信度分析

这个方法是做什么的

回答一件事：一份量表里的若干道题，是不是在稳定一致地测同一个东西。核心指标是 Cronbach's α，取值 0~1，越高说明题项之间越一致、测量误差越小。

报告除了 α 及其置信区间，还给出 McDonald's ω、Guttman λ6、每道题的校正题总相关（CITC），以及「删掉这道题之后 α 会变成多少」。

用法上有一条关键：一次只放同一个维度的题。

把整份问卷所有题一起放进去：如果问卷包含服务质量、产品体验、价格感知三个维度，应该分三次跑，每次只放一个维度的题。混在一起算出来的 α 没有解释意义（原因见下方第三条）。
量表里有反向计分题而你还没做反向处理：会拉低甚至拉负 α。第一张卡会用「是否存在负的 CITC」来提示这一点，但反向处理本身要先在「数据处理」里完成。
你想问的是「这份量表测的到底是不是那个构念」：那是效度问题，用「效度分析」或「因子分析(探索性)」。
题项是单选、多选这类分类题，不是可以加总的评分。

α 高不代表量表有效。 信度只说明题项彼此一致，不说明它们测的是你想测的东西。八道题全是「你今天心情如何」的不同说法，α 会很漂亮，但它测不出满意度。信度是效度的必要条件，不是充分条件。
α 会随题项数机械上升。 在题项之间的平均相关不变的前提下，题越多 α 越高。所以 20 道题的 α = 0.90 完全可能比 5 道题的 α = 0.80 更「水」。报告 α 时必须同时给出题项数与平均题间相关——后者才是同质性的纯净度量，不随题目多少变化，第四张卡有这个值。
α 假定这些题只测一个维度。 拿一份多维问卷整体算 α，数值再高也解释不了什么：几个维度各自内部一致，混在一起同样能把 α 顶上去。第一张卡用第一特征值与第二特征值之比来体检单维性，跑之前先看它。
不要因为「删掉这道题 α 会升高」就删题。 第四张卡给出的删除后 α 是在这一批样本上算的，提升往往只有零点零几，而删题会实实在在削掉量表的内容覆盖面。删题必须先有理论上的理由（题意重复、表述有歧义），α 只能当辅助证据。
信度是这批样本的属性，不是量表的固有属性。 换一个人群（不同年龄、不同文化背景、不同施测情境）要重新估计，不能直接引用别人论文里报告的 α 当作自己数据的信度。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。