结构化面试信度和效度的实证分析 结构化面试信度和效度的实证分析——对新录用公务员试用期表现的跟踪调查结构化面试是一种以行为描述方法为主的,并按测量要求事先拟定提问内容和顺序的面试。它具有测试要素结构化、面试程序结构化和评分标准结构化三大特点。自实施国家公务员制度十年来,它已经被广泛地应用到各级公务员录用考试中。考试的科学性是考试录用制度的生命线,而面试的公正与客观更是社会关注的热点。结构化面试的信度是测试过程本身的可靠程度,即可信度；结构化面试的效度是测试结果达到预期目标的程度。结构化面试的信度和效度究竟如何？我们曾尝试通过对新录用公务员试用期表现的跟踪调查,应用量表测评和数理统计的方法对结构化面试的信度和效度进行实证分析。现将有关调查情况综述如下：一、调查的组织今年8月,我们对2002年新录用的国家公务员和机关工作人员的试用期表现,分别采用量表测评和民主评议的方式进行跟踪调查。（一）确定测评要素与评分标准。根据县级市机关国家公务员和机关工作人员职位的共性特点和任职条件,采用与2002年录用面试同结构的测评要素和评分标准,编制了《新录用人员试用期能力评估表》（表一）。（二）组织评估。我们专门下发了《关于对2002年新录用国家公务员和机关工作人员试用期情况进行调研的通知》,要求各有关部门按照领导评鉴和群众测评相结合的原则,组织主管领导和群众对每个新录用公务员在试用期间的政策水平与综合分析能力、计划与组织能力、社会感知与协调能力、记忆和理解能力和文化素养与心理素质等六个方面的能力评估
后,填报《新录用人员试用期能力评估表》。（三）复核和评价。为了做好新录用公务员试用期能力评估结果的复核,我们还要求各部门采用领导、本人和群众“三结合”的调查方式,通过对被测评人在试用期表现和工作环境的全面评价,复核能力评估的结果。复核结论反映评估结果基本符合新录用人员的实际情况。二、调查结果的分析通过新录用结构化面试成绩和试用期跟踪测评成绩的相关分析,研究结构化面试的信度和效度。（一）编制相关表,判断相关关系。将2002年37位考试录用国家公务员和机关工作人员的面试成绩和试用期跟踪测评成绩,按面试成绩的高低排列,编出相关表,如表二所示。从上述相关表中可以看出,随着录取成绩的降低,测评成绩也有下降趋势,但不明显。（二）画出相关图,分析相关趋势。以x轴代表新录用公务员结构化面试成绩（自变量）,y轴代表新录用公务员试用期跟踪调查的测评成绩（因变量）,将新录用公务员上述两项成绩的对应数值在座标图上用点画出来,以表明相关点的分布状况,如图一所示。图一中的两条直线分别代表自变量数列的平均线（即新录用公务员结构化面试的平均成绩：x(—)=70.34分）和因变量数列的平均线（即新录用公务员试用期跟踪测评的平均成绩：y(—)=78.30分）。以这两条平均线为标准就可以清楚地看出：有25位新录用公务员的两项成绩呈正相关（x>x(—)时对应的y>y(—)或xx(—)时对应的yy(—)）。加总的结果∑（x>x(—)）（y实施方案。三要切实抓好考官的选拔和培训,建立起一支素质好、业务精、作风正的考官队伍。四要吸收国内外面试新技术,不断创新和完善与考试录用公务员相匹配的结构化面
第二节信度和效度分析 一、信度分析 与预测试数据分析方法一样，为了确保问卷的可靠性，先进行信度分析，信度检验指标在前面已详细述，在此不再述。问卷信度分析如表4-2所示： 表4-2：量表信度检验结果
经过SPSS24.0数据统计软件分析得知个变量Cronbach's α均大于0.6，且组合信度在0.792以上，说明所有问卷都具备可靠性，能够较好的反应变量的真实情况。 二、效度检验 （一）容效度 为了确保调研问卷容的有效性，问卷量表通过文献研究先初步圈定问卷容，所用量表大多采用国外已经开发出的成熟量表，对于这部分量表，本文给予直接采用的方式，其余量表则是在前人研究的基础上，根据本文的研究目的和方向进行谨慎的拟定。因此，本问卷具有容效度。 （二）结构效度 在测量结构效度时，通常采用探索性因子分析。在进行因子分析时，通常采
用主成分分析法，主成分分析的目的在于利用变量间的线性组合来解释每个层面的方差，变量的第一个线性组合可以解释最大的变异量，以此类推，所以主成分分析法的步骤是，选取特征值大于1的因子，然后利用方差最大旋转法进行旋转，使得旋转后题目在各个因子的负荷量大小出现明显差异，大部分题目在每个公共因子中有一个差异较大的因子负荷量出现。但在因子分析之前需要进行KMO值和Bartlett球形检验，只有当KMO>0.5且Bartlett球形检验的Sig.值小于0.05时，问卷才具有结构效度，才能够进行因子分析。本研究中对三个量表进行的结构效度分析具体情况如下。 （1）虚拟品牌社群价值的效度检测 1.1虚拟品牌社群价值的KMO值和Bartlett球形检验 在对虚拟品牌社群价值做因子分析之前，先做KMO值和Bartlett球形检验，检测结果如表4-3所示： 表4-3：虚拟品牌社群价值的KMO值和Bartlett检验 取样足够度的Kaiser-Meyer-Olkin度量.901 Bartlett的球形度检验近似卡方4892.820 df 186 Sig. .000 通过对虚拟品牌社群价值量表的14个题项进行KMO检验和Bartlett球形检验，发现虚拟品牌社群价值量表的KMO值为0.901，表明各个变量之间的相关系数非常高，适合做因子分析，同时Sig.值为0.000<0.05，达到显著性水平，综上可以得出虚拟品牌社群价值量表适合做因子分析。
调查问卷的信度效度分析方法 问卷调查法是教育研究中广泛采用的一种调查方法，根据调查目的设计的调查问卷是问卷调查法获取信息的工具，其质量高低对调查结果的真实性、适用性等具有决定性的作用。为了保证问卷具有较高的可靠性和有效性，在形成正式问卷之前，应当对问卷进行试测，并对试测结果进行信度和效度分析，根据分析结果筛选问卷题项，调整问卷结构，从而提高问卷的信度和效度。信度和效度分析的方法包括逻辑分析和统计分析，本文主要讨论后者。 一、信度分析 信度（Reliability）即可靠性，它是指采用同样的方法对同一对象重复测量时所得结果的一致性程度。信度指标多以相关系数表示，大致可分为三类：稳定系数（跨时间的一致性），等值系数（跨形式的一致性）和内在一致性系数（跨项目的一致性）。信度分析的方法主要有以下四种： 1、重测信度法 这一方法是用同样的问卷对同一组被调查者间隔一定时间重复施测，计算两次施测结果的相关系数。显然，重测信度属于稳定系数。重测信度法特别适用于事实式问卷，如性别、出生年月等在两次施测中不应有任何差异，大多数被调查者的兴趣、爱好、习惯等在短时间内也不会有十分明显的变化。如果没有突发事件导致被调查者的态度、意见突变，这种方法也适用于态度、意见式问卷。由于重测信度法需要对同一样本试测两次，被调查者容易受到各种事件、活动和他人的影响，而且间隔时间长短也有一定限制，因此在实施中有一定困难。 2、复本信度法 复本信度法是让同一组被调查者一次填答两份问卷复本，计算两个复本的相关系数。复本信度属于等值系数。复本信度法要求两个复本除表述方式不同外，在内容、格式、难度和对应题项的提问方向等方面要完全一致，而在实际调查中，很难使调查问卷达到这种要求，因此采用这种方法者较少。 3、折半信度法 折半信度法是将调查项目分为两半，计算两半得分的相关系数，进而估计整个量表的信度。折半信度属于内在一致性系数，测量的是两半题项得分间的
信度与效度分析步骤（可编辑） 如何用spss做问卷的结构效度分析, 因子分析里面Descriotives里面KMO和巴特利检验就可以了吗,除此之外，还要做什么啊,请高手赐教点简单易懂又能说明效度问题的，谢谢啦～问题补充: 提取因子的个数怎么确定,是选特征值大于1的吗,还有，因子载荷怎么算,是 在输出结果中直接可以看到吗,本人刚接触spss，请多多指教～ 首先必须要做KMO和Bartlett球形检验,这个你应该会了吧,如果这两个检验 合格的话说明数据是适合做因子分析的。 然后提取因子后，看主因子解释总变异的百分比和个因子的因子载荷，主因子解释总变异一般若大于60[%]的和因子载荷大于0.6的话说明结构效度很好。 pS: ,如果题目没有规定就是选特征值大于1的,如果题目事先要提取几个因子,那么在操作的时候,用SPSS那个因子分析的选项里面有一个地方可以著名，因子载荷在输出的结果直接可以看到(rotated compoment matrpx),一定要是旋转后的因子载荷 用spss进行效度分析? 我要对我的问卷调查数据做一个信度和效度分析。信度分析我会了，就是看Cronbach’s Alpha 系数。效度分表面效度、准则效度和构建效度，前面两项只要说明一下，但是构建效度要用SPSS分析，我想是在因子分析里面吧,就是不知道哪个值代表效度。 因子分析的效度分析主要的指标可以看，因子提取的方差累积贡献率，如果因子提取的越少且方差累积率又不低的话(一般如果2个因子达到40[%]以上的贡献率就算可以的了)，就可以认为因子分析的效度还可以。
除此之外，你可以用因子分析里面Descriotives里面KMO和巴特利检验(battele，不知道是不是这样写的)，KMO的值如果 0.5，则说明因子分析的效度还行，可以进行因子分析;另外，如果巴特利检验的P 0.001，说明因子的相关系数矩阵非单位矩阵，能够提取最少的因子同时又能解释大部分的方差，即效度可以。 问:问卷效度测验如何应用于SPSS 问卷效度测验如何应用于SPSS,然后因为做效度检验貌似要用皮尔逊相关还是因子分析,所以不懂如何把这些应用于SPSS，不想要变量，想要整体，一个整体。 用因子分析，就已经是在检验变量的整体了 因子分析就是用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子反映原资料的大部分信息的统计方法。 三、因子分析的SPSS过程 第一步:准备数据文件，打开对话框，加载观测变量。数据文件主要是由较多的(一般在10个以上)可观测变量组成，个案数应比较大。然后点击“Analyze” ，选择“Data Reduction” 中的“Factor”打开因子分析对话框，将参与分析的所有观测变量加载到“Variables”下边的方框中。 第二步:点击“Descriptives…”设置描述性统计要求。这里关键的是要求输出因子分析适合度的检验，一般要求输出:计算相关系数矩阵(选中Coefficients)、相关系数显著性水平矩阵(选中Significance levels)、反像相关矩阵检验 ( 选中Anti-image ) 、KMO 和巴特利特球形检验( 选中 KMO and Bartlett’s test of sphericity)。 第三步: 点击“Extraction”打开对话框设置因子提取方式。在界定因子提取方法中需要设置以下几个方面的参数:
正式反馈提高结构化面试的信效度 结构化面试由于其相对较高的信度与效度，被各类企事业单位广泛应用于人员招聘与选拔过程中。面试官在评价应聘者时存在个体差异，直接表现为宽大效应或严格效应，这对雇佣决策提出了严峻挑战。本文分析了正式反馈对提高结构化面试有效性的积极作用，提出了优化结构化面试的对策与建议。 近些年来，人员测评在新员工甄选中发挥越来越大的作用，测评的科学性与实用性得到更多的关注。结构化面试是根据对职位的分析，确定面试的测评要素，在每一个测评的维度上预先编制好面试题目并制定相应的评分标准；面试过程遵照一种客观的评价程序，对被试者的表现进行数量化的分析；给出一种客观的评价标准，不同的评价者使用相同的评价尺度，以保证判断的公平合理性。 已有研究表明，结构化面试的效度仅次于评价中心，高于工作抽样、能力测验、个性测验等方法。在人才选聘面试结束后，面试官（评分者）之间对候选人的打分千差万别，往往导致合并的分数无法使用。如何使结构化面试中面试官的评分更加有效，成为员工甄选过程中面临的现实问题。 一、结构化面试的信度与效度 结构化面试强调面试内容与工作相关、面试流程标准化、评分结构化。结构化面试中，面试官的评分直接决定了最终的录用结果。结构化面试依靠面试官专业、准确的评分来实现，关键在于克服面试官评分的随意性与主观性。
结构化面试信度是指不同的面试官（评分者）面试同一个被试得出结论的一致性程度。面试信度低，意味着面试官评分一致性低，面试结果就不可靠。结构化面试的信度包括两个方面：一是面试要素内部信度，是指面试测评要素之间的一致性；二是评分者间的信度，即评分者之间评分的一致性。 结构化面试的效度是指面试测量的准确性，即面试所测评到的结果与所考察内容的相符程度。结构化面试的效度一般采用预测效度，即面试结果能否预测应聘者未来实际工作绩效水平。总体来看，结构化面试平均效度系数是非结构化面试的两倍，提高面试效度最好的方法是提高结构化程度。 二、结构化面试信度与效度的影响因素 结构化面试是一种表现性评价方式，其评价结果的信度是进行有效推论和决策的前提。在结构化面试中通常由多个面试官进行打分，而面试官之间评价的不一致是影响评价结果应用的重要因素。尽管可以通过明晰评分细则、优化结构化面试题目等方式予以控制，但是评分者之间的不一致性难以避免。 面试信度与效度存在情景特异性与考官特异性。结构化面试误差主要来源包括：面试题目有效性、面试评委培训、评分维度设定、面试实施环节等。其中由于面试官带来的评分误差主要包括：与我相似效应、对比效应、第一印象偏差、晕轮效应、刻板印象、顺序效应等，其结果是个别考官的评分偏高或者偏低于其他面试官的评分。当评价的结果高于应聘者的实际得分时称为宽大效应，低于应聘者实际得分时称为严格效应。 结构化面试的效度与信度提高措施包括以下四项： 一是关注面试内容，标准化信息获取内容、提高面试结构化程度与提问的一致性、提问限制与工作内容相关等； 二是重视考官的培训，通过培训使考官了解可能的评分误差，降低实际操作中的各种误差；
信度分析和效度分析数据计分方法说明
讲问卷调查的数据进行如上表的数据预处理后，接下来再进行如下分析。 1 信度分析 这里有63份问卷，首先我们需要的判定的是问卷中的调查题目能否反映调查的目的和调查的意图，问卷中的各个问题是否测量了相同的内容和信息；同时，对于调查问卷所得到的数据是否具有可靠性，就必须在对问卷分析之前做信度分析。信度本身与测量结果的正确与否无关，它的用途在于检测问卷本身的稳定性。信度分析中常用Cronbach α系数的大小来衡量调查问卷的信度。一般而言，如果问卷的信度系数达到0.9以上，该问卷调查的信度就较好；信度系数在0.8以上，是不错的；一般认为试卷信度在0.5至0.9以内是合理的，如果信度系数低于0.5，则此问卷的调查结果就不可信了。 将以上63份问卷的数据用SPSS21.0先进行标准化处理，再进行信度分析，其结果如表一所示： 表一信度分析表
表一显示，整体问卷和问卷中的各个维度的Cronbach's Alpha系数值均大于0.6，所以可以推断此问卷的可信度一般，该评价问卷只具有很较高的内在一致性。 2 效度分析 具备信度的问题不一定具备效度，因此做完信度分析，再用SPSS21.0对其进行效度分析。 2.1 因子模型适应性分析 效度分析使用的是因子分析模型，在运用因子模型分析之前，首先要对问卷数据进行因子模型适应性分析，分析结果如下表所示： 表二 KMO 和 Bartlett 的检验 KMO 和 Bartlett 的检验 取样足够度的 Kaiser-Meyer-Olkin 度量。 .657 Bartlett 的球形 度检验近似卡方 1187.63 6 df465 Sig..000
如何用spss做问卷的结构效度分析？ 问：因子分析里面Descriotives里面KMO和巴特利检验就可以了吗？除此之外，还要做什么啊？请高手赐教点简单易懂又能说明效度问题的，谢谢啦！ 问题补充： 提取因子的个数怎么确定？是选特征值大于1的吗？还有，因子载荷怎么算？是在输出结果中直接可以看到吗？本人刚接触spss，请多多指教！ 答： 首先必须要做KMO和Bartlett球形检验,这个你应该会了吧,如果这两个检验合格的话说明数据是适合做因子分析的。 然后提取因子后，看主因子解释总变异的百分比和个因子的因子载荷，主因子解释总变异一般若大于60%的和因子载荷大于0.6的话说明结构效度很好。 pS: ,如果题目没有规定就是选特征值大于1的,如果题目事先要提取几个因子,那么在操作的时候,用SPSS那个因子分析的选项里面有一个地方可以著名，因子载荷在输出的结果直接可以看到（rotated compoment matrpx),一定要是旋转后的因子载荷 用spss进行效度分析? 我要对我的问卷调查数据做一个信度和效度分析。信度分析我会了，就是看Cronbach’s Alpha 系数。效度分表面效度、准则效度和构建效度，前面两项只要说明一下，但是构建效度要用SPSS分析，我想是在因子分析里面吧？就是不知道哪个值代表效度。 答： 因子分析的效度分析主要的指标可以看，因子提取的方差累积贡献率，如果因子提取的越少且方差累积率又不低的话（一般如果2个因子达到40%以上的贡献率就算可以的了），就可以认为因子分析的效度还可以。 除此之外，你可以用因子分析里面Descriotives里面KMO和巴特利检验（battele，不知道是不是这样写的），KMO的值如果>0.5，则说明因子分析的效度还行，可以进行因子分析；另外，如果巴特利检验的P<0.001，说明因子的相关系数矩阵非单位矩阵，能够提取最少的因子同时又能解释大部分的方差，即效度可以。 问:问卷效度测验如何应用于SPSS 问卷效度测验如何应用于SPSS,然后因为做效度检验貌似要用皮尔逊相关还是因子分析,所以不懂如何把这些应用于SPSS，不想要变量，想要整体，一个整体。 用因子分析，就已经是在检验变量的整体了 因子分析就是用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子反映原资料的大部分信息的统计方法。三、因子分析的SPSS过程 第一步：准备数据文件，打开对话框，加载观测变量。数据文件主要是由较多的（一般在10个以上）可观测变量组成，个案数应比较大。然后点击“Analyze” ，选择“Data Reduction” 中的“Factor”打开因子分析对话框，将参与分析的所有观测变量加载到“Variables”下边的方框中。
面试测评的效度研究综述 安徽大学 摘要：面试是一种重要人事测评工具，被广泛应用于各类人员招聘及选拔中，因此测评的有效性有着重要的理论与实践意义。本文从面试测评的效度及提高面试测评效度的方法与途径的角度，阐述了已往研究的发现。 关键词：面试测评测评效度效度的提高方法 引言：面试作为一种重要的人员选拔技术，已被越来越多的企业所运用，它主要是通过主试与被试双方面对面地观察、交谈等双向沟通方式，了解应聘人员的素质状况、能力特征及求职应聘动机等特点。这种测试手段可以直观地、机动灵活地考察应聘者多种能力，在预测应聘者将来的工作绩效等方面非常有效。 面试是应用最为广泛的一种人才甄选方法，少有组织不经过面试就进行录用决定。Casio等人（2005/2006）认为，作为一项人事甄选技术，面试主要有两大功能：第一，可以弥补其他甄选技术所存在的信息缺陷；第二，可以用于评价只有通过面对面互动才能测量到的个人特征（例如个性、动机、仪表、谈吐风度及行为特点等）。面试作为一项重要的人才甄选方法，很自然地，研究者对其效度十分关心，并且在这一方面做出了很多研究。 1 关于面试测评的信度、效度研究 1.1 面试测评的信度研究 面试信度指不同评委面试同一个应聘者得出结论的一致性程度。面试信度低，意味着评委评价的一致性低，这样的面试就没有可靠性，所以，面试信度是有效面试的必要条件（刘远我，2007）。面试信度主要包括两个方面：一是面试要素内部信度，指面试测评要素之间的一致性程度；二是评委间信度，即评委之间评价的一致性程度。早期有关面试测评的综述一致认为面试的信度较低（May-field，1964）。然而，近年来研究表明，面试是具有一定信度的，只是不同面试研究的测量信度差异很大：信度从0.15~0.80不等（刘远我，2007）。尤其是Conway等（1995）对111个评委间信度系数和49个面试要素内部信度系数进行元分析，发现评委间信度为0.70，结构化面试要素内部信度为0.59，无结构面试要素内部信度为0.37。他们的研究还表明，研究设计（单独面试和集体面试）、评委培训和面试结构化程度（问题的标准化、评分的标准化等）是影响评委间信
结构化面试的信度与效度 结构化面试由于其相对较高的信度与效度，被各类企事业单位广泛应用于人员招聘与选拔过程中。面试官在评价应聘者时存在个体差异，直接表现为宽大效应或严格效应，这对雇佣决策提出了严峻挑战。本文分析了正式反馈对提高结构化面试有效性的积极作用，提出了优化结构化面试的对策与建议。 近些年来，人员测评在新员工甄选中发挥越来越大的作用，测评的科学性与实用性得到更多的关注。结构化面试是根据对职位的分析，确定面试的测评要素，在每一个测评的维度上预先编制好面试题目并制定相应的评分标准；面试过程遵照一种客观的评价程序，对被试者的表现进行数量化的分析；给出一种客观的评价标准，不同的评价者使用相同的评价尺度，以保证判断的公平合理性。 已有研究表明，结构化面试的效度仅次于评价中心，高于工作抽样、能力测验、个性测验等方法。在人才选聘面试结束后，面试官（评分者）之间对候选人的打分千差万别，往往导致合并的分数无法使用。如何使结构化面试中面试官的评分更加有效，成为员工甄选过程中面临的现实问题。 一、结构化面试的信度与效度 结构化面试强调面试内容与工作相关、面试流程标准化、评分结构化。结构化面试中，面试官的评分直接决定了最终的录用结果。结构化面试依靠面试官专业、准确的评分来实现，关键在于克服面试官评分的随意性与主观性。 结构化面试信度是指不同的面试官（评分者）面试同一个被试得出结论的一致性程度。面试信度低，意味着面试官评分一致性低，面试结果就不可靠。结构化面试的信度包括两个方面：一是面试要素内部信度，是指面试测评要素之
间的一致性；二是评分者间的信度，即评分者之间评分的一致性。 结构化面试的效度是指面试测量的准确性，即面试所测评到的结果与所考察内容的相符程度。结构化面试的效度一般采用预测效度，即面试结果能否预测应聘者未来实际工作绩效水平。总体来看，结构化面试平均效度系数是非结构化面试的两倍，提高面试效度最好的方法是提高结构化程度。 二、结构化面试信度与效度的影响因素 结构化面试是一种表现性评价方式，其评价结果的信度是进行有效推论和决策的前提。在结构化面试中通常由多个面试官进行打分，而面试官之间评价的不一致是影响评价结果应用的重要因素。尽管可以通过明晰评分细则、优化结构化面试题目等方式予以控制，但是评分者之间的不一致性难以避免。 面试信度与效度存在情景特异性与考官特异性。结构化面试误差主要来源包括：面试题目有效性、面试评委培训、评分维度设定、面试实施环节等。其中由于面试官带来的评分误差主要包括：与我相似效应、对比效应、第一印象偏差、晕轮效应、刻板印象、顺序效应等，其结果是个别考官的评分偏高或者偏低于其他面试官的评分。当评价的结果高于应聘者的实际得分时称为宽大效应，低于应聘者实际得分时称为严格效应。 结构化面试的效度与信度提高措施包括以下四项： 一、关注面试内容，标准化信息获取内容、提高面试结构化程度与提问的一致性、提问限制与工作内容相关等； 二、重视考官的培训，通过培训使考官了解可能的评分误差，降低实际操作中的各种误差； 三、极小化各组中同一专业面试官的数量，以及极小化各组中面试官数量与
如何使用spss软件进行效度和信度分析 如果一个问卷设计出来无法有效地考察问卷中所涉及的各个因素，那么我们为调查问卷所作的抽样、调查、分析、结论等一系列的工作也就白做了。那么，我们如何来检验设计好的调查问卷是否有效呢？信度分析是评价调查问卷是否具有稳定性和可靠性的有效的分析方法。 二、信度分析的提出及分析方法 信度，又叫可靠性，是指问卷的可信程度。它主要表现检验结果的一贯性、一致性、再现性和稳定性。一个好的测量工具，对同一事物反复多次测量，其结果应该始终保持不变才可信[1]。例如，我们用一把尺子测量一张桌子的高度，今天测量得高度与明天测量的高度不同，那么我们就会对这把尺子产生怀疑。因此，一张设计合理的调查问卷应该具有它的可靠性和稳定性。 调查问卷的评价体系是以量表形式来体现的，编制的合理性决定着评价结果的可用性和可信性。问卷的信度分析包括内在信度分析和外在信度分析。内在信度重在考察一组评价项目是否测量同一个概念，这些项目之间是否具有较高的内在一致性。一致性程度越高，评价项目就越有意义，其评价结果的可信度就越强。外在信度是指在不同时间对同批被调查者实施重复调查时，评价结果是否具有一致性。如果两次评价结果相关性较强，说明项目的概念和内容是清晰的，因而评价的结果是可信的。信度分析的方法有多种，有Alpha信度和分半信度等，都是通过不同的方法来计算信度系数，再对信度系数进行分析[2]。 目前最常用的是Alpha信度系数法，一般情况下我们主要考虑量表的内在信度——项目之间是否具有较高的内在一致性。通常认为，信度系数应该在0～1之间，如果量表的信度系数在0.9以上，表示量表的信度很好；如果量表的信度系数在0.8～0.9之间，表示量表的信度可以接受；如果量表的信度系数在0.7～0.8之间，表示量表有些项目需要修订；如果量表的信度系数在0.7以下，表示量表有些项目需要抛弃。我们可以通过目前比较流行的SPSS软件对调查问卷进行信度分析，这样我们就可以判断一个调查问卷是否具有稳定性和可靠性。 三、利用SPSS软件进行信度分析 下面就以兵团广播电视大学“人才培养模式改革和开放教育试点”毕业生追踪调查[3]中《电大教学效果评价》（毕业生用）这一调查量表进行分析。量表见下图。 （一）对量表进行纬度划分，将量表分为知识、能力、业绩三个纬度。其中，第1～4题划分到知识纬度，第5～12题划分到能力纬度；第13～15题划分到业绩纬度。通过每一纬度的Alpha系数来考察每一项得分间的一致性。 1、打开SPSS软件，调入930条记录的数据文件，进入SPSS主界面。 2、在知识纬度中，对项目（1）专业知识的掌握；（2）所学知识与工作岗位的实际需要；（3）知识面的拓宽；（4）专业水平的提高；进行内部一致性分析。 ①单击“分析”菜单中的“尺度分析”，再在“尺度分析”的子菜单中点击“可靠性”分析，打开“可靠性分析”的主对话框。 ②在左侧的源变量框中选择上述四个项目所对应的变量c1，c2，c3，c4加入到对话框右边的“项目”中，作为分析变量，再在对话框下面的“模型”中选择“Alpha”，进行Alpha信度分析。 ③点击对话框中的“统计量”按钮，打开相应的对话框，选择要输出的统计量、变量描述、方差分析，总结等。在这个例题中为了看的清楚，我们用默认方式，即只输出样本个数、项目个数和信度系数。 ④点击“继续”按钮，回到“可靠性分析”的主对话框，勾选“列出项目标签”，再单击“确定”
用spss软件分析进行效度和信度分析具体的操作步骤 在SPSS中，专门用来进行测验信度分析的模块为Scale下的Reliability Analysis；使用Data Reduction之下的Factor模块，可以利用因素分析的方法来进行测验的建构效度检验；至于项目分析则没有专门的模块可以之间进行计算分析，但是却可以利用Summarize下的Frequencies、Correlate下的Bivariate 和Compare Mean下的Independent-Samples T Test来计算几个常用的项目分析指标。 3 m6 ]$ l8 a6 j w% K0 ^ 一、信度分析' M, k! n+ y# C Reliability Analysis模块主要功能是检验测验的信度，主要用来检验折半信度、库李及a系数以及Hoyt信度系数值。至于重测信度和复本信度，只需将样本在二次（份）测验的分数的数据合并到同一数据文件之后，利用Correlate之下的Bivariate求其相关系数，即为重测或复本信度；而评分者信度则就就是使用的Spearman等级相关及Kendall和谐系数。 表1 Reliability Analysis模块的Model选项的参数及对应中文术语3 V O/ m5 i% P; N6 l' a : `. P- I/ c: J9 X/ ~ 关键字功能 ; R% v( ?! T8 L) q* L$ ~ Alpha Cronbach a系数 Split-half 折半信度，n是第二分量表的题数 ( e3 N, N6 w4 l% N( d8 A3 c4 ] Guttman Guttman最低下限真实信度法0 o+ n; n/ ^2 d& B Parallel 各题目变异数同质时的最大概率（maximum-likelihood）信度3 Q( _- Z9 }( a Strict parallel 各题目平均数与变异数均同质时的最大概率信度7 p, x- S9 ?; J: p! k 5 H5 i7 h/ l7 Q) Q 表2 Reliability Analysis模块的Statistics部分选项的参数及对应中文术语 - X9 d% L( ~; ^5 L 关键字功能
教师备考技巧五 信度和效度的区别与联系 在教学这章中涉及了信度和效度这一知识点，这既是我们考试的重点也是难点。很多同学都分不清什么是信度和效度，信度和效度有着怎样的区别和联系呢？教师备考网课一年无限学https://www.doczj.com/doc/7710316872.html,/R1otLuc 一、信度和效度的区别 测验的信度：又称测验的可靠度，是指一个测验经过多次测量所得结果的一致性程度，以及一次测量所得结果的准确性程度。信度主要是指测量结果的可靠性、一致性和稳定性，即测验结果是否反映了被测者的稳定的、一贯性的真实特征。 测验的效度，指一个测验能测出它所要测量的属性或特点的程度。效度是指所测量到的结果反映所想要考察内容的程度，测量结果与要考察的内容越吻合，则效度越高；反之，则效度越低。学业成绩检查是要测量所学的学科基本知识技能，作为测量工具的试题就应和要检查的目标相关。效度分为三种类型：内容效度、准则效度和结构效度。 总体来说，效度是对测量的准确性程度的估计，而信度则是对测验的一致性或可靠性程度的估计。 二、信度与效度的联系 我们可以通过下图进一步了解信度和效度： 以打靶为例，打中目标才算是高效度。 第一个图，弹痕非常分散，代表不稳定，随机误差高，信度就低，另外大部分都是打偏了，所以效度也不高。 第二个图，很稳定地打偏了，稳定性高，就是信度高，但是却完全没有击中目标，偏离很多，所以就是效度低
第三个图，很稳定地正中靶心，那就是信效度都很高。 对于信度与效度的联系，我们可以用一句话来概括：信度是效度的必要不充分条件。有效度一定有信度，但是有信度不一定有效度。 下面，我们通过几个真题加深对信度和效度的理解： 1．开学考试成绩能够预测学生入学后的学业成绩，这说明该测验具有较高的（）。 A.信度 B.难度 C.效度 D.区分度 答案：C 2．在测验学生英译汉的技巧时，由于所选的短文中词汇量较大，学生受到词汇量的障碍而难以发挥翻译技巧，测验的结果在很大程度上说明了学生掌握词汇量的多少，然而并没有确切说明学生的翻译技巧，这样的测验（）不高。 A．难度B．效度C．信度D．区分度 答案：B 3．某学校采用性格量表来测量学生，分别在一年的3月、8月、12月测量，其结果基本相当，测验结果如此相同，说明其（）。 A.信度高 B.效度高 C.区分度高 D.平衡度高 答案：A 4．如果一个测验基本达到了测验目的，测出了它所要测出的东西，那么这个测验()。 A.信度较好 B.效度较好 C.难度适中 D.区分度较好 答案：B 教师备考网课一年无限学https://www.doczj.com/doc/7710316872.html,/R1otLuc
信度分析和效度分析数据计分方法说明 类别小分类 对应 题项每题计分方法维度计分方法 题 项 职业倦怠 情感枯竭 1-3 题 正向计分 全部题项直接加 总 3 去个性化 4-6 题 正向计分 全部题项直接加 总 3 个人成就感 7-10 题 逆向计分 全部题项取倒数 后加总 4 心理资本 11-18 题正向计分 全部题项直接加 总 8 组织气氛 19-26 题 21题为逆向计 分，其余题项正 向计分 21题取倒数后与 其余题项加总 8 总体幸福 感27-31 题 27题和31题为逆 向计分，其余题 项为正向计分 27和31题取到术 后与其余题项加 总 5 整体问卷 以上各个维度的 总分直接加总 31 讲问卷调查的数据进行如上表的数据预处理后，接下来再进行如下分析。 1 信度分析 这里有63份问卷，首先我们需要的判定的是问卷中的调查题目能否反映调查的目的和调查的意图，问卷中的各个问题是否测量了相同的内容和信息；同时，对于调查问卷所得到的数据是否具有可靠性，就必须在对问卷分析之前做信度分析。信度本身与测量结果的正确与否无关，它的用途在于检测问卷本身的稳定性。信度分析中常用Cronbach α系数的大小来衡量调查问卷的信度。一
般而言，如果问卷的信度系数达到0.9以上，该问卷调查的信度就较好；信度系数在0.8以上，是不错的；一般认为试卷信度在0.5至0.9以内是合理的，如果信度系数低于0.5，则此问卷的调查结果就不可信了。 将以上63份问卷的数据用SPSS21.0先进行标准化处理，再进行信度分析，其结果如表一所示： 表一信度分析表 类别Cronbach's Alpha 项数 整体问卷.61731 职业倦怠.82210 心理资本.8018 组织气氛.8378 总体幸福感.6795 表一显示，整体问卷和问卷中的各个维度的Cronbach's Alpha系数值均大于0.6，所以可以推断此问卷的可信度一般，该评价问卷只具有很较高的内在一致性。 2 效度分析 具备信度的问题不一定具备效度，因此做完信度分析，再用SPSS21.0对其进行效度分析。 2.1 因子模型适应性分析 效度分析使用的是因子分析模型，在运用因子模型分析之前，首先要对问卷数据进行因子模型适应性分析，分析结果如下表所示： 表二 KMO 和 Bartlett 的检验 KMO 和 Bartlett 的检验 取样足够度的 Kaiser-Meyer-Olkin 度量。.657 Bartlett 的球形度检验近似卡方1187.636 df 465 Sig. .000 由上表的数据可知，问卷数据的KMO值为0.657，并且通过了显著性水平为0.05的巴特利球型检验，说明问卷调查的数据非常适合做因子分析。 2.2 因子分析结果 在进行了适应性检验之后，接下来就进行因子分析，其结果如下： 表三方差贡献率 解释的总方差 成份 初始特征值提取平方和载入旋转平方和载入 合计方差的 % 累积 % 合计方差的 % 累积 % 合计方差的 % 累积 % 1 8.75 2 28.231 28.231 8.752 28.231 28.231 4.937 15.926 15.926 2 3.259 10.514 38.745 3.259 10.514 38.745 3.766 12.148 28.074 3 2.715 8.758 47.503 2.715 8.758 47.503 2.996 9.666 37.740 4 2.286 7.374 54.877 2.286 7.374 54.877 2.714 8.756 46.496 5 1.51 6 4.891 59.768 1.516 4.891 59.768 2.584 8.335 54.831 6 1.342 4.328 64.096 1.342 4.328 64.096 2.076 6.69 7 61.528 7 1.252 4.038 68.134 1.252 4.038 68.134 1.709 5.511 67.040 8 1.053 3.398 71.532 1.053 3.398 71.532 1.393 4.492 71.532
关于调查问卷的信度和效度检验 （一）信度 1、 信度的含义 测验的信度又称测验的可靠性 ，是指同一个测验对同一组被试施测两次或多次 ，所得结果 一致形程度。一个好的测验必须是稳定可靠的 ，多次使用所获得的结果是前后一致的。例 如，用直尺测量长度，其结果是稳定可靠的 ；用橡皮筋测长度则是不可靠的 ，前后测量 结果缺乏一致性。在测量理论中 ，信度被定义为：某次测验分数的真变异数与总变异数 ST2 （即实测分数）之比：R xx - S x 2 式中Rxx 表示测量的信度,ST -代表真分数的变异数 （方差）,Sx -表示实得分数的变异 数（方差）。 For pers onal use only in study and research; not for commercial use 从上式可看出，（1）信度是指实测值和真值相差的程度 ，实测值是指对某物实际进行测 量时所获得值 ，也称实测分数 （X ）;真值是指被测事物的真实规模取值 ，也称真分数 （T ）。由于各种原因，实得分数常不等于真分数 ，两者之差称为测量误差或误差分数 （E ）。从理论上看，实得分数由真分数和误差分数两部分组成即 :X=T+E Rxx 就是对一组测验数据的实测分数与真分数相差程度的最好估计。 （2 ）信度又是指相同的测验对相同的被试再次测量时引起的同样反应的程度。如果两次 测验中，受测者所得分数或所处等级前后一致 ，则说明测验结果的信度较高 ；反之，两 次测验结果一致性低 ，说明测验结果的信度低。 For pers onal use only in study and research; not for commercial use 信度是任何一种测量的必要条件 （但不是唯一条件 ）,只有测量值接近或等于真值 ，用同 一工具多次测量同一特性获得相同或相近的结果 ，才能认为这个测量结果是可靠的。 信度 对于教育测量尤其重要，只有信度高的教育测验才能成为教育工作者有用的工具 ，才能为 教育工作者提供可靠的信息，为教育预测和决策提供客观依据。 2、 信度的估计方法 测验的信度是用信度系数的大小来表示的 ，根据测量理论，信度系数 For pers onal use only in study and research; not for commercial use ST2 R xx S 2 但是在实际测量中，一般只能获得实得分数 （X ）及实得变异数 （Sx 2 ）,而真分数（T ）及 真变异数（ST 2 ）是不知道的，因此，依据上述公式还无法机算信度系数。在统计上 ，主 要采用相关分析的方法即机算两列变量的相关系数 ，用相关系数的大小来表示信度的高 低。主要用以下方法来求得信度 ：
一、行为面试和情景面试的定义 行为面试假设“过去行为是未来行为的最好预测指标”，通过应聘者对过去某种行为的追忆和表述，从而捕捉应聘者的个性特征；情景面试的基本原理是目标设置理论，假设“个体的意图和设想是未来行为的有效预测指标”，通过询问一些非显而易见的问题，使接受面试者表达其真实意图，进而捕捉应聘者的个性特征。研究表明，明确说出的意图往往与未来行为相关；正确使用情境面试，同时发生的和预兆性的效度都较高；情境面试有助于实现选拔面试所预定的目标。 二、行为面试和情景面试的共同点 许多研究证明，行为面试和情景面试是两种有效的面试方法，两者的信度和效度区别不大。其中一项研究表明，行为面试和情景面试之间的相关系数为0.73（P<0.01），平均数和变异量相似，考官的评价信度分别为0.94和0.97，与上级评价的绩效相关都很低，行为面试略高于情景面试；另一项研究运用元分析技术分析面试时发现，情景面试和行为面试的平均效度分别为0.27和0.21，差异不明显。 在实际的使用当中，两种技巧都使用了详细的工作描述以建立结构化的面试格式；当评价申请人的适合性时，情景面试和行为面试都非常重视行为和行为描述；而且，两种技巧似乎都达到了同一目的――不同的面试考官取得同样真实评价的可能性提高；最后，两种技巧都证明了其使得成本及选拔费用最小化的效用。 三、行为面试和情景面试的不同点 虽然以往的研究表明行为面试和情景面试在信度和效度上并不存在显著差异，但有研究发现行为面试的效度显著高于情景面试，而情景面试的信度则高于行为面试。如研究发现行为面试与上级评价的工作绩效相关显著，而情景面试则不显著。许多研究者把这些差异归结为三个方面原因： ①操作不同，情景面试适合逐题打分，而行为面试适合末尾打分； ②反映不同求职者对假设的情景作简单反应，而对经历的行为反应丰富细腻； ③所需时间不同，行为面试时间较长，情景面试时间较短。 但进一步的研究发现，情景面试和行为面试适用于招聘、选拔不同职位的员工，以往情景面试信度和效度较高的原因是研究数据来源于简单的、基层的职位。离开职位层次和职位特征来探讨结构化面试的信度和效度毫无意义。Pulakos和Schimtt（1995）在研究美国联邦调查局人才选拔面试中发现，情景面试不适合用于联邦调查局这样复杂的部门和职位的人才选拔，并认为行为面试比情景面试在选拔复杂职位和高层次人才时更为有效。Allen等（2001）的研究验证了情景面试的局限性，认为情景面试之所以在高层次人才选拔面试中应用效果不好，可能是因为以下几方面原因：①面试题目长度有限，难以设计复杂情景；②复
s p s s数据分析教程之 s p s s信度分析和效度分 析 Prepared on 21 November 2021
信度分析和效度分析 数据计分方法说明 1 信度分析 这里有63份问卷，首先我们需要的判定的是问卷中的调查题目能否反映调查的目的和调查的意图，问卷中的各个问题是否测量了相同的内容和信息；同时，对于调查问卷所得到的数据是否具有可靠性，就必须在对问卷分析之前做信度分析。信度本身与测量结果的正确与否无关，它的用途在于检测问卷本身的稳定性。信度分析中常用Cronbach α系数的大小来衡量调查问卷的信度。一般而言，如果问卷的信度系数达到0.9以上，该问卷调查的信度就较好；信度系数在0.8以上，是不错的；一般认为试卷信度在0.5至0.9以内是合理的，如果信度系数低于0.5，则此问卷的调查结果就不可信了。 将以上63份问卷的数据用SPSS21.0先进行标准化处理，再进行信度分析，其结果如表一所示： 表一信度分析表
表一显示，整体问卷和问卷中的各个维度的Cronbach's Alpha系数值均大于 0.6，所以可以推断此问卷的可信度一般，该评价问卷只具有很较高的内在一致性。 2 效度分析 具备信度的问题不一定具备效度，因此做完信度分析，再用SPSS21.0对其进行效度分析。 2.1 因子模型适应性分析 效度分析使用的是因子分析模型，在运用因子模型分析之前，首先要对问卷数据进行因子模型适应性分析，分析结果如下表所示： 表二 KMO 和 Bartlett 的检验 KMO 和 Bartlett 的检验 取样足够度的 Kaiser-Meyer-Olkin 度量。.657 Bartlett 的球形度检验近似卡方1187.636 df465 Sig..000 由上表的数据可知，问卷数据的KMO值为0.657，并且通过了显着性水平为0.05的巴特利球型检验，说明问卷调查的数据非常适合做因子分析。 2.2 因子分析结果 在进行了适应性检验之后，接下来就进行因子分析，其结果如下： 表三方差贡献率 解释的总方差 成份 初始特征值提取平方和载入旋转平方和载入 合计方差的 %累积 %合计方差的 %累积 %合计方差的 %累积 % 18.75228.23128.2318.75228.23128.231 4.93715.92615.926 2 3.25910.51438.745 3.25910.51438.745 3.76612.14828.074 3 2.7158.75847.503 2.7158.75847.503 2.9969.66637.740 4 2.2867.37454.877 2.2867.37454.877 2.7148.75646.496 5 1.51 6 4.89159.768 1.516 4.89159.768 2.5848.33554.831 6 1.342 4.32864.096 1.342 4.32864.096 2.076 6.69761.528 7 1.252 4.03868.134 1.252 4.03868.134 1.709 5.51167.040 8 1.053 3.39871.532 1.053 3.39871.532 1.393 4.49271.532 9.958 3.08974.620 10.880 2.84077.461 11.762 2.45979.920 12.714 2.30282.222 13.684 2.20784.429 14.623 2.01186.440 15.580 1.87088.309 16.509 1.64289.951