毕业论文问卷信效度不过关

不可以。论文本身是对某领域的研究和成果的描述。具有一定的实际意义。在论文审核时候有一项标准即为论文的可行性。过低则没有实际的参考意义，需要修改。信度即可靠性，它是指采用同样的方法对同一对象重复测量时所得结果的一致性程度。信度分析就是论文的可实现性。

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：

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。