信度与效度的区别
信度（reliability）指测量结果的一致性、稳定性与可重复性；效度（validity）指测量工具是否真正测到了它想测的内容。
两者是不同方面：信度高是取得效度的必要条件之一，但信度高并不能保证有效度—— 一把始终偏远但每次读数都一致的尺子信度不错，效度却差。 因此问卷分析中，信度与效度通常需要分别报告。
信度：Cronbach's α 与分半信度
Cronbach's α
Cronbach's α 衡量量表的内部一致性，取值一般在 0 至 1 之间。 它反映各题目是否测量同一构念、得分是否彼此关联。
- α 约 0.7 及以上：一般作为可接受的参考。
- α 约 0.8 及以上：通常认为较好。
- α 约 0.9 及以上：很好，但需警惕题目冗余——过高（如 0.95 以上）可能提示题目内容重复。
- α 低于 0.6：一般提示信度不足，需要修订或删减题项。
分半信度
分半信度（split-half）把题目分成两半，计算两半得分的相关系数，再用 Spearman-Brown 公式校正到全量表的长度。 它从「内部一致性」的另一角度评估信度，适合题目较多的情况。
信度计算例子
某 10 题满意度量表，Cronbach's α = 0.82；分半信度经 Spearman-Brown 校正后为 0.78。
查看项总计统计发现，删除第 6 题后 α 升至 0.86，提示该题与其他题目的相关性偏低，可结合题意考虑修改或删除。
常见误区
α 越高量表越好？不是。α 过高可能反映题目重复，反而削弱内容效度，应同时关注题目的理论含义。
不同维度混算一个 α？把不同构念、不同维度的题目合并计算单一 α，会歪曲内部一致性的真实水平。
项总计统计与信度修订
项总计统计给出每一道题与总分的相关，以及「删除该题后 α 的变化」，常用于识别拖低信度的题项。
- 某题与总分相关偏低（如低于 0.3）时，可考虑修改或删除。
- 删除某题后 α 明显上升，是该题与其余题目一致性不足的信号。
- 删题必须兼顾内容效度：题目是否覆盖了构念的关键方面，不能只看统计指标。
修订建议
信度不足时，可先检查是否有表述含糊、双重含义或方向相反的题目；调整后再重新评估 α，而不是直接删题了事。
效度：KMO、Bartlett 与探索性因子分析
结构效度常用探索性因子分析（EFA）考察，即在站内「效度分析」工具中，分析题目在潜在因子上的载荷结构。 在做 EFA 之前，先判断样本是否适合做因子分析。
- KMO：一般以 0.6 以上作为可做因子分析的参考，0.8 以上通常更适合。
- Bartlett 球形检验：显著说明变量之间存在相关，适合做降维；不显著则因子分析意义有限。
- 因子载荷：载荷绝对值偏低（如低于 0.4–0.5）或在两个因子上都较高（跨因子载荷）的题目，宜考虑删除。
- 样本量：与题项数应有合理比例，常见经验是样本量至少为题项数的 5 至 10 倍。
效度分析例子
某 12 题量表，KMO = 0.84，Bartlett 球形检验 χ²=612，p < 0.001，说明适合做因子分析。
EFA 提取出 3 个因子，累积方差解释率 58%。第 9 题在第 1、第 2 个因子上载荷分别为 0.45 与 0.41（跨因子载荷）， 结合题意判断其归属不明，可考虑删除或改写。
报告标准与常见误区
- 信度：报告总量表及各维度的 α、题目数与样本量；使用分半信度时报告校正系数。
- 效度：EFA 报告 KMO、Bartlett 结果、提取因子数、累积方差解释率与因子载荷表。
- 信度与效度分别报告，不互相替代。
常见误区
用信度代替效度？二者考察不同方面，α 高不代表量表测到了想测的内容。
KMO 偏低仍强行做因子分析？此时因子结构不稳定，结论可靠性差。
对同一批数据先探后验？在同一批样本上先做 EFA 又做验证性因子分析并当作独立证据，会高估结构效度。
只按载荷大小删题？忽略题目的理论含义，可能把有内容的题目错误剔除。
小结
- 信度关注一致性，效度关注测量内容，二者需分别评估与报告。
- Cronbach's α 与分半信度是常用的内部一致性指标，一般以 0.7 以上为可接受参考，过高需警惕题目冗余。
- 项总计统计用于识别拖低信度的题项，删题须兼顾理论含义。
- 效度分析先看 KMO 与 Bartlett 是否适合做因子分析，再以 EFA 的载荷结构考察结构效度。