组合信度也是计算问卷的内在一致性的方法之一，也是论文中经常需要汇报的内部一致性指标，今天就给大家写写如何用R来计算组合信度。

组合信度简介

在编制量表（Scale）的时候，基本思路是以外显（Manifest）的观察变量（Observation variable，即题目）去测量看不见的特质（Trait，即潜在变项），因此研究者所设计的题目是否稳定且一致（信度）以及是否测量到想要探知的特质（效度）就显得非常重要。

潜在变项的信度可以采用建构信度〈Construct reliability, CR〉，有时候也称作组合信度（Component reliability）或复合信度（Composite reliability）来评价，英文的缩写都是CR，计算公式如下：

上面的公式中λx11至λx31就是标准化因子负荷量（Standardized factor loading，SFL,就跟探索性因素分析的因素负荷量是一样的），SFL数值介于0至1之间，δ1至δ3是观察变项的残差（无法被潜在变项解释的部分）。

因素负荷量λx11至λx31代表的是这个潜在变量与观察变量之间的相关系数，而因素负荷量的平方就是代表该潜在变项对于该观察变项的解释力（Square multiple correlation, SMC或称为R 2），在SEM中会将每一个观察变项的变异数标准化为「1」，而1减掉SMC恰巧就是「潜在变项无法解释观察变量的残差」（Residual or Error） ，也就是说「δ1+(λx11) 2＝1」。所以按照公式计算组合信度就需要手动计算δ。

看到我们CR的计算公式，我们也就能看出CR其实就是来衡量因子和变量的的共同的方差大小的一个指标，这个指标的值越大，说明变量对因子的测量或者表示越好，内在一致性越好。

composite reliability indicates the shared variance among the observed variables of a latent construct.

如何用R计算组合信度

这部分，不玩虚的，还是手把手教学：

导入数据，这个数据也是上篇写探索性因子分析时用的数据：

data<-read.csv(file.choose(),header=TRUE)

输入以上代码选择数据文件EFA.csv(请关注私信获取)，就导入完成。

上篇文章探索性因子分析做出来不是4个因子嘛，我们取其中一个因子给大家写如何做这个因子的组合信度，我们需要用到lavaan这个包：

然后构建模型，拟合模型一气呵成：

library(lavaan)
model<-'
value=~Price  +Resale_Value +Maintenance +Fuel_Efficiency
'
fit <- cfa(model, data = data)

然后，我们需要有标准化的因子载荷，此时就需要standardizedSolution函数：

s1<-standardizedSolution(fit)

s1

输出如下：

我们需要的其实就是est.std（est.std就是标准化的估计值）这一列的载荷部分，所以得进行选取：

s1 <- s1$est.std[s1$op == "=~"]#选出了测量部分的标准化载荷

然后我们就可以套公式啦，首先计算残差方差，然后cr就出来啦：

re <- 1 - s1^2

sum(s1) ^2/ (sum(s1)^2 + sum(re))

小结

今天给大家写了组合信度的R语言计算方法，如果有同学要问有没有不用写公式可以直接出结果的代码，很遗憾我还没找到，感谢大家耐心看完。发表这些东西的主要目的就是督促自己，希望大家关注评论指出不足，一起进步。内容我都会写的很细，用到的数据集也会在原文中给出链接，你只要按照文章中的代码自己也可以做出一样的结果，一个目的就是零基础也能懂，因为自己就是什么基础没有从零学Python和R的，加油。

（站外链接发不了，请关注后私信回复“数据链接”获取本头条号所有使用数据）

往期内容：

R数据分析：探索性因子分析

R数据分析：自我报告的身高数据的离群值探索

R可视化：ggplot2初探，手把手教你绘图

R markdown代码个性化控制操作，小白总结

Python机器学习入门：线性回归实例操练

python机器学习：多元线性回归模型实战

python机器学习：线性回归中的哑变量转换