SPSS信度效度怎么写？论文数据分析写作全攻略

作为常年帮师弟师妹改论文的“老学姐”，我见过太多论文因为信度效度分析不到位被导师打回重改：要么是“Cronbach’s α太低，量表不可靠”，要么是“因子载荷低于0.5，结构效度不足”，甚至有人直接跳过这一步——结果答辩时被评委追问到哑口无言。

信度（Reliability）和效度（Validity）是量化研究的“基石”：

• 信度：测量工具的稳定性（比如用同一量表测两次，结果是否一致？）；
• 效度：测量工具的准确性（比如你想测“幸福感”，结果实际测的是“收入”，这就是效度不足）。

如果这两步没做好，后续的回归、方差分析再漂亮也没用——因为你的数据“根基不稳”。

今天这篇攻略，我会用SPSS 26.0（最常用版本）做演示，从“操作步骤→结果解读→论文写作模板”一步步教你，连“点击哪里”“怎么导出结果”都讲清楚，小白也能直接上手！

很多同学分不清信度和效度，甚至把两者混为一谈。先看一张表，快速理清核心逻辑：

划重点：

• 信度是效度的前提：如果量表不稳定（信度低），就不可能准确（效度高）；但信度高，效度不一定高（比如用体重秤测身高，每次结果都一样，但测的不是身高）。
• 论文中最常用的组合：Cronbach’s α（信度）+ 探索性因子分析EFA（结构效度）（CFA需要AMOS，新手先掌握EFA即可）。

在打开SPSS之前，先把数据整理好，否则后续操作全是“无用功”。

SPSS的数据录入是“行列结构”：行=样本（比如问卷填写人），列=变量（比如量表的题目）。

举个例子：你用“大学生学习动机量表”（10个题目，Likert 5点计分：1=完全不符合，5=完全符合），录入后的数据长这样：

注意事项：

1. 变量命名要清晰：别用“var001”“var002”，直接改成“动机1”“动机2”，方便后续分析。

2. 缺失值处理：如果某个样本缺失>10%的题目，直接删除；如果缺失少（<5%），用“均值替代”（操作：转换→替换缺失值→选择变量→方法选“均值”）。

3. 反向计分题要处理：比如题目3是“我讨厌学习”（反向题），需要转换成正向计分（公式：6-原始分，比如原始分1→5，原始分5→1）。操作：转换→计算变量→输入公式“6-动机3”→命名为“动机3_反向”。

如果你已经在Excel里整理好了数据，可以直接导入SPSS：

1. 打开SPSS→文件→打开→数据→文件类型选“Excel (*.xlsx)”→选择你的文件→勾选“从第一行数据读取变量名”→确定。

2. 检查导入结果：确保变量名和数据对应，没有乱码。

内部一致性信度（Cronbach’s α）是论文中最常用的信度指标，它衡量的是“量表题目之间的相关性”——题目越相关，α系数越高，量表越稳定。

以“大学生学习动机量表”（10个题目）为例，操作如下：

1. 点击菜单：分析（Analyze）→度量（Scale）→可靠性分析（Reliability Analysis）。

2. 选入变量：把“动机1”到“动机10”全部选到“项目（Items）”框里。

3. 设置参数：

• 点击“统计量（Statistics）”按钮→勾选“描述性”下的“项（Item）”和“量表（Scale）”→勾选“项之间（Inter-item）”下的“相关性（Correlations）”→确定。
• 点击“模型（Model）”→选择“α（Alpha）”（默认就是，不用改）→确定。

4. 运行分析：点击“确定（OK）”，等待输出结果。

这里有个小技巧：如果想知道“删除某个题目后，α系数会不会提高”，一定要勾选“统计量”里的“项总计统计量（Item-Total Statistics）”——这是判断“是否要删除题目”的关键！

SPSS会输出3个核心表格，我们只需要重点看“可靠性统计量”和“项总计统计量”：

判断标准：

• α≥0.9：信度极佳；
• 0.8≤α<0.9：信度良好；
• 0.7≤α<0.8：信度可接受（论文中最低要求）；
• α<0.7：信度不足，需要修改量表（删除题目或重新设计）。

比如上面的α=0.823，属于“良好”，符合论文要求。

这个表会显示“每个题目删除后，量表的α系数变化”，比如：

判断标准：

• 校正项总计相关性（CITC）<0.3：题目与整体量表相关性弱，建议删除；
• 删除项后的α系数>原α系数：删除该题目后，量表信度提高，建议删除。

比如“动机8”的CITC=0.321（接近0.3），删除后的α=0.835>原α=0.823，所以可以考虑删除这个题目。

1. α系数太低（<0.7）怎么办？

• 检查是否有反向计分题没处理；
• 看“项总计统计量”，删除CITC<0.3或删除后α提高的题目；
• 如果删除后α还是低，可能是量表设计问题（比如题目太多或太少），需要重新参考文献调整量表。

2. α系数太高（>0.95）好不好？

• 不一定好！α太高可能是因为题目重复（比如多个题目测同一个维度），建议合并相似题目。

结构效度是效度分析的核心，而探索性因子分析（EFA）是新手最容易掌握的方法——它的作用是“验证量表的题目是否能聚成预期的维度”（比如你假设“学习动机”有“内在动机”和“外在动机”2个维度，EFA可以帮你验证这个假设）。

EFA有两个“入门门槛”：只有通过这两个检验，才能进行因子分析。

1. 点击菜单：分析（Analyze）→降维（Dimension Reduction）→因子分析（Factor Analysis）。

2. 选入变量：把“动机1”到“动机9”（删除动机8后）选到“变量（Variables）”框里。

3. 设置参数：

• 点击“描述性（Descriptives）”→勾选“原始分析结果（Initial solution）”→勾选“KMO和Bartlett的球形度检验（KMO and Bartlett's test of sphericity）”→确定。
• 点击“提取（Extraction）”→方法选“主成分分析（Principal components）”→勾选“碎石图（Scree plot）”→确定。
• 点击“旋转（Rotation）”→方法选“最大方差法（Varimax）”（最常用的正交旋转，因子之间不相关）→勾选“旋转解（Rotated solution）”→确定。

4. 运行分析：点击“确定（OK）”。

EFA的结果比较多，我们重点看5个指标：

判断标准：

• KMO≥0.7：适合做因子分析（0.8-0.9非常适合，0.9以上极其适合）；
• Bartlett球形检验Sig.<0.05：数据具有相关性，适合做因子分析。

比如上面的KMO=0.856，Sig.=0.000，完全符合要求。

这个表显示“每个因子能解释多少方差”，比如：

判断标准：

• 初始特征值（Eigenvalue）>1：提取该因子（这是“ Kaiser准则”，最常用）；
• 累计方差解释率≥50%：因子能解释大部分方差（论文中建议≥60%）。

比如上面的Eigenvalue>1的因子有2个，累计方差解释率=32.56%+21.43%=53.99%（接近60%，基本符合要求）。

碎石图是“因子序号” vs “初始特征值”的折线图：

• 折线从左到右下降，当下降趋势变平缓时（“拐点”），拐点前的因子就是需要提取的。

比如下图中，第2个因子后折线变平缓，所以提取2个因子（和Kaiser准则一致）。

旋转后的因子载荷矩阵是EFA的核心，它显示“每个题目在哪个因子上的载荷最高”（载荷越高，题目与因子的相关性越强）。

比如旋转后的矩阵：

判断标准：

• 因子载荷≥0.5：题目属于该因子（载荷越高越好，建议≥0.6）；
• 一个题目只能在一个因子上有高载荷（如果在两个因子上载荷都≥0.5，叫“交叉载荷”，需要删除）。

比如“动机1”在因子1上载荷0.782>0.5，属于“内在动机”；“动机4”在因子2上载荷0.821>0.5，属于“外在动机”——完全符合预期的2个维度，结构效度良好。

共同度显示“每个题目被提取的因子解释的程度”，比如：

判断标准：提取共同度≥0.5——如果<0.5，说明该题目没有被因子很好地解释，需要删除。

1. KMO<0.7怎么办？

• 检查是否有反向计分题没处理；
• 删除共同度<0.5的题目；
• 如果还是不行，可能是量表维度划分错误，需要重新参考文献调整维度假设。

2. 因子载荷<0.5怎么办？

• 删除载荷低的题目；
• 尝试增加因子数量（比如原假设2个维度，改为3个）；
• 检查是否有交叉载荷的题目，删除后重新分析。

操作完SPSS，接下来就是“把结果写成论文里的文字”——这一步很关键，直接影响导师对你的评价。

1. 在SPSS的“输出窗口”（Output）中，找到你需要的表格或图（比如可靠性统计量、旋转成分矩阵、碎石图）。

2. 右键点击表格→选择“复制（Copy）”→打开Word→右键→选择“粘贴特殊（Paste Special）”→选“无格式文本（Unformatted Text）”→确定（这样粘贴的表格不会乱码）。

3. 对于图（比如碎石图）：右键点击图→选择“复制（Copy）”→直接粘贴到Word里即可。

模板1：整体信度

“本研究采用Cronbach’s α系数检验量表的内部一致性信度。结果显示，量表整体Cronbach’s α系数为0.823，其中‘内在动机’维度的α系数为0.795，‘外在动机’维度的α系数为0.812，均高于0.7的临界值，表明量表具有良好的内部一致性信度。”

模板2：删除题目说明

“通过‘项总计统计量’分析发现，‘动机8’的校正项总计相关性（CITC）为0.321<0.3，且删除该题目后量表的α系数从0.823提升至0.835，因此删除‘动机8’这一题目。删除后量表的α系数为0.835，信度良好。”

模板1：KMO和Bartlett检验

“探索性因子分析前，先进行KMO和Bartlett球形检验。结果显示，KMO值为0.856（>0.7），Bartlett球形检验的χ²值为452.361（df=36，p<0.001），表明数据适合进行因子分析。”

模板2：因子提取与旋转

“采用主成分分析和最大方差正交旋转法提取因子，根据Kaiser准则（特征值>1）共提取2个因子，累计方差解释率为53.99%（因子1解释28.12%，因子2解释25.87%），说明这2个因子能较好地解释量表的结构。”

模板3：因子载荷与维度命名

“旋转后的因子载荷矩阵显示（见表3），所有题目的因子载荷均高于0.5（范围为0.698-0.821），且无交叉载荷现象。其中‘动机1’‘动机2’‘动机3’在因子1上载荷较高，命名为‘内在动机’；‘动机4’‘动机5’‘动机6’在因子2上载荷较高，命名为‘外在动机’。结果表明量表具有良好的结构效度。”

模板4：共同度

“所有题目的提取共同度均高于0.5（范围为0.623-0.685），说明因子能较好地解释各题目的变异，进一步验证了量表的结构效度。”

表3 旋转成分矩阵（N=200）

注：提取方法为主成分分析；旋转方法为最大方差法；旋转在6次迭代后收敛。

1. 误区1：信度分析只做整体α，不做维度α

• 正确做法：不仅要报告量表整体的α系数，还要报告每个维度的α系数（比如“内在动机”α=0.795，“外在动机”α=0.812）。

2. 误区2：EFA不做旋转，直接看初始因子载荷

• 正确做法：一定要做旋转（最大方差法），因为初始因子载荷往往难以解释，旋转后能让因子结构更清晰。

3. 误区3：因子载荷<0.5也保留

• 正确做法：因子载荷<0.5的题目必须删除，否则结构效度不足。

4. 误区4：用CFA代替EFA

• 正确做法：EFA是“探索”维度（适合量表开发阶段），CFA是“验证”维度（适合量表验证阶段）。新手论文用EFA即可，CFA需要AMOS软件，难度较高。

5. 误区5：内容效度不写

• 正确做法：内容效度需要说明“量表的来源”（比如“本研究采用XX等（2020）编制的大学生学习动机量表，该量表已被多项研究验证具有良好的信效度”）或“专家评审”（比如“量表经过3位教育学专家评审，内容效度指数（CVI）为0.89”）。

给大家整理一个“傻瓜式流程”，以后做分析直接按这个步骤来：

1. 数据准备：整理Excel数据→导入SPSS→处理反向计分题和缺失值。

2. 信度分析：运行可靠性分析→看α系数（≥0.7）→删除CITC<0.3或删除后α提高的题目→重新分析直到α≥0.7。

3. 效度分析：运行因子分析→看KMO（≥0.7）和Bartlett（p<0.05）→看碎石图和特征值提取因子→看旋转成分矩阵（载荷≥0.5，无交叉载荷）→删除载荷低的题目→重新分析直到结构清晰。

4. 结果写作：套用模板，报告关键指标（α系数、KMO、Bartlett、因子载荷、累计方差解释率）→导出表格和图到论文。

• Ctrl+A：全选输出窗口内容；
• Ctrl+C：复制表格或图；
• Ctrl+S：保存输出结果；
• F1：打开SPSS帮助文档（遇到问题先查帮助！）。

• 书籍：《SPSS统计分析基础教程》（张文彤）、《问卷统计分析实务——SPSS操作与应用》（邱皓政）；
• 视频：B站搜索“SPSS信度效度分析”，推荐“统计学堂”“科研猫”的视频；
• 工具：如果需要做CFA，可以学习AMOS软件（SPSS的姐妹软件，操作类似）。

写论文不容易，数据分析更是“拦路虎”——但只要掌握了信度效度的核心逻辑和SPSS操作，你会发现“原来也没那么难”。希望这篇攻略能帮你顺利通过导师的“数据审核”，祝大家论文顺利！