问卷分析是教育学、心理学及社会科学等领域常见的一种有效研究手段。此前我们接受过不少同学来自这方面的咨询，发现大家在完成问卷回收后，容易对如何进行信效度检验、如何评估问卷的分析结果，以及如何推进后续的研究产生疑惑，所以在此，我们总结了大家在刚刚着手问卷分析时最常遇到的十个问题，并一一做了解答。事不宜迟，下面就来看看吧！

早在发放问卷之时，很多同学就被样本量问题绊住了脚：我到底需要收集多少问卷，才能达到研究的要求呢？是这样的，样本规模的确会直接影响统计结果的稳定性，但是样本量不断增大，并不会使趋于稳定的分析结果产生其他质的变化，反而会带来人力等的资源浪费。

对此，业界内比较流行的一些标准是："绝对样本规模200是最低要求，200-400基本满足要求；样本数一般大于总问题数的5倍"[1]。如果条件允许，我们更推荐以达到总题数5-10倍的样本量作为要求。稍微多出来的一部分样本，有时也可以用于补充或替换一批质量不佳的数据。

在量表的设计中，某些题目测量的方向与研究主题之间是负向的相关关系，比如在对生活幸福感的评价中，某道题是对出现抑郁情绪的频率做调查，显然后者频率越高（假设频率越高，编码/分值越大），幸福感应该是越低的，这样的题目就是反向题。

忽视反向题将会让我们的问卷信效度大打折扣，因此在分析前，有必要对所有的反向题重新编码、反向赋分。举个例子，如果是5级打分表，所有正向题作答应该维持不动，反向题中，原来填答为1分的，就需要重新赋值为5分，原来是2分则赋值为4分，3分则不需要改变，7级量表亦是同理。出于多种原因，正反题混合使用的方法受到越来越多学者的推崇，因此我们更是要对反向题提起足够的重视。

信效度检验是针对量表开展的分析，目前最为人熟知和最常用的信度指标，莫过于内在一致性信度指标——克朗巴赫α系数（Cronbach’s α）。在SPSS中，通过操作：

【刻度(Scale)】➡【可靠性分析(Reliability Analysis)】，选择【Alpha】模型，然后将（同一分量表/变量/维度的）各题项/条目输入，就可以快速得到。

一般要求问卷的α系数大于0.8，α在0.7到0.8之间表示相对可以接受，但存在一定问题，而低于0.7则代表内部一致性较差，问卷需要重新修订。此外学者们发现，当各题项之间的相关系数均值一定（也就是当这些题目间的相关性总体上稳定在某一水平时）时，随着题项增多，信度系数更容易升高，而题项较少时，系数则可能相对较低，因此要结合实际情况判断α是否达到可以接受的水平[2][3]。

值得注意的是，克朗巴赫α系数最好用于量表的低层结构的信度考察[3]，因为一个量表往往同时考察多个主题，或是一个主题的多个维度，其间存在的“异质性”会导致整体问卷计算出的内部一致性被低估（或者说不可信）。故只有当“所有题目都在测量同一种现象，且以相同程度解释这个现象的变异量”[3]，也就是每道题目都在独立平等地测量同一现象时，汇报问卷整体的信度才有意义，否则我们重点汇报的应该是各维度的信度情况。

没错，对于一般的问卷，整体的信度可以汇报，但更严谨的做法应该是逐个分量表/变量/维度做信度分析，再通过每个分量表/变量/维度的信度结果，最终综合评判出问卷的信度情况。如果出现各分量表的信度高，而整体量表的信度低的情况，也十分正常。

验证性因子分析的结果常常包含了用于评估模型拟合效果的多种指标，以Mplus为例，验证性因子分析的结果输出中，至少汇报了赤池信息准则（AIC）、贝叶斯信息准则（BIC）、卡方自由度比（χ2/df）、标准化残差均方根（RMSEA）等7项指标[4]。

需要说明的两件事是：

第一，所有用于验证性因子分析的拟合检验有几十种，我们不可能把所有的方法都做一遍，也几乎不可能要求所有的指标同时达到标准，按照大部分文献的做法，只需要汇报软件中所提供的这些常用指标足矣，且只要这些指标基本达到要求，我们就可以放心地继续后面的分析。

第二，这些拟合指标的优良标准并非唯一固定，有时稍稍偏离临界值，我们也仍然认为结果是可以被接受的。事实上有不少研究者陆续提出和推荐了不同的标准，在实际应用中，我们可以参考其他合适的支撑文献。

探索性因子分析和验证性因子分析都是针对结构效度的分析，简单来说，二者都是以观察变量间的相关矩阵或方差协方差矩阵为基础，研究潜在公共因子和变量之间、公共因子和公共因子之间的关系。这里的公共因子和变量，接近于我们对维度和题目之间关系的认识。

其在问卷分析应用上的本质区别是，是否利用了先验信息。探索性因子分析事先不必知道问卷分为了几个维度以及题目属于哪些维度，而设法通过方差贡献率、因子载荷等信息来试探和推断这个潜在的结构是如何的；验证性因子则带着先验理论（比如所借鉴的成熟量表的设计），有意地把当前这些维度和隶属题目之间的结构视为因子模型，验证这个模型拟合实际数据的能力[5]，必要时再对原来结构加以优化。

（1）重新检查原始问卷。再次确认是否都属于量表数据；打分等级增大时，选项所指代的态度情感等倾向程度是否对应递进，以及是否存在未处理的反向题。

（2）筛除“劣质”样本。以陷阱题为例，比如某题设置为“本题请选C”，认真读题和作答的被测者，在这一题上都应该选C，但若部分样本未通过陷阱题的考验，说明其所携带的数据很可能不具有足够的真实性，可以考虑删除。也可以通过作答时间太短、不合理的规律性作答（被测者在所有的题目上都选了一样的回答，但此时带来的事实违背常理），等等其他的一些判断方式，剔除一批质量可能存在问题的样本。

（3）根据某些规则重新抽取样本，或者收集新的样本再试。

（4）重新设计和修订问卷。可以参考指导性文献或成熟量表。

删除某些（同一维度下）与其他题项相关性较低的题，看看剔除后的克朗巴赫系数是否有所提高。

在SPSS中，做信度分析的同时，只要在【统计(Statistics)】中，勾选【删除项后的标度(Scale if item deleted)】，就可以一并计算出各个题项被唯一地删除后的克朗巴赫系数的情况。

（1）根据标准化因子载荷调整。标准化因子载荷可以与因子分析中的因子载荷联系起来，它反映的是当前题目与这一维度的密切程度，因此我们可以删除当中关联性较低（