第一步：分析前的准备——处理反向计分题项

在进行任何分析之前，必须首先识别并处理数据集中的反向计分题项（通常在题项后标记为”R”）。

操作流程：

1. 在JASP的数据视图中，找到需要处理的反向题项列（例如 需求3）。
2. 点击该列标题上的 “+” 号，创建一个新的计算列。
3. 为新列命名（例如 需求3_R），以便区分。
4. 在弹出的公式框中，输入反向计分公式：(量表最大值 + 1) - 原始变量。
   • 例如，对于一个5点量表，公式为 6 - '需求3'。
5. 点击 “Compute column” 生成新列。

注意：在后续的所有分析步骤中，请务必使用这个新生成的、经过正向化处理的变量（需求3_R），而不是原始的反向题项。

第二步：执行验证性因子分析（CFA）

数据准备就绪后，即可开始搭建和运行CFA模型。

操作流程：

1. 在JASP顶部菜单栏中，点击 “Factor” -> “Confirmatory Factor Analysis”。
2. 定义因子模型:
   • 在左侧的“Factors”框中，根据您的理论模型创建相应数量的因子（潜变量），并为它们命名（例如：广告态度、认知需求等）。
   • 从最左侧的“Variables”框中，将每个因子对应的测量题项（观测变量）拖拽到相应的因子框中。确保所有因子和题项都已正确分配。
3. 选择关键输出选项:
   • 在左侧的分析选项面板中，找到 “Additional Output” 区域：
     • 勾选 ✅ Additional fit measures (获取CFI, TLI, RMSEA等关键拟合指数)。
     • 勾选 ✅ Average variance extracted (AVE) (获取平均方差提取量)。
     • 勾选 ✅ Reliability (获取组合信度，主要看McDonald’s ω)。
   • 接下来，找到并展开 “Advanced” (高级) 区域：
     • 找到 Standardization (标准化) 选项。
     • 将其从默认的 None 修改为 ✅ All。这是获取标准化因子载荷的关键步骤！

第三步：解读JASP输出结果的核心表格

完成设置后，JASP的右侧窗口将实时显示结果。请按以下顺序解读：

1. 模型整体拟合度 (Overall Model Fit):
   • 查看 Model fit, Additional fit measures, 和 Other fit measures 这几个表格。
   • 重点关注以下指标：χ2/df (需手动计算), CFI, TLI, RMSEA, 和 SRMR。这些指标共同判断您的理论模型与实际数据的匹配程度。
2. 参数估计 (Parameter Estimates):
   • 找到 Factor loadings (因子载荷) 表格。
   • 请务必查看 Std. estimate 这一列，这才是我们需要的标准化因子负荷。它反映了每个题项与其所属因子之间的关联强度。
3. 信度与收敛效度 (Reliability and Convergent Validity):
   • 在报告底部，找到 Reliability 表格。Coefficient ω (McDonald’s ω) 是比Cronbach’s α更精确的组合信度(CR)指标。
   • 在最底部，找到 Average variance extracted 表格，获取每个因子的 AVE 值，这是衡量收敛效度的核心指标。

第四步：理解统计指标——判断标准与解释

知道在哪里找到数字后，下一步是理解这些数字的意义。

表1：模型整体拟合指标判断标准

指标 (Index)	合格标准 (建议)	备注
χ2/df	< 3 (良好)；< 5 (可接受)	对卡方值进行修正，越小越好。
CFI / TLI	> .90 (良好)；> .95 (优秀)	比较拟合指数，越高越好。是核心报告指标。
RMSEA	< .08 (良好)；< .06 (优秀)	近似误差均方根，越低越好。是核心报告指标。
SRMR	< .08 (良好)	标准化残差均方根，越低越好。

Export to Sheets

表2：测量模型质量指标判断标准

指标 (Index)	合格标准 (建议)	衡量目标
标准化因子载荷	> 0.5 (可接受)；> 0.7 (理想)	单个题项的质量，必须显著(p < .05)。
组合信度 (CR / ω)	> 0.7 (可接受)；> 0.8 (良好)	整个因子所有题项的内部一致性（信度）。
平均方差提取量 (AVE)	> 0.5 (合格)	整个因子的收敛效度。

Export to Sheets

第五步：进阶解读与常见问题（FAQ）

Q1: 因子载荷的p值为什么小于0.001是好事，而不是“不真实”？

A: 在CFA中，我们验证的是我们亲手设计的测量工具。p值检验的零假设是“题项与因子毫无关系”。p < .001 提供了压倒性的证据来拒绝这个假设，强有力地证明了我们的题项设计非常成功，与它要测量的目标构念紧密相关。这与探索性实验中寻找微弱效应不同，在CFA中，强烈的显著性是高质量的标志。

Q2: AVE > 0.5 在原始数据上意味着什么？

A: 这意味着“信号”强于“噪音”。

• AVE > 0.5 (信号强): 被试在回答同一个构念的多个题项时，答案高度一致。例如，一个态度积极的人会在所有相关题目上都打出类似的高分（如6, 7, 6）。
• AVE < 0.5 (噪音大): 被试的答案随机、混乱、不一致。例如，一个态度积极的人可能在三个相关题目上打出7, 3, 5这样分散的分数。这说明测量工具不可靠。

Q3: 因子载荷和Cronbach’s α有什么关系？

A: 因子载荷是因，Cronbach’s α是果。逻辑链是：高因子载荷 → 高题项间平均相关性 → 高Cronbach’s α。但α假设所有载荷相等，这在现实中不成立。因此，直接由不相等的真实载荷计算出的 McDonald’s ω 是更精确的信度指标。

---

附录：使用SPSS进行探索性因子分析(EFA)与信度分析

虽然验证性因子分析（CFA）是验证量表结构的黄金标准，但在研究初期或没有强理论支撑时，研究者通常会使用SPSS进行探索性因子分析（EFA）来初步检验量表的结构效度，并结合Cronbach’s α来检验其信度。

第一部分：效度检验——探索性因子分析 (EFA)

EFA的目标是“探索”数据中是否存在潜在的因子结构，即检验设计的题项是否能有效地聚类到它们预设的构念上，从而为结构效度提供证据。

分析前置条件：

在进行EFA之前，需要判断数据是否适合进行因子分析。

1. KMO检验: Kaiser-Meyer-Olkin检验取样足够度的指标。
   • 标准: KMO值应大于0.6，大于0.7为良好，大于0.8非常适合，大于0.9极佳。
2. Bartlett’s球形检验: 检验变量之间是否存在相关性。
   • 标准: 结果应达到显著水平（p < .05），表明数据存在共线性，适合进行因子分析。

SPSS操作步骤：

1. 路径: 点击顶部菜单 分析 (Analyze) -> 降维 (Dimension Reduction) -> 因子 (Factor)。
2. 变量选择: 将所有待分析的题项放入右侧的“变量(Variables)”框中。
3. 描述性统计 (Descriptives):
   • 点击Descriptives...按钮。
   • 勾选 ✅ KMO和Bartlett's球形检验 (KMO and Bartlett's test of sphericity)。
4. 因子提取 (Extraction):
   • 点击Extraction...按钮。
   • 方法(Method): 推荐选择主轴因子法 (Principal axis factoring)。
   • 提取(Extract): 通常基于特征值大于1 (Eigenvalues greater than 1)来决定因子数量。
5. 因子旋转 (Rotation):
   • 点击Rotation...按钮。
   • 方法(Method): 如果认为因子间相关，推荐选择Promax或Direct Oblimin斜交旋转。如果认为因子间独立，则选择Varimax正交旋转。
6. 选项 (Options):
   • 点击Options...按钮。
   • 勾选 ✅ 按大小排序 (Sorted by size) 和 ✅ 抑制小系数 (Suppress small coefficients)，并设定一个阈值（如0.4）。

EFA结果解读：

1. 查看KMO和Bartlett’s检验: 首先确认这两个前提指标是否达标。
2. 查看旋转后的因子矩阵 (Rotated Factor Matrix / Pattern Matrix): 这是核心结果。理想情况下，您会看到一个“简单结构”：
   • 收敛效度: 每个题项在它预设的归属因子上有较高的载荷值（通常 > 0.5）。
   • 区别效度: 每个题项在其他所有因子上的载荷值都非常低（通常 < 0.3）。

第二部分：信度检验——克隆巴赫信度系数 (Cronbach’s α)

在通过EFA确认了题项的分组后，我们需要检验每个分组内部的一致性，即信度。

SPSS操作步骤：

1. 路径: 点击顶部菜单 分析 (Analyze) -> 度量 (Scale) -> 可靠性分析 (Reliability Analysis)。
2. 变量选择: 将同一个构念的所有题项选入右侧的“项目(Items)”框中。
3. 统计量 (Statistics):
   • 点击Statistics...按钮。
   • 在“描述性(Descriptives for)”区域，勾选 ✅ 删除项后的度量 (Scale if item deleted)。

Cronbach’s α 结果解读与判断标准：

1. 查看“可靠性统计 (Reliability Statistics)”表:
   • “Cronbach’s α”列的数值就是该构念的整体信度系数。
   • 判断标准:
     • > 0.9: 极佳 (Excellent)
     • 0.8 – 0.9: 良好 (Good)
     • 0.7 – 0.8: 可接受 (Acceptable)
     • < 0.7: 存疑或不可接受
2. 查看“项目总计统计 (Item-Total Statistics)”表 (【重点】): 这张表格是诊断单个题项质量的关键，需要重点关注以下两列：
   • “修正的项-总计相关性” (Corrected Item-Total Correlation)
     • 含义: 这一列显示的是，当前这个题项的分数与其他所有题项分数之和的相关系数。它反映了该题项与量表整体的同质性或一致性程度。
     • 判断标准: 这个值越高越好。普遍接受的标准是：
       • > 0.5: 非常理想，说明该题项与量表其他项目高度同质。
       • 0.3 – 0.5: 可接受范围，但相对较弱。
       • < 0.3: 不合格，说明该题项与量表整体的关联性太低，很可能是在测量一个不同的概念，应强烈考虑删除。
   • “删除项后的Cronbach’s Alpha值” (Cronbach’s Alpha if Item Deleted)
     • 含义: 这一列显示的是，如果将当前这一行对应的题项删除，那么由剩下题项组成的量表的信度系数会变成多少。
     • 判断标准: 如果删除某个题项后，Alpha值有显著的提升（例如从0.75提升到0.82），则说明该题项是“害群之马”，拉低了整体信度，也应考虑删除。如果删除后Alpha值变化不大或反而降低，则说明该题项是量表的有效组成部分，应予保留。

综合诊断: 在评估单个题项时，通常会将这两个指标结合来看。一个理想的题项应该有较高的“修正的项-总计相关性”（如 > 0.4），并且删除它不会导致整体Alpha值上升。