信度

信度（reliability）在测量学中即可靠性，指采用同样的方法对同一对象重复进行测量时，所得结果相一致的程度；换言之，信度反映测量数据的可靠程度。^{44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

信度常被概括为测验结果的一致性、稳定性及可靠性三个侧面，并多以内部一致性来表示测验信度的高低；信度系数愈高，表示测验结果愈一致、稳定与可靠。^{44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

信度概念包含两个可区分的侧面：一是跨时间的稳定性，即同一测量工具在不同时点上对同一对象施测所得结果的一致程度；二是跨形式或跨项目的等值性/内部一致性，即同一测验的不同复本之间或测验内部各项目之间的一致程度。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

在信度指标的分类中，稳定系数对应跨时间的一致性，等值系数对应跨形式的一致性，内在一致性系数对应跨项目的一致性；三者分别由重测法、复本法与分半法（或同质法）等估计方法得到。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

稳定性系数由同一组被试对同一种测验前后两次施测的得分求相关得到，反映测验分数的稳定程度；等值性系数由同一组被试对两个等值复本测验的得分求相关得到，反映两个复本测验的等值程度。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

系统误差对信度没有实质影响，因为系统误差总是以相同的方式影响测量值，不会造成重复测量之间的不一致；随机误差则会导致不一致，从而降低信度。^{44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

以问卷题目的重复施测为例：若对同一个人相隔数日反复询问同一问题，三次回答分别选择不同选项，说明该题调查结果的信度低；若三次选择相同或差异较小的答案，则在排除系统误差的条件下说明信度较高。^{44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

信度可理解为对测验控制误差、抗干扰能力的度量，或者说是对测验结果一致性程度的度量；测量过程中对误差控制得越好，观察分数所传达的有关真分数的信息就越准确、越丰富，测量值使用起来就越可靠。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

信度系数通常用同一被试样本所得的两组资料的相关系数作为测量一致性的指标，因此信度在操作层面多以相关系数的形式表达。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

信度（reliability）即可靠性，指采取同样的方法对同一对象重复进行测量时，所得结果相一致的程度；换言之，信度反映的是测量数据的可靠程度。^{55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

信度通常被表述为测验结果的一致性、稳定性与可靠性，实际工作中多以内部一致性来表征测验信度的高低；信度系数越高，说明测验结果越一致、稳定与可靠。^{55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

在测量误差的分解框架中，测量结果可表示为真实值、系统误差（偏差）与随机误差三者的组合；这一分解是理解信度与误差关系的基本出发点。^{55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

系统误差对信度没有实质影响，因为它总是以相同的方式影响测量值，不会造成重复测量之间的不一致；相反，随机误差会导致测量结果不一致，从而降低信度。^{55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

信度关注的是测量结果的一致性与稳定性，而非测量是否测到了所要测的东西；因此系统误差虽不影响信度，却会影响测量的准确性，信度高并不自动意味着测量有效。^{55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

可以用重复测量的直观例子说明信度：对同一个人相隔数天重复询问同一个问题，若几次回答差异很大（如分别选择 A、C、D），说明该题调查结果的信度低；若几次回答相同或差异较小，则在排除系统误差的条件下说明信度较高。^{55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

经典测验理论（classical test theory, CTT）的核心是真分数模型：任何一次测量得到的观测分数 X 被分解为真分数 T 与随机误差 E 之和，即 X = T + E；真分数被定义为在无数次独立重复施测中观测分数的期望值，误差则被假定为均值为零、与真分数不相关。^{66经典真分数理论与概化理论信度观评析journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|77Readnationalacademies.org前往参考资料 ↓在新标签页中打开}

在真分数模型下，观测分数的方差可加性分解为真分数方差与误差方差之和：D(X) = D(T) + D(E)，这一分解成立的前提是误差与真分数相互独立（不相关），这也是该模型最基本的假设之一。^{88信度系数与观测分数和潜在特质的相关比journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

信度系数在经典真分数模型中被定义为真分数方差与观测分数方差之比，即 R = D(T)/D(X)；它等价地等于真分数与观测分数相关系数的平方，反映观测分数中由真分数变异所解释的比例。^{88信度系数与观测分数和潜在特质的相关比journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

由于真分数无法直接观测，真分数模型本身并不能直接算出信度，实际研究中只能通过平行测验、重测、分半或内部一致性等途径对信度作出估计；信度系数因此是一个理论上界意义上的比例量，而非可直接测量的量。^{66经典真分数理论与概化理论信度观评析journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|88信度系数与观测分数和潜在特质的相关比journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

真分数模型对误差的处理是把所有误差来源合并为单一的随机误差项，不区分误差的具体来源；概化理论正是在这一点上对经典真分数模型作出扩展，用方差分量分析把误差分解到不同测量条件（如题目、评分者、场合）上。^{66经典真分数理论与概化理论信度观评析journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

陈社育与余嘉元（2001）在比较两种信度观时指出，概化理论在理论假设、测量误差源的综合分析技术以及测量条件的推广研究方面比经典真分数理论具有更多优越性，但概化理论注重所测心理特质的单维性、方差分量估计存在负值现象等局限，限制了其实际应用；文章认为就当时的发展现状而言，没有哪一种信度理论能够包容或取代另一种。^{66经典真分数理论与概化理论信度观评析journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

美国国家研究理事会（National Research Council）在综述测量与统计建模对教育评价的贡献时，把经典测验理论归入“真分数模型”（true-score models）一类，与连续潜变量模型（如项目反应理论）和离散潜变量模型（如潜在类别模型）并列，说明真分数模型是测量模型中一个基础性类别。^{77Readnationalacademies.org前往参考资料 ↓在新标签页中打开}

陈希镇（1993）指出，经典真分数模型中的信度系数恰好等于考生观测分数与潜在特质分数之间的非线性相关比，即 η²(xθ) = 1 − MD(x|θ)/D(X)，据此提出了一条估计信度系数的新途径，并讨论了观测分数与潜在特质相关系数与相关比之间的关系。^{88信度系数与观测分数和潜在特质的相关比journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

在经典测验理论（Classical Test Theory, CTT）中，观测分数 X 被分解为真分数 T 与随机误差 E 之和，即 X = T + E；真分数被定义为个体在无数次重复测量中所得观测分数的期望值。^{99Classical Test Theory: A Primerncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

CTT 的基本假设包括：误差分数的期望值为零（E(E)=0）、真分数与误差分数不相关（ρ(T,E)=0），以及不同测量之间的误差分数不相关（ρ(E1,E2)=0）。^{99Classical Test Theory: A Primerncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

由 X = T + E 及误差与真分数独立的假设可推出方差分解：σ²_X = σ²_T + σ²_E，即观测分数方差等于真分数方差与误差方差之和。^{99Classical Test Theory: A Primerncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

信度被定义为真分数方差与观测分数方差之比，即 ρ_XX = σ²_T / σ²_X；等价地，它等于 1 减去误差方差占观测分数方差的比例（1 − σ²_E / σ²_X）。^{99Classical Test Theory: A Primerncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

信度也可解释为平行测量（parallel measurements）上观测分数之间的相关系数：若 X 与 X' 是同一特质的两个平行测量，则 ρ_XX = ρ(X, X')。^{99Classical Test Theory: A Primerncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

由于 σ²_T 与 σ²_E 均不可直接观测，信度的定义式本身不可直接计算，实践中需借助平行测量、重测、复本或内部一致性等设计来估计。^{99Classical Test Theory: A Primerncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

在 CTT 框架下，信度系数的理论取值范围为 0 到 1；取值越高表示观测分数中真分数方差所占比例越大、误差影响越小。^{99Classical Test Theory: A Primerncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

经典测验理论的信度定义依赖于平行测量（或 tau 等价）假设，当这些假设不成立时，基于该定义式的估计可能出现偏差，这也是后续概化理论与项目反应理论发展的动因之一。^{99Classical Test Theory: A Primerncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开|1010Generalizability Theoryjournals.sagepub.com前往参考资料 ↓在新标签页中打开}

重测信度（test-retest reliability）指用同一测验在不同时间对同一群体施测两次，以两次测量分数的相关系数作为信度指标；该系数又称稳定性系数，用于估计测验跨时间的一致性。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

在信度指标的三分框架中，重测信度对应的是稳定系数，即跨时间的一致性；与之并列的是等值系数（跨形式的一致性，由复本法估计）和内在一致性系数（跨项目的一致性，由分半法、α系数法等估计）。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

重测信度的估计程序通常称为再测法：对同一组被试先后施测同一测验，计算两次得分的相关系数，该相关系数即稳定性系数。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

重测信度的成立依赖若干前提假设：所测量的特性本身必须是稳定的；每个人对前一次反应的遗忘程度相同；在两次施测的时间间隔内，被试没有学习到与测验有关的其他东西。^{55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

重测信度所捕捉的误差来源是时间取样带来的偶然变动：心理测验测量的是人的行为，行为会因时、因事、因地而变动，其中既有偶然因素也有固有因素，因此同一被试在不同时点的得分不会与真实水平完全一致。^{55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

在经典测验理论的框架下，信度被定义为真实方差与实得方差之比，而该比值在统计上等于一个相关系数的平方，因此信度系数在概念上是相关性质的指标；重测相关系数正是这一族指标中针对时间稳定性的那一个。^{55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

重测信度适用于所测特性在时间上相对稳定的场合；若所测特性本身随时间快速变化，则两次施测的低相关既可能反映测量不可靠，也可能反映特质真实变动，二者在重测设计下无法分离。^{55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

两次施测之间的时间间隔是重测信度设计中的关键参数：间隔过短会因记忆与练习效应抬高相关系数，间隔过长则可能因特质真实变化或历史效应而压低相关系数；因此报告重测信度时必须同时报告间隔长度。^{55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

对常模参照测验而言，重测信度是与复本信度、分半信度、内部一致性系数、评分者信度并列的常用信度估计方法之一；对标准参照测验，由于分数变异较小，不太适合用相关法估计信度。^{55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

复本信度（alternate-form reliability）指用同一组被试对两个等值（复本）测验施测后，以两组得分的相关系数表示的信度，反映两个复本测验之间的等值程度，所得相关系数又称等值性系数。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

在信度指标的三分框架中，复本信度对应的是等值系数，即跨形式（跨测验版本）的一致性；它与跨时间一致性的稳定系数、跨项目一致性的内在一致性系数并列。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

复本信度与重测信度、折半信度、α信度系数法并列为信度分析的四种常用方法之一；其中折半法被视为复本法的特例，因为同一测验对等的两半可看作两个复本。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

复本信度的估计要求两个测验版本在内容、难度与统计特性上等值，因此其前提是复本编制本身要经过等值化处理；若两个复本并不等值，所得相关系数会同时混入版本差异，不能单纯解释为测量一致性。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

复本信度只反映两个版本之间的一致性，不涉及同一版本在不同时间点上的稳定性；若两次施测间隔较长，复本信度中也会掺入时间因素带来的变化。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

内部一致性信度（internal consistency reliability）关注的是测验内部各题目之间的一致性，即跨项目的一致性，与跨时间的一致性（稳定系数）和跨形式的一致性（等值系数）并列，构成信度系数的三大类别之一。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

分半法（split-half method）是把同一测验分成对等的两半，求两半得分之间的相关系数，它是复本法的特例，可用来估计测验的内部一致性，所得相关系数称为内部一致性系数。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

同质法用测验内部测量同一特质或属性的不同分测验之间的相关系数来估计信度，所估计的是测验题目的同质性或普遍性，其相关系数也称普遍性系数。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

温忠麟与叶宝娟在《心理学报》2011 年第 43 卷第 7 期的论文中，沿用经典的测验信度定义，讨论了信度与 α 系数的关系以及 α 系数的局限，并深入讨论了与 α 系数关系密切的同质性信度和内部一致性信度。^{22测验信度估计：从α系数到内部一致性信度journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

该文在很一般的条件下证明：α 系数和同质性信度都不超过内部一致性信度，而内部一致性信度不超过测验信度，因此内部一致性信度比较接近测验信度。^{22测验信度估计：从α系数到内部一致性信度journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

该文总结出一个测验信度分析流程，用以说明在什么情况下 α 系数仍有参考价值、在什么情况下 α 系数不再适用而应改用内部一致性信度；内部一致性信度在文献上也常被称为合成信度（composite reliability）。^{22测验信度估计：从α系数到内部一致性信度journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

该文还提供了计算同质性信度和内部一致性信度的计算程序，供一般应用工作者直接套用。^{22测验信度估计：从α系数到内部一致性信度journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

评分者间信度（inter-rater reliability）指不同评分者（或编码者、观察者）对同一对象、同一行为或同一材料进行独立评定或编码时，所得结果之间的一致程度；它衡量的是评分结果在多大程度上可以归因于被评对象本身，而非评分者个体差异或评分过程误差。^{1111Inter-rater reliabilityen.wikipedia.org前往参考资料 ↓在新标签页中打开|1212Inter-Rater Reliability: Definition & How to Calculate Itstatisticsbyjim.com前往参考资料 ↓在新标签页中打开}

在经典测验理论框架下，评分者间信度可视为一种特殊的信度来源：当测验分数由评分者主观判断产生时，评分者便成为测量误差的一个系统来源，评分者间信度即反映该误差来源被控制的程度。^{1111Inter-rater reliabilityen.wikipedia.org前往参考资料 ↓在新标签页中打开|1313Classical test theoryen.wikipedia.org前往参考资料 ↓在新标签页中打开}

评分者间信度的估计方法大致可分为两类：一类基于方差分解，如组内相关系数（ICC），将总变异分解为对象间变异、评分者间变异和残差变异；另一类基于评分者两两之间或整体之间的一致性比例，如 Cohen's kappa、Fleiss' kappa、Krippendorff's alpha 以及简单一致率（percent agreement）。^{1212Inter-Rater Reliability: Definition & How to Calculate Itstatisticsbyjim.com前往参考资料 ↓在新标签页中打开|1414Cohen's kappaen.wikipedia.org前往参考资料 ↓在新标签页中打开|1515Krippendorff's alphaen.wikipedia.org前往参考资料 ↓在新标签页中打开}

组内相关系数（ICC）由 Shrout 与 Fleiss 于 1979 年系统提出并区分了多种形式（ICC(1,1)、ICC(2,1)、ICC(3,1) 等），其选择取决于研究设计：评分者是否为随机抽取、是否每位对象都由同一组评分者评定、以及推断目标是单个评分者还是评分者均值。^{1616Intraclass correlations: uses in assessing rater reliabilitydoi.org前往参考资料 ↓在新标签页中打开}

Cohen's kappa 适用于两名评分者对同一批对象进行名义类别评定的一致性估计，其计算中校正了由偶然一致造成的期望一致率；Fleiss' kappa 将其推广到三名及以上评分者的情形。^{1414Cohen's kappaen.wikipedia.org前往参考资料 ↓在新标签页中打开|1717The kappa statistic in reliability studies: use, interpretation, and sample size requirementsdoi.org前往参考资料 ↓在新标签页中打开}

Krippendorff's alpha 是一种适用范围较广的一致性系数，可处理任意数量的评分者、任意测量尺度（名义、 ordinal、等距、比率）以及存在缺失数据的情形，因而在内容分析与编码者信度研究中被广泛采用。^{1515Krippendorff's alphaen.wikipedia.org前往参考资料 ↓在新标签页中打开|1818Reliability in content analysis: Some common misconceptions and recommendationsdoi.org前往参考资料 ↓在新标签页中打开}

简单一致率（percent agreement）虽然直观易懂，但未校正偶然一致，当类别分布高度偏斜时可能严重高估实际一致性；因此 kappa 类系数与 ICC 通常被视为更稳健的指标。^{1414Cohen's kappaen.wikipedia.org前往参考资料 ↓在新标签页中打开|1717The kappa statistic in reliability studies: use, interpretation, and sample size requirementsdoi.org前往参考资料 ↓在新标签页中打开}

kappa 系数存在所谓“kappa 悖论”：当类别边际分布高度不平衡时，即使一致率很高，kappa 值也可能很低；这提示在报告评分者间信度时应同时呈现一致率、边际分布与所用系数，而非仅依赖单一数值。^{1717The kappa statistic in reliability studies: use, interpretation, and sample size requirementsdoi.org前往参考资料 ↓在新标签页中打开|1919Interrater reliability: the kappa statisticdoi.org前往参考资料 ↓在新标签页中打开}

在内容分析与质性编码研究中，评分者间信度通常在正式编码前通过预试样本估计，并设定可接受阈值（如 kappa ≥ 0.70 或 ICC ≥ 0.75）作为编码方案可用的前提；若未达到阈值，则需修订编码手册并重新训练编码者。^{1515Krippendorff's alphaen.wikipedia.org前往参考资料 ↓在新标签页中打开|1818Reliability in content analysis: Some common misconceptions and recommendationsdoi.org前往参考资料 ↓在新标签页中打开}

评分者间信度与评分者内信度（intra-rater reliability）不同：前者关注不同评分者之间的一致性，后者关注同一评分者在不同时间重复评定的一致性；两者共同构成评分者相关的信度证据。^{1111Inter-rater reliabilityen.wikipedia.org前往参考资料 ↓在新标签页中打开|1212Inter-Rater Reliability: Definition & How to Calculate Itstatisticsbyjim.com前往参考资料 ↓在新标签页中打开}

在情绪测量等应用领域，评分者间信度常用于检验面部表情编码、行为观察编码或临床评定的一致性；例如面部动作编码系统（FACS）研究中通常报告编码者间的一致性系数以证明编码质量。^{2020Facial Action Coding System: The Manual on CD ROMpaulekman.com前往参考资料 ↓在新标签页中打开}

关于评分者间信度应采用何种系数、以及何种阈值才算“足够好”，学界并无统一标准：不同学科传统（如心理学、内容分析、医学诊断）偏好不同的系数与阈值，且阈值本身具有约定性而非统计必然性。^{1515Krippendorff's alphaen.wikipedia.org前往参考资料 ↓在新标签页中打开|1717The kappa statistic in reliability studies: use, interpretation, and sample size requirementsdoi.org前往参考资料 ↓在新标签页中打开|1919Interrater reliability: the kappa statisticdoi.org前往参考资料 ↓在新标签页中打开}

克隆巴赫系数（Cronbach's α，亦称系数α）是衡量量表或问卷内部一致性最常用的指标之一，以李·克隆巴赫（Lee Cronbach）命名，用于评估多个测量指标（如问卷题目）在测量同一构念时的一致程度，即这些题目是否较好地测量同一个潜在变量。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

克隆巴赫系数的取值范围为 0 到 1，数值越大表示内部一致性越高；其计算建立在若干假设之上：数据呈正态分布且呈线性关系、所比较的测量指标是 τ 等效的（即真分数相同、误差方差相等）、测量误差彼此独立。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

在实务中，克隆巴赫系数常按以下区间解释：α ≥ 0.9 为非常好，0.8 ≤ α < 0.9 为良好，0.7 ≤ α < 0.8 为可以接受，0.6 ≤ α < 0.7 为可疑，0.5 ≤ α < 0.6 为差。这些切分点是经验惯例而非统计定理，应结合测验目的与题目数量判断。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

克隆巴赫系数受题目数量影响，可能低估或夸大信度；它假设所有题目测量同一潜在变量并具有相同的测量误差，但实际问卷可能涵盖多个方面、题目重要性也不相同，因此需要结合其他方法综合判断信度。^{11图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

温忠麟与叶宝娟在《心理学报》发表的论文中，沿用经典的测验信度定义，梳理了信度与 α 系数的关系，并专门讨论了 α 系数的局限，进而推荐替代 α 系数的信度估计方法，深入讨论了与 α 系数相关的内部一致性信度问题。^{22测验信度估计：从α系数到内部一致性信度journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

内部一致性信度（又称内部一致性系数、同质性信度）指测验内部所有题目间的一致性程度；这里的“一致性”指分数的一致而非题目内容或形式的一致——各题目得分有较高正相关时测验即为同质，反之即使题目看似测量同一特质但分数相关很低，测验仍是异质的。^{55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

内部一致性系数并不能反映重测误差等时间取样带来的误差，因此不能把内部一致性系数等同于真正的重测信度或复本信度。^{55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

在 α 系数之前，库德（G. F. Kuder）与理查逊（M. W. Richardson）已提出一系列估计测验信度的公式（KR 系列），但只适用于答对一题得一分、答错无分的二分计分测验；α 系数可视为这类方法向多级计分题目的推广。^{55[科普中国]-内部一致性信度- · 科普中国网kepuchina.cn前往参考资料 ↓在新标签页中打开}

α 系数（Cronbach's alpha，克隆巴赫 α）在心理与教育测量中长期被当作信度估计和内部一致性指标使用，但它的这两种用法都受到系统性质疑：Sijtsma 在《Psychometrika》上的讨论文章指出，α 既不能等同于测验分数的信度，也不能可靠地反映测验的内部结构。^{2121On the Use, the Misuse, and the Very Limited Usefulness of Cronbach’s Alphard.springer.com前往参考资料 ↓在新标签页中打开}

α 系数的一个根本局限在于：它总是能算出一个数值，但在给定的项目间协方差矩阵与通常的测量误差假设下，这个数值并不等于测验分数的信度；换言之，α 只是真信度的一个下界，而非信度本身。^{2121On the Use, the Misuse, and the Very Limited Usefulness of Cronbach’s Alphard.springer.com前往参考资料 ↓在新标签页中打开|22测验信度估计：从α系数到内部一致性信度journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

在实际研究中，α 更常被当作「内部一致性」的指标来报告，而不是作为信度估计；但可以证明 α 与测验的内部结构（维度结构）并无必然联系，因此用它来论证测验单维或同质是缺乏依据的。^{2121On the Use, the Misuse, and the Very Limited Usefulness of Cronbach’s Alphard.springer.com前往参考资料 ↓在新标签页中打开}

温忠麟与叶宝娟在《心理学报》的论文中系统梳理了 α 系数的局限，并在很一般的条件下证明：α 系数与同质性信度都不超过内部一致性信度，而内部一致性信度又不超过测验信度，因此内部一致性信度比 α 更接近测验信度。^{22测验信度估计：从α系数到内部一致性信度journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

由于 α 只是信度的下界，以「α 大于 0.7 或 0.8」作为测验可用的门槛，并不能保证测验信度真的达到该水平；α 偏低固然提示问题，α 达标也不构成信度充分的证明。^{22测验信度估计：从α系数到内部一致性信度journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2121On the Use, the Misuse, and the Very Limited Usefulness of Cronbach’s Alphard.springer.com前往参考资料 ↓在新标签页中打开}

基于单次施测的统计量（包括 α）所能提供的信息有限，它们并不能充分说明个体测验表现的准确性；这是对把 α 当作个体层面测量精度证据这一做法的另一条批评。^{2121On the Use, the Misuse, and the Very Limited Usefulness of Cronbach’s Alphard.springer.com前往参考资料 ↓在新标签页中打开}

针对 α 的局限，测量学界提出的替代或补充方案包括同质性信度、内部一致性信度（如 ω 类估计）以及基于验证性因子分析的模型化信度估计；温忠麟与叶宝娟据此给出了一个测验信度分析流程，主张在报告 α 之外补充更贴近测验信度的估计。^{22测验信度估计：从α系数到内部一致性信度journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

同质性系数（homogeneity coefficient）是基于验证性因子分析框架提出的信度估计量，用于刻画单维测验中题目共享同一潜在特质、测量误差彼此不相关的程度；它属于新世纪以来国内测验信度研究中「基于验证性因子模型的信度」这一发展主线，与合成信度、最大信度并列。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2323新世纪20年国内测验信度研究_国家预印本平台sinoxiv.napstic.cn前往参考资料 ↓在新标签页中打开}

同质性系数的提出与系统研究主要由叶宝娟、温忠麟等人完成：叶宝娟与杨强（2011）讨论了用验证性因子分析估计单维测验信度的思路，叶宝娟与温忠麟（2012b）进一步给出测验同质性系数及其区间估计的方法。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

同质性系数与α系数的关系是国内信度研究的一个专门议题，刘红云（2008）曾以「α系数与测验的同质性」为题讨论二者的联系与区别，说明同质性系数被定位为对α系数同质性假设的检验与补充，而非简单替代。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

在验证性因子分析路径下，同质性系数与合成信度、最大信度共同构成一组互补的信度估计量：当题目之间的测量误差不相关时，若α系数足够高则信度即足够高，否则应改用合成信度等基于模型的估计；同质性系数则用于判断单维测验的题目是否满足这种同质性前提。^{2323新世纪20年国内测验信度研究_国家预印本平台sinoxiv.napstic.cn前往参考资料 ↓在新标签页中打开}

同质性系数的估计不仅给出点估计，还可构造区间估计，叶宝娟与温忠麟（2012b）专门讨论了其区间估计方法，这使信度报告从单一数值扩展为带有不确定性范围的结果。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

合成信度（composite reliability）是在验证性因子分析框架下估计测验或合成分数信度的一类方法，其基本思路是由因子模型估计出的因子载荷与误差方差，计算题目分数线性组合（合成分数）的方差中可由共同因子解释的比例，从而避免经典测验理论中平行或同质假设的约束。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2323新世纪20年国内测验信度研究_国家预印本平台sinoxiv.napstic.cn前往参考资料 ↓在新标签页中打开}

在信度研究的发展脉络中，合成信度被归入「基于验证性因子模型的信度」这一主线，与同质性系数、最大信度等并列为该主线下的代表性指标；随着验证性因子分析在心理学与社会科学测量中的普及，信度研究由此进入新的发展阶段。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2323新世纪20年国内测验信度研究_国家预印本平台sinoxiv.napstic.cn前往参考资料 ↓在新标签页中打开}

合成信度与α系数的使用分工可概括为：对于通常的测验（题目之间测量误差不相关），如果α系数够高，信度就够高，此时不必额外计算合成信度；当α系数不够高或误差相关的假设不成立时，则应使用合成信度来估计信度。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2323新世纪20年国内测验信度研究_国家预印本平台sinoxiv.napstic.cn前往参考资料 ↓在新标签页中打开}

合成信度在结构方程建模中具有实用价值：如果一个统计模型中所有变量的合成信度都很高（超过0.95），使用显变量建模与使用潜变量建模的结果差别不大；否则使用潜变量建模较好。这一判断为研究者选择显变量路径还是潜变量路径提供了可操作的参考。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2323新世纪20年国内测验信度研究_国家预印本平台sinoxiv.napstic.cn前往参考资料 ↓在新标签页中打开}

国内学界对合成信度的研究不仅涉及点估计，还扩展到区间估计与使用条件等议题，例如讨论结构方程模型下多因子非同质测量合成分数的信度估计，以及基于结构方程模型的合成信度在使用中需要注意的问题。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

合成信度的计算依赖验证性因子分析模型的设定，包括因子结构、载荷模式与误差是否允许相关等；模型设定不同，得到的合成信度数值也会不同，因此报告合成信度时应同时说明所依据的因子模型。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2323新世纪20年国内测验信度研究_国家预印本平台sinoxiv.napstic.cn前往参考资料 ↓在新标签页中打开}

最大信度（maximal reliability，又称 MaxRel）是在验证性因子分析框架下估计测验信度的一类方法：它不把各题目视为同质，而是为每个题目赋予一个权重，使合成总分的信度在所有可能的线性组合权重下达到最大。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2323新世纪20年国内测验信度研究_国家预印本平台sinoxiv.napstic.cn前往参考资料 ↓在新标签页中打开}

在基于验证性因子分析的信度估计谱系中，最大信度与同质性系数、合成信度并列，被视为新世纪以来国内测验信度研究三条主线之一「基于验证性因子模型的信度发展」的组成部分。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2323新世纪20年国内测验信度研究_国家预印本平台sinoxiv.napstic.cn前往参考资料 ↓在新标签页中打开}

最大信度的估计依赖验证性因子分析给出的因子载荷与误差方差：在单维模型下，题目权重正比于其非标准化载荷与误差方差之比，因此载荷高、误差小的题目在合成总分中占更大权重，这与等权重的合成信度形成对照。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

最大信度的一个实用价值在于：当题目测量误差相关或题目同质性不成立时，α系数会低估或错估信度，此时最大信度与合成信度可作为替代估计；国内综述建议，若α系数不够高，应改用合成信度等基于因子模型的方法。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2323新世纪20年国内测验信度研究_国家预印本平台sinoxiv.napstic.cn前往参考资料 ↓在新标签页中打开}

最大信度给出的是「最优加权」下的信度上界性质估计，其数值通常不低于等权合成信度，因此在实际报告中若两者差距明显，提示题目权重分配对测量精度有实质影响。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

最大信度并非只停留在方法学讨论：已有应用研究把「最大信度的总分」与「最大效标效度的总分」并列考察，用职业满意度量表说明按最大信度加权所得总分与按最大效标效度加权所得总分可能并不一致，提示信度最优与效度最优未必重合。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

最大信度的计算需要先设定并检验一个验证性因子模型（单维或多维），模型拟合不佳或载荷估计不稳时，最大信度估计也随之不可靠；因此它属于「模型依赖」的信度估计，而非像α系数那样只依赖协方差矩阵的封闭公式。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2323新世纪20年国内测验信度研究_国家预印本平台sinoxiv.napstic.cn前往参考资料 ↓在新标签页中打开}

在中文方法学文献中，叶宝娟与杨强（2011）专门讨论了用验证性因子分析估计单维测验信度的问题，属于国内较早系统引介该类估计（含合成信度与最大信度思路）的工作之一。^{2222新世纪20年国内测验信度研究journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

科恩卡帕的一个已知局限是所谓“kappa 悖论”：当某一类别在边际分布中占据绝对优势时，即使观测一致比例很高，κ 也可能很低，因此 κ 的大小不能脱离边际分布单独解读。^{1717The kappa statistic in reliability studies: use, interpretation, and sample size requirementsdoi.org前往参考资料 ↓在新标签页中打开}

Fleiss 将科恩卡帕推广到任意固定数量评分者的情形（Fleiss' kappa），其 P_e 由各评分者在各类别上的边际比例估计，适用于多名编码者对同一批对象独立分类的研究设计。^{2424Measuring Nominal Scale Agreement Among Many Ratersdoi.org前往参考资料 ↓在新标签页中打开}

当类别具有有序结构时，加权 kappa（weighted kappa）通过对不同程度的不一致赋予不同权重（如线性权重或二次权重）来利用类别顺序信息，二次加权 kappa 与组内相关系数在特定条件下存在对应关系。^{2525Weighted Kappa: Nominal Scale Agreement with Provision for Scaled Disagreement or Partial Creditdoi.org前往参考资料 ↓在新标签页中打开}

Landis 与 Koch 提出的 kappa 解释基准被广泛引用：κ 在 0.41–0.60 视为中等一致，0.61–0.80 视为高度一致，0.81 以上视为几乎完全一致；但这一基准是经验性约定，并非统计检验意义上的阈值。^{2626The Measurement of Observer Agreement for Categorical Datadoi.org前往参考资料 ↓在新标签页中打开}

在内容分析与编码者信度研究中，kappa 被用于评估不同编码者对同一文本单位所作类别判定的一致性，常与百分比一致率并列报告，因为后者未校正偶然一致而可能高估信度。^{2727Content Analysis: An Introduction to Its Methodology (4th ed.)us.sagepub.com前往参考资料 ↓在新标签页中打开}

Krippendorff's alpha 是另一类可处理任意数量评分者、任意测量水平并允许缺失数据的编码者信度系数；在两名评分者、名义类别且无缺失的简单情形下，它与科恩卡帕在数值上接近但概念框架不同。^{2828Computing Krippendorff's Alpha-Reliabilityrepository.upenn.edu前往参考资料 ↓在新标签页中打开}

关于 kappa 系数应如何解释、以及在低患病率或高度偏斜的边际分布下是否应改用其他一致性指标（如 Gwet 的 AC1 或 prevalence-adjusted bias-adjusted kappa），方法学文献中存在持续讨论。^{1717The kappa statistic in reliability studies: use, interpretation, and sample size requirementsdoi.org前往参考资料 ↓在新标签页中打开}

组内相关系数（intraclass correlation coefficient，ICC）是评分者间信度与编码者信度中最常用的一类指标，其基本思路是把总变异分解为「评分对象之间的真实差异」与「评分者之间或评分者与对象交互产生的误差」两部分，用前者在总变异中所占的比例来刻画一致性程度。^{2929正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

ICC 不是单一系数，而是一个系数族。按 Shrout 与 Fleiss 的经典分类，ICC 依「模型」（单因素随机、两因素随机、两因素混合）与「类型」（一致性 consistency、绝对一致 absolute agreement）以及是否以单个评分者还是多个评分者均值为单位而不同，常见编号为 ICC(1,1)、ICC(2,1)、ICC(3,1) 及对应的 (·,k) 形式。^{2929正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

选择哪一种 ICC 取决于研究设计：若每位评分者只评一部分对象、评分者被视为从总体中随机抽取的代表，宜用单因素随机模型；若所有评分者评同一批对象且希望结果推广到其他评分者，宜用两因素随机模型；若评分者是固定的、唯一关心的一组，则用两因素混合模型。^{2929正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

「一致性」与「绝对一致」的区别在于是否惩罚评分者间的系统偏移：一致性 ICC 只关心评分者的排序是否一致，允许评分者整体偏高或偏低；绝对一致 ICC 则把评分者间的均值差异也计入误差，因此当评分者存在稳定的系统偏差时，绝对一致 ICC 会低于一致性 ICC。^{2929正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

ICC 通常以单个评分者（single rater）为单位报告，但若实际使用中是由多名评分者的均值作为最终得分，则应报告以 k 名评分者均值为单位的 ICC(·,k)，后者在数值上一般高于前者，因为平均可以抵消部分评分者误差。^{2929正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

ICC 的估计值应连同 95% 置信区间一并报告。置信区间反映估计的精确度，样本量小或评分者人数少时区间会明显变宽，仅报告点估计容易高估信度的稳定性。^{2929正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

在实证研究中，ICC 常与 Cronbach's α 并列报告以相互参照。以一项评分者间与评分者内信度研究为例，其 L1 Total 指标的评分者间 ICC 为 0.845（95% CI [0.769, 0.898]），对应的 Cronbach's α 为 0.916；同一指标的评分者内 ICC 为 0.949（95% CI [0.922, 0.967]），α 为 0.947。^{2929正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

同一研究中另一组指标显示，L1 Total 的评分者间 ICC 为 0.852（95% CI [0.779, 0.902]），α 为 0.920；评分者内 ICC 为 0.949（95% CI [0.922, 0.967]），α 为 0.974。这些数值说明 ICC 与 α 虽同属信度指标，但数值并不必然接近，二者回答的问题不同。^{3030正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

ICC 与 Cronbach's α 的关键差别在于：α 基于内部一致性、把评分者当作「题目」处理，不区分评分者间的系统偏差；ICC 则显式地对评分者效应建模，因而更适合评分者间信度的评估。当评分者之间存在稳定的高低差异时，α 可能偏高而绝对一致 ICC 偏低。^{2929正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

ICC 的取值理论上介于 0 与 1 之间，越接近 1 表示评分者间一致性越高。文献中常用的粗略解释界限为：低于 0.5 表示差，0.5 至 0.75 表示中等，0.75 至 0.9 表示良好，高于 0.90 表示优秀；但这些界限是经验性的，应结合测量目的与决策后果来判断。^{2929正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

ICC 的估计依赖方差成分的分解，常用方法包括基于均方（mean square）的 ANOVA 估计与基于混合效应模型的最大似然或限制性最大似然估计；不同估计方法在小样本或数据不平衡时可能给出略有差异的结果，报告时应说明所用模型与估计方法。^{2929正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

在编码者信度研究中，ICC 适用于评分或计数为连续或近似连续的情形；若编码结果是名义类别，则通常改用 Cohen's kappa、Fleiss' kappa 或 Krippendorff's alpha 等系数，因为 ICC 建立在方差分解之上，对类别数据的距离结构不敏感。^{2929正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

在心理测量学中，关于信度系数“可接受水平”并不存在统一、绝对的数值门槛；Nunnally 与 Bernstein 在经典教材中提出，基础研究阶段信度系数达到 .70 即可接受，而在应用与临床决策情境中应达到 .90 以上，这一区分被广泛引用，但作者本人也强调阈值应视测量目的与决策后果而定。^{3131Psychometric Theory (3rd ed.)mheducation.com前往参考资料 ↓在新标签页中打开}

Cicchetti 在 1994 年针对临床与神经心理学测量提出的分级标准为：低于 .70 为“差”，.70–.79 为“尚可”，.80–.89 为“良好”，.90 及以上为“优秀”；该分级常被用于评分者间信度与内部一致性系数的解释。^{3232Guidelines, criteria, and rules of thumb for evaluating normed and standardized assessment instruments in psychologydoi.org前往参考资料 ↓在新标签页中打开}

Koo 与 Li 在 2016 年关于信度统计方法选择的综述中，综合既有文献给出经验性参考：对于评分者间信度与重测信度，低于 .50 视为差，.50–.75 为中等，.75–.90 为良好，高于 .90 为优秀；同时提醒这些界限只是经验规则，应结合研究目的、测量风险与样本特征判断。^{3333A Guideline of Selecting and Reporting Intraclass Correlation Coefficients for Reliability Researchdoi.org前往参考资料 ↓在新标签页中打开}

Lance、Butts 与 Michels 在 2006 年对组织与心理测量文献的综述中指出，.70 这一“黄金标准”被大量研究不加区分地套用，而实际上信度系数的可接受水平应随测量用途（探索性研究、相关分析、个体决策）而变化，作者批评了机械套用单一阈值的做法。^{3434The Sources of Four Commonly Reported Cutoff Criteria: What Did They Really Say?doi.org前往参考资料 ↓在新标签页中打开}

美国教育研究协会、美国心理学会与美国国家教育测量委员会联合发布的《教育与心理测验标准》强调，信度证据应针对特定的分数解释与使用情境来报告，标准本身不规定统一的信度系数下限，而是要求提供与决策重要性相匹配的信度证据及估计精度信息。^{3535Standards for Educational and Psychological Testingaera.net前往参考资料 ↓在新标签页中打开}

在报告实践中，APA 出版手册与《教育与心理测验标准》均要求研究报告信度系数时同时说明估计方法（如内部一致性、重测、评分者间）、样本特征与系数类型，仅报告一个 α 值而不交代方法被视为不充分的报告。^{3535Standards for Educational and Psychological Testingaera.net前往参考资料 ↓在新标签页中打开|3636Publication Manual of the American Psychological Association (7th ed.)apa.org前往参考资料 ↓在新标签页中打开}

对于高风险个体决策（如临床诊断、教育安置），测量学界普遍建议信度系数应达到 .90 以上，并同时报告条件标准误或测验信息函数，以说明在决策切点附近的测量精度；仅凭整体信度系数不足以支撑个体层面的高风险判断。^{3535Standards for Educational and Psychological Testingaera.net前往参考资料 ↓在新标签页中打开|3131Psychometric Theory (3rd ed.)mheducation.com前往参考资料 ↓在新标签页中打开}

在探索性研究或群体层面的相关分析中，信度系数略低（如 .70 左右）通常被认为可以接受，因为低信度会衰减相关系数、使效应量估计偏保守，但不至于使群体层面的结论完全失效；这一观点在 Nunnally 与 Bernstein 及后续方法学文献中被反复讨论。^{3131Psychometric Theory (3rd ed.)mheducation.com前往参考资料 ↓在新标签页中打开|3434The Sources of Four Commonly Reported Cutoff Criteria: What Did They Really Say?doi.org前往参考资料 ↓在新标签页中打开}

信度与效度是测量质量的两个不同侧面：信度指重复测量所得结果的前后一致程度，即测量结果的可靠性或稳定性；效度指测量结果与所测特质真实情况相符合的恰当、准确、有效程度。二者描述的是测量误差的不同来源，不能互相替代。^{3939Untitled Documentmedia.gdou.com前往参考资料 ↓在新标签页中打开}

信度是效度的必要条件而非充分条件：一个测量若信度低、结果随机波动大，就不可能稳定地反映所测特质，因而也谈不上高效度；但信度高只说明结果稳定一致，若测量系统性地偏离了目标特质，高信度仍可能对应低效度。^{4040信度的正用与误用-北京体育大学学报2002年03期-手机知网wap.cnki.net前往参考资料 ↓在新标签页中打开}

反过来，效度是信度的充分条件而非必要条件：一个测量若确实有效地测到了目标特质，其重复测量结果必然具有一致性，因此高效度蕴含高信度；但高信度并不蕴含高效度，稳定地测错一个东西在信度上完全可能表现良好。^{4040信度的正用与误用-北京体育大学学报2002年03期-手机知网wap.cnki.net前往参考资料 ↓在新标签页中打开}

由此可得一条实用的推论：信度构成效度的上限。测量结果的变异中若相当大一部分来自随机误差，则它与任何外部效标的相关都会被系统性削弱，效度证据不可能超过信度所允许的水平；因此报告效度证据时应同时报告信度，否则效度系数无法被正确解读。^{3939Untitled Documentmedia.gdou.com前往参考资料 ↓在新标签页中打开|4040信度的正用与误用-北京体育大学学报2002年03期-手机知网wap.cnki.net前往参考资料 ↓在新标签页中打开}

在实务上，信度与效度需要分别检验、分别报告：信度系数只回答“测得稳不稳”，不回答“测得对不对”；把高α系数或高重测相关当作效度证据，属于对信度系数的误用。研究论文应明确报告所估计的是哪一种信度（重测、复本、内部一致性或评分者一致性），并说明其估计方法。^{4040信度的正用与误用-北京体育大学学报2002年03期-手机知网wap.cnki.net前往参考资料 ↓在新标签页中打开}

信度系数的高低本身没有统一的绝对标准，其可接受水平取决于测量目的、所测构念的稳定性以及决策后果的严重程度；因此对信度系数的解释应结合具体情境，而不是套用单一门槛。^{3939Untitled Documentmedia.gdou.com前往参考资料 ↓在新标签页中打开}

密集纵向研究（intensive longitudinal studies，如经验取样、日记法）的普及，使信度评估的对象从单一的「人与人之间的差异」扩展到「同一人在不同时刻的波动」；传统把个体内变异当作测量误差的经典测验理论做法，在这类数据上不再适用。^{4141Assessing intra- and inter-individual reliabilities in intensive longitudinal studies: A two-level random dynamic model-based approach.psycnet.apa.org前往参考资料 ↓在新标签页中打开}

Xiao、Wang 与 Liu 在《Psychological Methods》上提出了一种基于两水平随机动态模型的信度估计框架，把密集纵向数据中的信度拆分为个体内信度（intra-individual reliability）与个体间信度（inter-individual reliability）两个层次分别估计。^{4141Assessing intra- and inter-individual reliabilities in intensive longitudinal studies: A two-level random dynamic model-based approach.psycnet.apa.org前往参考资料 ↓在新标签页中打开}

该两水平随机动态模型方法的核心思路是：在水平 1 上对每个个体的重复测量建立含自回归与随机效应的动态模型，在水平 2 上刻画个体间参数差异，再由方差成分导出两个层次各自的信度系数，而不是沿用单一的 α 系数或组内相关系数。^{4141Assessing intra- and inter-individual reliabilities in intensive longitudinal studies: A two-level random dynamic model-based approach.psycnet.apa.org前往参考资料 ↓在新标签页中打开}

两水平信度框架的实践含义是：同一份量表在个体间比较中可能信度良好，但在个体内追踪变化时信度不足，反之亦然；因此报告信度时必须说明所针对的变异层次，否则数值无法解释。^{4141Assessing intra- and inter-individual reliabilities in intensive longitudinal studies: A two-level random dynamic model-based approach.psycnet.apa.org前往参考资料 ↓在新标签页中打开}

在追踪数据中，个体内信度直接决定了个体水平变化轨迹的可检测性：个体内信度偏低会衰减对变化斜率与时刻间差异的检验效力，这一层次的信度因此成为密集纵向研究设计阶段（如每日测量次数、总天数）的重要考量。^{4141Assessing intra- and inter-individual reliabilities in intensive longitudinal studies: A two-level random dynamic model-based approach.psycnet.apa.org前往参考资料 ↓在新标签页中打开}

在经典测验理论之外，信度概念近二十年来被系统性地拓展到「测量不变性」与「跨群体可比性」的评估中：研究者不再只问同一份量表在同一群体内是否稳定，而是问同一份量表在不同语言、不同文化、不同时间点上是否测量了同一个构念。这一拓展使信度从「单群体内的精度指标」变为「跨群体比较的前提条件」，配置型、弱型、强型与严格型不变性构成逐级收紧的检验序列。^{4242Measurement Invariance: A Review of the Multigroup Confirmatory Factor Analysis Approachannualreviews.org前往参考资料 ↓在新标签页中打开}

信度用途的另一条拓展线是从「量表层面」下沉到「个体层面」：以条件标准误（conditional standard error of measurement）与个体分数置信区间为代表的个体化信度指标，被用于解释单个受测者的得分波动范围，而不再只报告一个群体层面的信度系数。这一转向在临床测评与教育测评的分数解释指南中被反复强调。^{3535Standards for Educational and Psychological Testingaera.net前往参考资料 ↓在新标签页中打开}

在纵向研究中，信度被重新定义为「变化测量的精度」：由于两次测量之差值的信度同时取决于两次测量各自的信度与误差协方差，研究者提出用「变化分数的信度」而非单次测量的信度来判断纵向设计能否检出真实变化。这使得信度从横断设计的内部指标，变成纵向因果推断与干预效果评估的设计参数。^{4343Reliability of change scores and the measurement of individual changepsycnet.apa.org前往参考资料 ↓在新标签页中打开}

心理测量学界近年推动把信度从「事后报告的系数」前移为「研究设计与注册阶段的先验规划量」：在功效分析与样本量规划中，研究者被建议以目标信度水平反推所需题目数、评分者数或测量次数，而不是在数据收集完成后才计算并报告一个系数。这使信度承担了设计约束的功能。^{4444Planning for Reliability: Sample Size and Power Considerations in Measurement Designjournals.sagepub.com前往参考资料 ↓在新标签页中打开}

在应用测评与心理测量标准层面，信度信息被要求与「分数解释的用途」绑定报告：同一份测验用于个体高利害决策与用于群体描述时，可接受的信度水平并不相同，因此报告规范要求说明信度证据所支持的特定解释与用途，而非给出一个脱离用途的通用阈值。^{4545The Standards for Educational and Psychological Testing: Reliability and Validity in Score Interpretationncme.org前往参考资料 ↓在新标签页中打开}

信度用途拓展到「动态评估与密集纵向数据」场景后，传统的内部一致性系数不再适用：在经验取样与生态瞬时评估中，同一被试在不同时刻的重复测量被用来估计「个体内信度」，其误差结构同时包含时刻间波动与个体间差异，需要多层模型或多水平验证性因子分析来分解。^{4646Multilevel Reliability in Intensive Longitudinal and Experience Sampling Datatandfonline.com前往参考资料 ↓在新标签页中打开}

在机器学习与自动化评分进入心理与教育测量的背景下，信度评估的对象从「人—题」扩展到「人—模型—题」：当评分由算法完成时，需要同时报告算法与人类评分者之间的一致性、算法自身跨样本的稳定性，以及算法版本更新前后的分数可比性，这构成传统评分者信度框架之外的新用途。^{4747Automated Scoring and Reliability: Human–Machine Agreement in Educational Assessmentonlinelibrary.wiley.com前往参考资料 ↓在新标签页中打开}

信度用途的拓展也带来解释上的风险：当信度被用于跨群体比较、个体决策或纵向变化判断时，一个在原始群体中较高的信度系数并不能自动迁移到新群体或新用途，因为信度依赖于样本的分数变异程度与误差结构。因此近年文献强调信度证据的「情境依赖性」，反对把某一研究报告的系数直接当作普适属性引用。^{4848Reliability Is Context-Dependent: Sample Variability and the Generalization of Reliability Coefficientsapa.org前往参考资料 ↓在新标签页中打开}