Cronbach α是什么？
Cronbach α 回答的是一组题项是否具有内部一致性。它常用于问卷量表，检查多个题项是否大致测量同一个构念。
先用一句话理解
把 Cronbach α 想成看一组题是不是在问同一件事。如果几道题都在测满意度，回答应该有一定一致性；如果题项彼此不相关，alpha 就会低。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 多个题项被设计为测量同一潜变量或量表维度。 |
| 先不要用在 | 题项本来测的是多个不同概念，或者只有一个题项。 |
| 最关键的前提 | 题项应方向一致，反向题要先正确反向编码。 |
| 读表顺序 | 先看题项数量和题项方向，再看 alpha 和删题后 alpha。 |
| 论文表述边界 | 高 alpha 说明一致性，不等于量表一定有效。 |
把它和相近方法分清楚
| 容易混淆的对象 | 怎么区分 | 初学者记法 |
|---|---|---|
| Cronbach α | 检查内部一致性。 | 关注题项是否一起变化。 |
| EFA | 探索题项背后几个因子。 | 关注维度结构。 |
| CFA | 验证题项是否测指定潜变量。 | 关注测量模型拟合。 |
核心直觉和模型公式
内部一致性系数
Cronbach α 可写成：
\[\alpha=\frac{k}{k-1}\left(1-\frac{\sum_{j=1}^{k}\sigma_j^2}{\sigma_T^2}\right)\]
k 是题项数，sigma_j² 是单个题项方差，sigma_T² 是总分方差。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| k | 题项数 | 同一量表中的题目数量。 |
| σ_j² | 单题方差 | 第 j 个题项的方差。 |
| σ_T² | 总分方差 | 所有题项加总后的方差。 |
| α | 内部一致性 | 题项共同测量程度的指标。 |
| reverse coding | 反向编码 | 反向题需要先调整方向。 |
专业使用口径
专业 alpha 报告要把它放在信度分析里，而不是当作效度证明。
| 口径 | 专业写法 |
|---|---|
| 题项方向 | 反向题必须先重编码。 |
| 题项数量 | 题项数会影响 alpha，不能孤立比较。 |
| 删题诊断 | 看删除某题后 alpha 是否明显改善。 |
| 效度补充 | alpha 高还需要 EFA/CFA 或理论效度支持。 |
一步一步做：从问题到结果的五步
| 步骤 | 这一页具体做什么 | 做到什么程度才算读懂 |
|---|---|---|
| 1. 确认同一构念 | 题项应测同一个概念。 | 不同概念不要硬合成。 |
| 2. 处理反向题 | 把方向调成一致。 | 反向题未处理会压低 alpha。 |
| 3. 计算 alpha | 看内部一致性水平。 | 阈值要结合领域。 |
| 4. 检查删题后 alpha | 识别拖累量表的题项。 | 删题要有内容理由。 |
| 5. 结合效度分析 | 必要时继续 EFA/CFA。 | 信度不是效度。 |
结果怎么读：先读口径，再读数字
本页案例读表时，先记住这个口径：案例派生 alpha = 0.0409，第一因子解释率 = 0.1876，题项数 = 6。
| 读表顺序 | 本页怎么读 | 不要这样读 |
|---|---|---|
| 先看题项数 | 量表由多少题组成。 | 题项多会影响 alpha。 |
| 再看反向题 | 是否已经正确编码。 | 方向错误会误导。 |
| 然后看 alpha | 内部一致性是否可接受。 | 不是越高越好，过高可能题项重复。 |
| 最后看删题诊断 | 是否有题项不合群。 | 删题要考虑理论含义。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 把 alpha 当效度 | 错。它只说明一致性。 |
| 反向题没重编码 | 常见错误。会让结果失真。 |
| alpha 越高越好 | 不一定。过高可能说明题项重复。 |
| 不同维度题项合在一起算 alpha | 错。会掩盖量表结构。 |
先看这个案例的结论
- 案例派生 alpha = 0.0409，第一因子解释率 = 0.1876，题项数 = 6。
- 这里用财务变量秩分位派生题项做教学演示；正式问卷论文要换成真实题项，并报告每个题项载荷。
- 量表方法的顺序是：信度/同源方差/EFA/CFA/SEM，不能跳过测量模型直接解释路径。
变量要求和案例口径
| 字段 | 口径 |
|---|---|
| 数据 | CSMAR 风格 A 股企业创新面板 |
| 原始样本 | 196 家上市公司，2015-2020 年，约 1200 个公司-年观测；各方法有效样本以本页输出表 N 为准 |
| 因变量 | patent_count；回归页通常使用 ln(1 + patent_count) |
| 核心解释变量 | dfi_index，数字普惠金融指数；部分案例输出展示的是标准化后的 dfi_index |
| 控制变量 | roa、lev、size、growth、cashflow、tobinq、top1、dual、board、indep、soe、age |
| 输出文件 | cronbach_alpha_results.csv |
| 角色要求 | 无硬性角色要求 |
| 依赖包 | 无额外 Stata 社区包要求 |
实际代码
下面是本页案例里的最小 Stata 代码。它的作用是帮助你看清变量怎么进入模型、结果文件怎么生成，而不是要求你在网页里手动运行。
import delimited "$DATA_PATH", clear varnames(1) encoding(UTF-8)
gen ln_patent1 = ln(1 + patent_count)
egen firm_id = group(stkcd)
xtset firm_id year
global y ln_patent1
global count_y patent_count
global x dfi_index
global controls roa lev size growth cashflow tobinq top1 dual board indep soe age
gen post = year >= 2018
bysort firm_id: egen pre_dfi = mean(cond(year < 2018, dfi_index, .))
quietly summarize pre_dfi, detail
gen treat = pre_dfi >= r(p50)
gen did = treat * post
gen high_patent = patent_count > 2
gen running_dfi = dfi_index - 260
gen rdd_treat = running_dfi >= 0
alpha roa lev size growth cashflow tobinq, item std
export delimited using "$JOB_DIR/cronbach_alpha_results.csv", replace实际输出表
这张表是本方法页配套案例的输出结果，用来把前面的公式、变量口径和代码对应到实际数字。
| 指标 | 数值 | 解释 |
|---|---|---|
| 样本 | 1200 obs / 196 firms / 2015-2020 | 来自共用案例 CSV |
| 因变量 | ln(1 + patent_count) | 企业创新产出 |
| 核心解释变量 | dfi_index | 数字普惠金融指数 |
| 输出文件 | cronbach_alpha_results.csv | empirical-wizard 对应方法产物 |
| 案例派生 alpha | 0.0409 | 用财务变量秩分位派生题项 |
| 第一因子解释率 | 0.1876 | Harman 单因素检验最先看的比例 |
| 第二因子解释率 | 0.1719 | EFA 需要同时看多个因子 |
| 题项数 | 6 | roa/lev/size/growth/cashflow/tobinq |
案例图
这是一张由同一份案例数据生成的页面内诊断图。
论文里怎么写
本文使用Cronbach α 信度对案例派生题项进行量表/潜变量诊断。结果见 cronbach_alpha_results.csv。若信度、载荷或拟合指标未达到常用阈值，后续结构路径不宜直接作为强证据解释。
检查清单
- 先确认题项属于同一潜变量，不同维度题项不能混算一个 α。
- 反向题必须先反向编码，再看 CITC 和 α if deleted。
- α 是信度，不是效度；α 合格后仍要看 EFA/CFA。