cronbach’s alpha系数，一般翻译成克隆巴赫alpha系数，效度用探索性因子分析(KMO和Bartlett)。
alpha等于 测验题目数/(测验题目数－1) 乘 {1 - 各被试在该题目上的方差的和 / 所有被试总分的方差 }
K即第一个公式的n，代表题目数量。
小sigma方即第一个公式的S方，代表方差。
然后直接调用就可以。
参考文献：
道客巴巴
qq_43157351. R语言与克朗巴哈alpha系数
用R语言实现Cronbach 值的计算
λi表示题目i在潜变量ξ上的负荷, δi是误差项, 误差之间不相关。整个测验分数X=x1+x2+…xp的合成信度如上图 (叶宝娟, 温忠麟, 2011Brown, 2006Yang&Green, 2010)
假设一个单维测验由p个题目组成, 测量了一个因子F, 测验施测后, p个题目的标准化变量为 (i=1, 2, ..., p) ，可以按照以下方式计算。
其中, εi是只和i有关的特殊因子 (也称为误差项) , λi是第i个变量i在因子F上的负荷。假设题目误差不相关, 如果整份测验的分数相加有意义, 则单维测验整份测验X=1+2+...+p的合成信度为：
其中, θi为i的误差方差, (2) 式也可计算多维测验单个维度的合成信度。如果用固定方差法指定因子测量单位, 即var (F) =1, 则上式变为:
因为X i 是标准化变量, 所以Σ θ=p-Σ λ2则 (3) 式变为:
上图这个表达式更易懂一些，也更容易计算。
λ为因子载荷量，p为题目个数。
计算出因子载荷量之后可以通过函数计算ρ
参考文献：
杨强 叶宝娟 温忠麟(2014). 用SPSS软件计算单维测验的合成信度. 中国临床心理学杂志: 22(03), 496-498
温忠麟(2011). 单维测验合成信度三种区间估计的比较.
一、内在效度(content related validity)：研究者的发现与事实相符合的程度，即研究结果是不是真的在测量事实的真相的能力。
二、内容效度的评估方法 ：1.专家判断法2.统计分析法(评分者信度\复本信度\折半信度\再测法)3.经验推测法 (实验检验)
提高内部效度的方法：
1．三角检定法：多元的搜集资料方式，包括不同的资料来源(报章、官方文件、会议记录)，访谈不同人员(如教师、行政人员、学者专家)，及采用不同资料的搜集方法(如访谈、观察、非正式讨论)等，来相互验证资料与实施的相符程度。
2．研究对象的核查：和被研究者一起讨论定稿，以确定自己记录的是其所叙的。
3．持续的观察
来自：qiuyaofeng2012. 信度和效度经典例子_第四节个案研究的效度与信度. CSDN
一、构想效度：测验能够测量到理论上的构想或特质的程度，即测验的结果是否能证实或解释某一理论的假设、术语或构想，其解释的程度如何。
二、构想效度的估计方法：1. 对测验本身的分析（用内容效度来验证构想效度）；2. 测验间的相互比较：相容效度（与已成熟的相同测验间的比较）、区分效度（与近似或应区分测验间的比较）、因素分析法 ；3. 效标效度的研究证明 ；4. 实验法和观察法证实
衡量测验有效性的参照标准，指的是可以直接而且独立测量的我们感兴趣的行为。
又称 实证效度 ，反映的是测验对个体的预测在某种情境下的有效性程度(所测情况与实际情况之间的相关)。
根据效标资料是否与测验分数同时获得，又可分为 同时效度 (实际士气高和士气低的人在士气测验中的得分一致性。)和 预测效度 两类。
1.相关法：效度系数、效标效度常用方法。以皮尔逊积差相关系数来表示，反映测验分数与效标测量之间的相关程度。
当测验成绩是连续变量，而效标资料是二分变量时，计算效度系数可用点二列相关公式或二列相关公式；
当测验分数为连续变量，效标资料为等级评定时，可用贾斯朋多系列相关公式计算。
2.区分法：检验 测验分数 能否有效地区分 由效标所定义的团体 。
进行t检验，若差异显著，说明该测验能够有效地区分由效标定义的不同团体(如抑郁 测验得分 的高低可以区分出 真正的 高抑郁组和 真正的 低抑郁组)，
重叠百分比可以通过计算每一组内得分超过（或低于）另一组平均数的人数百分比得出；
另外，还可以计算两组分布的共同区的百分比。重叠量越大，说明两组分数差异越小，即测验的效度越差。
3.命中率法：是当测验用来做取舍的依据时，用其正确决定的比例作为效度指标的一种方法。命中率的计算有两种方法，一是计算总命中率，另一种是计算正命中率。
4、预期表法：是一种双向表格，预测分数排在表的左边，效标排在表的顶端。从左下至右上对角线上各百分数字越大，而其它的百分数字越小，表示测验的效标效度越高 ；反之，数字越分散，则效度越低。
命中率法和预期表法相似。详细可参照戴海琦，张锋<心理与教育测量>第五章：测量效度
一般在研究中用到的效度指标是结构效度，测量题与测量变量之间的对应关系。可以使用探索性因素分析(exploratory factor analysis，EFA)和验证性因子分析(comfirmatory factor analysis，CFA)
计算协方差矩阵/相关系数矩阵。可以利用cov2cor()将协方差转化为相关系数矩阵，也可利用cor2cov()转化回来
· KMO值：如果此值高于0.8，则说明效度高；如果此值介于0.7 0.8之间，则说明效度较好；如果此值介于0.6 0.7，则说明效度可接受，如果此值小于0.6，说明效度不佳
· 巴特球形检验：其对应巴特球形值，对应P值一定需要小于0.05，这样才能说明通过巴特球形检验
· 特征根：此值是判断因子（维度）个数的标准的信息量，由于已经设置好因子（维度）个数，因而此值意义较小可忽略；
· 方差解释率值：代表各维度可解释整体量表的信息量；
· 累积方差解释率值：所有维度可解释整体量表的信息量；
· 因子载荷系数值：分析项与维度之间的相关关系情况；此值非常非常重要，可用于判断分析项与维度的对应关系情况，下述会有说明；
· 共同度值：分析项可以被提取出的信息量情况，比如为0.617，可以理解为该项有61.7%的信息可被最终提取出来。
组内相关系数（intra-class correlation coefficient, ICC）的用途、类型以及计算。
ICC常用于衡量某个指标（比如，皮层厚度）在多次测量中的一致性/相似性（即信度）。在概念上，ICC等于真实的（被试间）变异除以观测的变异，观测的变异等于真实的变异加上噪声变异。比如，ICC=0.5表示真实变异和噪声变异相同。ICC越高，表明观测/测量越可靠。ICC的理论范围在0-1，一般地，ICC位于0-0.5之间表示信度差，0.5-0.75表示中等，0.75-0.9表示好，0.9-1表示极好（也存在其他分类标准）。
信度的现实意义在于，如果信度低，那么对于检测同样的效果量，需要更大的样本量
根据如何计算ICC，可以分为三个类型，即ICC(1,1), ICC(2,1)和ICC(3,1)。ICC(2,1)也表示为ICC(A,1)，ICC(3,1)也表示为ICC(C,1)。在MRI脑成像中，ICC(2,1)似乎是最常用的。ICC(2,1)和ICC(3,1)的区别在于是否考虑多次测量之间的系统性噪声，直观来说，就是ICC(2,1)对变量的均值敏感，ICC(3,1)对变量的均值不敏感。作为对比，熟知的皮尔逊相关系数对于变量的均值和方差都不敏感，只对变量之间的协方差敏感。
在具体估计方法上，常见的有ANOVA和LME（linear mixed-effects）两种。LME的好处是不会出现ICC<0的情况，以及可以处理存在缺失值/协变量的情况。
