帮顶

我很少看到国内完整的量表开发的论文，很多论文只是借鉴国外的论文，做一下验证性因子分析，但比较严谨的量表开发论文少之又少。有些论文还会编造一下数据，我就发现有些权威期刊上发表的量表论文编造AVE数据的，明眼人一看就知道不对。

楼主在这种时候更需要冷静的思考啊为何那两个因子的区别效度！以下意见仅供参考：

1、关于那两个因子，每个因子中的题项所测的内容是否并非研究者预想地一样，能够在同一个构念(construct)下；亦或者是研究者对题目本身的诠释与被试的理解存在差异？这两点是问卷调查研究方法的主要局限性。

2、对于上述问题，可能需要回到文献理论或已有研究发现，思考你所发展的量表与文献有哪些联系，如相似点与不同之处有哪些？还譬如你原来所选用的题目是否从不同文化背景或年龄或学历或。。。不同领域的样本那“借鉴”来的？

3、即使那两个因子的区别效度“不好”，你还是有话讲啊，这或许是你对相关领域作出的贡献啊，为何一定要追求所有的都要好呢？切记，没有一个研究是完美的啊！

4、另外，这两个因子在你做EFA时，它们解释的相对百分比有多少？若相对其它因子而言，它们的贡献明显的少，那或许你可以考虑删除这两个因子？

5、当你觉得上述问题都不是问题时，你还可以再考虑将因子的门槛值提高至0.7，这是Hair et al.(2006)等人所建议的"ideal"值。再试试，如果还是不行，说明你需要重新考虑上述问题！！

6、另外，你的样本数有多少？你检验并删除了异常值吗？有无使用不同的样本进行EFA与CFA。。。

7、具体其它建议可参考我曾发的一个帖子　https://bbs.pinggu.org/thread-1079218-1-1.html

希望可以帮到你！祝你好运！！

衷心的感谢您无私的分享和耐心的指点。现将我在分析过程中出现的问题和疑惑向您汇报如下，敬请指点：
1、因子结构是非常清晰的，这一点在探索性因子分析阶段采用300多个大学生样本做出来的。
2、我要开发的量表目前还没有完全相同的，只是借鉴了相关领域的国外论文，语言文字表达也经过了再三斟酌，尽量消除歧义，符合中文的语言表达习惯。
3、我发现那两个因子的区别效度不太好，主要是因为这两个因子和其他因子间的相关系数较大，造成AVE的平方根稍小于相关系数，思考了一下相关系数较大的因子间的关系，确实比较密切。
4、按照我的因子筛选标准，因子数目的确定按以下标准执行：（1）因子特征值(Eigenvalue)大于1；（2）结合陡坡检验（scree test），参考碎石图拐点；（3）因子在旋转前至少解释3％的总变异；（4）每个因子至少包含3个项目；（5）因子易命名。这些这两个因子都是满足的。
5、您所说的因子的门槛值提高到0.7是指因子的测量项目的载荷系数要大于0.7吗？我发现几乎所有的载荷系数都大于0.5，大多数处于0.6几，这也可能是AVE不太高的原因。这是不是意味着在验证性因子分析阶段还需要提出载荷系数不高的题项以提高AVE值？因为删除了题项，即使通过了区别效度的检验和其他必要的验证，那么对于整个量表而言，还能否说这个量表是有效的？这也是我的主要困惑之处。我原来的想法是经过探索性因子分析阶段，删除了很多题项，那么在验证性因子分析阶段，就没有必要再删除题项了，直接检验就可以了。
6、在验证阶段，我采用的是专业调查公司的付费调查，总样本数为365个。异常值的剔除我主要是在探索性因子分析阶段的项目分析中系统的做过，在验证性因子分析阶段就没有再做了，不知道妥不妥当？
7、感觉楼主是这个领域的专家，真诚的希望能在此得到您的指点，感激不尽！我也看过您以前的帖子，受益匪浅，但上述问题还是存在疑惑，期待您的答复。

几点主要的意见可供参考：
1、若你因子之间的相关比较显著，那或许它与某些因子测的构念是有类似的，那更应该考虑删去该因子吧？
2、你总共有几个因子呢？根据Hair et al(2006)观点，若你大多数因子的那些建构信度与区别效度等都达标，有个别因子的稍低，还是可以接受的啊！
3、另外，也并非一定要采用你所纠结的那个效度指标啊。我读过的一些英文论文有些只强调他们主要根据因子负荷值最小值大于0.5－0.7，以及内部一致性系数＞0.7等来建立其研究的信度与效度。有些论文则只通过报告CFA的结果，如因子负荷（即构念到题目的路径系数）不少于0.5但小于0.95，且每条路径显著（p<.05），无负误差，以及有较好的模型拟合度，就建立了研究的信度与效度了。
4、个人认为，没有一个研究真的可以完美到符合所有的指标，如果有，要么是运气，要么是。。。！我想，只要研究者界定好自己是根据什么标准来建立信度与效度，且该标准亦被同行认可，那就OK啦。
5、最后，再次温馨提示，不要一味地追求提高AVE值来满足某些指标而错过了对文献的深度思考。因为有许多研究都发现，改编他人的量表或借鉴别人的来发展自己的量表总会有许多“意味”发生，而有许多有心的研究者反而据些提出了对领域贡献更大的观点或解释噢！