问卷信效度分析课件教学讲解-论文指导设计-

問卷信效度分析吳智鴻Outline項目分析（Item

Analysis)效度分析（Validity

Analysis:Factor

Analysis)信度分析（Reliability

Analysis)項目分析Item-analysis使用時機❏問卷預試完後，根據樣本填答的資料求出各題項的決斷值（CR)，若決斷值沒有達到顯著水準，則該題項便允以刪除。案例說明❏國道客運滿意度問卷項目分析STEPS輸入問卷資料至SPSS❏

若有反向題則需要以[Recode]來進行轉換加總全部題項的分數。按總分排序區分高低分組❏

以樣本總分的前27%為高分組❏

以樣本總分的後27%為低分組

獨立樣本t考驗，檢驗每個題項在高低分組有無差異。若未達顯著，則刪除。

求其各題項與總分之相關，若達顯著水準，則不需刪題。滿意度問卷～整體滿意度部分滿意度問卷～社經背景STEP

1開啟資料STEP

2加總分數我們以問卷第三部分～整體滿意度之第1~8題來當範例。選[Transform]/[Compute]來加總分數。

輸入以下公式，然後選OK。將總分儲存於「Total」變數中。計算極端值

用[Analyze]/[Descripitive

Statistics]/[Frequencies]出前27%與後27%的值。利用統計量找出極端值前27%的值為32後27%的值為25區分高低分組

用[Transform]/[Recode]/[Into

Different

Variables]將「total」變數分群。輸入以下資訊，然後按「Old

and

NewValue」輸入分群資訊如下Group變數❏1代表低分組❏2代表高分組❏.代表未分組執行[Analyze]/[Compare

Means]/

[Independent-Samples

T

test]利用Group變數來進行T

test檢定滿意度八個題目有無差異。結果說明：顯示八個題目均具有鑑別度，可以保留。先看變異數同質性考驗之F值（Levene’s

Test)❏

F值之p-value<0.05看Equal

variances

not

assumed之t值❏

F值之p-value>0.05看Equal

variances

assumed之t值各題項之t值便是CR值STEP6求算與各題項之相關[Analyze]/[Correlate]/[Bivariate]用Person求出變數與總分間相關程度

將問卷各題項（八題）及「Total」變數放入

Variable方塊，❹勾選「Person」、「Two-tailed」、「Flag

significant

correlation」。

由右表可知，各題項與總分相關皆達顯著水準（p<0.01)，因此此八個題項皆可保留。信度分析信度分析（Reliability

Analysis)使用時機❏進行項目分析與因素分析之後，建立問卷的信度。案例說明❏國道滿意度問卷操作步驟❏

[Analyze]/[Scale]/[Reliability

Analysis]常用信度指標❏內部一致性係數（Cronbach’s

α)❏折半係數實例演練安養中心照護品質滿意度以預期服務品質22題項進行1.項目分析信度分析效度分析CR值信度因素分析使用時機❏建立問卷的建構效度（Construct

Validity)案例說明❏國道滿意度問卷操作步驟❏

[Analyze]/

[Data

Reduction]

/

[Factor]求相關係數和估計共同性Statisics統計量

[Univariarte

descripitive]：單變量描述性統計量，計算每一題項的平均數、標準差。

[Initial

solution]：初始解統計量。計算出因素分析未轉軸前之共同性(communality)、特徵值(eigenvalues)、變異數百分比(cumulativepercentage)[Correlation

Matrix]：係數矩陣[Correlation

Matrix]：係數：計算出各題題項之間的相關係數矩陣。[Significance

levels]：顯著水準。計算出相關係數的顯著水準矩陣。[Determinant]：行列式值。計算相關係數矩陣的行列式值。[Inverse]：反矩陣。計算相關係數矩陣的反矩陣。

[Reproduced]：重製相關矩陣。上半部代表重製矩陣，下半部代表殘差矩陣。[Anti-image]：反映像。求出反映像的共變數及相關矩陣。

[KMO

and

Bartlett’s

test

of

sphericity]：KMO值和巴特烈球形考驗。決定抽取共同因素的方法陡坡圖Method：抽取共同因素的方法主成份分析（principle

component

analysis）未加權最小平方法(Unweighted

least

squares)一般化最小平方法（Generalized

least

squares）最大近似法（Maximum-likelihood

）主軸法（principal-axis

factoring）因素法(Alpha

factoring)映像因素法(Image

factoring)轉軸的方法Method：轉軸的方法[None]：不需轉軸[varimax]：最大變異法(屬正交轉軸法)[Quartimax]：四次方最大值法(屬正交轉軸法)[Equamax]：相等最大值法（屬正交轉軸法）[Direct

Oblimin]：直接斜交轉軸法(屬斜交轉軸法)[Promax]：Promax轉軸法(屬斜交轉軸法)輸出情形[Rotated

solution]：顯示轉軸後的相關資訊。

[Roading

plot(s)]：顯示轉軸後的因素負荷量圖形。遺漏值設定

[Exclude

cases

listwise]：某一筆資料中有遺漏值，不論該缺失值所在變項與該次分析有關否，一律將該筆資料排除不用。

[Exclude

cases

pairwise]：若要分析的變項該樣本皆缺失資料，則該筆樣本不用。

[Replace

with

mean]：用平均數取代缺失值，進行計算。因素負荷量輸出情形[Sort

by

size

]：讓因素負荷量依大小序排列。

[Suppress

absolute

values

less

than]：設因素負荷量小於所輸入之設定值時，則因素負荷量不出現。但一般來說，正式的研究論文中應該呈現完整的因素負荷量較為適宜。各題項間的相關矩陣因素分析適合度考驗

當KMO值越大時，表示變項間的共同因素越多，越適合進行因素分析。一般來說，如果KMO值小於.5時，較不宜進行因素分析。本例中的KMO值為.918，大於.5，所以適合因素分析。

另一種指標為Bartlett’s球形考驗，其卡方值

27715.185，達顯著水準，代表相關矩陣間有共同因素存在，因此適合進行因素分析。效度係數轉軸後的因素負荷量矩陣轉軸後的因素負荷量矩陣轉軸後的因素負荷量矩陣

每一題於五個因素的負荷量取其最大者，便把此題項歸在此因之下。

例如：「期望座位舒適度」題項在各個因素的負荷量為.834、-.055、.051、.096、-.141。因此把「期望座位舒適度」題項類在因素一之內。

在上表中，「因素一」共有7題，「因素二」共有7題，「因素三」共有5題，「因素四」共有3題，「因素五」共有2題。

一般來說，每一個因素至少要包含3題以上是題項才足以表達出因素的構面。因此，第五因素下是二題則可以刪除。

刪題之後，必須再重新進行一次因素分析，檢驗各構面的題項是否會因刪題之後而改變。

我們可以反覆的進行因素分析，直到各個因素之下的題項至少3題以上者，方可得到最後的因素構面。刪題後的結果已轉軸的因素負荷量

由上表可知，四個因素構面之下的題項與第一次因素分析一致，所以已經達到穩定，不再進行因素分析。利用已轉軸的因素負荷量，進行因素命名。

若因素分析中的結果中，每一個因素之下是題項包含了許多其他原先設定構面之下的題項，則必須重新命名。資料分析結果呈現

針對國道客運滿意度問卷進行因素分析，首先經過巴特萊球形考驗(Bartlett’s

Test

ofSphericity)，其

=25336.689，df=231，p=.000<.001，達到顯著水準，表示量表上有共同因素的存在。

KMO的抽樣適度量數(Kaiser-Meyer

Measureof

Sampli