教程 ·

量表信度只有 0.6，删哪道题能救回来？题项删除的正确姿势

信效度不达标怎么删题项：CITC值、删除后α系数、因子载荷三大判断指标详解，一次只删一题的正确流程，成熟量表谨慎删题的边界，以及论文里该如何透明报告删除依据。

做完信度分析，Cronbach's α 只有 0.6（一般要求不低于 0.7），或者效度分析里某道题的因子载荷只有 0.3（一般要求不低于 0.5）——这道题该不该删？删了会不会破坏量表的结构完整性？这是问卷类研究里非常高频的困扰。

判断该不该删的关键指标

删题不能凭感觉，要依据几个明确的量化指标来判断：

1. CITC 值（题项-总分相关）

CITC（Corrected Item-Total Correlation，校正后的题项-总分相关）衡量的是这道题和量表其余题目总分之间的相关程度。一般要求 CITC 不低于 0.3-0.4，低于这个值说明这道题测量的方向和量表整体不一致，拖累了整体一致性。

2. 删除此项后的 α 系数

SPSS 信度分析表格自带一列"Cronbach's Alpha if Item Deleted"，直接告诉你"如果删掉这道题，整体 α 会变成多少"。判断标准很直接：如果删掉某道题之后，整体 α 明显提升（比如从 0.62 提升到 0.75），说明这道题确实在拖累信度；如果删除后 α 反而下降或几乎不变，说明这道题对整体信度没有负面影响，不需要删。

3. 因子载荷

做验证性因子分析（CFA）或探索性因子分析（EFA）时，每道题在其所属维度上会有一个因子载荷值。载荷低于 0.4-0.5 通常被视为该题与所属维度关联较弱，是效度层面（而非信度层面）判断该不该删题的主要依据。

删题的正确流程

一次只删一道最差的题，重新跑一次信效度分析，看整体指标是否改善，再决定是否继续删。

这一点常被忽略，很多人一次性把所有低于标准的题全部删掉，这是常见的错误做法。原因是：删掉一道题会改变其他题目之间的相对贡献关系——删掉题 A 之后，原本表现中等的题 B 的 CITC 值和因子载荷都可能发生变化（可能变好也可能变差），所以正确流程是：

  1. 找出当前指标最差的一道题（CITC 最低，或删除后 α 提升幅度最大）
  2. 只删这一道，重新跑一次分析
  3. 看整体 α 和其余题目的指标是否达标
  4. 如果还不达标，重复步骤 1-3，直到指标满足要求或达到可接受的删题上限

什么情况不该轻易删

成熟量表要谨慎。 如果使用的是经过原作者验证的、已发表的心理测量学成熟量表，随意删题会破坏该量表原有的结构效度——量表的题目往往是原作者经过多轮验证精心设计的，删题相当于改变了这个量表的构念结构。这种情况下更谨慎的做法是：先检查是不是翻译或文化适应的问题（若为跨文化研究），或考虑是否应该换用更适合当前研究样本的量表，而不是直接删题了事。

删题过多要重新审视整体量表。 如果删除的题项超过总题项数的 20%-30%，这已经不只是"个别题目质量问题"，而是需要重新审视这份量表是否适合当前的研究对象和情境，或者是否该整体更换量表。

论文里怎么报告

删题不是可以悄悄做完、只呈现最终干净结果的操作——从研究透明度的角度，论文中需要如实说明：

  1. 删除了哪几道题（题号或题目内容）
  2. 删除依据是什么（是 CITC 值不达标，还是因子载荷过低，还是删除后 α 提升明显）
  3. 删除前后的信效度指标对比（如"删除第 5 题后，量表整体 Cronbach's α 由 0.61 提升至 0.78"）

不写清楚删题过程，直接呈现修改后的"干净"结果，一旦被审稿人或答辩老师追问，反而更容易引发对整个研究严谨性的质疑。

用 ChatSRS 辅助

判断该不该删题、删哪道题，需要同时对照 CITC、删除后 α、因子载荷这几个指标，人工核对比较繁琐。可以直接让 AI 帮你完成：

"帮我对这份量表数据做信度分析，生成包含 CITC 和删除后 α 的完整表格，再做一次因子分析看各题的载荷情况，给出建议删除第几题以及删除依据。"

ChatSRS 会自动生成信度分析表（含 CITC 和删除后 α 那一列）加因子载荷表，并基于这几项指标给出具体的删题建议及理由，省去手动逐题核对多个指标的过程。

常见 FAQ

Q：CITC 和因子载荷都不达标的题，肯定要删吗？

A：两个指标都不达标的题目，通常是最优先考虑删除的候选，但仍建议结合题目本身的内容意义判断——如果这道题在理论上对研究的核心构念很重要，且样本量或题目表述本身有优化空间，可以先考虑是否是题目措辞问题（比如题目表述模糊、存在反向计分未处理等），而不是第一时间就删除。

Q：删题会不会影响我原本设计的研究假设和维度结构？

A：如果只是量表内某个维度删掉一两道表现不佳的题目，一般不会影响整体维度结构，只需要在论文中说明最终每个维度包含的题目数量即可。但如果某个维度删到只剩 1-2 道题，或者删除后导致某个维度的题目数量明显不均衡，就需要重新考虑该维度是否还能有效测量原本设想的构念。

Q：探索性因子分析（EFA）和验证性因子分析（CFA）判断删题的标准一样吗？

A：核心逻辑类似（都是看载荷是否达标），但应用场景不同。EFA 通常用于问卷开发阶段，探索题目自然聚成几个维度，载荷不达标或存在明显交叉载荷（在多个维度上载荷都较高）的题目是主要删除对象；CFA 通常用于验证一个已有理论假设的维度结构是否成立，载荷不达标的题目会拉低整体模型拟合指标，删题决策应更谨慎，最好结合修正指数（Modification Indices）等模型诊断信息一起判断。

本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内【用户中心 -> 帮助与反馈】联系我们。