效度檢驗

收錄於話題 #統計基礎 21個內容

一、理論知識

（一）效度的概念及性質

效度即有效性，是指測量工具或手段能夠準確測出所需測量的事物的程度。效度是指所測量到的結果反映所想考察內容的程度，測量結果與要考察的內容越吻合，則效度越高；反之，則效度越低。

基本上，效度具有以下性質：

1效度是指測驗結果的正確性或可靠性，而非指測驗工具本身。

2效度並非全有或全無，只是程度上有高低不同的差別。

3效度具有目標功能性即其是針對某一特殊功能或某種特殊用途而言的，一份具有高效度的測驗工具施測於不同的受試者，可能會導致測驗結果的不正確。

4效度無法實際測量，只能從現有信息作邏輯推論或從實證資料作統計檢驗分析。

（二）效度的分類

1內容效度（content validity）

是指測驗或量表中題目的適切性與代表性，即測驗內容能否反映所要測量的心理特質，能否達到測量的目的或行為構念。內容效度的檢驗通常會通過雙向細目表，以檢視測驗內容的效度，內容效度常以題目分布的合理性來判斷，屬於一種命題的邏輯分析，因此內容效度也被稱為邏輯效度（logical validity）。

2效標關聯效度（criterion-related validity）

是指測驗與外在效標間的相關程度，測驗與外在效標間的相關程度愈高，表明此測驗的效標關聯效度愈高。作為外在效標的工具，本身必須具備良好的信度與效度，如1）標準化的學業成績、智力測驗；2）通常建立的人格量表、態度量表；3）實際的工作表現等。效標關聯效度通常是求實際測驗分數與效標間的關係，屬於實證統計分析，因此效標關聯效度又被稱為實證性效度（empirical validity）。

3建構效度（construct validity）

是指能夠測量出理論的特質或概念的程度，即實際的測驗分數能解釋多少某一心理特質。我們根據理論的假設架構，編制一份量表或測驗，經實際測試結果，受試者所得實際分數經統計檢驗能有效解釋受試者的心理特質，則成此量表或測驗具有很好的建構效度。

（三）建構效度檢驗與因子分析

1建構效度

建構效度以理論的邏輯分析為基礎，又根據實際資料檢驗理論的正確性，因此檢驗建構效度是一種相當嚴謹的效度檢驗方法。建構效度檢驗步驟通常包括：1）根據已有研究結果和實際經驗等建立假設性理論；2）根據建立的假設性理論編制適切的測驗工具；3）選取適當的受試者進行施測；4）以統計檢驗的實證方法去檢驗此測驗工具是否能有效解釋所關注的心理特質。

統計學上，檢驗建構效度最常用的方法是因子分析（或稱共同因子分析common factor analysis；CFA），若使用者以因子分析去檢驗測驗工具的效度，有效抽取出共同因子且共同因子與理論架構的心理特質極為接近，則說此測驗工具具有建構效度。因此使用者會將項目分析完後的題項作因素分析，以求得量表的建構效度。

2因子分析

因子分析的基本原理此處不再贅述，簡單回憶一下因子分析的主要步驟和篩選原則。

進行因子分析的步驟包括：1）計算變量間相關矩陣；2）估計因子載荷（factors loading），估計方法有主成分分析法（principal components analysis）、主軸法、極大似然法等；3）對因子載荷矩陣進行旋轉，以能更好地解釋公共因子；4）對公共因子作出解釋。

因子分析中的一項重要工作是保留多少個公共因子，常用的確定方法有：1）特徵值：保留特徵值大於1的因子；2）陡坡圖：以因子數目為橫軸、以特徵值為縱軸繪製陡坡圖，若圖形呈現由斜坡轉為平坦，則去掉平坦狀態後的共同因子；3）累計貢獻率：當所萃取額共同因子所能解釋全部因子的累計貢獻率達到某一預設值後（通常為80%）就停止抽取公共因子。

此外，是否適合進行因子分析，可通過KMO檢驗進行判斷。進行因子分析前，KMO統計量值的判斷準則如表1，可大致認為KMO統計量值大於0.6時進行因子分析，否則應該另尋分析方法。此外，還可通過巴特利特（Bartlett’s）球形檢驗判斷是否適合因子分析，Bartlett球度統計量越大越好，當其對應的p值<0.05時，表明數據適合做因子分析。在SPSS中，KMO檢驗與Bartlett球形檢驗同時進行。

（一）研究問題介紹

某使用者在一項中學學校知識管理與學校效能關係的研究中，自編了一份「學校知識管理量表」，此量表原有20題，經項目分析後刪除第20題，保留19題，試分析此19題的建構效度。

在編制「學校知識管理量表」時，依三大板塊--「知識創新」、「知識分享」、「知識獲得」來編制題項，為進一步求出量表的建構效度而進行因子分析。在變量名稱編碼時，19題的題項變量名稱依序為c1、c2、c3、…、c18、c19。

（二）操作步驟

1點擊「Analyze（分析）」→「Dimension Reduction（降維）」→「Factor（因子分析）」，打開「Factor Analysis（因子分析）」對話窗口，將左邊變量清單中的全部變量選入Variables下。

2選擇「Factor Analysis」對話窗口中的「Descriptives」,在「Correlation Matrix」中勾選「KMO and Bartlett’s test of sphericity」（KMO檢驗&Bartlett’s球形檢驗），點擊「Continue」。

3選擇「Factor Analysis」對話窗口中的「Extraction（萃取）」，在「Method」中選擇「Principal components」，在「Display」中勾選「Unrotated factor solution（未旋轉因子解）」，其餘默認，點擊「Continue」。

4選擇「Factor Analysis」對話窗口中的「Rotation（轉軸法）」，在「Method」中選擇「Varimax（最大變異法）」，在「Display」中勾選「Rotated solution（轉軸後的解）」，其餘默認，點擊「Continue」。

5選擇「Factor Analysis」對話窗口中的「Options」，在「Missing Values」中選擇「Exclude cases listwise（完全排除觀察值）」，在「Coefficient Display Format」中勾選「Sorted by size（依據因素負荷排序）」，其餘默認，點擊「Continue」。

6點擊「OK」。

（三）運行結果分析

1結果的第一部分（見表2）顯示了KMO統計量的值為0.855，由表1可知，「學校知識管理量表」適合進行因子分析，同時Bartlett球形統計量的p值遠小於0.05，也說明該量表適合做因子分析。

表2 KMO檢驗和Bartlett球形檢驗的結果（部分）

2結果的第二部分（見表3）展示了每個變量的初始共同性以及用主成分分析法抽取主成分後的共同性（此為最終共同性）。共同性低，表示該變量不適合進行主成分分析；共同性高，表示該變量與其它變量可測量的共同特質多。最終共同性的高低可作為項目分析時篩選題項是否保留的指標之一，若共同性低於0.2則可考慮將該題項刪除。由表2知「學校知識管理量表」中的各題項都不應被刪除，說明之前進行的項目分析沒有出錯。

結果的第三部分（表4）呈現了採用主成分分析法抽取共同因子後的解釋總方差（Total Variance Explained）表，轉軸方法為直交轉軸的最大變異法。這一部分的結果包括：「成分」、「初始特徵值」、「平方和載荷萃取」和「轉軸平方和載荷」。「初始特徵值」中的「總和」列時每一主成分的特徵值，特徵值越大表示該主成分在解釋19個變量的變量時越重要；「方差的%」為每一個抽取因子可解釋變量的方差；「累計%」為解釋變量方差的累計百分比。以主成分分析法抽取共同因子，其「Initial Eigenvalues」（初始特徵值）與「Extraction Sums of Squared Loadings」（平方和負荷量萃取）兩欄中的值完全相同，本量表中四個因子可以解釋全量表69.253%的方差。

表4 解釋總方差

結果的第四部分（表5）為19個變量在四個因子上為轉軸的因子矩陣（即原始因素負荷量矩陣），因子矩陣中的數值為各題項變量在公共因子上的因子載荷，因子載荷數值越大表示題項變量與公共因子的關聯越大。由表5可知，第14題與公共因子的關聯最大，其次依次為第15題、第9題、，第12題與公共因子的關聯最小。

表5 因子載荷矩陣

結果的第五部分（表6）是轉軸後的因子載荷矩陣，按照因子載荷的大小降序排列，轉軸的主要目的在於重新安排題項在每個公共因子的因子載荷，轉軸前較大的因子載荷轉軸後將變得更大，而較小的因子載荷轉軸後將變得更小。從表六可知：公共因子a包含第7、8、9、10、11、13題，公共因子b包含第14、15、16、17、18、19題，公共因子c包含第1、2、3、4、5、6題，公共因子d只包含第12題。由於公共因子d只包含一題，題項數太少無法顯示公共因子代表的意義，因此刪除公共因子d較為適宜。

（二）結論

進行上述因子分析後，由於公共因子d只包含c12，包含的題項變量少於3題且因子構念無法命名，因此在刪除c12後再次進行因子分析。納入第二次因子分析的題項包含排除c12外的18個題項，軟體操作與上述類似。

第二次因子分析萃取了三個因子，且三個因子均可合理命名，三個因子被命名為：「知識創新」、「知識分享」、「知識獲取」，「知識創新」包括c1、c2、c3、c4、c5、c6六題；「知識分享」包括c7、c8、c9、c10、c11、c13六題；「知識獲取」包括c14、c15、c16、c17、c18、c19六題。