问卷分析指南
问卷信度效度怎么做？Cronbach α、KMO 与 Bartlett 结果解读
这份指南专门讲问卷信度效度怎么做，适合处理 Cronbach α 不达标、KMO 偏低、Bartlett 不显著，以及结果部分不知道怎么写的问题。
这个页面能先帮你做什么
- 解释信度、效度分别在问卷研究里解决什么问题
- 覆盖 α 系数、KMO、Bartlett 的常见阈值和误区
- 直接衔接结果解释和方法章节写法
为什么信度和效度总被写成一句空话
因为很多论文只写“进行了信效度检验，结果良好”，却没有交代具体指标、判断依据和处理逻辑。
评阅人真正想看到的，不是“良好”两个字，而是你的量表是否稳定、题项是否能支撑变量解释。
先分清信度和效度
- 信度更关心量表是否稳定一致，常看 Cronbach α
- 效度更关心题项是否真的能反映你要测的变量，常看 KMO 和 Bartlett，再决定是否适合因子分析
- 两者都不是单纯比一个数字大小，而是要结合题项来源、样本量和研究设计一起判断
常见指标怎么理解
- Cronbach α 通常大于 0.7 更稳，太低时先检查反向题和不合适题项
- KMO 越接近 1 越说明变量间相关结构更适合做因子分析
- Bartlett 显著通常意味着变量之间存在足够相关性，可以继续分析
- 如果指标勉强过线，也不要把结果写成“完全没有问题”
检验不理想时先看什么
- 题项是否抄得太散，没有围绕同一变量
- 反向计分题是否没有先处理
- 样本量是否太小，导致指标不稳定
- 题项表述是否存在双重含义或歧义
结果部分怎么写才不空
结果写法至少要包括：使用了什么指标、指标大致落在哪个范围、这说明了什么、后续能否继续进行相关或回归分析。
不要只贴一张表。最好补一句解释，让读者知道这些数字如何支撑你的后续分析。
这个问题最常对应的学校场景
常见问题
- Cronbach α 小于 0.7 就一定不能用吗？
- 不一定，但需要解释。先检查题项、反向计分和样本问题，再判断是否需要删题或调整量表。不能直接跳过不管。
- KMO 不高还能继续做回归吗？
- KMO 主要影响因子分析是否合适，不直接等于回归能不能做。但如果量表本身结构不稳，后续变量解释也会变弱。
- 结果部分要不要把每个系数都详细解释一遍？
- 不需要面面俱到，但核心指标要交代清楚，尤其是它们如何支撑你后面的相关、回归或假设检验。