三类

效度分析主要分为探索性因子分析(EFA) 、主成分分析(PCA)、 验证性因子分析(CFA)

探索性因子分析（EFA）---SPSS

探索性因子分析（EFA）用于在缺乏明确假设的情况下，探索数据中的潜在因子结构。其主要目的是识别影响观测变量的潜在因子数量，并揭示各因子与观测变量之间的关系。EFA通常用于研究的初步阶段，帮助研究者理解数据的内在结构，并为后续的理论构建或假设生成提供基础。

主成分分析（PCA）是一种常用的数据降维方法，旨在通过线性变换将原始的高维数据转化为一组不相关的新变量，即主成分。PCA通常用于探索变量背后的潜在因子，特别是在数据结构不明确的情况下，例如开发新的量表时。

验证性因子分析（CFA）用于验证研究者预设的因子结构模型是否与实际数据相符。在CFA中，研究者需要明确假设因子的数量、因子之间的相关性以及各观测变量与因子之间的关系。CFA通常用于理论验证阶段，检验量表或模型的结构效度。

步骤：

步骤：

KMO值
- 低于 0.5 表示不适合因子分析，0.5–0.7 较为一般，0.7–0.8 较好，0.8–0.9 非常好，0.9 以上则非常适合
Bartlett, M. S. (1950). “Tests of significance in factor analysis.” British Journal of Mathematical and Statistical Psychology, 3(2), 77–85.
显著性
- 当检验的显著性水平小于 0.05 时，可以拒绝“单位矩阵”假设，认为数据适合进行因子分析。可做成如下表所示：

并非所有量表都必须进行主成分分析（PCA）。在实际研究中，许多论文只进行了KMO检验：

研究目的不同：
- 如果研究的主要目的是评估量表的信度或其他指标，而非探索潜在因子结构，可能只进行KMO检验。
数据特性：
- 如果量表的题项数量较少，或者题项之间的相关性较弱，可能不适合进行主成分分析。
研究领域惯例：
- 在某些研究领域，可能更倾向于使用其他方法来评估量表的效度，而非主成分分析。
使用的是成熟的量表：
- 研究使用的是已经被广泛验证和使用的成熟量表（如广泛应用的心理学量表、教育测量量表等），并且这些量表的效度和信度已经得到充分证明，那么可能不需要重复进行效度分析。在这种情况下，直接引用这些量表的效度分析结果。
预调查或先行研究：
- 在某些研究中，可能会在正式研究之前进行预调查或先行研究，以测试量表的效度和信度。如果预调查的结果显示量表有效且信度高，研究者可能会选择不再进行全面的效度分析，尤其是在量表已经经过充分验证的情况下。

共同度：
- 衡量了一个变量的方差中有多少比例可以被提取的因子解释。
- 如果一个变量的共同度较低，意味着它包含了较多无法通过因子分析解释的独特信息，可能需要考虑删除该变量。
- 一般要求是大于0.4
因子载荷系数：
- 表示每个变量与各个因子之间的相关程度。
- 要求为：0.5、0.45、0.35都有，一般认为0.4。
- 绝对值大于0.4被认为是显著的，意味着该变量与对应的因子有较强的关联。
- 绝对值小于0.4，可能表示该变量与因子的关联较弱，建议考虑删除或重新评估该变量。
方差解释率和累积方差解释率:
- 方差解释率：表示每个因子或主成分所解释的方差占总方差的比例。
- 累积方差解释率：则是前n个因子或主成分的方差解释率之和。例如，如果前两个因子的方差解释率分别为75%和15%，则累积方差解释率为90%，意味着这两个因子共同解释了原始数据90%的方差。
  - ＞50%即可

处理异常数据： 检查并剔除答题时间过短（如低于60秒）或回答重复度过高的问卷，以确保数据质量。
删除低质量题项：
- 识别并删除低共同度题项：在因子分析中，共同度值低于0.4的题项应删除，以提高因子分析的有效性。
- 评估题项有效性：删除那些与在其他题项下面或因子载荷系数低于0.4的题项，从而提高量表的内部一致性。
- 与对应维度出现严重偏差（张冠李戴）。
提取---勾选“因子的固定数目（N）”---要提取的因子数(I) 输入你的维度数，强行提取因子分析。