区分效度不好应该剔除哪些数据

❶ 超级糟糕的问卷效度，要如何调整

做量表研究的人，或多或少都曾因为量表效度不达标困扰过，尤其在很多研究领域并没有特别权威的经典量表可以引用。使用自制的量表来研究，容易信效度不达标，那么如果遇到效度非常糟糕的情况时应该怎么办呢？

在解决效度低的这个问题之前，我们不妨一起来回顾下，判断效度达标的指标都有哪些。以使用探索性因子分析检验结构效度为例：

（ 1 ） KMO >0.6 、通过巴特莱球形检验

SPSSAU效度分析 中可自动输出KMO 和 Bartlett 的检验结果。

如果KMO值高于0.8，则说明效度高；如果此值介于0.7~0.8之间，则说明效度较好；如果此值介于0.6~0.7，则说明效度可接受，如果此值小于0.6，说明效度不佳(如果仅两个题；则KMO无论如何均为0.5)。

通过Bartlett 球形度检验意味着变量之间有一定的相关性，适合使用因子分析检验效度。  

（2）分析项归类清晰

结构效度分为两种：一种是使用探索性因子分析的方法；另一种是使用验证性因子性分析。其中探索性因子分析适合非经典量表使用。

比如说预期有5个维度，但是分析后得到3个公因子，可能就是某些分析项预期与实际分析时出现了偏差，这时可以适当删减不合理的分析项，当分析项与维度的划分与专业意义上的内在逻辑结构基本一致，此时则说明数据具有较好的效度。

通常分析项的在某个因子下的因子载荷系数绝对值>0.4，即认为该分析项可以归属于这个因子下。

比如上表中的分析项d1，预期归属于因子5里，但实际在因子1里。此时就应该移出d1重新分析。

（3）其他效度分析判断指标： 共同度 、相关系数矩阵等

如果变量相关性过高，可能会存在共线性问题，区分效度较低等问题；如果相关性太低，则说明变量之间的内在联系比较弱，不适合进行因子分析。通常共同度值>0.4即可。

共同度值可在 效度分析 结果中获得，相关系数矩阵可通过SPSSAU【 通用方法 】--【 相关 】得到。

（1）怎么都划分不清维度

（2）实际分析项归类与预期维度不同

（3）有很多共同度很低的题项

（1）怎么都划分不清维度

建议每次 放入一个维度的题项 ，移出共同度低的问题。重复以上操作，将每个维度分析一遍，确保每个维度内部没有太糟糕的题。然后再放入全部的题目，整体分析。这样就可以看到维度之间划分得是否清晰。

（2）实际分析项归类与预期维度不同

分析项归类与预期维度不同，是一个非常常见的问题。

CFA检验流程轻参考：

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

建议每次放入一个维度的题项，移出共同度低的问题。重复所有维度操作一遍，确保每个维度内部没有太糟糕的题。然后再放入全部的题目，整体做一遍。这样就可以看到维度之间划分得是否清晰。

如果仍然无法解决建议可增加样本量，或重新收集数据修改量表内容。

如果结果的维度划分比较清晰，且符合专业知识认知，建议以分析结果为准，根据假设和结果，修正量表。

同样的样本数据，不同的分析思路，有可能出现结果不相同，但只要符合效度的思维概念即可。

（3）有很多共同度很低的题项

有很多共同度低的分析项，意味着分析项之间的关联性较低，通常这时候分析项归类也不好。

此时建议可以从共同度最低的分析项开始移出，依次分析直至删除所有共同度小于0.4的项，需要来回多次进行对比，找出最佳结果。

当然，最根本的改善效度的方法，还是要做好预调研工作，保证数据收集质量。设计量表时每个维度的题目最好有出处可寻。这样做才能为后续分析工作提供便利。

❷ 区分效度不合格数据什么问题

回收数据的问题。区分效度不清御裤合格数据是量表题出错，是回拆穗收答简数据的问题，需要进行重新筛选处理，深受人们的喜爱。

❸ 测试中的异常数据剔除用什么方法

统计学中剔除异常数据的方法很多，但在检测和测试中经常用的方法有2种：

1-拉依达准则(也称之为3σ准则)：

很简单，就是首先求得n次独立检测结果的实验标准差s和残差，│残差│大于3s的测量值即为异常值删去，然后重新反复计算，将所有异常值剔除。

但这个方法有局限，数据样本必须大于10，一般要求大于50。所以，这个方法现在不常用了，国标里面已经剔除该方法！

2-格拉布斯准则（Grubbs）：

这个方法比较常用，尤其是我们检测领域。

方法也很简单，还是首先求得n次独立检测结果的实验标准差s和残差，│残差│/s的值大于g(n)的测量值即为异常值，可删去；同样重新反复计算之，将所有异常值剔除。

g(n)指临界系数,可直接查表获得. 95%的系数可参见下表：

❹ 信效度不够怎么处理

信度分析，即研究样本数据是否真实可靠，通俗来讲即研究样本是否真实回答各个题项。如果样本没有真实回答，信度肯定不达标，而有时即使样本真实回答，信度也不一定达标。信度分析可以分为四类，分别是：α信度系数、折半信度、复本信度和敏销模重测信度。

(1) α信度系数，即内部一致性系数。此类信度分析最为常见，基本上所有问卷信度分析均会使用此类分析。通过软件计算出α信度系数值，并且用其进行信度水平判断。进行此分析前，首先需要对反向题进行反向操作桥缓，并且α信度系数的测量通常以最小的维度为准，而非大维度。

一般来讲：α系数最好在0.8以上，0.7~0.8之间属于可以接受范围，而分量表的α信度系数希望在0.7以上， 0.6~0.7之间可以接受。如果α信度系数低于0.6则考虑修改量表。从α信度系数计算公式来看，维度对应的题项越多，以及样本量越多时，此值会越大。从笔者经验来看，如果某个维度仅由三个或者两个题项组成，并且样本量在200以下时，那么α信度系数通常会较小(低于0.6)。1个题项表达的维度无法进行α信度系数计算。

α信度系数是问卷信度分析中最为常见的分析方法，绝大多数时候使用α信度系数进行信度测量即可，笔者斗祥建议使用α信度系数进行问卷信度测量，问卷前测也类似，但问卷前测时会结合CITC和删除某项后的信度系数值进行判断是否修正或者删除题项，通常来讲，CITC值低于0.4，或者删除某项后的信度系数值反而上升0.1左右时应该考虑对题项进行修正或者删除处理。

❺ spss在什么情况下要舍弃一些数据

不同的分析方法都会有舍弃一些数据的情况。
比如求均值的时候，某些数据异常大，很影响均值的代表性，此时会把一些异常大或异常小的都剔除。
再比如做一些相关分析时，某些有缺失敏厅仔值的个案在进行分析时，伏仿系统会自动剔除
再比如做信效度分析的时候，检验桥汪到有部分数据影响整体信效度的情况下，可以进行一些删除