Video在线视频

我们在上一小节中

给大家介绍了一个国外量表

我们要想引进到我们的研究中

进行汉化的一个过程

接下来呢在进行了汉化版完成之后

我们需要进行信效度的检测

那虽然这个量表可能在原量表

也就是原版本的时候做过了信效度检测

但是我们现在呢把它翻译成了中文版本

还需要在中文的使用者中再进行信效度的检测

通常在进行信效度检测的时候呢

我们建议大家要做下面这几方面的信效度检测

第一个方面就是首先进行项目的分析

来进行一个条目的初步筛选

然后再进入到效度的检测

效度检测通常会包含内容效度

也就是请一些专家来判定

这个中文版的这个条目

在内容上在要测量这个指标的时候是否合理

接下来我们会进行结构效度

就是来去看一下这个量表它的因子构成

还有的时候我们可能会进行已知族群效度

和效标关联效度的检测

在进行了效度的检测

在确立了它的因子之后呢

我们就可以在中文的人群中

再进行一些信度指标的检测

通常我们进行的是内部一致性的检测

也就是我们非常熟悉的Cronbach’s α系数

还有重测信度和评定者间一致性的检测

那么下面我们会一一给大家介绍

这每一个信效度指标的方法

首先来看一下项目分析

项目分析严格来说其实是我们

对汉化的量表进行信效度检测之前的一个

预分析的过程

那这个过程主要是来看一下通过项目分析

可能就筛除一些

项目分析不符合标准的一些条目

那这样我们只把项目分析符合标准的条目

进入到下一步的信效度检测过程

项目分析通常有两种方法

第一种方法呢其实是特别简单的

就是题总相关法

什么叫题总相关法呢

其实说白了就是我们

会拿着这个量表在一些人群中

收到了一些数据也就是进行了一些检测

收到了每一个条目的得分的数据

然后把这个呢录入到SPSS数据库中

录入完了之后我们要去

看一下每一个条目的得分

和这个量表的总分之间是否具有相关性

所以我们会计算每一个条目

和量表总分之间的相关系数

如果某一个条目和这个总分的相关系数

是低于0.2或者说p值大于0.05

也就是其实显示无相关性的时候可以酌情删除

但是这仅仅指的是从统计分析的角度

来去删除条目的标准

如果我们通过统计分析发现某一个条目

和量表的总分之间

没有达到我们要求的这个标准

但是那这个量表在国外的版本中

是保留这个条目的

而且我们这个专家小组的人

一讨论觉得这个量表这个条目

对于测评这个变量是非常重要的一条

那这时候我们可以酌情暂予保留

通过下面的一些信效度分析

然后再去斟酌是否保留这个条目

所以大家注意就是这里指的仅仅是通过

统计的方法说要达不到相关系数0.2

或者说p大于0.05我们就可以酌情删除

但如果我们小组的人觉得从专业的角度

这条在内容上不能够删掉

那我们还是可以酌情保留的

那项目分析的第二种方法是临界比率值

其实就是把这个按照量表的总分

我们会把我们所测量的人群呢

分成高分组和低分组

什么叫高分组呢

我们往往指的是我们可能会拿这个量表呢

由高到低排个序

就是由总分排个序那就是高分组就是

得分在前27%的这组人称为高分组

低分组就是得分在后27%的这些人

这样我们就把检测的人群其实分成了两组

那大家注意其实中间有些人被删除了

那两组的这个数据我们在每一个条目上来比较

就是这两组人在每一个条目上

他的得分是否有统计学差异来做一个t检验

如果在某一个条目上做t检验

结果显示p小于0.05那意思就说

那这个条目能够甄别出

人群不同高低的得分有一定的区分度

但是如果某一个条目高分组

和低分组的人得分没有统计学差异

也就是t检验显示p大于0.05

这时候显示这个条目

其实在判定人群的这个内容上是没有区分度的

所以从统计学的角度我们可以酌情删除

但是同样的道理如果我们小组的人

从专业的角度一讨论觉得

这个条目的内容非常重要

不能删除我们可以酌情暂予保留

所以这是项目分析的两个方法

那在有些论文中呢作者

会同时使用这两种方法

对每一个条目进行初步的统计分析

比如说这个例子

他首先来拿量表的每一个条目分

与总分做了相关系数作了相关分析

那么结果显示

这个所有条目与总分的相关系数

都是大于0.2的所以呢按照

条目保留的标准那其实都应该予以保留

同时他用了第二种方法来去进行项目分析

也就是计算了高分组

和低分组在各个条目上的t检验

那么结果显示呢都有统计学差异

那所以也就说他用了两种

项目分析的方法结果显示

这个每一个条目都是符合保留标准的

那这样就需要保留所有的条目

进行后续的分析

当然如果某个条目不符合统计的要求

而专业小组的人一讨论觉得可以删掉

那我们也可以把这个

经项目分析不符合要求的条目进行删除

那我们再来看第二个例子

也有的作者那可能仅仅

选用其中的一种项目分析的方法

来进行这种条目的初始分析

比如说在这的这个例子

那他只用了题总相关法

也就是把每个条目和问卷的总分

进行逐一的相关分析

结果发现在20个条目中呢

有一个条目与家人待在一起这个条目呢

与这个问卷的总分

相关系数没有达到显著水平

我们看到p等于0.189也就是p大于0.05

那按照统计的要求这个条目是可以删除的

但是提醒大家在删除之前

一定要有研究小组的人

在专业的角度来讨论一下

这个条目的内容是否可以删掉

那对这个例子来说

与家人待在一起这个条目经研究小组人员讨论

觉得这个条目呢和量表中其他条目比如说

和家人一起进餐和家人一起外出活动等等

其实是有重复的成分

所以既然在在统计学上也没有统计学差异

那么呢就进行了删除

所以20个条目删除了一个

那只把剩下的19个条目在进行后续的分析

这是第一个我们要做的项目分析

那么经过了项目分析之后

我们可以进行效度的分析

我们刚才跟大家说了效度的分析呢

我们可以首先来进行

条目内容的一个专家效度的评定

那内容效度我想大家可能如果是研究生的话

在本科阶段应该是学习过内容效度的检测的

但是也有很多可能忘记了具体如何进行检测

所以呢我们再来给大家重复一下

那内容效度其实说白了就是

由这个领域的若干专家

来对这个量表或问卷中的

每一个条目内容对于测评这个指标是否恰当

进行专业的判断

一般我们可以请5到10名专家审阅问卷

当然如果我们非常正式的来进行

对一个国外量表的汉化

也可以专家人数多于十名

那也就说不要低于5名请5到10个专家

来审阅问卷的每一个条目

那让他们来判断每一个题目在测评这个

变量的内容的时候是否恰当

当然我们知道科研只认数据

就是由专家来判定是否恰当之后

其实最重要的是来算出一个数据叫CVI

也就是内容效度指数

那这个内容效度指数呢又包含两个方面

第一个就是每一个条目的CVI值

我们又称为I-CVI也就是Item的内容效度

那另外还有一个我们其实还要算出

所有条目也就是问卷水平的平均的CVI

我们又称为S-CVI也就是个Scale水平的CVI

就是这两个数据我们需要算出来

那么在写论文的时候需要写出请几个专家

什么领域的专家来测评了这个问卷

需要写出I-CVI值以及S-CVI值

为什么要写出这样的具体的信息

是因为读者或审稿专家需要判定

第一你所请的专家是否真正有资质

能够判定这个内容是否合适

而且这个专家呢不能是单一领域的

比如说我们去看一个肿瘤方面的一个问卷

可能除了要请肿瘤相关领域的医生

还要请到护理人员等等

那所以需要写出

是哪些领域的专家来测评了问卷

那在这儿需要提醒大家

有些研究者在进行这个信效度的测评的时候

可能请了一些统计学的专家

或者说量表研制的专家

来指导你进行信效度的检测

那这些专家可能也对你的

每一个条目进行了审阅

但是这些专家由于对这个量表

所测的内容并不熟悉

他没有资质能够对

这个量表的内容是否合适作出判定

所以这些不能作为内容效度检测的专家

那么换句话说做内容效度检测的专家

必须是在这个专业领域懂行的人

才能够作为专家

那其实我们非常简单

就是把这个量表或问卷它的每一个

条目给专家列在这儿同时要有指导语

要告诉专家我这个量表或问卷

测的是什么啊比如说测的是

肿瘤患者照顾者的能力

还是测的照顾者的负担

要告诉他调查的是什么

然后告诉他请您根据你的经验来判断

我下列每一个条目是否合适

当然有的时候我们的指导语也可能是

请你判断下列这些条目与我所测的变量

它的概念是否相关

如果我们的指导语是是否合适

那我们这个表中的评价意见

就是非常合适 合适 不合适和非常不合适

那如果我们的指导语是是否相关

那相应的我们评价意见就要变成非常相关

相关 不相关和非常不相关

然后在每一个条目后面

可以请专家提出修改的意见

所以这就是我们给专家的这个

测查表就是做内容效度的一个评价表

那当我们收回专家的问卷之后呢

我们可以用不同的方法来去计算CVI

那最常用的一种计算方法就是

比如说我们看第一个条目的CVI值

那其实就是数一下有几名专家

在非常合适和合适上打了勾

那也就是把这个打非常合适

和合适的专家人数相加然后除以专家的总数

能够得出一个0~1的一个数值

这就是每一个条目的CVI值也就是I-CVI

那一般我们要求每一个条目的CVI值

要达到一定的标准

比如说通常大于0.8或要大于这个

有的时候如果我们专家请的人数比较多

那可能要达到这个专家人数的70%以上

才可以保留这个条目

这是每一个条目的CVI值

最后我们会计算一下

这个所有条目的平均CVI也就是S-CVI

就是量表水平它的平均CVI值

通常我们要求CVI值要大于0.8

认为在可接受的范围这就是内容效度的测评

那内容效度其实是从由专家的角度来去判定

我这个量表的每一个条目是否能够

测出我所测的概念它是否合理是否足够

那在进行的内容效度的检测之后呢

其实有的时候还可能

去考虑是否要测一下效标关联效度

效标关联效度其实就是说

如果我想把一个测评癌症患者的生活质量量表

来引进到我们这个人群中

那也就说我这量表测的是癌症患者的生活质量

那么如果对于癌症患者的生活质量

有一个公认的量表

那也就是我们要参考的标准

比如说欧洲癌症协会制定的那个生活质量量表

已经是公认的了可能我们觉得它太长了

而我引进的这个量表可能会比较精简一些

我们来看一下

它的这个新的量表它的效标的时候

就可以以大家都公认的那个欧洲癌症患者的

生活质量的测评量表作为校标

那也就是说在这个我们测的人群中呢

同时使用这个新的量表

也就是我们引进的这个新量表

和公认的那个量表同时进行测评

最后呢来计算一下这两个量表

它们的相关系数

相关性如果比较高

那就说明效标关联效度比较高

这是我们通常会考虑的一种方法

当然还有的时候我们可能对于测评这个概念

没有一个公认的金标准或测评工具

其实我们也可以采用预测效度

比如说我们引进了一个

测评学生学习能力的量表

但是目前我找不到一个同时来

检测学生学习能力的一个金标准的公认的量表

那我们其实可以用预测效度

那也就是说我认为这个学习能力

应该会预测他们的学习成绩

这个可能在前期很多研究中都得到了结果

那所以这时候虽然没有

去测学习能力高低的一个公认的金标准的量表

那么但是我们知道学习能力

和学习成绩之间有密切的关联

所以我们可以拿着这个引进的量表

来测学生的学习能力会有高低区分

然后我们再测一下这个学生期末的学习成绩

那如果学习成绩和学习能力之间

有非常强的相关

和以往的研究结论非常一致的话

那我们也认为

这个效标关联效度比较高可以接受

所以这就是效标关联效度

所以我们会看到在这给大家的这个例子呢

他就和另外一个测这个变量的一个公认量表

同时进行检测

来去计算这两个量表得分之间的相关性

是0.854那还是相对比较高的

也就是两个不同的量表

测同样的一个东西的时候

测出的相关性比较高的那比较一致

那也就是从侧面来证明

我这个新的量表也是能测出所侧的概念的

这就是效标关联效度

那另外还有的量表的研制者

或者说在进行汉化的时候

他们还会使用已知族群效度

所谓的已知族群效度呢

也有很多研究者呢把它理解成是区分度

什么叫区分度呢

比如说我们在这儿这个量表是

测的心衰患者他的心衰的一个症状的量表

也就是来看心力衰竭患者他的症状的

那而心力衰竭患者呀我们知道

心功能越差的人他的症状得分应该更重

所以他就针对这个已知族群什么意思呢

就是不同心功能分级的患者

他的心衰的症状应该是有差异的这一点

这叫已知族群

也就是不同心功能分级的不同组的患者

他在这个量表上的得分那么应该是不同的

如果这个量表具有区分度

那我用数据来去测不同心功能分级的

这个不同组的患者

我们来看这个例子他有三个组

心功能二级 三级和四级这三组患者

应用这个量表进行检测

在它的不同的维度上会有一个得分

然后我们会对这个不同心功能分级的

患者量表的得分进行一个方差分析

来检测是否有差异

如果存在统计学差异

那么就是已知族群效度比较高

那也就说他能够区分出不同心功能分级的患者

确实在我这个量表上得分是不一样的

而如果在某个维度上或量表的总分上

显示p大于0.05也就是不同心功能分级的患者

心力衰竭的症状得分没有差异

那这和我们已知的

不同心功能的患者症状应该有差异是相反的

所以这就从另外一个侧面来说明

这个量表不具有区分度

所以这就是已知族群效度

也就是从不同的角度来判定这个量表

能否测出我想测的东西

那另外还有就是原量表

也许它是已经有了因子的划分

但是当我们把中文版用到我们的中国的人群中

这个因子结构可能会和西方国家的人会有不同

所以我们在做完了内容效度

以及刚才我们提到的

已知族群效度和效标关联效度之后呢

我们一般都会对这个中文版的量表呢

进行结构效度也就是通过因子分析的方法

来去确定这个量表它的因子结构

那这个我们会在下一小节中给大家介绍

如何进行因子分析确定中文版量表的结构效度