區分效度不好應該剔除哪些數據

❶ 超級糟糕的問卷效度，要如何調整

做量表研究的人，或多或少都曾因為量表效度不達標困擾過，尤其在很多研究領域並沒有特別權威的經典量表可以引用。使用自製的量表來研究，容易信效度不達標，那麼如果遇到效度非常糟糕的情況時應該怎麼辦呢？

在解決效度低的這個問題之前，我們不妨一起來回顧下，判斷效度達標的指標都有哪些。以使用探索性因子分析檢驗結構效度為例：

（ 1 ） KMO >0.6 、通過巴特萊球形檢驗

SPSSAU效度分析 中可自動輸出KMO 和 Bartlett 的檢驗結果。

如果KMO值高於0.8，則說明效度高；如果此值介於0.7~0.8之間，則說明效度較好；如果此值介於0.6~0.7，則說明效度可接受，如果此值小於0.6，說明效度不佳(如果僅兩個題；則KMO無論如何均為0.5)。

通過Bartlett 球形度檢驗意味著變數之間有一定的相關性，適合使用因子分析檢驗效度。  

（2）分析項歸類清晰

結構效度分為兩種：一種是使用探索性因子分析的方法；另一種是使用驗證性因子性分析。其中探索性因子分析適合非經典量表使用。

比如說預期有5個維度，但是分析後得到3個公因子，可能就是某些分析項預期與實際分析時出現了偏差，這時可以適當刪減不合理的分析項，當分析項與維度的劃分與專業意義上的內在邏輯結構基本一致，此時則說明數據具有較好的效度。

通常分析項的在某個因子下的因子載荷系數絕對值>0.4，即認為該分析項可以歸屬於這個因子下。

比如上表中的分析項d1，預期歸屬於因子5里，但實際在因子1里。此時就應該移出d1重新分析。

（3）其他效度分析判斷指標： 共同度 、相關系數矩陣等

如果變數相關性過高，可能會存在共線性問題，區分效度較低等問題；如果相關性太低，則說明變數之間的內在聯系比較弱，不適合進行因子分析。通常共同度值>0.4即可。

共同度值可在 效度分析 結果中獲得，相關系數矩陣可通過SPSSAU【 通用方法 】--【 相關 】得到。

（1）怎麼都劃分不清維度

（2）實際分析項歸類與預期維度不同

（3）有很多共同度很低的題項

（1）怎麼都劃分不清維度

建議每次 放入一個維度的題項 ，移出共同度低的問題。重復以上操作，將每個維度分析一遍，確保每個維度內部沒有太糟糕的題。然後再放入全部的題目，整體分析。這樣就可以看到維度之間劃分得是否清晰。

（2）實際分析項歸類與預期維度不同

分析項歸類與預期維度不同，是一個非常常見的問題。

CFA檢驗流程輕參考：

https://spssau.com/helps/questionnaire/cfa.html

建議每次放入一個維度的題項，移出共同度低的問題。重復所有維度操作一遍，確保每個維度內部沒有太糟糕的題。然後再放入全部的題目，整體做一遍。這樣就可以看到維度之間劃分得是否清晰。

如果仍然無法解決建議可增加樣本量，或重新收集數據修改量表內容。

如果結果的維度劃分比較清晰，且符合專業知識認知，建議以分析結果為准，根據假設和結果，修正量表。

同樣的樣本數據，不同的分析思路，有可能出現結果不相同，但只要符合效度的思維概念即可。

（3）有很多共同度很低的題項

有很多共同度低的分析項，意味著分析項之間的關聯性較低，通常這時候分析項歸類也不好。

此時建議可以從共同度最低的分析項開始移出，依次分析直至刪除所有共同度小於0.4的項，需要來回多次進行對比，找出最佳結果。

當然，最根本的改善效度的方法，還是要做好預調研工作，保證數據收集質量。設計量表時每個維度的題目最好有出處可尋。這樣做才能為後續分析工作提供便利。

❷ 區分效度不合格數據什麼問題

回收數據的問題。區分效度不清御褲合格數據是量表題出錯，是回拆穗收答簡數據的問題，需要進行重新篩選處理，深受人們的喜愛。

❸ 測試中的異常數據剔除用什麼方法

統計學中剔除異常數據的方法很多，但在檢測和測試中經常用的方法有2種：

1-拉依達准則(也稱之為3σ准則)：

很簡單，就是首先求得n次獨立檢測結果的實驗標准差s和殘差，│殘差│大於3s的測量值即為異常值刪去，然後重新反復計算，將所有異常值剔除。

但這個方法有局限，數據樣本必須大於10，一般要求大於50。所以，這個方法現在不常用了，國標裡面已經剔除該方法！

2-格拉布斯准則（Grubbs）：

這個方法比較常用，尤其是我們檢測領域。

方法也很簡單，還是首先求得n次獨立檢測結果的實驗標准差s和殘差，│殘差│/s的值大於g(n)的測量值即為異常值，可刪去；同樣重新反復計算之，將所有異常值剔除。

g(n)指臨界系數,可直接查表獲得. 95%的系數可參見下表：

❹ 信效度不夠怎麼處理

信度分析，即研究樣本數據是否真實可靠，通俗來講即研究樣本是否真實回答各個題項。如果樣本沒有真實回答，信度肯定不達標，而有時即使樣本真實回答，信度也不一定達標。信度分析可以分為四類，分別是：α信度系數、折半信度、復本信度和敏銷模重測信度。

(1) α信度系數，即內部一致性系數。此類信度分析最為常見，基本上所有問卷信度分析均會使用此類分析。通過軟體計算出α信度系數值，並且用其進行信度水平判斷。進行此分析前，首先需要對反向題進行反向操作橋緩，並且α信度系數的測量通常以最小的維度為准，而非大維度。

一般來講：α系數最好在0.8以上，0.7~0.8之間屬於可以接受范圍，而分量表的α信度系數希望在0.7以上， 0.6~0.7之間可以接受。如果α信度系數低於0.6則考慮修改量表。從α信度系數計算公式來看，維度對應的題項越多，以及樣本量越多時，此值會越大。從筆者經驗來看，如果某個維度僅由三個或者兩個題項組成，並且樣本量在200以下時，那麼α信度系數通常會較小(低於0.6)。1個題項表達的維度無法進行α信度系數計算。

α信度系數是問卷信度分析中最為常見的分析方法，絕大多數時候使用α信度系數進行信度測量即可，筆者斗祥建議使用α信度系數進行問卷信度測量，問卷前測也類似，但問卷前測時會結合CITC和刪除某項後的信度系數值進行判斷是否修正或者刪除題項，通常來講，CITC值低於0.4，或者刪除某項後的信度系數值反而上升0.1左右時應該考慮對題項進行修正或者刪除處理。

❺ spss在什麼情況下要舍棄一些數據

不同的分析方法都會有舍棄一些數據的情況。
比如求均值的時候，某些數據異常大，很影響均值的代表性，此時會把一些異常大或異常小的都剔除。
再比如做一些相關分析時，某些有缺失敏廳仔值的個案在進行分析時，伏仿系統會自動剔除
再比如做信效度分析的時候，檢驗橋汪到有部分數據影響整體信效度的情況下，可以進行一些刪除