|
在研究中，对于某些无法精确测量的状态（如生存质量，疼痛等），我们需要通过测量这些状态的某些表征或者通过研究对象的自我主观感受来间接测评，这时量表就成为常用的工具了。  量表是由若干个问题或自我评分指标组成的标准化测定表格，一般由多项指标组成，这些指标可以通过测量研究对象的某些特征而获得定量数据，这些指标可能涉及总目标的不同方面，因此可将这些指标分成若干领域，因此量表的测评结果具有多维性。要想保证得到信息的质量，在量表使用前我们要对它的信度和效度进行评价，以确定该量表可以稳定有效的获得研究者想要的内容。  信度主要用来评价测量工具的精确性，稳定性和一致性，表示反复测量的接近程度，多以相关系数表示。常用的信度分析方法有重测信度，分半信度和克朗巴赫α系数，但是在文献中，我们经常看到报告的都是克朗巴赫α系数，所以接下来只讲解克朗巴赫α系数在SPSS上的操作。 效度主要评价测量工具的准确性，有效性和正确性，即表示某测量工具是否有效的测定了它所打算测定的内容，即实际测定结果与预想结果的符合程度。常用的效度指标有内容效度，标准关联效度和结构效度。 （1）内容效度是指量表的各条目是否测定其希望测定的内容，一般通过专家打分获得。 （2）标准关联效度是以一个公认有效的问卷作为标准，检验新量表与标准化测定结果的相关性，以这两种量表得分的相关系数表示标准关联效度，但是一般公认有效的量表比较难找。 （3）结构效度主要用于评价测量结果是否与理论假设或理论框架相关。研究者在设计问卷时，一般从所研究的问题的理论框架出发，假设某种构想的存在，然后按照这种构想来具体设计提问的题从而形成问卷。结构效度主要用因子分析的方法来评价，而因子分析又分为探索性因子分析和验证性因子分析两种。探索因子分析是在未知潜在因子的情况下，依据现在的数据，得出因子的过程，主要目的是找出潜在因子的个数，以及各个因子和各个观测变量之间的相关程度。因为没有先验的理论，探索性因子分析是通过因子载荷结合专业知识来推断因子结构。而验证性因子是在已知因子的情况下，检验所搜索的数据是否按事先预定的结构方式产生作用，故验证性因子分析的主要目的是考核事先定义因子的模型拟合实际数据的能力，考核数据与预期理论是否吻合，有利与更清晰地分析量表的基本内容及结构。 由于探索性因子分析与验证性因子分析不同的特点，在量表研制的初期，通常需要将众多的条目归纳总结为几个可解释的维度，此时我们应该对预调查的数据应用探索性因子分析，结合专家意见，对个别条目进行调整，确定量表的维度。量表经调整确定后，我们应该对调查数据进行验证性因子分析，考核此前定义的因子结构是否符合实际。 信度和探索性因子分析可以用SPSS分析，而验证性因子分析需要用AMOS，本节先介绍信度和探索性因子分析在SPSS上的操作步骤及结果解释： 我们以一个有7个领域共24个方面的WHOQOL-100量表为例介绍信度和探索性因子分析，我们收集了50例样本在这24方面的得分，具体数据源在文章结尾，有需要练习的自行下载： 从图中可以看出克朗巴赫α系数，本例的结果为0.805，表明量表的信度很好。大于0.9表明量表的信度较好；0.8-0.9表明信度可以接受；0.7-0.8表明有些项目需要修订。 如果我们这里信度一般，有些项目需要修订，我们需要按下面步骤操作：
上面红框的值表示删除前面对应项目后的克朗巴赫α系数，如果相对于原来总的克朗巴赫α系数（0.805）有显著的提高，说明删除这一项可以提高量表的信度，那么该项可能需要调整或删除该项。 因子分析的基本思想：在医学研究中有一些现象难以直接观测，只有通过其他多个可测的指标来间接地反映。例如：一个患者的意识清醒状态不可测，但可以通过患者的语言能力，辨识能力，记忆能力，理解能力等一系列可观测的指标来反映。 由于这些个指标都在不同程度上反映意识清醒这一不可测现象，因此这些指标之间的相关性主要由它们所共同反映的不可测现象支配的；一般的，对于多个指标中呈现出的相关性，是否存在对这种相关性起支配作用的潜在因素，又该如何找到这些因素，这些问题就需要用因子分析来解决了。简而言之，因子分析就是从分析多个原始指标的相关关系入手，找到支配这种相关关系的有限个不可观测的潜在变量。  所以在做因子分析前先检验个变量之间是否存在相关性，只有存在相关性才做因子分析，常用的是KMO统计量和Bartlett’s球形检验，还以上面的数据为例介绍一下因子分析的SPSS操作：
从上面可以看出KMO统计量为0.697，一般0.6以上就可以做因子分析，要是小于0.5，就要考虑放弃了；Bartlett’s球形检验只要小于0.05就可以做因子分析。
一般选取选取公因子的原则是：①特征值>1(第一个红框内的值)；②前n个公因子的累积贡献率达到一定的数量（一般认为70%为宜，第三个红框内的值）；第二个红框内的值表示相应公因子能解释的信息占所有变量包含信息的百分比。可以进一步结合下面的碎石图进行公因子的提取，碎石图是将各公因子对应的特征值绘制成的图，选取的原则是提取在陡坡上的公因子。
结合碎石图和特征值，我们最终选取了前7个公因子，接下来看因子载荷阵，看每个公因子包含哪些项目。
表中的数据是因子载荷：用来反映因子和各个变量间的密切程度的，实质就是公因子和各项目间的相关系数。 因为项目比较多，看着比较杂乱，我们可以在选项里设置一下，使结果更加清晰：
现在结果只呈现因子负荷大于0.4的部分，且第一个公因子的因子负荷按从下到大顺序排列。从图中可以看出公因子1在A1-A7这七项上有较大的因子载荷，公因子2在B1-B5上有较大的因子载荷，公因子3在C1-C2上有较大的因子载荷….公因子7在G1-G2上有有较大的因子载荷。一般是根据因子载荷大于0.5的原则选，但是并是一定，主要根据设计量表的实际情况。在设计量表的最初，我们可以按照上述步骤来探索我们量表的结构，即有几个公因子，每个公因子包含哪些项目。如果我们用的是人家成熟的量表，或者是我们已经确定好量表的结构，这时我们需要做验证性因子分析，考核已有的结构拟合实际数据的能力，验证性因子分析需要用AMOS来建模，相对于探索性因子分析要复杂一些，下次再详细介绍。 为了探究临床医学专业本科生为胜任未来临床工作所应具备的能力和素质，“基于因子分析的临床医学专业本科生胜任力模型的构建”这篇文献，利用探索性因子分析的方法将原先的55个条目删减到49个条目，提出6个公因子，最终确定胜任力问卷的结构。它的因子载荷矩阵如下，有兴趣的可以看原文： http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=yxjyts201606001
还有联合采用探索性因子分析和验证性因子分析来探索量表的因子结构，一篇探索抑郁自评量表中的结构就是采用的这种方法，将收到的样本分成两部分，一部分用来做探索性因子分析，另一部分用来做验证性因子分析。有兴趣的也可以看一下： http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gdyx201116052 |
|
|
