha if Item Deleted（删除该项后的α系数）。如果某题项的“删除后α”比整体α高，说明该题项降低了信度，建议删除该题项。

撰写示例：

表1 问卷信度分析结果

| 维度 | 题项数 | Cronbach α系数 |

|------|--------|----------------|

| 学习焦虑 | 5 | 0.84 |

| 学习动机 | 6 | 0.91 |

| 总体问卷 | 11 | 0.87 |

分析结果表明，学习焦虑维度的Cronbach α系数为0.84，大于0.7，说明该维度信度较好；学习动机维度的α系数为0.91，大于0.9，信度很好；总体问卷的α系数为0.87，大于0.7，说明问卷整体信度较好（Nunnally，1978）。

03 3. SPSS效度分析全流程（KMO与Bartlett检验 + 因子分析）

SPSS效度分析操作步骤详解

效度分析一般用探索性因子分析（EFA）来检验结构效度。操作之前请保证你的数据样本量足够大，一般要求样本量大于等于题项数的5倍，并且不小于100份。

操作步骤：

1. 点击 Analyze → Dimension Reduction → Factor。

2. 将需要分析的所有题项选入右侧的 Variables 框。

3. 点击 Descriptives 按钮，勾选 KMO and Bartlett's test of sphericity，点击 Continue。

4. 点击 Extraction，在 Method 中选择 Principal components（主成分分析法），勾选 Scree plot，点击 Continue。

5. 点击 Rotation，选择 Varimax（最大方差法），勾选 Rotated solution，点击 Continue。

6. 点击 OK，等待输出结果。

关键提示：避免将单选题（如“性别”“年级”）纳入效度分析。单选题的选项不具有连续变量的性质，纳入之后会使得因子负载出现异常，甚至会导致KMO值急剧下降。另外，反向计分题必须先做数据转换，否则因子载荷会发生变形。

SPSS效度分析结果解读与撰写

输出结果解读：

• KMO and Bartlett's Test表：
• KMO值：判断数据是否适合做因子分析。标准：
• KMO > 0.9：非常适合
• 0.8 ≤ KMO < 0.9：适合
• 0.7 ≤ KMO < 0.8：一般可接受
• 0.6 ≤ KMO < 0.7：勉强适合
• KMO < 0.6：不适合
• Bartlett's Test：p值（Sig.）< 0.05，说明变量间有相关性，适合做因子分析。
• Total Variance Explained表：看 Initial Eigenvalues 列中大于1的因子个数，以及 Rotation Sums of Squared Loadings 中的 Cumulative %（累计方差解释率）。累计方差解释率 > 60% 较好，说明提取的因子能解释大部分原始变量信息。
• Rotated Component Matrix表：看因子载荷（Factor Loading）。每道题在所属因子上的载荷应> 0.5，且在其他因子上的载荷应< 0.4（即“交叉载荷”小）。如果某题项在所有因子上的载荷都<0.5，或同时在两个因子上的载荷>0.4，建议删除该题项。

撰写示例：

表2 效度分析结果

| 指标 | 数值 | 判断标准 |

|------|------|----------|

| KMO值 | 0.82 | >0.6，适合因子分析 |

| Bartlett球形检验 | χ²=456.78, p<0.001 | <0.05，显著 |

| 累计方差解释率 | 68.4% | >60%，较好 |

| 因子载荷 | 0.56-0.88 | >0.5，合格 |

分析结果表明，KMO值为0.82，大于0.6，Bartlett球形检验显著（p<0.001），数据适合做因子分析。用主成分分析法得到两个因子，累计方差解释率为68.4%，大于60%，说明效度较好。各个题项在其所属的因子上载荷都大于0.5，没有交叉载荷，说明问卷具有较好的结构效度。

04 4. SPSS信效度分析结果的完整撰写示例

信效度分析结果写作模板

信度分析部分：

本研究使用Cronbach α系数来检验问卷的内部一致性信度。结果表明，学习焦虑维度的α系数为0.84，学习动机维度的α系数为0.91，总体问卷的α系数为0.87，都大于0.7的判断标准（Nunnally，1978），说明问卷信度较好。具体结果见表1。

效度分析部分：

本文用探索性因子分析来检验问卷的结构效度。KMO值为0.82大于0.6，Bartlett球形检验显著（χ²=456.78，p<0.001），所以可以进行因子分析。其次，提取2个因子，累计方差解释率为68.4%，大于60%。最后，各个题项在所属因子上的载荷都大于0.5，并且没有交叉载荷，说明问卷具有较好的结构效度。具体结果见表2。

结论：

因此，本问卷信效度较好，可以用于后续统计分析。

注意事项

1. 样本量：效度分析需要较大的样本量，一般为题项数的5倍以上，且不少于100份。样本量不足时KMO值会偏低。

2. 维度划分：信效度分析最好按维度进行。如果问卷有多个维度，应该分别对每一个维度进行信度分析，在效度分析的时候再检验整体结构。

3. 报告格式：学术论文里，信效度结果一般放在“研究方法”或者“数据质量分析”部分，用表格展示出来，再加上简短的文字说明。