建构效度（Construct Validity）是测量出理论的概念或特质的程度，简言之，就是对某一特质能够解释多少，对量表建构效度的检验是通过因素分析——探索性的因素分析（Exploratory Factor Analysis）。其检验过程首先要通过取样适切性量数（Kaiser-Meyer-Olkin measure of sampling adequacy，KMO）与Bartlett’s的球形检验来判断数据是否适合做因素分析。依据Kaiser（1974）[4]的观点，KMO是介于0～1的数值，当KMO＜0.5时，表示题项间不适合做因素分析；KMO≥0.9表示极适合因子分析；KMO≥0.8表示适合，KMO≥0.7表示题项变量间尚可进行因素分析，同时Bartlett’s的球形检验结果具有显著性，证明适合进行因素分析。然后，通过主成分分析和转轴法抽取共享因素，以方差最大正交旋转法对初始因子进行旋转。最后，利用因子负荷系数判断是否符合要求。因子负荷系数的选择标准以Lederer和Sethi（1991）[5]提出的观点为基础，认为若因子负荷系数＜0.5或存在两个构面下因子负荷系数均大于0.5的情况时，均应删除。借助SPSS 22对预试问卷进行因素分析，如表7-5所示，KMO值为0.789，Bartlett’s的球形检验具有显著性，适合进行因素分析。KMO值不高主要是预试问卷调研的样本量规模较小，正式问卷时获取大样本后指标数值会有所提高。
表7-5 KMO与Bartlett检验
经过方差最大正交旋转后，得到结果如表7-6所示，66个测量题项经过19次迭代收敛共提取出18个共同因素，可解释77.912%的变异量。各因素构念与初始编制问卷的构念吻合，说明各维度具有较好的区分度。各变量的因子负荷系数均大于0.5，尽管有部分变量的因子负荷系数刚刚超过0.5如PC1、AE3，但本书考虑预试调查样本量较小造成系数值不高。
表7-6 预测问卷旋转后因子负荷(www.xing528.com)
续表
续表
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
