一、什么是量表
量表是一种测量工具，通常用来测量人们的主观态度、意见或价值观念。我们经常会在问卷中使用量表对调查对象进行测量，最常见到的就是李克特量表。
1、定义：李克特量表
李克特量表是最常用的量表，是由美国社会心理学家李克特于1932年在原有的总加量表基础上改进而成的。这种量表由一组与某个主题相关的问题或陈述构成，通过计算量表中各题的总分，可以了解人们对该调查主题的综合态度或看法。
李克特量表的尺度形式有多种，我们常见是五级量表，即五个答项："非常同意"、"同意"、"不一定"、"不同意"、"非常不同意"五种回答，分别记为1，2，3，4，5，每个被调查者的态度总分就是他对各道题的回答所的分数的加总，这一总分可说明他的态度强弱或她在这一量表上的不同状态。另外还会有七级量表、九级量表或者四级量表等。
2、李克特量表使用场景
李克特量表非常适合深入挖掘一个特定主题，详细地找出人们对这一主题的看法。所以，想获取更多信息的时候就可以使用李克特量表。例如：了解消费者近期对产品的满意度情况 了解某个人群心理状态和影响因素情况 了解员工对工作的看法情况或者需要衡量特定事物情绪或其他问题，并且希望在答案中获得更深层次的详细信息，李克特量表都是不二选择。
3、李克特量表常用分析方法
除了常规的频数分析、计算平均值等，李克特量表同样适用于更多更专业的分析方法：
- 量表可靠性、有效性分析：信度分析、效度分析
- 差异关系：方差分析
- 影响关系：相关分析、回归分析
其他研究：调节作用、中介作用、调节中介作用等
4、李克特量表制作方法
常见的问卷网站里都提供有很多领域专业的量表问卷模板，需要直接点击复制到自己的问卷中就可以对问卷进行编辑处理了。
图片来自网络
二、信效度分析
1、什么是信度&效度
（1）信度
信度分析用于测量样本回答结果是否可靠，即样本有没有真实作答量表类题项；
信度分析仅针对定量数据。
重要提示：信度分析仅仅是针对量表数据，非量表数据一般不进行信度分析。
（2）效度
效度分析在学术研究中非常常见，其用于分析‘测量项是否真实有效地测量自己希望测量的变量’，效度分析的研究方式有多种，通常包括内容效度、结构效度（探索性因子分析法）、区分效度和收敛效度（验证性因子分析法）。可见下表格：
2、怎么做信度&效度分析
（1）信度分析
Cronbach信度分析是最为常见，使用最为广泛的一种测量方法，直接使用一个指标即Cronbach信度系数值来描述信度水平情况。
克隆巴赫信度系数（Cronbach α系数值）如果在0.8以上，则该测验或量表的信度非常好；
信度系数在0.7以上都是可以接受；
如果在0.6以上，则该量表应进行修订，但仍不失其价值；
如果低于0.6，量表就需要重新设计题项。
SPSSAU信度分析操作
信度分析仅仅是针对量表数据，需要对每一具体细分维度或者变量进行分析。
本例子中涉及4个维度，则分别需要进行4次操作，然后将4次操作的结果整理合并整理成一个表格用于研究报告中输出。以其中一个维度为例：
SPSSAU输出结果：
如果是正式数据进行信度分析，则上表格中仅0.859这个数字进行报告即可。四个维度则有四个α系数值。可将此4个值进行整理最终报告如下表所示：
（2）效度分析
3、疑难解惑：信效度不达标
（1）信度不达标怎么办？
建议按照以下七步检查：
① 使用 ‘ 描述分析 ’ 检验下是否有奇怪的异常值，如果有则需要使用 ‘ 数据处理->异常值 ’ 功能处理后再分析；
②‘ 非量表 ’ 数据是不能进行信度分析，只需要用文字进行描述证明数据凭什么可信，比如如何设计问卷如何收集数据，数据为什么可信等，有没有进行过异常值处理等；
③ 如果信度系数值依然很低（比如低于0.5），此时可考虑把所有量表题合并在一起进行一次信度分析（题项越多通常信度系数会越高）；
④ 如果数据中有反向题，需要先使用 ‘ 数据处理->数据编码 ’ 将反向题处理后再分析；
⑤删除不合理的项，留下有意义的项；
⑥加大样本量，样本量越大通常情况下信度会越高；
⑦ 问卷设计时一个维度尽量4~7个题较好，题项越多信度会越高，而且如果不达标还可以删除个别不合理项。
（2）效度不达标怎么办？
针对问卷量表数据（重要提示：效度分析仅仅是针对量表数据），可以进行效度分析。效度分析需要注意以下几点：
1、效度分析时，是综合各项指标进行综合判断，包括KMO值，巴特球形检验，方差解释率，累积方差解释率值，因子载荷系数值，维度和题项对应关系等。
2、效度分析时， 很可能需要删除题目，以便于维度和题项对应关系符合预期。
3、效度分析时， 最关键的地方在于：维度和题项对应关系，是否与专业预期符合；其余指标相应比较容易达标，最核心的是让维度和题项对应关系保持基本一致性。
4、效度分析时，是个多次 来回重复对比的过程，很可能重复进行很多次,对比删除题目后找出最优结果。
5、如果分析题目专业预期应该对应5个维度，则应该先设置成数字5。
三、量表类数据分析
1、关系研究方法
（1）相关分析
相关分析可用于研究量表维度之间的相关关系
例如：研究 “淘宝客服服务态度” 与 “淘宝商家服务质量” 之间的相关关系。
（2）回归分析
回归分析可用于研究量表维度之间的影响关系。
例如：研究 “ 淘宝客服服务态度 ” ， “ 淘宝商家服务质量 ” 与 “ 淘宝忠诚度 ” 之间的关系情况，此句话中明显的可以看出 “ 淘宝客服服务态度 ” ，“ 淘宝商家服务质量 ” 这两项为 X；而
“ 淘宝忠诚度 ” 这项为 Y。
（3）路径分析
路径分析可用于研究量表维度之间的影响关系。
路径分析、线性回归均可以研究影响关系；
二者区别为路径分析可同时研究多个自变量，多个因变量的影响关系情况。而线性回归每次分析时只能有一个因变量。
2、差异研究方法
方差分析，研究个体属性（比如性别）与量表维度之间的认知差异关系。
例如：研究性别与 “ 淘宝商家满意度” 之间的差异关系。
3、其他研究方法
（1）调节作用
调节作用是研究X对Y的影响时，是否会受到调节变量Z的干扰。
结合自变量X和调节变量Z的数据类型，调节作用共有四种情况，分别如下：
例如：研究 “ 淘宝商家服务质量 ”（X）会对 “ 淘宝忠诚度 ”（Y）产生影响，这种影响关系受到 “ 淘宝客服服务态度 ”（Z）的干扰。
（2）中介作用
中介作用是研究X对Y的影响时，是否会先通过中介变量M，再去影响Y；即是否有X->M->Y这样的关系，如果存在此种关系，则说明具有中介效应。
例如：“ 淘宝客服服务态度”（X）会影响到 “ 淘宝商家服务质量 ”（M）,再影响最终 “ 淘宝忠诚度 ”（Y），此时 “ 淘宝商家服务质量 ” 就成为了这一因果链当中的中介变量。
中介作用的分析较为复杂，共分为以下三个步骤：
第1步：确认数据，确保正确分析。中介作用在进行具体研究时需要对应使用研究方法（分层回归）去实现；中介作用分析时，Y一定是定量数据。X也是定量数据，中介变量M也是定量数据。
第2步：中介作用检验检验中介效应是否存在，其实就是检验X到M，M到Y的路径是否同时具有有显著性意义。
中介作用共分为3个模型。针对上图，需要说明如下：
模型1：自变量X和因变量（Y）的回归分析模型2：自变量X，中介变量(M)和因变量（Y）的回归分析模型3：自变量X和中介变量（M）的回归分析
模型1和模型2的区别在于，模型2在模型1的基础上加入了中介变量(M)，因而模型1到模型2这两个模型应该使用分层回归分析（第一层放入X，第二层放入M）。
在理解了中介分析的原理之后，接着按照中介作用分析的步骤进行，如下图：
检验图如下：
第3步：SPSSAU进行分析用户可以直接按照上图流程在SPSSAU中进行分析，生成结果。
（3）调节中介作用
调节中介作用同时考虑中介变量和调节作用，其核心是中介作用，基于中介作用基础上再进一步讨论调节作用。
比如X->M->Y这条中介路径存在，即说明具有中介作用。接着在进一步分析条件中介作用，即在另外一个调节变量Z取不同水平时（通常分为3个水平，低水平，平均水平，高水平），中介作用的幅度（也称条件间接效应）情况如何。
四、常见问题说明
（1）如何对量表进行维度划分？
进行效度分析时，维度个数通常需要结合自身专业知识判断维度个数即可。
（2）针对问卷量表数据，几个题表示一个维度，如何处理？比如有两个题“我愿意向朋友推荐SPSSAU”，“我有需要会再来使用SPSSAU”，此两个题是“忠诚度”的体现。可使用SPSSAU【数据处理-->生成变量(平均值)】功能完成。通常将多个题概括成一个整体之后，则可以进行相关分析、回归分析、方差分析等（以整体进行，而不是以题项分别进行）。
（3）如何测量量表中多个维度的分数？
通常情况下可使用描述分析计算平均值表示等。
（4）反向题处理
如果当前分值1分代表非常同意，2分代表同意，3分代表中立，4分代表不同意，5分代表非常不同意（分值越高，代表越不同意）。希望将分值反向处理即变成：1分代表非常不同意，2分代表不同意，3分代表中立，4分代表同意，5分代表非常同意（分值越高，代表越同意）。使用SPSSAU的数据编码功能，1编码为5；2编码为4；3编码为3；4编码为2；5编码为1。