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。
伴随着技术进步，编程语言会不断推陈出新。不过老旧的程序语言也会因为时代改变而被淘汰。 科技 媒体Dice选出五种在未来可能将会消失的程序语言，并且建议以这些程序语言为主的工程师应朝着多样化的方向提升自己的技能。
作者科拉科夫斯基（Nick Kolakowski）查询了软件评估公司TIOBE及软件开发行业分析公司RedMonk的软件人气排名，并参考Dice的资料库，从而列出了五种可能消亡的程序语言。
第一个被点名的就是曾大受欢迎的Ruby。Ruby在TIOBE的排名短短一年半内从第9名滑落到第12名。且根据Dice的资料显示，Ruby的工作岗位在2018年减少了56%，由此可能会让使用Ruby的人数快速下滑。
Haskell 同样被认为前途堪忧。虽然包括Facebook和GitHub等知名公司都会使用Haskell，不过Haskell 在RedMonk的排名从2012年的13名一路下滑到榜单边缘的19名，且始终没有反弹的迹象。
第三个是Objective-C。虽然苹果公司推出Objective-C至今已有35年，但近几年Objective-C的排名下滑并不明显，有不少开发者还是习惯使用。不过2014年苹果发表Swift后，那么长期而言Objective-C就不会是开发者们的好选择。苹果积极推动Swift发展，也有越来越多开发者使用Swift开发软件，这很可能意味着Objective-C终将成为 历史 。
R语言目前是颇受欢迎的编程语言，不过科拉科夫斯基认为Python正在取代R在行业中的地位。虽然学术界和数据科学家还在使用R，但对数据分析有兴趣的公司开始转向Python，因为Python有扩展性且更容易使用。科拉科夫斯基推测，要是R和Python能彼此结合，则有助于R继续存活。
最后一个被认为缺乏未来的程序语言是Perl。在 RedMonk和TIOBE，Perl的排名都日趋下滑。就算Perl受欢迎的程度大不如前，还是有很多旧网站使用Perl，所以不会太快就消失。目前开发者普遍采用别的程序语言来架构网站，因此Perl依旧会渐渐衰亡。
