SPSS 问卷数据分析顺序：信效度、差异、相关到回归
更新于
问卷数据分析的顺序是：先信度和效度，再差异，然后相关，最后回归。前一步的结论决定后一步能不能做，每一步在本站都有对应的方法和报告。本文讲顺序与衔接，只用一份 150 份问卷的演示数据示范效度这一步，信度另见信度分析怎么做。
问卷数据分析的四个步骤各回答什么
一份问卷通常要回答三类问题：量表测得准不准，不同人群的得分有没有差别，变量之间是什么关系。对应到分析里，就是下面这张顺序表。
| 步骤 | 要回答的问题 | 本站方法 | 通过后得到什么 |
|---|---|---|---|
| 1 信度 | 题项是否稳定一致 | 信度分析 | 确认量表内部一致，可以进入效度 |
| 2 效度 | 题项结构是否清晰 | 效度分析 | 确认维度划分，可以合并成维度得分 |
| 3 差异 | 不同人群得分是否不同 | 独立样本T检验、单因素方差分析 | 值得关注的分组变量 |
| 4 相关与回归 | 变量之间的关联与影响因素 | Pearson相关性分析、线性回归 (最小二乘法) | 关联与回归结果 |
信度的做法见信度分析怎么做一文，本文略过。录入规则见问卷数据录入：一行一份问卷，反向题先转为同向。
数据要怎么排
以下结果来自本站演示数据（模拟生成，不代表真实研究结论）：一份服务与产品满意度量表，从 200 份问卷中随机抽取 150 份，保留 5 个题项，分为「服务质量」与「产品体验」两个维度。每行一份问卷，每列一个题项，数据可以是 .xlsx、.csv 或 .sav 文件，缺失按整行删除，150 份全部参与计算。
| 题项 | 个数 | 数据类型 | 放入区域 |
|---|---|---|---|
| 服务质量Q1 至 Q3 | 3 | 定量 | 量表题目区（带定量标签） |
| 产品体验Q1 至 Q2 | 2 | 定量 | 量表题目区（带定量标签） |
效度这一步怎么做
- 从左侧方法列表进入「效度分析」。
- 把 5 个题项拖进量表题目区（页面上带定量标签）；提取方法固定为主成分法，旋转方式为最大方差法（varimax）。
- 开始分析之后，报告依次给出适用性检验、总方差解释与载荷、图、收敛与区分效度、结论句五张卡。
效度结果决定下一步：能不能合并维度得分
适用性检验先看：样本与题项之比为 30.0，KMO 为 0.6009，刚刚越过 0.6 的线，Bartlett 球形度检验 χ²(10) = 252.833，p<0.0001。按 Kaiser 准则提取了 2 个因子，累计解释总方差 77.16%，因子 1 含 3 个题项，因子 2 含 2 个题项，与问卷设计的两个维度一致。
但是逐题 MSA 有两个题项低于 0.5 的剔除线：产品体验Q1 为 0.423，产品体验Q2 为 0.473。报告的判定是「有 2 个题项的 MSA<0.5，建议逐个删除后重跑」，所以这一步的结论是先处理再往下走：它们都在因子 2 里，因子 2 本来就只有 2 个题项，删掉其中一题后，这个维度就只剩 1 个题项了。
收敛效度看 CR 与 AVE：因子 1 的 CR 为 0.8986、AVE 为 0.7473，因子 2 的 CR 为 0.8831、AVE 为 0.7907，都达到 CR 不低于 0.70、AVE 不低于 0.50 的标准。题项归属也没有交叉载荷：5 题在各自因子上的载荷在 0.835 到 0.896 之间，在另一个因子上的载荷绝对值不超过 0.134。具体的载荷判断标准见效度分析怎么做，结果表怎么读见效度分析结果怎么看。
顺带说明：报告第五张卡的修订建议只看载荷与共同度，写的是「无需删题」，不含逐题 MSA，所以 MSA 偏低的题项要自己判断。所以本例的处理建议是：结构本身清晰，但产品体验这个维度题项太少、MSA 偏低，更稳妥的做法是补充同维度的题项后重新收集，或者在独立样本上重复同一分析，结构一致再分别计算维度得分。
效度过关后，差异、相关与回归怎么接
效度这一步处理好、维度得分算出来之后，先用差异分析看不同人口学群体的得分，两组用「独立样本T检验」，三组及以上用「单因素方差分析」；再用「Pearson相关性分析」看维度之间的关联；最后用「线性回归 (最小二乘法)」检验哪些变量与结果变量有关。回归给出的是变量之间的关联，写论文时宜写成关联。差异部分的做法见问卷差异性分析怎么做，回归结果的写法见SPSS 回归方程怎么写。
每一步的结论怎么带到下一步
做 SPSS 问卷分析时，建议在每一步结束后记下几个能直接带入论文的数字，后面的步骤就有明确的依据。信度这一步记题项数、样本量与 α；效度这一步记 KMO、逐题 MSA、因子数、累计解释率和 CR、AVE；差异和回归这一步记样本量、统计量、p 值与效应量。
登录后保存历史，每一步的报告都能随时回看。
问卷数据分析常见错误
- 跳过信度和效度直接做回归：维度得分没有依据，回归系数的解释也缺少基础。
- 把不同维度的题项混在一起检验：因子结构会被掩盖，应按维度分别判断。
- 只看总 KMO，不看各题 MSA：本例总 KMO 过了 0.6，但产品体验Q1 的 MSA 只有 0.423，个别题偏低时应先处理再重跑。
- 在同一份数据上既探索又确认：探索得到的结构只适用于这份样本，应换一份独立样本重复分析，结构一致才更可信。
把结果带进论文：导出与会员
每一步的报告都可以单独导出，方便前后对照。分析和查看结果不用登录；开通会员后可导出 Word / PDF 报告、使用 AI 解读。
延伸阅读
常见问题
- 问卷数据分析为什么要先做信效度，再做差异和回归？
- 量表不可靠或结构不清时，后面的差异检验和回归系数都缺少解释基础，所以信度和效度放在最前。本站的「信度分析」和「效度分析」各出一份报告，两份都过关再往下走。
- 问卷数据分析的各步骤在本站对应哪些方法？
- 信度用「信度分析」，效度用「效度分析」，两组差异用「独立样本T检验」，多组差异用「单因素方差分析」，变量关系用「Pearson相关性分析」，影响因素用「线性回归 (最小二乘法)」。
- 问卷分析中做完效度分析，接下来看什么？
- 先看适用性检验和逐题 MSA 是否过关，再看维度得分能否合并。本例 KMO=0.6009，提取 2 个因子，累计解释 77.16%，CR 为 0.8986 与 0.8831；但两个题项 MSA 低于 0.5，报告建议逐个删除后重跑，处理之后再计算维度得分。