SPSSAU
原始数据
KMO值或者没有通过巴特球形检验
分析项与因子（维度）对应关系出错
分析项与多个因子（维度）建立对应关系
分析项没有和任何因子（维度）建立对应关系
1个因子仅对应1个分析项
无论如何，因子（维度）与分析项间的对应关系情况，均与预期不符
KMO值或者没有通过巴特球形检验KMO值最容易达标，巴特球形检验也非常容易达标。如果仅2个量表分析项，那么KMO值一定为0.5，因而不遵从0.6以上的判断标准。如果KMO和巴特球形检验这两项均不达标，建议直接放弃结构效度，最基础的指标都不满足，实在太糟糕的数据，直接使用内容效度即可。
分析项与因子（维度）对应关系出错对应关系出错，这称作‘张冠李戴’现象。出现这类情况，需要将对应关系出错的分析项删除掉，然后再次进行分析。而且一定需要尽早删除，对应关系出现偏差错误是无法接受的。
分析项与多个因子（维度）建立对应关系一个分析项与多个因子（维度）有对应关系，此类情况称作‘纠缠不清’，如果此类现象不严重，可考虑暂不处理，在多次分析删除项后再看情况而定。一般不处理‘纠缠不清’现象也可以接受。
分析项没有和任何因子（维度）建立对应关系一个分析项与任何因子都没有对应关系，该分析项没有任何存在的意义直接删除后再次进行分析。
1个因子仅对应1个分析项如果1个因子仅对应1项，这是比较糟糕的，正常情况下，1个因子（维度）应该对应至少2项，出现此类情况，建议可直接将该项进行删除，然后在分析时描述说明清楚。
无论如何，因子（维度）与分析项间的对应关系情况，均与预期不符有时候无论如何处理，分析项与因子（维度）对应关系均有问题，出现此类问题时，依旧是由于量表质量差所致，也有可能是样本量太少的缘故。可考虑将量表拆分成多个维度，分别进行多次因子分析，每次设置因子个数为1。END
在进行效度分析时，如果说确实是量表且有参考依据，而且数据真实，事实上很少会发生以上情况。但有两种情况是需要提前注意： 不知道量表数据才能进行效度分析。这种情况最糟糕后续是无法进行分析的。 量表数据自己乱设计，量表是相对规范的一种测量题项，需要有较强的参考文献，而且一个维度对应的量表要来自于同一个参考出处。