别再瞎写！SPSS信度效度怎么写才对

别再直接把SPSS跑出的信度效度结果直接贴进论文了！

很多初入实证研究的大学生、研究生，甚至不少刚刚接触量化分析的青年科研人员，都会犯这个致命错误：打开SPSS点几下分析，把输出的克隆巴赫α系数表格、KMO和巴特利特球形检验结果原封不动截个图插进论文，再随便写一句“本研究信度效度良好，符合要求”，就算交差了。

这种做法看起来省时间，实际上藏着巨大风险：轻则被导师打回重写，盲审被直接扣分，重则会让专家质疑你整个研究的科学性，甚至怀疑数据结果的真实性——毕竟，连最基础的信度效度分析都说不清楚的研究，谁敢相信你的结论？

信度效度是量化研究的“入场券”，如果这一步都写不对，后面再好的研究假设、再漂亮的回归结果都站不住脚。今天我们就彻底拆解：SPSS信度效度分析到底怎么做，结果怎么写才符合学术规范，拿到审稿人的认可。

很多人写不对信度效度，本质上是根本没搞懂两个概念到底是什么，自然只会堆砌结果不会分析。我们先把最核心的区别理清楚：

举个通俗的例子：你要称自己的体重，体重秤每次称出来都差5斤，说明信度低；如果体重秤每次都稳定称出来比真实重10斤，说明信度高但效度低；只有每次都能准确称出你的真实体重，才是信度效度都合格。

放到问卷研究里就是：你一共设计了20个题测量“大学生抑郁倾向”，如果不同题目之间答得乱七八糟，互相矛盾，说明信度不行；如果你的题目都在问“你每天吃几顿饭”，就算一致性再高，也测不出抑郁，就是效度不行。

最常见的错误就是：打开SPSS就选分析→度量→可靠性分析，直接拖进去所有题，跑出α系数就完事。但其实α系数的使用是有前提的：

• α系数适合多级计分题（比如Likert 1-5分、1-7分题），不适合二分题（对/错、是/否）；二分题应该用库德里奇森-20（KR-20）系数，SPSS可靠性分析默认就会输出，不需要额外操作，但很多人根本不知道提。
• 如果是量表是分维度测量的，绝对不能只算整个量表的总α，必须每个维度分别算α！很多人整个问卷20道题算一个α系数就完事，这是完全错误的做法：每个维度都是单独测量一个概念，必须分别报告，总α可以补充报告，但不能只报总α。

很多人记了一个标准：α大于0.7就是信度良好，所以只要跑出0.71就直接写合格，完全不考虑实际情况。实际上，不同场景的阈值要求是不一样的：

如果你投核心期刊，α只有0.65，专家肯定会质疑你的信度；如果是本科的探索性研究，α0.68其实完全可以接受，不用过度紧张。而且如果α超过0.95，反而不是好事——说明你的题目有重复，存在冗余，很多题问的是同一个问题，这时候反而需要删掉重复的题目。

SPSS可靠性分析会输出一张「项统计量」的表格，其中有一列叫做「修正后的项与总计相关性」（CITC）和「项已删除的α系数」，90%的新手都不会看这两列，直接忽略，这也是很多论文信度不合格的隐形原因。

正确的做法是：

1. 看CITC：如果某道题的CITC小于0.3，说明这道题和其他题的相关性很低，不属于同一个维度，应该考虑删除；

2. 看「项已删除的α」：如果删除某道题之后，整个维度的α系数会明显提升（比如原来α是0.62，删除这道题之后升到0.69），说明这道题拉低了整体信度，也应该删除。

很多人就是不管三七二十一，把所有题都留下，导致整个维度的α不合格，最后整个研究被否决，非常可惜。

错误：本研究用SPSS分析信度，得到Cronbach's α为0.82，大于0.7，因此信度良好。

这种写法太粗糙了，首先没说是不是分维度报告，没说题项处理过程，专家一看就知道你不会做。

我们分两种情况给大家写好标准模板，可以直接套用：

本研究采用Cronbach's α系数检验各研究维度及总量表的内部一致性信度，使用SPSS 26.0进行分析，分析过程中对CITC<0.3的题项进行剔除，结果如下表所示：

由结果可知，各维度的Cronbach's α系数均在0.76以上，总量表α系数为0.864，高于0.8的标准，说明本研究量表内部一致性良好，信度符合研究要求。

本研究量表包含12道Likert五级计分题和8道二分计分题，分别采用Cronbach's α系数和KR-20系数检验内部一致性，结果显示：Likert题维度的α系数为0.823，二分题维度的KR-20系数为0.791，均高于0.7的可接受标准，信度满足研究要求。

比起信度，效度的坑更多，最多人犯的错误就是：只做探索性因子分析，跑出KMO>0.7，巴特利特球形检验显著，就直接说“本研究效度良好”，然后就没了。这是大错特错！

效度分很多种，只报告KMO根本不完整，我们一个个说清楚：

很多人写论文的时候完全不写内容效度，直接跳去结构效度，这又是一个漏项。内容效度指的是你的量表题项能不能覆盖你要测量的概念，说白了就是你的量表是不是靠谱，不是自己瞎编的。

常见的做法分两种：

1. 成熟量表：如果你的量表是已经被国内外研究反复使用的成熟量表，只需要说明：“本研究所用量表为XXX（作者）在XXXX年开发的成熟量表，已经过大量研究检验，具有良好的内容效度”就可以。

2. 自行编制量表：如果你是自己编的量表，那就需要做内容效度检验，通常是邀请专家对题项进行评定，计算内容效度比（CVR），要求CVR大于0.62才符合要求。很多学校要求预调研，其实就是帮你提前检验内容效度。

很多新手完全不写内容效度，上来就放因子分析结果，这在评审看来就是不完整的。

做结构效度最常用的就是探索性因子分析（EFA），用SPSS就可以做，但很多人只会看KMO，不知道还要看什么。我把正确的步骤和判断标准列出来：

就是大家都知道的KMO检验和巴特利特球形检验，判断标准是：

• KMO ≥ 0.70 适合做因子分析，0.6
• 巴特利特球形检验的p值必须小于0.05，才说明适合做因子分析。

但这里要说：KMO和巴特利特检验只是证明你的数据适合做因子分析，不代表你的结构效度就合格了！ 这是最多人搞混的地方，KMO过线只是第一步，后面还有好几个判断标准。

你原来的量表把题目分成了几个维度，做探索性因子分析之后，是不是能提取出对应数量的因子？所有题项是不是都落在对应的因子上？这才是结构效度的核心。

判断题项是否合格的两个标准：

1. 因子载荷：每个题项在对应因子上的载荷要大于0.5，最好大于0.7；如果载荷小于0.5，说明这道题不能被这个因子有效解释，需要删除；

2. 交叉载荷：如果一道题在两个及以上因子上的载荷都大于0.5，说明这道题的归属不清晰，也需要删除。

很多人做完因子分析，发现提取出来的因子数量和原来的理论假设差了一半，题项到处交叉载荷，还敢说“效度良好”，专家一眼就能看出问题。

累计方差贡献率说明所有因子一共能解释多少百分比的总变异，一般要求累计方差贡献率大于50%，如果能到60%以上就是比较好的结果。如果连50%都达不到，说明你的结构效度有问题，测量工具不稳定。

很多人会问：我做结构方程模型，已经用AMOS或者Mplus做了验证性因子分析（CFA）检验效度了，那SPSS的探索性因子分析还需要写吗？

这里分情况：

• 如果你的问卷是全新开发的：一定要先做探索性因子分析（SPSS做），再做验证性因子分析，前者探索结构，后者验证结构，两个都要有；
• 如果用的是成熟量表，可以只做验证性因子分析，但很多期刊和盲审要求还是会要求你放SPSS的探索性因子分析结果，所以提前做了放上更稳妥。

错误：本研究KMO值为0.76，巴特利特球形检验p<0.001，因此本研究效度良好。

只写这两句等于什么都没说，根本没有证明你的效度真的合格。

我们同样给大家做好模板，直接套用：

本研究采用探索性因子分析检验量表的结构效度，首先通过KMO检验和巴特利特球形检验判断数据是否适合因子分析，结果如下表所示：

注：*表示p<0.001

由结果可知，KMO值为0.815，大于0.7的标准，且巴特利特球形检验达到显著水平（p<0.001），说明本研究数据非常适合进行因子分析。

本研究预设量表共包含3个维度，采用主成分分析法提取因子，最大方差法正交旋转，剔除因子载荷小于0.5、交叉载荷大于0.5的题项后，最终共提取出3个特征值大于1的因子，各题项的因子载荷及累计方差贡献率如下表所示：

结果显示，三个因子的累计方差贡献率为57.18%，大于50%的标准，所有题项在对应因子上的载荷均大于0.7，不存在交叉载荷严重的题项，因子结构与本研究的理论预设一致，说明本研究量表结构效度良好。

此外，本研究所用量表为XXX等[1]在20XX年开发的成熟量表，已在国内多项同类研究中应用，内容效度得到充分验证，因此本研究内容效度符合要求。

内容效度方面，本研究在编制初始题项后，邀请3名副教授及以上职称的心理学领域专家、2名具有多年量化研究经验的博士生对题项与维度的相关性进行评定，采用4点计分（1=不相关，2=弱相关，3=相关，4=高度相关）计算内容效度比（CVR），计算公式为CVR=(ne-N/2)/(N/2)，其中ne为评定题项“相关/高度相关”的专家人数，N为专家总人数。检验结果显示，所有题项的CVR均在0.67以上，大于0.62的临界标准，说明本量表内容效度良好。

很多人结果放完，分析也写了，还是会被挑错，就是因为忽略了这些细节：

很多同学跑出α只有0.5多，直接硬写“信度良好”，一盲审就被抓出来。如果真的信度不合格，正确的处理方法是：

1. 回去看「项已删除的α」和CITC，把不合格的题项删掉之后重新算，大部分情况下删掉1-2道题，α就会上来；

2. 如果删掉之后还是不合格，说明你的量表本身可能有问题：如果是成熟量表，那可能是你翻译不对，或者不适用你的研究人群（比如把外国人做的量表直接拿来用，没有回译，文化差异导致信度低）；如果是自己编的，那就要重新设计题项，再做一次预调研；

3. 绝对不能篡改数据，也不能硬凹合格，不如在讨论部分如实说明本研究的局限，提到“本次研究中信度略低于标准，未来研究可以进一步优化量表题项”，反而会让专家觉得你态度诚实。

很多人做的是问卷调研，所有数据都是同一个受访者同一个时间填的，一定会存在共同方法偏差（CMV），这个也是必须检验的，很多人写完信度效度就把这个忘了，直接影响专家对你的评价。

用SPSS做共同方法偏差检验最常用的是哈曼单因子检验，做法就是把所有题都放进去做探索性因子分析，不旋转，看第一个因子的方差贡献率，如果小于40%，就说明共同方法偏差不严重，不会影响结果。

标准写法：

本研究为横截面自我报告问卷，采用哈曼单因子检验检验共同方法偏差，将所有量表题项放入未旋转的探索性因子分析，结果显示第一个因子解释的方差变异为26.8%，低于40%的临界标准，说明本研究不存在严重的共同方法偏差。

不是所有研究都需要做信度效度，如果是二手数据，或者你用的是客观指标（比如身高、体重、高考分数、公司营收这些），自然不需要做信度效度，只有用了主观量表（比如问卷、态度题）的时候才需要做。不要画蛇添足，也不要该做的时候不做。

最后给大家整理好一步一步的标准流程，跟着做就不会错：

1. 信度分析步骤：

1. 分维度放入题项，选择对应的信度指标（Likert题用α，二分题用KR-20）；

2. 查看CITC和项已删除的α，删除不合格题项；

3. 报告每个维度和总量表的信度系数，对照阈值说明是否合格；

2. 效度分析步骤：

1. 先说明内容效度：成熟量表说来源，自制量表报告专家评定/CVR结果；

2. 做探索性因子分析，先报告KMO和巴特利特检验结果；

3. 删除载荷不合格、交叉载荷的题项，提取因子后报告因子载荷、累计方差贡献率；

4. 说明因子结构和理论预设一致，结论效度合格；

3. 补充检验：问卷研究补充共同方法偏差检验。

信度效度是量化研究最基础也最重要的一步，不要觉得只是走流程，实际上它是整个研究科学性的基础，只要按照上面的步骤来，你写出来的信度效度分析就会比80%的人都专业，自然能拿到导师和审稿人的认可。

不要再直接贴结果就完事了，从今天开始改过来吧！

[1] 这里替换成对应量表的原始出处即可