做量表研究的人，或多或少都曾因為量表效度不達標困擾過，尤其在很多研究領域並沒有特別權威的經典量表可以引用。使用自製的量表來研究，容易信效度不達標，那麼如果遇到效度非常糟糕的情況時應該怎麼辦呢？
一、效度的標準
在解決效度低的這個問題之前，我們不妨一起來回顧下，判斷效度達標的指標都有哪些。以使用探索性因子分析檢驗結構效度為例：
（1）KMO>0.6、通過巴特萊球形檢驗
SPSSAU效度分析中可自動輸出KMO 和 Bartlett 的檢驗結果。
如果KMO值高於0.8，則說明效度高；如果此值介於0.7~0.8之間，則說明效度較好；如果此值介於0.6~0.7，則說明效度可接受，如果此值小於0.6，說明效度不佳(如果僅兩個題；則KMO無論如何均為0.5)。
通過Bartlett 球形度檢驗意味著變量之間有一定的相關性，適合使用因子分析檢驗效度。
（2）分析項歸類清晰
結構效度分為兩種：一種是使用探索性因子分析的方法；另一種是使用驗證性因子性分析。其中探索性因子分析適合非經典量表使用。
比如說預期有5個維度，但是分析後得到3個公因子，可能就是某些分析項預期與實際分析時出現了偏差，這時可以適當刪減不合理的分析項，當分析項與維度的劃分與專業意義上的內在邏輯結構基本一致，此時則說明數據具有較好的效度。
通常分析項的在某個因子下的因子載荷係數絕對值>0.4，即認為該分析項可以歸屬於這個因子下。
比如上表中的分析項d1，預期歸屬於因子5裡，但實際在因子1裡。此時就應該移出d1重新分析。
（3）其他效度分析判斷指標：共同度、相關係數矩陣等
如果變量相關性過高，可能會存在共線性問題，區分效度較低等問題；如果相關性太低，則說明變量之間的內在聯繫比較弱，不適合進行因子分析。通常共同度值>0.4即可。
共同度值可在效度分析結果中獲得，相關係數矩陣可通過SPSSAU【通用方法】--【相關】得到。
二、什麼樣的數據是糟糕的數據
（1）怎麼都劃分不清維度
（2）實際分析項歸類與預期維度不同
（3）有很多共同度很低的題項
三、解決方案
（1）怎麼都劃分不清維度
建議每次放入一個維度的題項，移出共同度低的問題。重複以上操作，將每個維度分析一遍，確保每個維度內部沒有太糟糕的題。然後再放入全部的題目，整體分析。這樣就可以看到維度之間劃分得是否清晰。
（2）實際分析項歸類與預期維度不同
分析項歸類與預期維度不同，是一個非常常見的問題。
如果是採用經典量表，可以用驗證性因子分析CFA代替探索性因子分析EFA檢驗量表效度。
CFA檢驗流程輕參考：
https://spssau.com/helps/questionnaire/cfa.html
如果是自製量表，且有一定的理論支持。想保持量表維度劃分不變。
建議每次放入一個維度的題項，移出共同度低的問題。重複所有維度操作一遍，確保每個維度內部沒有太糟糕的題。然後再放入全部的題目，整體做一遍。這樣就可以看到維度之間劃分得是否清晰。
如果仍然無法解決建議可增加樣本量，或重新收集數據修改量表內容。
如果是自製量表，只是實現預測有幾個維度且處於探索階段。
如果結果的維度劃分比較清晰，且符合專業知識認知，建議以分析結果為準，根據假設和結果，修正量表。
同樣的樣本數據，不同的分析思路，有可能出現結果不相同，但只要符合效度的思維概念即可。
（3）有很多共同度很低的題項
有很多共同度低的分析項，意味著分析項之間的關聯性較低，通常這時候分析項歸類也不好。
此時建議可以從共同度最低的分析項開始移出，依次分析直至刪除所有共同度小於0.4的項，需要來回多次進行對比，找出最佳結果。
當然，最根本的改善效度的方法，還是要做好預調研工作，保證數據收集質量。設計量表時每個維度的題目最好有出處可尋。這樣做才能為後續分析工作提供便利。