Psychometric Tests: Quantifying the Consequences of Low Reliability and Improving Reliability Estimation
心理测量检验：量化低信度后果并改进信度估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究心理测量信度与共同因子模型，未提供宏观因子或其他所列经济计量方向的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
心理测量检验：量化低信度后果并改进信度估计
- 研究问题
- 多题项心理量表信度不足会造成怎样的个体误分类，尤其如何影响潜在特质极端分位个体的识别，并怎样简化信度估计？
- 方法与思路
- 作者构建基于误分类后果的指标，研究共同因子模型下 omega 的估计与置信区间，并推导无需估计模型参数的修正 alpha。
- 材料陈述的贡献
- 摘要称所提指标使信度不足的分类损失更易解释；共同因子模型成立时，修正 alpha 接近 omega，抽样变异相当且计算更简便。
- 阅读关注点
- 应核对潜在特质与分类阈值的设定、修正 alpha 接近 omega 的条件，以及小样本置信区间的覆盖率和计算负担比较。
- 阅读边界
- 材料为 arXiv v1 预印本，未核验同行评审或期刊接收；摘要未给出近似误差界及模型失配表现，不能据此认定修正 alpha 普遍适用。
原文摘要
We introduce a set of consequence-based measures that quantify the misclassification arising from imperfect reliability in multi-item psychometric scales. Particular attention is given to the probability of individuals in extreme latent-trait percentiles being correctly identified from their observed scores. These cost functions provide a principled and interpretable way to characterise how inadequate reliability distorts classification and reduces the informational value of test scores. We also examine methodological issues in estimating reliability under common-factor models, with emphasis on McDonald's omega and the construction of accurate confidence intervals. To address the computational burden of model fitting, especially in small samples, we derive a modified version of Cronbach's alpha that closely approximates omega when the common-factor model holds. This estimator has comparable sampling variability to omega while requiring no parameter estimation, offering a practical and computationally efficient alternative. y