cronbach’s alpha系數(shù)裆蒸，一般翻譯成克隆巴赫alpha系數(shù)，效度用探索性因子分析(KMO和Bartlett)艇搀。
信度
cronbach公式
alpha等于 測(cè)驗(yàn)題目數(shù)/(測(cè)驗(yàn)題目數(shù)－1) 乘 {1 - 各被試在該題目上的方差的和 / 所有被試總分的方差 }
K即第一個(gè)公式的n腋颠，代表題目數(shù)量袋狞。
小sigma方即第一個(gè)公式的S方，代表方差凄贩。
#
cronbach <- function(x){
n <- ncol(x) #計(jì)算x的列數(shù)(題目數(shù))
p <- sum(apply(x, 2, var)) / var(apply(x, 1, sum))
#計(jì)算公式最右邊的一坨(sigma Si 2)/(St 2)
#apply(x,1/2,function)：對(duì)行/列進(jìn)function的計(jì)算誓军。
#2為按列處理，1為按行處理
alpha = n/(n-1) * (1-p)
#計(jì)算alpha系數(shù)
cronbach <- cat("alpha=", alpha, "\n")
#結(jié)果輸出疲扎。cat是連接符
return(cronbach)
#返回alpha系數(shù)
}
然后直接調(diào)用就可以昵时。
x<-read.csv('dat1.csv', header=T )
x<-as.data.frame(x)
cronbach(x)
參考文獻(xiàn)：
道客巴巴
qq_43157351. R語(yǔ)言與克朗巴哈alpha系數(shù)
用R語(yǔ)言實(shí)現(xiàn)Cronbach 值的計(jì)算
合成信度
λi表示題目i在潛變量ξ上的負(fù)荷, δi是誤差項(xiàng), 誤差之間不相關(guān)。整個(gè)測(cè)驗(yàn)分?jǐn)?shù)X=x1+x2+…xp的合成信度如上圖 (葉寶娟, 溫忠麟, 2011;Brown, 2006;Yang&Green, 2010)
假設(shè)一個(gè)單維測(cè)驗(yàn)由p個(gè)題目組成, 測(cè)量了一個(gè)因子F, 測(cè)驗(yàn)施測(cè)后, p個(gè)題目的標(biāo)準(zhǔn)化變量為 (i=1, 2, ..., p) 椒丧，可以按照以下方式計(jì)算壹甥。
其中, εi是只和i有關(guān)的特殊因子 (也稱為誤差項(xiàng)) , λi是第i個(gè)變量i在因子F上的負(fù)荷。假設(shè)題目誤差不相關(guān), 如果整份測(cè)驗(yàn)的分?jǐn)?shù)相加有意義, 則單維測(cè)驗(yàn)整份測(cè)驗(yàn)X=1+2+...+p的合成信度為：
其中, θi為i的誤差方差, (2) 式也可計(jì)算多維測(cè)驗(yàn)單個(gè)維度的合成信度壶熏。如果用固定方差法指定因子測(cè)量單位, 即var (F) =1, 則上式變?yōu)?
因?yàn)閄i是標(biāo)準(zhǔn)化變量, 所以Σ θ=p-Σ λ2則 (3) 式變?yōu)?
上圖這個(gè)表達(dá)式更易懂一些句柠，也更容易計(jì)算。
λ為因子載荷量棒假，p為題目個(gè)數(shù)溯职。
計(jì)算出因子載荷量之后可以通過函數(shù)計(jì)算ρ
參考文獻(xiàn)：
楊強(qiáng) 葉寶娟 溫忠麟(2014). 用SPSS軟件計(jì)算單維測(cè)驗(yàn)的合成信度. 中國(guó)臨床心理學(xué)雜志: 22(03), 496-498
溫忠麟(2011). 單維測(cè)驗(yàn)合成信度三種區(qū)間估計(jì)的比較.
效度
內(nèi)容效度
一、內(nèi)在效度(content related validity)：研究者的發(fā)現(xiàn)與事實(shí)相符合的程度淆衷，即研究結(jié)果是不是真的在測(cè)量事實(shí)的真相的能力缸榄。
二渤弛、內(nèi)容效度的評(píng)估方法 ：1.專家判斷法; 2.統(tǒng)計(jì)分析法(評(píng)分者信度\復(fù)本信度\折半信度\再測(cè)法); 3.經(jīng)驗(yàn)推測(cè)法 (實(shí)驗(yàn)檢驗(yàn))
提高內(nèi)部效度的方法：
1．三角檢定法：多元的搜集資料方式祝拯，包括不同的資料來(lái)源(報(bào)章、官方文件她肯、會(huì)議記錄)佳头，訪談不同人員(如教師、行政人員晴氨、學(xué)者專家)康嘉，及采用不同資料的搜集方法(如訪談、觀察籽前、非正式討論)等亭珍，來(lái)相互驗(yàn)證資料與實(shí)施的相符程度。
2．研究對(duì)象的核查：和被研究者一起討論定稿枝哄，以確定自己記錄的是其所敘的肄梨。
3．持續(xù)的觀察
- 外在的審查：請(qǐng)具有個(gè)案研究知識(shí)與經(jīng)驗(yàn)的專家進(jìn)行審查，審查者應(yīng)與這個(gè)研究無(wú)關(guān)挠锥，要審查研究的過程众羡、詮釋與結(jié)論，評(píng)斷他們的正確性蓖租。
- 撇開研究者的偏見
來(lái)自：qiuyaofeng2012. 信度和效度經(jīng)典例子_第四節(jié)個(gè)案研究的效度與信度. CSDN
構(gòu)想效度（construct-related validity）
一粱侣、構(gòu)想效度：測(cè)驗(yàn)?zāi)軌驕y(cè)量到理論上的構(gòu)想或特質(zhì)的程度羊壹，即測(cè)驗(yàn)的結(jié)果是否能證實(shí)或解釋某一理論的假設(shè)、術(shù)語(yǔ)或構(gòu)想齐婴，其解釋的程度如何油猫。
二、構(gòu)想效度的估計(jì)方法：1. 對(duì)測(cè)驗(yàn)本身的分析（用內(nèi)容效度來(lái)驗(yàn)證構(gòu)想效度）柠偶；2. 測(cè)驗(yàn)間的相互比較：相容效度（與已成熟的相同測(cè)驗(yàn)間的比較）眨攘、區(qū)分效度（與近似或應(yīng)區(qū)分測(cè)驗(yàn)間的比較）、因素分析法 嚣州；3. 效標(biāo)效度的研究證明 鲫售；4. 實(shí)驗(yàn)法和觀察法證實(shí)
效標(biāo)效度（criterion-related validity）
衡量測(cè)驗(yàn)有效性的參照標(biāo)準(zhǔn)，指的是可以直接而且獨(dú)立測(cè)量的我們感興趣的行為该肴。
又稱實(shí)證效度情竹，反映的是測(cè)驗(yàn)對(duì)個(gè)體的預(yù)測(cè)在某種情境下的有效性程度(所測(cè)情況與實(shí)際情況之間的相關(guān))。
根據(jù)效標(biāo)資料是否與測(cè)驗(yàn)分?jǐn)?shù)同時(shí)獲得匀哄，又可分為同時(shí)效度(實(shí)際士氣高和士氣低的人在士氣測(cè)驗(yàn)中的得分一致性秦效。)和預(yù)測(cè)效度兩類。
1.相關(guān)法：效度系數(shù)涎嚼、效標(biāo)效度常用方法阱州。以皮爾遜積差相關(guān)系數(shù)來(lái)表示，反映測(cè)驗(yàn)分?jǐn)?shù)與效標(biāo)測(cè)量之間的相關(guān)程度法梯。
當(dāng)測(cè)驗(yàn)成績(jī)是連續(xù)變量苔货，而效標(biāo)資料是二分變量時(shí)，計(jì)算效度系數(shù)可用點(diǎn)二列相關(guān)公式或二列相關(guān)公式立哑；
當(dāng)測(cè)驗(yàn)分?jǐn)?shù)為連續(xù)變量夜惭，效標(biāo)資料為等級(jí)評(píng)定時(shí)，可用賈斯朋多系列相關(guān)公式計(jì)算铛绰。
2.區(qū)分法：檢驗(yàn)測(cè)驗(yàn)分?jǐn)?shù)能否有效地區(qū)分由效標(biāo)所定義的團(tuán)體诈茧。
進(jìn)行t檢驗(yàn)，若差異顯著捂掰，說明該測(cè)驗(yàn)?zāi)軌蛴行У貐^(qū)分由效標(biāo)定義的不同團(tuán)體(如抑郁測(cè)驗(yàn)得分的高低可以區(qū)分出真正的高抑郁組和真正的低抑郁組)敢会，
重疊百分比可以通過計(jì)算每一組內(nèi)得分超過（或低于）另一組平均數(shù)的人數(shù)百分比得出；
另外这嚣，還可以計(jì)算兩組分布的共同區(qū)的百分比鸥昏。重疊量越大，說明兩組分?jǐn)?shù)差異越小疤苹，即測(cè)驗(yàn)的效度越差互广。
3.命中率法：是當(dāng)測(cè)驗(yàn)用來(lái)做取舍的依據(jù)時(shí)，用其正確決定的比例作為效度指標(biāo)的一種方法。命中率的計(jì)算有兩種方法惫皱，一是計(jì)算總命中率像樊，另一種是計(jì)算正命中率。
4旅敷、預(yù)期表法：是一種雙向表格生棍，預(yù)測(cè)分?jǐn)?shù)排在表的左邊，效標(biāo)排在表的頂端媳谁。從左下至右上對(duì)角線上各百分?jǐn)?shù)字越大涂滴，而其它的百分?jǐn)?shù)字越小，表示測(cè)驗(yàn)的效標(biāo)效度越高 晴音；反之柔纵，數(shù)字越分散，則效度越低锤躁。
命中率法和預(yù)期表法相似搁料。詳細(xì)可參照戴海琦，張鋒<心理與教育測(cè)量>第五章：測(cè)量效度
結(jié)構(gòu)效度
一般在研究中用到的效度指標(biāo)是結(jié)構(gòu)效度系羞，測(cè)量題與測(cè)量變量之間的對(duì)應(yīng)關(guān)系郭计。可以使用探索性因素分析(exploratory factor analysis椒振，EFA)和驗(yàn)證性因子分析(comfirmatory factor analysis昭伸，CFA)
- 探索性因子分析
- KMO&Bartlett檢驗(yàn)
計(jì)算協(xié)方差矩陣/相關(guān)系數(shù)矩陣∨煊可以利用cov2cor()將協(xié)方差轉(zhuǎn)化為相關(guān)系數(shù)矩陣庐杨，也可利用cor2cov()轉(zhuǎn)化回來(lái)
library(psych)
cb <- cortest.bartlett(cor(rc), n=length(rc[,1]))
kmo <- KMO(cor(rc))
output <- list(cb[['chisq']],cb[['p.value']],cb[['df']],kmo[["MSA"]])
output
# 查看數(shù)據(jù)類型
typeof(ability.cov)#list
#設(shè)置小數(shù)位數(shù)
options(digits=2)
#將ability.cov數(shù)據(jù)集中的cov矩陣放入covariances中，并轉(zhuǎn)化為相關(guān)系數(shù)矩陣嗡善。
covariances<-ability.cov$cov
correlations<-cov2cor(covariances)
correlations
#確定提取的公因子個(gè)數(shù)
#psych包中的fa.parallel()函數(shù)繪制碎石圖
library(psych)
cvs <- ability.cov$cov
#將cv轉(zhuǎn)化為相關(guān)矩陣
crs <- cov2cor(cv)
#碎石圖
fa.parallel(correlations,
n.obs=112, #觀測(cè)數(shù)量(矩陣和dataframe不需要標(biāo)明)
fa="both", #principal components (fa="pc") 辑莫； principal axis factor analysis (fa="fa")
n.iter=100, #自主抽樣(bootstrap)100次
main="Scree plots with parallel analysis")#標(biāo)題
#主軸迭代法提取公因子
fa<-fa(correlations,nfactors=2,rotate="none",fm="pa")
fa
#用最大方差法varimax旋轉(zhuǎn)
>fa.varimax<-fa(correlations,nfactors=2,rotate="varimax",fm="pa")
>fa.varimax
#斜交旋轉(zhuǎn)的promax
>fa.promax<-fa(correlations,nfactors=2,rotate="promax",fm="pa")
>fa.promax
#變量與因子之間的相關(guān)性
fsm<-function(oblique){
if(class(oblique)[2]=="fa"&is.null(oblique$Phi)){
warning("Object doesn't look like oblique EFA")
}else{
P<-unclass(oblique$loading)
F<-P%*%oblique$Phi
colnames(F)<-c("PA1","PA2")
return (F)
}
}
fsm(fa.promax)
· KMO值：如果此值高于0.8，則說明效度高罩引；如果此值介于0.70.8之間，則說明效度較好枝笨；如果此值介于0.60.7袁铐，則說明效度可接受，如果此值小于0.6横浑，說明效度不佳
· 巴特球形檢驗(yàn)：其對(duì)應(yīng)巴特球形值剔桨，對(duì)應(yīng)P值一定需要小于0.05，這樣才能說明通過巴特球形檢驗(yàn)
· 特征根：此值是判斷因子（維度）個(gè)數(shù)的標(biāo)準(zhǔn)的信息量徙融，由于已經(jīng)設(shè)置好因子（維度）個(gè)數(shù)洒缀，因而此值意義較小可忽略；
· 方差解釋率值：代表各維度可解釋整體量表的信息量；
· 累積方差解釋率值：所有維度可解釋整體量表的信息量树绩；
· 因子載荷系數(shù)值：分析項(xiàng)與維度之間的相關(guān)關(guān)系情況萨脑；此值非常非常重要，可用于判斷分析項(xiàng)與維度的對(duì)應(yīng)關(guān)系情況饺饭，下述會(huì)有說明渤早；
· 共同度值：分析項(xiàng)可以被提取出的信息量情況，比如為0.617瘫俊，可以理解為該項(xiàng)有61.7%的信息可被最終提取出來(lái)鹊杖。
