量表类共用

信度分析

Cronbach α 与 CITC，判断量表题项的内部一致性。

进入一键分析

1. 方法概述

（1）信度分析用于判断一组题项是否具有相对稳定的内部一致性。常用指标是 Cronbach's α，也可以结合校正后题项-总分相关（CITC）以及删除某个题项后的 α 一起判断题项质量。

（2）它回答的是：同一个量表维度中的题项，是否在一定程度上测量了相近的内容？

（3）信度不是效度，也不是因果分析。α 较高只能说明题项之间具有较强的内部一致性，不能单独证明量表一定是单维结构、一定有效、一定适合预测，或研究假设已经成立。

（4）信度分析通常是问卷和量表分析的基础步骤。它可以在相关、差异检验、回归、EFA、CFA、SEM、中介或调节分析之前使用，但必须先确认题项确实属于同一理论维度，并且有足够的有效数据。

2. 适用问题与不适用问题

适用问题

信度分析适合：

多道李克特题项组成一个量表维度。
同一个概念由多个题项共同测量。
在相关、回归、EFA、CFA 或 SEM 前检查题项一致性。
比较不同维度的内部一致性。
发现某道题与同维度其他题项方向不一致。
检查删除某道题后 α 是否明显变化。

例如：

服务质量由 Q1、Q2、Q3、Q4 测量。
满意度由 S1、S2、S3 测量。
使用意愿由 W1、W2、W3 测量。

不适用问题

以下变量不应直接放在同一个量表中计算 α：

性别、地区、专业、年级等人口统计变量。
用户编号、订单编号、时间戳等 ID 或元数据。
本来就不是同一个概念的多个变量。
只有一道题的单题指标。
纯类别名称或开放文本。
题项方向没有统一且反向题没有处理。
样本量过小或所有被试的回答完全相同。

把性别、年龄、满意度和购买金额放在一起计算 α，即使得到一个数，也没有清晰的量表解释。应在分析前根据理论和编码表排除控制变量与分类变量。

3. 数据结构和输入要求

数据文件

数据可以整理为 CSV 或 XLSX。每一行是一份问卷或一个观测对象，每一列是一道题项或一个变量。

示例：

编号	Q1	Q2	Q3	Q4	性别
1	4	5	4	2	1
2	3	4	3	3	2
3	5	5	4	1	1

如果 Q4 是反向题，不能直接将它与 Q1-Q3 计算 α，应先按量表范围反向计分。

编码表

建议同时准备编码表。平台下载的编码表模板使用以下中文表头（英文表头同样可识别）：

表头	作用	示例
变量	数据中的列名	Q1
题项名称	题项说明	服务响应及时
维度	所属维度	服务质量
类型	变量类型或角色	数值
反向题	是否反向题	否（或 1/0、是/否）
最小值	量表最小值	1
最大值	量表最大值	5

编码表中的“变量”应与数据列名一致；“维度”相同的数值题项才会归入同一维度。
“反向题”支持 1/0、是/否；标为反向题的题项会先反向计分再计算 α。
“类型”一般量表题项填“数值”；控制变量、分类变量、编号等可填 control / categorical / id，系统会把这类列排除在量表题项之外。

题项数和样本要求

常见的计算前提是：

Cronbach α 至少需要 2 个题项。
每个维度少于 2 个题项时，该维度无法计算 α。
CITC 和删除题项后的 α 最好在每个维度至少有 3 个题项时使用。
题项诊断需要有足够的完整有效数据。
完整案例少于 2 行时，α 无法计算。
总分方差为 0 时，α 无法计算。

至少 2 个题项只是计算的下限，不代表量表设计充分。题项数量、内容覆盖和理论维度需要由研究者判断。

会进入量表分析的变量

以下变量通常不应作为量表题项：

控制变量、分类变量和分组变量；
性别、地区、专业、年级等人口统计变量；
用户编号、订单编号、时间戳等识别变量；
不属于该理论构念的其他指标。

数字编码的分类列不能因为保存为 1、2、3 就被当成量表题项。

4. 分析流程

信度分析不应只凭一个指标自动删除题项。最终是否删除题项需要结合题意、理论结构、EFA/CFA 结果和研究设计。

5. 反向题处理

为什么需要反向计分

同一维度中，如果大多数题目是“分数越高表示程度越高”，而某道题含义相反，就要把反向题转换到同一方向。

例如：

正向题：我认为系统操作方便。
反向题：我认为系统操作复杂。

如果都使用 1-5 分而不处理反向题，操作方便得分高的人可能在操作复杂题上得分低，题项相关方向会被拉低。

反向计分公式

设原始题项值为 X，量表最小值为 L，最大值为 U，则：

X_{ij}^{(R)}=L_j+U_j-X_{ij} \tag{5.1}

五点量表为：

X_{ij}^{(R)}=1+5-X_{ij}=6-X_{ij} \tag{5.2}

对应关系：

原始值	反向值
1	5
2	4
3	3
4	2
5	1

量表范围的确定

优先使用量表设计规定的理论最小值和最大值。
五点量表通常为 1 至 5，七点量表通常为 1 至 7。
如果量表范围不明确，应先查阅问卷说明，不能只根据当前样本的最小值和最大值推断。

如果样本没有出现理论最低分或最高分，建议在编码表中填写理论范围。例如五点量表应填 1 和 5，而不是只依赖当前样本观察到的 2 和 4。

反向题结果

反向计分后应在分析记录中清楚区分原始值和处理后的值。例如：

Q4 -> Q4_R

整理结果时应区分原始题项和反向计分后的题项，避免同一题被重复计入。

6. Cronbach's α 完整公式

设量表包含 k 个题项，有 n 个完整案例。第 i 个样本在第 j 个题项上的得分为 Xᵢⱼ。

题项总分

第 i 个样本的总分为：

T_i=\sum_{j=1}^{k}X_{ij} \tag{6.1}

通常使用题项总分计算总分方差。使用题项平均分会改变尺度，但不改变题项之间一致性关系的基本含义。

题项均值和方差

第 j 个题项的均值：

\bar{X}_j=\frac{1}{n}\sum_{i=1}^{n}X_{ij} \tag{6.2}

第 j 个题项的样本方差：

s_j^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_{ij}-\bar{X}_j)^2 \tag{6.3}

样本方差的分母为 $n-1$ 。

总分均值和方差

总分均值：

\bar{T}=\frac{1}{n}\sum_{i=1}^{n}T_i \tag{6.4}

总分样本方差：

s_T^2=\frac{1}{n-1}\sum_{i=1}^{n}(T_i-\bar{T})^2 \tag{6.5}

Cronbach's α

Cronbach's α 为：

\alpha= \frac{k}{k-1} \left( 1-\frac{\sum_{j=1}^{k}s_j^2}{s_T^2} \right) \tag{6.6}

其中：

k：题项数量。
sⱼ²：第 j 个题项的样本方差。
sT²：题项总分的样本方差。
题项和总分使用同一批完整案例。

题项之间的共同变异越大，通常 α 越高；方向相反、测量内容差异很大或随机误差较多时，α 可能降低。

平均题间相关形式

若所有题项已经标准化，平均题间相关为 r̄，则：

\alpha= \frac{k\bar{r}}{1+(k-1)\bar{r}} \tag{6.7}

平均题间相关为：

\bar{r}= \frac{2}{k(k-1)} \sum_{j=1}^{k-1} \sum_{\ell=j+1}^{k}r_{j\ell} \tag{6.8}

式（6.7）可用于理解题项数量和平均题间相关对 α 的影响。实际报告时应说明采用的计算口径。

7. 缺失值与完整案例

完整案例处理

某个维度包含 k 个题项时，完整案例集合为：

\mathcal{C}= \left\{ i: X_{i1},X_{i2},\ldots,X_{ik} \text{ 均为有效值} \right\} \tag{7.1}

有效完整案例数为：

n_{\mathrm{complete}}=|\mathcal{C}| \tag{7.2}

一种清晰且常用的处理方式是对该维度使用完整案例计算，即该样本在该维度的所有题项都有有效值时才纳入 α 计算。它不同于对每一对题项分别使用不同样本的成对删除方法。

完整案例处理的影响

优点：

所有题项方差和总分方差使用同一批样本。
结果口径清楚，容易复核。
题项之间的样本口径一致。

影响：

一行中只要有一道题缺失，该行就会从该维度 α 计算中排除。
缺失较多时，有效样本量可能明显下降。
不能直接把当前 α 和使用均值填补、成对删除或多重插补的数据结果比较。

维度得分和 α 的口径不同

计算维度得分时，可以使用该行已有题项的平均分，但应明确最低有效题项数。维度平均分可写为：

D_i= \frac{1}{k_i} \sum_{j\in\mathcal{O}_i}X_{ij} \tag{7.3}

其中 Oᵢ 是第 i 个样本的有效题项集合，kᵢ 是该样本实际可用的题项数。

因此：

维度得分允许部分题项存在时计算。
α 使用该维度的完整案例。
维度得分的有效行数与 α 的有效行数可能不同。
后续模型使用维度得分时，应同时查看缺失值报告。

8. 校正后题项-总分相关（CITC）

定义

去掉第 j 个题项后的其余题项总分为：

T_{i,-j}=\sum_{\substack{\ell=1\\\ell\ne j}}^{k}X_{i\ell} \tag{8.1}

CITC 为当前题项与其余题项总分的 Pearson 相关：

\mathrm{CITC}_j= \mathrm{Corr}(X_{\cdot j},T_{\cdot,-j}) \tag{8.2}

不能把当前题项与包含自身的总分做相关，因为这会机械性提高相关。

使用条件

题项诊断通常需要满足：

维度至少有 3 个题项；
题项为可比较的数值编码；
有足够的完整数据；
删除当前题项后仍有至少两个题项。

因此，2 个题项的维度可以计算 α，但不会产生当前的 CITC 明细表。

CITC 的参考解释

0.30 常被用作初步参考线：

CITC 较高：题项与同维度其余题项方向和内容较一致。
CITC 接近 0：题项可能与其他题项关系较弱。
CITC 为负：优先检查反向计分、数据编码和维度归类。

CITC 小于 0.30 或删除题项后的 α 明显上升时，可以把该题列为复核对象。但 0.30 只是常用参考线，不是自动删除规则。

9. 删除题项后的 α

完整公式

删除第 j 个题项后，剩余题项数为：

k_{-j}=k-1 \tag{9.1}

剩余题项总分：

T_{i,-j}=\sum_{\substack{\ell=1\\\ell\ne j}}^{k}X_{i\ell} \tag{9.2}

剩余题项方差之和：

\sum_{\substack{\ell=1\\\ell\ne j}}^{k}s_\ell^2 \tag{9.3}

删除第 j 个题项后的 α：

\alpha_{-j}= \frac{k-1}{k-2} \left( 1- \frac{\displaystyle\sum_{\substack{\ell=1\\\ell\ne j}}^{k}s_\ell^2} {\mathrm{Var}(T_{\cdot,-j})} \right) \tag{9.4}

其中 Var(T·,-j) 是剩余题项总分的样本方差。

如何阅读

将整体 α 和删除该题项后的 α 对照：

删除某题后的 α 明显高于整体 α，该题可能降低一致性。
删除后变化很小，删除未必有实际意义。
删除后 α 下降，该题可能对维度一致性有贡献。
CITC 为负且删除后 α 明显上升，应先检查反向题和编码，不要立即删除。

不能只追求更高 α

删除题项可能导致：

量表内容覆盖变窄。
重要内容被删除。
理论维度定义改变。
题项数量过少，结果不稳定。
题项内容重复但 α 虚高。

删除前应同时查看题意、反向题、缺失、CITC、删除后 α、EFA/CFA 和理论定义。

10. α 的解释参考

常见的工作参考如下：

α 范围	常见的初步理解
α ≥ 0.80	内部一致性较好
0.70 ≤ α < 0.80	达到常用可接受水平
0.60 ≤ α < 0.70	一致性一般，探索性研究可结合其他证据判断
α < 0.60	一致性偏弱，应检查题项和数据

这些是常用工作参考，不是任何学科都必须服从的硬标准。还要考虑题项数量、探索性研究性质、内容相似程度、样本量和理论结构。

α 为负时，常见原因是：

题项方向相反。
反向题没有处理。
题项并不属于同一维度。
编码错误。
样本量很小或数据变异异常。

负 α 应优先排查数据和题项方向。

11. 结果表格和图形

系统输出的工作表（analysis_tables.xlsx）：信度分析、信度题项分析、描述性统计、变量编码表、维度得分、相关矩阵、相关显著性、显著性标记、缺失值报告、频数统计。

示例（来自系统结果包，示例数据）。

信度题项分析表：

维度	变量名	均值	标准差	CITC	删除后α
dim1	Q1	3.41	0.839897	0.573455	0.707033
dim1	Q2	3.43	0.798931	0.543793	0.722499
dim1	Q3	3.47	0.775958	0.579874	0.704278

信度分析表

主要内容包括：

字段	含义
维度	量表或理论维度名称
Cronbach α	该维度或总量表的 α
题项数	纳入计算的题项数量

如果题项不足、完整案例不足或总分没有变异，α 可能无法计算。空值不等于 α 为 0。

题项诊断表

满足条件时通常包含：

字段	含义
维度	题项所属维度
变量	题项变量名
均值	该题项完整数据中的均值
标准差	该题项完整数据中的样本标准差
CITC	校正后题项-总分相关
删除该题项后的 α	删除当前题项重新计算的 α
提示	需要进一步复核的原因

完整数值应以结果表为准，简要说明用于快速阅读。

简要结果说明

简要结果说明可以包含描述性统计、信度分析和必要的相关结果，例如：

本研究采用 Cronbach's α 系数检验量表内部一致性。结果显示，总量表 Cronbach's α=0.812，各维度 α 介于 0.746~0.854，整体具有良好的内部一致性。

完整的题项数、CITC 和删除后 α 应以结果表为准。

图形

信度分析的核心证据是信度表和题项诊断表，图形不是必须结果。可结合：

描述性统计均值图.png。
缺失值统计图.png。
相关热力图或主模型图形。

没有专用信度图不影响 α、CITC 和删除题项后 α 的解释。

12. 有数据模式的操作建议

上传前

清理完全空白行列。
确认题项是数值编码。
确认每个题项量表范围。
标出反向题。
将题项归入正确维度。
把性别、年级、地区和 ID 标记为分类、控制或元数据。
同一维度至少准备 2 道题；需要题项诊断时建议至少 3 道。
不要把多个理论维度合并成一个维度只为了提高 α。

分析步骤

选择信度分析或问卷/量表基础分析。
选择有数据方式并准备数据文件和编码表。
确认题项、维度和反向题是否识别正确。
检查数据中的缺失值、特殊编码和量表范围。
计算并阅读各维度 α、CITC 和删除题项后的 α。
结合题目内容、理论结构和后续效度分析决定是否调整题项。

α 偏低时的排查顺序

检查反向题标记。
检查反向题的量表上下限是否为理论范围。
检查题项是否误归入同一维度。
检查缺失值和特殊编码。
查看 CITC 是否有负值或明显偏低值。
对照题项含义判断是否为内容差异。
必要时结合 EFA/CFA，不要只凭 α 删除题项。

13. 结果表述边界

可以表述

某维度包含多少题项。
某维度或总量表 α。
某题 CITC。
删除某题后 α 是否上升。
哪些题项需要结合题意复核。
α 使用了多少完整案例。

示例：

“服务质量”维度包含 4 个题项，完整案例计算得到 Cronbach's α=0.812。各题 CITC 均为正，删除任一题项后的 α 未明显上升，因此暂未仅依据统计指标删除题项。结果仍需结合题项内容和量表结构复核。

不应直接表述

不能只依据 α 写：

问卷绝对可靠。
量表一定有效。
量表一定是单维的。
所有题项都必须保留。
α 高就代表研究假设成立。
α 低就一定要删除某题。

14. 与其他模型的关系

后续模型	信度结果的作用
Pearson/Spearman 相关	判断使用题项还是维度得分
t 检验/ANOVA	检查用于比较的维度得分
EFA	α 提供一致性信息，但不能替代因子结构
CFA	α 是内部一致性参考，还需看载荷、拟合和效度
SEM	信度是测量模型解释的一部分，不等于路径成立
中介/调节	X、M/Z、Y 为多题项构念时先检查题项质量
回归/Logistic	维度得分进入模型前检查编码和缺失

信度、效度和因果关系是不同问题：

信度：题项是否较一致。
聚合效度：同一潜变量题项是否聚合。
区分效度：不同潜变量能否区分。
内容效度：题项是否覆盖理论概念。
结构效度：题项结构是否符合设定模型。