1. 这篇文章真正要解决的问题
如果你正在写毕业论文、做问卷调研，或者跑量表验证，SPSS 的信效度检验几乎是绕不开的一道关卡。很多人的操作流程是这样的：把自己的问卷数据导入 SPSS，点击“可靠性分析”，弹出一张密密麻麻的表格，屏幕上出现一个 Cronbach's Alpha 数值；再点击“因子分析”，又出现 KMO 和 Bartlett 检验，看一眼 KMO 是不是大于 0.7，然后就关掉窗口，开始写论文。
问题在于：大部分人只知道“KMO 大于 0.6 或 0.7 就说明适合做因子分析”，但并不知道怎么解释这些数字背后的含义，更不知道信效度检验的输出结果里，哪些字段是评审老师会重点看的，哪些字段其实无关紧要。最尴尬的情况是：明明跑完了 SPSS，但在论文里只写了“Cronbach's α 为 0.83，KMO 为 0.79，说明信效度良好”，这一句话既没有讲清楚检验流程，也没有区分信度和效度是两个不同层面的质量指标。
本文帮你解决三件事：第一，把 SPSS 信效度检验的整个逻辑讲透，让你知道为什么这样操作、为什么看那些数字；第二，带你把“可靠性分析”和“因子分析”的输出表格逐项看明白；第三，把论文写作中常见的信息误读、写作误区和评审老师常常追问的细节一次说清。读完这篇文章，你不需要再到处搜“SPSS 信效度结果怎么看”，按图索骥就行。
2. 信度与效度的概念边界：先分清检验对象
很多人把信度和效度放在一起说，但实际上这是两个不同维度的质量指标。用一个通俗的例子：假如你有一台体重秤，每天称自己的体重，连续称三天，三次读数几乎一样，这说明这台秤“信度”很高，测量结果稳定可靠；但如果这台秤被调校错了，每次读数都比真实体重多 3 公斤，那么即使它误差稳定、结果一致，它测出的也不是真实体重，这就是“效度”出了问题。信度关心的是“测得稳不稳”，效度关心的是“测得准不准”。
具体到问卷量表里：
信度（Reliability）指的是量表测量结果的一致性、稳定性和可靠性。最常见的检验方法是 Cronbach's Alpha 系数，它反映的是量表内部所有题目之间的一致性程度。通俗地说，如果一份测量“工作满意度”的量表里有 10 道题，那么这 10 道题应该在逻辑上都指向同一个概念，答题者的得分在全量表上应该是相对一致的。如果有人在第 2 题选了“非常满意”，但在第 7 题选了“非常不满意”，且这两道题描述的是同一个维度的相似状态，说明题项的内部一致性出了问题。
效度（Validity）指的是量表是否真正测量到了你想要测量的构念。效度的类型很多，对于使用 SPSS 的普通问卷研究来说，最常涉及的是结构效度。结构效度检验的常见做法是探索性因子分析，通过 KMO 检验和 Bartlett 球形检验来判断数据是否适合做因子分析，然后通过主成分分析或因子旋转来看题项是否按照预设维度聚合。
一个容易混淆的细节是：信度是效度的必要前提，但不是充分条件。也就是说，一份量表可能信度很高、测量结果很稳定，但它测的却不是你想要的东西。反过来，如果信度很低，各题项一致性差，那效度也很难合格。所以论文里报告信效度时，正确的顺序是先报告信度（Cronbach's α），再做效度检验（KMO、Bartlett、因子载荷、累计方差贡献率），这个顺序背后是有统计逻辑的。
3. 环境准备与数据要求：跑检验之前的四件事
3.1 SPSS 版本与运行环境
SPSS 的版本迭代较快，界面细节在不同版本之间略有差异，但“可靠性分析”和“因子分析”两个功能模块的菜单位置和输出结果结构基本保持一致。本文演示的操作思路适用于大多数常见版本，具体菜单名称以你电脑上安装的版本为准。
输入数据建议使用 .sav 格式，这是 SPSS 的原生数据文件格式。如果你的数据在 Excel 里，可以直接复制粘贴到 SPSS 的数据视图中，或者通过“文件 → 导入数据 → Excel”的方式导入。需要注意的是，SPSS 中的数据视图里，每一行代表一个样本（一份问卷），每一列代表一个变量（一道题目），这个基本结构不能搞反。
3.2 数据格式与变量类型
在做信效度检验之前，先检查你的数据是否符合以下条件：
- 样本量充足。一般经验法则是：做探索性因子分析时，样本量最好是题目数量的 5 到 10 倍。如果你有 20 道题，至少需要 100 到 200 份有效问卷。这个标准不是绝对的，但在实际论文评审中，样本量不足是高频被质疑的问题。
- 变量类型必须为数值型。SPSS 中的李克特量表数据（1 表示非常不同意，2 表示不同意，3 表示一般，4 表示同意，5 表示非常同意）通常以数值型存储，这样直接参与计算。
- 没有缺失值或缺失值已处理。如果某行数据中有一个题目没有作答，SPSS 默认会剔除该样本参与分析。缺失样本过多会显著影响结果稳定性。
- 反向计分题已经处理完毕。很多量表里会设计反向题（例如“我觉得工作没有意义”），在录入时它的分数方向和其他题相反。做信度分析之前，必须先将反向题的分数转换回来。这一步极其重要，但经常被忽略。
下面的示例展示了一份简化的量表数据在 SPSS 数据视图中的结构，共 6 道题目，来自两个维度。
ID Q1 Q2 Q3 Q4 Q5 Q6 1 4 5 4 3 4 5 2 3 4 4 4 3 4 3 5 4 5 4 5 5 4 2 3 3 2 3 4 5 4 4 3 5 4 4这里 Q1 到 Q3 属于维度 A，Q4 到 Q6 属于维度 B。后续做信度和效度分析时，通常是对所有题项一起做，也可以分维度单独做信度。
3.3 反向计分题的转换示例
假设 Q3 是一道反向题，原本录入的分数为：1 分代表“非常同意”，5 分代表“非常不同意”。那么在参与计算之前，需要把它转换为正向分数。李克特 5 点量表的反向转换公式为：
新分数 = 6 - 原分数在 SPSS 中可以通过“转换 → 计算变量”完成，也可以在语法窗口中执行：
COMPUTE Q3_new = 6 - Q3. EXECUTE.转换完成后，务必检查新变量的取值范围是否在 1 到 5 之间，并确认描述性统计的结果方向符合预期。
3.4 保存语法与工作文件
建议在正式分析前先保存 SPSS 语法文件（.sps）。SPSS 的图形界面操作多数可以通过“粘贴”按钮生成对应的语法命令，这不仅能帮助你复盘操作过程，也方便在调整参数时快速重新运行。后续示例中给出的语法可以直接复制，在语法窗口中运行。
4. 信度检验：Cronbach's α 怎么看
4.1 操作路径
SPSS 中做信度检验的路径是：
分析 → 标度 → 可靠性分析在可靠性分析对话框中，把需要检验的题项全部选入“项”框中。在“模型”下拉框中选择 Alpha。点击“统计”按钮后，在“描述性”部分勾选“如果项已删除则度量”（SPSS 汉化版常显示为“删除项后的标度”），这个选项会告诉你“如果把某一道题删掉，整体 Cronbach's α 会变成多少”，这是信度检验里最核心的决策信息之一。
示例语法如下：
RELIABILITY /VARIABLES=Q1 Q2 Q3 Q4 Q5 Q6 /SCALE('ALL VARIABLES') ALL /MODEL=ALPHA /STATISTICS=DESCRIPTIVE SCALE /STATISTICS=CORR /SUMMARY=TOTAL.运行后，输出窗口主要看两张表：个案处理摘要和可靠性统计。
4.2 个案处理摘要
个案处理摘要表格中，你会看到“有效”样本数和“已排除”样本数。如果“已排除”数量很大，说明数据中有较多缺失值，这会降低检验的可信度。一般要求有效个案占比尽量接近 100%。
4.3 可靠性统计表
可靠性统计表是信度检验的核心输出，其中包括 Cronbach's Alpha 系数和基于标准化项的 Cronbach's Alpha 系数。通常报告第一个即可，但两者的含义稍有差别：前者基于原始分数计算，后者基于标准化分数计算。当各个题目的方差差异不大时，两者数值接近；如果差异明显，说明各题项的离散程度差异较大，这时报告标准化后的 α 更合适。
Cronbach's Alpha 系数的一般判断标准是：
| Cronbach's α 值 | 信度水平 |
|---|---|
| α ≥ 0.9 | 非常好，内部一致性很高 |
| 0.8 ≤ α < 0.9 | 良好 |
| 0.7 ≤ α < 0.8 | 可以接受 |
| 0.6 ≤ α < 0.7 | 勉强可接受，但需要谨慎 |
| α < 0.6 | 信度不足，需要修订量表 |
这里要强调的是：0.7 不是绝对分界线。在探索性研究中，α 大于 0.6 也可以勉强接受；但在成熟的量表验证研究中，通常要求 α 至少大于 0.7。
4.4 项总计统计表：最重要的决策信息
项总计统计表（在英文输出中叫 Item-Total Statistics）是很多人完全不看的一张表。它包含以下几个关键字段：
- 删除项后的标度平均值：如果把这道题删除，剩余题项的总分平均值。
- 删除项后的标度方差：如果把这道题删除，剩余题项总分的方差。
- 校正后的项与总计相关性（CITC）：这道题与其余所有题项总分的皮尔逊相关系数，它衡量的是该题与整体量表的一致性。通常要求 CITC 大于 0.4，如果某道题的 CITC 低于 0.3，说明它与量表整体的一致性较差。
- 删除项后的 Cronbach's Alpha：如果把这道题删掉，整体 α 会变成多少。
判断是否要删除某道题时，主要看两条：第一，校正后的项与总计相关性是否低于 0.3（或 0.4）；第二，删除该项后的 α 是否显著高于当前整体 α。如果两个条件同时满足，删除这道题能明显提升量表信度，那么这道题就属于“拖后腿”的题项。
我见过不少人在论文写作中只看第一张可靠性统计表，写一个 α 大于 0.8 就交差，完全忽略了项总计统计表。实际上，评审老师如果追问“你删除过题目吗？为什么删除？”你没有依据回答，就会很被动。
5. 效度检验：KMO 和 Bartlett 检验
信度检验完成并确认合格之后，接下来才是效度检验。最常见的效度检验方法是探索性因子分析。SPSS 中做因子分析的路径是：
分析 → 降维 → 因子把需要分析的题项全部选入“变量”框。在“描述”选项中勾选“KMO 和 Bartlett 的球形度检验”。在“提取”选项中选择“主成分”方法，特征值大于 1。在“旋转”选项中选择“最大方差法”。在“选项”中可以选择“按大小排序”，这样输出的载荷矩阵更容易阅读。
示例语法如下：
FACTOR /VARIABLES Q1 Q2 Q3 Q4 Q5 Q6 /MISSING LISTWISE /ANALYSIS Q1 Q2 Q3 Q4 Q5 Q6 /PRINT INITIAL KMO EXTRACTION ROTATION /CRITERIA MINEIGEN(1) ITERATE(25) /EXTRACTION PC /ROTATION VARIMAX /METHOD=CORRELATION.因子分析的输出中，你最需要关注三部分：KMO 和 Bartlett 检验、公因子方差、总方差解释、旋转后的成分矩阵。
5.1 KMO 和 Bartlett 检验怎么看
KMO（Kaiser-Meyer-Olkin）检验的是变量之间的偏相关性。取值范围在 0 到 1 之间，KMO 值越接近 1，说明变量间的共同因素越多，越适合做因子分析。判断标准如下：
| KMO 值 | 是否适合因子分析 |
|---|---|
| KMO ≥ 0.9 | 非常适合 |
| 0.8 ≤ KMO < 0.9 | 很适合 |
| 0.7 ≤ KMO < 0.8 | 一般适合 |
| 0.6 ≤ KMO < 0.7 | 勉强适合 |
| KMO < 0.6 | 不太适合，需要重新考虑题项 |
Bartlett 球形检验（Bartlett's Test of Sphericity）检验的是相关矩阵是否是单位矩阵。简单说，如果各变量之间完全独立，那相关系数矩阵就是单位矩阵，此时做因子分析没有意义。所以 Bartlett 检验的零假设是“相关矩阵为单位矩阵”，如果显著性 p 值小于 0.05，说明拒绝了零假设，变量之间存在相关关系，数据适合做因子分析。注意：这里要的是 p 值小于 0.05，而不是大于 0.05，这个方向不要搞反。
在实际论文汇报中，KMO 和 Bartlett 的结果通常是两个数字一起报告，形如“KMO = 0.812，Bartlett 球形检验的近似卡方值为 623.457（df = 15，p < 0.001）”。
5.2 公因子方差：看“提取”列
公因子方差表展示了每个题项被提取的初始方差和经过因子分析后的公因子方差。重点看“提取”列。一般要求提取值大于 0.4，如果某道题的提取值太低，说明这个题项与提取出的因子关系不大，在模型中贡献很小，考虑删除。
5.3 总方差解释：看累计贡献率
总方差解释表会列出每个因子的特征值、方差百分比和累计方差百分比。SPSS 默认提取特征值大于 1 的因子。看这张表的要点是：
- 提取了几个因子。理想情况下，提取的因子数量应与你的量表设计维度一致。比如你的问卷设计为两个维度，那么提取出来的主因子最好也是两个。
- 累计方差贡献率。一般要求累计方差贡献率达到 60% 以上，说明提取的因子能解释全部题项的大部分信息。如果累计方差贡献率只有 40%，说明信息丢失严重，结构效度存疑。
5.4 旋转后的成分矩阵：判断维度归属
旋转后的成分矩阵是判断结构效度是否达标的关键表。表中每个数值代表题项在因子上的载荷。判断标准是：
- 每个题项在其中一个因子上的载荷要大于 0.5。
- 每个题项在其他因子上的交叉载荷要尽量低，最好小于 0.4。
- 同一因子下的题项要在内容上具有合理的一致性，能够被赋予一个解释性的名称。
举个例子，如果 Q1、Q2、Q3 在因子 1 上的载荷分别是 0.82、0.76、0.79，在因子 2 上的载荷都小于 0.3，而 Q4、Q5、Q6 在因子 2 上的载荷分别是 0.78、0.80、0.74，在因子 1 上的载荷都小于 0.3，这就说明两个维度的结构清晰，结构效度良好。
如果出现某个题项在两个因子上载荷都高于 0.5，说明这个题项存在明显交叉载荷，它没有清晰归属于某一个维度，通常需要结合内容决定是否删除。
6. 完整实操示例：从数据导入到结果汇总
6.1 示例数据与场景
假设一份问卷有 12 道题，其中 Q1 到 Q6 用来测量“感知有用性”，Q7 到 Q12 用来测量“感知易用性”，采用李克特 5 点计分，共收集了 180 份有效问卷。数据文件为 .sav 格式，变量名分别是 Q1、Q2、Q3、Q4、Q5、Q6、Q7、Q8、Q9、Q10、Q11、Q12。
6.2 全部题项的 Cronbach's α 检验
先对全部 12 道题做整体信度分析。运行以下语法：
RELIABILITY /VARIABLES=Q1 Q2 Q3 Q4 Q5 Q6 Q7 Q8 Q9 Q10 Q11 Q12 /SCALE('ALL VARIABLES') ALL /MODEL=ALPHA /STATISTICS=DESCRIPTIVE SCALE /SUMMARY=TOTAL.输出结果中，“可靠性统计”表显示 Cronbach's Alpha 为 0.912。这说明整体量表的内部一致性很好。
再看“项总计统计”表。假设 Q5 的校正后的项与总计相关性只有 0.21，而且删除项后的 Cronbach's Alpha 变成了 0.931，比当前整体 α 高了不少。这说明 Q5 与其他题项的一致性较差，可以考虑删除 Q5 后再次检验。
删除 Q5 后重新运行信度分析，得到整体 α = 0.931，提升幅度明显。那么后续的效度检验就基于剩余的 11 道题进行。
6.3 整体效度检验
对剩余的 11 道题执行因子分析：
FACTOR /VARIABLES Q1 Q2 Q3 Q4 Q6 Q7 Q8 Q9 Q10 Q11 Q12 /MISSING LISTWISE /ANALYSIS Q1 Q2 Q3 Q4 Q6 Q7 Q8 Q9 Q10 Q11 Q12 /PRINT INITIAL KMO EXTRACTION ROTATION /CRITERIA MINEIGEN(1) ITERATE(25) /EXTRACTION PC /ROTATION VARIMAX /METHOD=CORRELATION.输出结果中会看到：
KMO 和 Bartlett 检验表显示：KMO = 0.847，Barlett 球形检验的近似卡方值为 1325.682，自由度为 55，显著性 p < 0.001。说明这批数据适合做因子分析。
总方差解释表中，特征值大于 1 的因子一共有两个，累计方差贡献率为 68.42%。这说明这 11 道题能够提取出两个公因子，与问卷设计的两个维度相吻合。
旋转后的成分矩阵中，Q1、Q2、Q3、Q4、Q6 在因子 1 上的载荷都高于 0.6，且在其他因子上的交叉载荷都低于 0.3；Q7、Q8、Q9、Q10、Q11、Q12 在因子 2 上的载荷都高于 0.6，且交叉载荷较低。这个结果表明量表的结构效度合格。
6.4 分维度信度检验
除整体信度之外，很多论文还会报告每个维度的 Cronbach's α。对“感知有用性”维度的 5 道题做信度分析：
RELIABILITY /VARIABLES=Q1 Q2 Q3 Q4 Q6 /SCALE('感知有用性') ALL /MODEL=ALPHA /STATISTICS=DESCRIPTIVE SCALE /SUMMARY=TOTAL.对“感知易用性”维度的 6 道题做信度分析：
RELIABILITY /VARIABLES=Q7 Q8 Q9 Q10 Q11 Q12 /SCALE('感知易用性') ALL /MODEL=ALPHA /STATISTICS=DESCRIPTIVE SCALE /SUMMARY=TOTAL.两个维度的 α 通常都会大于 0.8。这里要注意的是，有时候整体 α 合格，但某个维度的 α 不合格，这是因为不同维度内部的一致性存在差异。分维度报告能更细致地暴露问题。
6.5 将结果写入论文的规范表达
一篇合格的方法部分，需要展示出检验的完整逻辑。一个精简的示例写法如下：
“本研究采用 Cronbach's Alpha 系数检验量表的信度。删除因子载荷较低的题项 Q5 后，总量表的 Cronbach's α 为 0.931，其中感知有用性维度的 α 为 0.897，感知易用性维度的 α 为 0.914，说明量表具有良好的内部一致性信度。在效度检验方面，KMO 值为 0.847，Bartlett 球形检验达到显著水平（χ² = 1325.682，df = 55，p < 0.001），适合进行因子分析。采用主成分分析和最大方差旋转后，提取出 2 个特征值大于 1 的公因子，累计方差贡献率为 68.42%，各题项的因子载荷介于 0.612 至 0.835 之间，且不存在明显的交叉载荷，说明量表具有较好的结构效度。”
这个写法既能体现检验顺序，又能落实具体指标，评审老师看到这样的段落基本不会再追问信效度的问题。
7. 常见问题与排查思路
| 问题现象 | 可能原因 | 排查方式 | 解决方案 |
|---|---|---|---|
| Cronbach's α 值很低（< 0.6） | 反向计分的题目未转换，导致部分题项与整体方向相反 | 检查题项之间的相关矩阵，找出与其他题项负相关或相关性极低的题项 | 反向计分题在参与计算前先做分数转换 |
| 删除某道题后 α 明显升高 | 该题与量表整体一致性较差，CITC 值偏低 | 查看项总计统计表中的 CITC 和删除项后的 Alpha | 删除该题项后重新检验，并在论文中说明删除理由 |
| KMO 值低于 0.6 | 样本量不足，或题项之间的共同因素太少 | 检查有效样本量，检查各题项之间的相关性 | 增加样本量；考虑删除与其他题项相关性过低的题项 |
| Bartlett 检验 p 值大于 0.05 | 数据之间相关性弱，不适合做因子分析 | 检查相关系数矩阵是否存在大量绝对值小于 0.3 的相关系数 | 先做信度检验，判断数据质量；必要时删除低相关题项后再试 |
| 提取出的因子数量与设计维度不一致 | 某些题项的设计有歧义，或存在第二因子 | 查看旋转后的成分矩阵，找出载荷分布不清晰的题项 | 根据载荷矩阵和理论含义，调整或删除不符合预期的题项 |
| 某题项在两个因子上交叉载荷都高 | 题项表达存在歧义，或者该题确实测量了多个概念 | 查看该题项的文字表述，检查其与各维度其他题目的语义一致性 | 优先考虑修改题项表述；如果修改后仍无改善，删除该题项 |
| 整体 α 合格，但某个维度 α 不合格 | 维度内各题项测量的具体方面不一致 | 单独对该维度做信度分析，查看项总计统计表 | 重新审视该维度的题目设计，必要时删除或修改低相关题目 |
8. 信效度检验的最佳实践与论文写作建议
8.1 检验顺序不能乱
先做信度检验，再做效度检验。如果信度不过关，说明题项内部一致性差，这时候做因子分析往往也会暴露结构问题。反过来，如果信度合格但效度不好，通常意味着题项虽然一致，但测量的构念不是预期的构念，这需要从题目设计上反思。
没有一个固定的公式能保证每次检验都一次通过。如果你在论文评审中遇到信效度问题被质疑，最常见的原因是题项设计的问题，而不是统计操作的问题。统计操作只是验证工具，题项设计的质量才是根本。
8.2 样本量和题项数量
探索性因子分析中，每个因子最好至少包含 3 到 4 道题。以 2 个因子、每个因子 5 道题为例，总题量控制在 10 到 14 道是比较高效的问卷长度。样本量方面，不少于题目数量的 5 倍是最低要求，如果条件允许，200 份以上更稳妥。
如果问卷题目特别多（比如 30 道以上），建议先按维度做信度检验，再整体做效度检验。不要一次性把 30 道题都扔进因子分析，因为题目数量越多，维度结构越复杂，交叉载荷的概率越高，解释起来就越困难。
8.3 删除题项必须有依据
论文中出现“删除题目”时，评审老师必然会问“为什么删”。你的回答需要指向数据依据，而不是感觉。常用的删除依据包括：
- 该题项的 CITC 小于 0.3。
- 删除该题项后量表整体 α 明显上升。
- 因子分析中该题项载荷低于 0.5。
- 该题项存在明显的交叉载荷，无法清晰归属于单一因子。
删除题项后，一定要在论文中报告删除前后的结果对比，这样写既体现严谨性，也能预防追问。
8.4 报告数据的规范格式
在论文正文中，信效度检验的常规汇报位置在“研究设计”或“数据分析”部分，紧随变量测量方式之后。一个可以套用的汇报框架是：
- 说明使用了什么统计软件（例如 IBM SPSS Statistics 26.0）。
- 说明信度检验方法和结果：Cronbach's α 的具体数值，分维度报告。
- 说明效度检验方法和结果：KMO 值、Bartlett 球形检验的卡方值和显著性、提取因子个数、累计方差贡献率、因子载荷范围。
- 说明题项调整情况：是否删除题项，删除依据是什么。
如果使用的是成熟量表，可以在论文中注明原始量表的来源和信效度概况，再报告本研究中的信效度结果；如果是自编量表，结构效度检验是必须重点汇报的内容。
8.5 区分“统计显著”和“实际合理”
有一个细节值得提醒：KMO 值虽高，并不代表你的量表一定有效；Cronbach's α 高，也不代表题目设置就没有问题。α 系数对题目数量非常敏感，题目数量越多，α 越容易被推高。所以不要只看 α 大小，还要结合 CITC 和因子载荷一起判断。
很多人误以为“α > 0.9 就代表问卷非常好”，这是一种误解。α 只能说明内部一致性不错，但你测量的是不是正确的东西，需要由效度检验来回答。判断一份量表质量时，信度看数字，效度看结构和逻辑。
8.6 区分探索性因子分析和验证性因子分析
SPSS 中做的因子分析通常是探索性因子分析，这句话意味着你是在数据驱动下发现因子结构。如果你的量表是成熟量表，理论结构已经非常明确，更严谨的做法是使用 AMOS 或 Mplus 做验证性因子分析，来验证预设的因子结构是否与数据拟合。
在论文中，如果设计维度明确，你可以在报告探索性因子分析时说明“基于理论预设维度，采用探索性因子分析验证题项与维度的对应关系”，这样一个表述能避免被质疑“你是先跑数据后发现结构的”这一问题。
9. 总结与后续学习方向
SPSS 的信效度检验，操作本身只有几步，难点从来不在按钮位置，而在于结果解读时的判断标准，以及论文汇报时的逻辑完整性。把这篇文章里涉及的表格看明白，意味着你已经掌握了一套可复用的检查流程：先看信度，再看 KMO 和 Bartlett，然后看因子载荷和累计方差贡献率，发现问题时用项总计统计表定位具体题项。
后续如果继续深入，推荐关注两个方向：一是验证性因子分析，使用 AMOS 做结构方程模型时，你会用到 CR（组合信度）和 AVE（平均方差抽取量）这两个指标，它们是信效度检验在 SEM 框架下的进阶版本；二是多群组信度检验，适用于跨样本比较的研究设计。但在此之前，把 SPSS 的基础信效度输出读懂，是绕不开的第一步。
建议把本文收藏备用，等真正拿到 SPSS 输出表格时，对照着逐项看一遍。第一次看可能觉得字段多，两三次之后，你会发现自己已经能秒速定位问题题项了。
