效度分析用於研究題是否有效地表達研究變量或維度的概念信息，通俗地講，即研究題設計是否合理或題表示某個變量是否合適。通常情況下，效度分析只能分析量表題。
針對效度分析，通常會使用內容效度分析、結構效度分析（探索性因子分析）和結構效度分析（驗證性因子分析）進行效度分析。效度分析類型如下所示。
效度分析類型
內容效度分析即使用文字敘述形式對問卷的合理性、科學性進行說明。結構效度分析通常使用探索性因子分析（EFA）進行驗證，即通過探索性因子分析對題進行分析，如果輸出結果顯示題和變量的對應關係基本與預期一致，則說明結構效度分析良好。
1效度分析基本說明
效度分析的目的在於判斷研究題是否可以有效地測量研究人員需要測量的變量，通俗來講就是測量問卷題是否準確有效。當信度分析不達標時，效度分析必然也不能達標。效度分析常見的有內容效度分析、結構效度分析，建議研究人員通過內容效度分析和結構效度分析這兩方面對問卷進行效度分析，如下圖所示。
效度分析分類
（1）內容效度分析。內容效度分析是指問卷題對相關概念測量的適用性情況，簡單來講，即題設計的合理性情況。內容效度分析可以從兩個方面進行說明。
第一，專家判斷。專家具有權威性，因此如果專家對問卷進行判斷並得出肯定，那麼可以說明問卷具有有效性。此處的專家是指行業內專家或參考量表、權威來源等。
第二，問卷預測試。針對預測試數據進行分析，並結合分析結論對問題或選項進行修正，此處理過程可用於論證問卷設計的有效性。
在具體分析過程中，通常內容效度分析主要體現在研究題的設計是否有參考量表，是否經過專家、老師的認可，是否得到同專業相關人員的認可，以及研究人員是否對問卷進行修正工作，如對問卷進行預測試後發現問題並做出修正工作。內容效度分析不必使用SPSSAU或SPSS等軟體，直接進行文字描述即可。在問卷研究過程中，一般需要對內容效度分析進行說明。
（2）結構效度分析。結構效度分析指測量題與測量變量之間的對應關係。其測量方法有兩種，一種是探索性因子分析，另一種是驗證性因子分析。
探索性因子分析是當前使用最廣泛一種結構效度分析測量方法，此方法可以通過SPSSAU或SPSS軟體實現。其實現方法與探索性因子分析的探索因子操作步驟相似，只是在進行具體文字分析時會側重於對效度的說明。使用探索性因子分析進行結構效度分析測量時，應該以量表為準，對變量和量表分別進行分析（如分別針對自變量X、因變量Y進行），而不能將所有變量和量表放在一起進行探索性因子分析。
使用探索性因子分析進行結構效度分析測量時，首先需要對KMO值進行說明（最為簡單的效度分析是直接對每個變量進行探索性因子分析，並且通過KMO值判斷，不需要判斷題與因子對應關係等情況，但是此種判斷方法過於簡單，使用較少），KMO值指標的常見標準是大於0.6；然後需要詳細說明探索的因子數量、每個因子的方差解釋率、總共方差解釋率值，並且詳細描述各個題與因子的對應關係，如果對應關係與預期相符（符合專業知識預期），那麼說明問卷有著良好的結構效度分析。在使用探索性因子分析進行效度分析時，很可能會刪除對應關係與預期不一致的題或因子載荷係數值較低的題。
驗證性因子分析需要藉助SPSSAU、AMOS或LISREL等軟體進行測量，其對問卷量表質量、樣本量和樣本質量均有著較高的要求。如果問卷量表質量並非很高或樣本量較少（低於200個），那麼驗證性因子分析進行的結構效度分析測量就很難達標。
2 如何使用SPSSAU進行效度操作
關於效度的操作上，SPSSAU操作分為2步，如下：
Step1：點開「問卷研究」模塊裡面的「效度」，（當然也可以使用SPSSAU「進階方法」模塊裡面的「因子」即探索性因子分析）。
Step2：將分析項拖拽到右側槓中，並且設置專業預期的維度個數（因子個數）。如下圖：
完成上兩步操作之後，直接「開始分析」即可得到結果，類似如下圖：
效度分析是一個來回重複的過程，如果項與因子的對應關係情況不符合預期，通常需要刪除掉對應出錯的項，然後再次重複分析，直至項與因子的對應關係情況和專業預期保持一致。
3 效度不達標如何辦？
其實效度的測量和SPSSAU軟體操作都是非常簡單的，SPSSAU上『拖拽點一下』就得到智能分析結果，指標值如何，是否達標等都直接分析出來了。但當出問題時，SPSSAU會告訴結果不達標，關鍵在於如何讓效度達標。
接下來從5個角度去剖析數據不達標的處理。
第1點：KMO值過低？
如果做效度分析時KMO值過低，比如小於0.5，這肯定是有問題的，因為KMO值一般希望大於0.6，最好大於0.7。KMO值太低說明因子無法提取出信息，那麼解決辦法就是把提取信息量較低的項刪除出去。共同度(公因子方差)值表示信息的提取量，該值介於0~1之間，越大說明信息提取量越大，如果該值小於0.4那肯定需要刪除掉，有時候小於0.5都會刪除掉。SPSSAU默認直接就提供此指標，並且自動化標識出有問題的項。移除共同度值較低項後再次分析即可。
特別提示下，如果分析項僅2個，KMO值肯定是為0.5，此時不需要理會它即可。
第2點：對應關係出錯？
效度分析時，最關鍵的地方在於因子和分析項的對應關係情況，與專業預期需要一致，這樣就能證明效度高。出現對應關係出錯時，即『張冠李戴』時，直接把出現對應出錯的項移除出去再次分析。很多時候會出現問題，比如移除A也可以，移除B也可以，此時就需要來回多次對比，重複很多次分析，找出最佳結果即可。
當然如果最終還是不可以，建議可考慮直接以KMO值作為判定效度的標準，直接看KMO值用於判定效度，這種做法相對較為簡單，但也不失為一種處理辦法。
同時也可以考慮以一個變量作為單位進行效度分析，這種做法是避開因子與分析項的對應關係，直接假定某因子與很多項有著對應關係。
第3點：因子個數與預期不符？
SPSSAU默認可以設置因子個數，即維度個數。一般進行效度分析時，都需要設置因子（維度）個數，因為這代表預期的個數，只有研究本人才知道分析項分成幾個因子。
除此之外，從數理角度是建議以特徵根大於1作為因子個數的提取標準，但做效度分析時，通常是以專業角度的因子個數為準，所以直接在SPSSAU裡面自己設置因子（維度）個數即可，而不需要對特徵根進行判斷。
第4點：反向題問題？
如果出現反向題，通常情況下可反向處理，使用SPSSAU數據處理裡面的數據編碼，批量一次性處理即可。當然如果不處理也可以，因為效度分析時，載荷係數值是看絕對值即可。
第5點：自變量和因變量分別進行？
效度分析時，一般情況下，自變量和因變量是完全分開進行的，為什麼需要這樣呢，多數情況下自變量和因變量有著相關關係，如果放在一起進行，這本身就會對分析帶來幹擾，因此一般分別進行效度分析即可。
第6點：其它問題
效度分析還可能出現其它的問題，比如方差解釋率過低，對應關係無論如何也不達標等，這可能是由於樣本量相對於分析項過少，一般希望樣本量是分析項的5倍以上較好。如果還有其它問題，建議查閱SPSSAU對應的說明即可。