TL;DR：信度看「量表穩不穩」，效度看「量表準不準」。Cronbach’s α 判信度但別迷信數字（題數會膨脹 α）、KMO 與 Bartlett 是做因素分析的入場券、EFA 探索結構、CFA 驗證結構。數值不合格別急著換量表，先查反向題、再看刪題後的 α、再檢視構面設計，最後才考慮補樣本。
量化論文送到口委手上，最先被翻開的往往不是你的假設檢定結果，而是方法章那張信效度表。原因很簡單：如果量表本身不可信、不準確，後面所有 t 檢定、迴歸、結構方程跑得再漂亮，都是建在流沙上。信效度分析是整份量化研究的地基，也是最容易被輕忽、最容易在口試被問倒的一段。
這篇文章把信度與效度講清楚，帶你看懂 Cronbach’s α 與 KMO 這兩個最常出現的指標，說明因素分析在其中扮演的角色，最後給一套「數值不合格時該怎麼救」的實際順序。
信度與效度，先分清楚這兩件事
很多人把信度和效度混為一談，其實它們回答的是兩個完全不同的問題。
- 信度（reliability）：量表穩不穩、可不可靠。同一群人在條件相近的情況下重複填答，結果會不會一致？信度處理的是「測量誤差」的問題。
- 效度（validity）：量表準不準、有沒有量到你想量的東西。一份號稱測「工作滿意度」的問卷，題目真的在問滿意度，而不是在問薪水高低嗎？效度處理的是「概念對不對得上」的問題。
一個經典比喻：拿槍打靶。彈著點每次都集中在同一個位置，代表信度高（穩定）；但如果那個位置離靶心很遠，代表效度低（不準）。信度是效度的必要條件卻不是充分條件，換句話說，一份量表可以很穩定地量錯東西。這也是為什麼你不能只報 α 就說量表沒問題，還得談效度。
想再往上一層理解量化研究裡各種方法怎麼搭配，可以參考我們整理的統計分析方法對照指南，把信效度放進整個分析流程裡看會更清楚。
Cronbach’s α：最常用，也最常被誤讀
Cronbach’s α（內部一致性係數）是信度分析裡出現頻率最高的指標。它衡量的是「同一個構面底下的題目，彼此之間有多一致」。α 越高，代表這些題目越像在測同一件事。
α 的判讀不是越高越好
新手最常見的誤解，是把 α 當成「越接近 1 越好」的分數。實際上這裡有兩個陷阱要提醒你。
陷阱一：題數會膨脹 α。 α 的計算公式對題目數量非常敏感，同樣的題目品質，題數越多，α 自然被推得越高。這代表一份塞了很多題的量表，即使每題品質普通，α 也可能很漂亮。所以看到高 α 不要馬上放心，先看看這個構面有幾題。用很多題把 α 撐上去，是一種數字上的假象。
陷阱二：α 過高反而是警訊。 如果一個構面的 α 高到某個程度（例如逼近 0.95 甚至更高），常常不是量表特別好，而是題目語意高度重疊，同一件事換句話問了好幾遍。這種冗餘不但沒有增加資訊量，還可能在口試被質疑量表設計不精煉。合理的 α 有一個「夠好但不過分」的區間，具體的建議上下界有其學術出處，例如 Streiner（2003）就指出 α 超過 0.90 往往反映題項高度重複、可考慮縮短量表。
至於「α 要多少才算合格」，學界確實有慣用的最低參考門檻，社會科學探索性研究常引用的數字落在 0.7 附近，這個下限最常引用的原始出處是 Nunnally（1978），且應依研究成熟度往上要求，寫進論文時要把出處與適用情境交代清楚，不能含糊。
「刪題後 α 提升」要怎麼解讀
SPSS 的信度分析輸出裡，有一欄叫「刪除該題後的 Cronbach’s α」（Alpha if Item Deleted）。它的意思是：如果把這一題拿掉，整個構面的 α 會變成多少。
當某一題被刪除後 α 明顯上升，代表這題跟同構面其他題目的相關偏低，它在扯後腿。這時候「刪掉它讓 α 變好看」聽起來很吸引人，但不能純粹為了衝數字而刪。刪題前要問自己：
- 這題是不是反向題忘了反向計分？ 這是假性低相關最常見的原因，反向計分修正後，這題可能就正常了。
- 這題在概念上是不是本來就該屬於這個構面？ 若刪掉它會讓構面的內容效度受損（少了一個重要面向），那寧可保留、在論文裡說明。
- 刪這題有沒有理論依據，還是純粹資料驅動？ 完全靠資料刪題、卻講不出道理，口委會追問。
刪題是可以的，但每一次刪除都要留下紀錄與理由，寫進方法章，而不是默默地讓最終那張表好看。
KMO 與 Bartlett 球形檢定：因素分析的入場券
談效度時，因素分析是主力工具，而在真正抽取因素之前，有兩個前置檢定幾乎每篇論文都會報：KMO 與 Bartlett 球形檢定。它們的任務是回答一個問題：「我這批資料，到底適不適合拿來做因素分析？」
KMO 在測什麼
KMO（Kaiser-Meyer-Olkin 取樣適切性量數）看的是題項之間的偏相關結構。白話講，它在檢查你的題目彼此之間有沒有足夠的共同變異可以被抽出來、聚成幾個因素。
- KMO 值越接近 1，代表題目之間共享的結構越明顯，越適合做因素分析。
- KMO 值偏低，代表題目各走各的、缺乏共同因素，這時候硬做因素分析，抽出來的結構會很不穩定、難以解釋。
KMO 的分級標準（哪個區間算「很好」「普通」「不能接受」）有明確的學術對照表：Kaiser（1974）把 KMO 分為 0.9 以上極佳、0.8 級優良、0.7 級普通、0.6 級尚可、0.5 級勉強，低於 0.5 則不宜逕行因素分析（分級形容詞出自 Kaiser & Rice, 1974）。
Bartlett 球形檢定在測什麼
Bartlett 球形檢定（Bartlett’s Test of Sphericity）檢定的是「題項之間的相關矩陣，是不是一個單位矩陣」。如果相關矩陣接近單位矩陣，代表題目彼此幾乎不相關，那就沒有共同因素可抽，因素分析等於白做。
我們希望這個檢定達到統計顯著（拒絕「相關矩陣是單位矩陣」的虛無假設），代表題目之間確實存在相關、值得做因素分析。KMO 與 Bartlett 通常一起看：KMO 夠高、Bartlett 顯著，才拿到進入因素分析的入場券。
EFA 與 CFA：探索結構 vs 驗證結構
因素分析在論文裡有兩種角色，很多學生分不清楚，其實它們對應的是研究的不同階段。
探索性因素分析（EFA）
探索性因素分析（Exploratory Factor Analysis） 用在你「還不確定量表的結構長什麼樣」的時候。你有一堆題目，想知道它們會自然聚成幾個因素、哪些題落在哪個因素上。EFA 讓資料自己說話，適合自編量表、或把既有量表改寫幅度較大的情況。
EFA 的判讀重點在於：
- 每題的因素負荷量（factor loading）夠不夠高：負荷量太低的題，代表它跟該因素的關聯弱，是刪題候選。負荷量的參考標準有其出處：Hair 等人的《多變量分析》通常建議 0.5 以上具實務意義、0.7 以上代表結構明確，且達標門檻會隨樣本數放寬或收緊。
- 有沒有跨負荷（cross-loading）：一題同時在兩個因素上都有高負荷，代表它語意含糊、歸屬不清，通常也是處理對象。
- 抽出的因素數與你的理論構面對不對得上：如果理論說有四個構面，資料卻聚成三個或六個，就要回頭檢視量表設計。
驗證性因素分析（CFA）
驗證性因素分析（Confirmatory Factor Analysis） 用在你「已經有明確的構面假設」的時候。你事先根據理論指定「哪些題屬於哪個構面」，再用資料去驗證這個結構成不成立。CFA 屬於結構方程模型（SEM）的一環，會用一組適配度指標（如卡方、CFI、RMSEA、SRMR 等）來評估模型與資料的契合程度，各指標的建議切點同樣要引用原始出處：常引 Hu & Bentler（1999）建議 CFI/TLI 達 0.95、RMSEA 在 0.06 以下、SRMR 在 0.08 以下，另有 CFI 0.90、RMSEA 0.08 的較寬鬆傳統門檻。
實務上一個常見的組合是：先用一半樣本跑 EFA 探索結構，再用另一半樣本跑 CFA 驗證，或直接沿用成熟量表跑 CFA。至於你的研究到底該偏質性探索還是量化驗證，這牽涉整個研究設計的取向，可以參考我們談量化與質性研究如何選擇的整理。
信效度不合格，補救有順序
跑出來 α 太低、KMO 不夠、或因素結構亂七八糟，先深呼吸。信效度不合格不是世界末日，而是資料在告訴你哪裡要調整。以下是一套由簡到繁、由低成本到高成本的排查順序，請照這個次序做，不要一開始就想著補樣本或換量表。
第一步：檢查反向題
這是投報率最高、也最常被忽略的一步。反向題（例如正向構面裡夾一題「我不喜歡這份工作」）如果忘了反向計分，會讓這題跟同構面其他題呈負相關，直接把 α 拉垮、把因素結構搞亂。動任何大手術之前，先確認每一道反向題都正確反向計分。很多「慘不忍睹」的信效度，修正反向題之後就恢復正常了。
第二步：刪除低負荷、低相關的題
反向題確認無誤後，再回頭看兩張表：信度分析的「刪除該題後 α」與因素分析的負荷量。找出那些「刪了 α 會上升」且「負荷量偏低或跨負荷」的題，這些是明確的問題題。刪除時記得前面說的原則，要有理由、要留紀錄、要顧及內容效度，不能純粹為了數字。
第三步：重新界定構面
如果刪題刪到一個程度還是救不回來，或者因素分析抽出的結構跟你的理論構面兜不攏，那問題可能出在更上游，構面本身界定得不清楚，或把兩個其實不同的概念硬塞成一個構面。這時候要回到文獻與理論，重新檢視每個構面的定義與題項歸屬。這一步成本較高，但如果地基歪了，光在題目層面修修補補是治標不治本。
第四步：擴大樣本
樣本太小會讓因素分析與 CFA 都不穩定，估計出來的參數搖搖晃晃。如果前三步都做了、量表設計也沒問題，殘留的不穩定可能來自樣本量不足。因素分析對「樣本數相對於題項數的比例」有經驗要求：常見的經驗法則是樣本數對題項數達 5:1 到 10:1（Hair 等人），Comrey & Lee（1992）則以絕對樣本數評級，300 為良好、500 以上更佳。補樣本是成本最高的一步，所以放在最後，先確定不是前三步的問題，再花力氣多收資料。
SPSS 操作重點提示
大部分商管與社科論文的信效度都在 SPSS 完成，這裡標幾個容易踩雷的操作重點，細節你手邊的教材都有，但這幾個地方最常出錯。
- 信度分析要「分構面分別跑」：不要把整份問卷所有題目一次丟進去算一個 α。信度是針對「單一構面內部一致性」，所以有幾個構面就跑幾次，每次只放該構面的題。
- 因素分析對話框記得勾 KMO 與 Bartlett：這兩個檢定不是預設輸出，要在「描述性統計量」選項裡手動勾選。
- 抽取方法與轉軸方法要交代：主成分分析（PCA）與主軸因素法（PAF）不同，最大變異轉軸（Varimax，正交）與斜交轉軸（如 Promax）也不同，論文方法章要寫清楚你用了哪個、為什麼。
- 反向題在資料階段就要處理好：用「轉換 → 重新編碼成不同變數」把反向題轉正，並用新變數跑後續分析，別在原始變數上動手腳。
- 不要直接貼 SPSS 原始輸出：SPSS 的表格格式不符合學術規範。APA 第 7 版對三線表、統計符號斜體、小數位數都有要求，輸出要重新排版。這一點在整份論文的格式一致性上也很重要，若你正在準備定稿與口試，我們談口試準備與答辯的文章可以一起看。
什麼時候該找人協助複核
信效度分析看起來只是「跑幾個 SPSS 指令、抄幾個數字」，但真正的難點不在按鈕，而在判斷，哪題該刪、構面該不該重界定、數字合不合理、怎麼在論文裡把決策講得站得住腳。以下幾種情況，值得找有經驗的人幫你複核：
- 稿子裡的數字對不上原始資料：接手別人做過的分析、或自己隔了很久回來看，最怕的是稿內 α 與資料檔跑出來的兜不攏。這種不一致一旦被口委發現，殺傷力很大。我們處理論文修改時，一律會用你的原始 .sav 或 .csv 把每個數字重新複現一遍，確認對得起來才算數。
- 因素結構跟理論兜不攏，不知怎麼收尾：EFA 抽出來的因素跟你的假設構面對不上，這時候是該調題、調構面、還是調理論說法，需要經驗判斷。
- 口委已經針對信效度提問，要逐點回覆：口試意見常常直接戳信效度的軟肋，回覆要有資料佐證、有方法學依據，不能含糊帶過。
豐道處理量化論文時，會把信效度當成一條完整的證據鏈來檢查，從反向題、α、KMO、因素負荷量到構面組成，逐項用你的原始資料複現與驗證，並把每個決策寫成可以直接放進方法章、也答得出口試的說明。如果你正卡在信效度這一關，歡迎看看我們的學術研究協助服務與收費方式，或直接把資料檔傳給我們評估。
信效度分析是量化論文的第一道門檻，也是最能看出研究嚴謹度的地方。把地基打穩，後面的分析才有意義，這一步值得你花時間做對。