一种检测方法有效性验证

⑴ 问卷调查法的信度和效度如何检验

问卷调查法是教育研究中广泛采用的一种调查方法，为了保证问卷具有较高的可靠性和有效性，在形成正式问卷之前，应当对问卷进行试测，并对试测结果进行信度和效度分析，根据分析结果筛选问卷题项，调整问卷架构，从而提升问卷的信度和效度。
说了这么多，我们先对一些调研小白解释一下，什么是信度和效度？
信度：
可靠性、一致性或稳定性。比如说，在对同一对象进行测量，多次测量结果都很接近，我们就认为这个结果是可信的，也就是信度高。如果每次测量的结果都有很大的差异，则说明信度较低。
效度：
正确性程度，效度越高表示测量结果越能显示出所要测量对象的真正特征。
他们两的差别在于信度度量的是问卷测量结果是否一致的可靠程度茄档，而不涉及结果是否正确的问题；效度则针对问卷测量的目的，重点考察测量结果的有效性。对于量表来说，效度是首要条件，而信度是效度的必要条件。也就是说有效的问卷必定是可信的问卷，但可信的问卷未必是有效的问卷。
了解了定义后，我们来聊一聊检测调查问卷信效度的方法。
信度分析（可靠性分析）
1. 重测信度法
用同样的问卷对同一被测间隔一定时间的重复测试，也可称作测试——再测方法，计算两次测试结果的相关系数。很显然这是稳定系数，即跨时间的一致性。
重测信度法适用于事实性的问卷，也可用于不易受环境影响的态度、意见式问卷。由于重测信度需要对同一样本试测两次，而被测容易受到各种事件、活动的影响，所以间隔时间需要适当。较常用者为间隔二星期或一个月。
2. 复本信度法
复本信度法是让同一组被调查者一次填答两份问卷复本，计算两个复本的相关系数。复本信度属于桥陪等值系数。复本信度法要求两个复本除表述模式不同外，在内容、格式、难度和对应题项的提问方向等方面要完全一致，而在实际调查中，很难使调查问卷达到这种要求，因此采用这种方法者较少。
3. 折半信度法
折半信度法是将调查项目分为两半，计算两半得分的相关系数，进而估计整个量表的信度。折半信度属于内在一致性系数，测量的是两半题项得分间的一致性。
这种方法一般不适用于事实式问卷，常用于态度、意见式问卷的信度分析。进行折半信度分析时，如果量表中含有反意题项，应先将反意题项的得分作逆向处理，以确保各题项得分方向的一致性，然后将全部题项按奇偶或前后分为尽可能相等的两半，计算二者的相关系数敏纳蠢，最后求出整个量表的信度系数。
4. α信度系数法
Cronbachα信度系数是目前最常用的信度系数，其公式为︰α=(n/n-1)*(1-(∑Si2)/ST2)其中，n为量表中题项的总数，Si2为第i题得分的题内方差，ST2为全部题项总得分的方差。从公式中可以看出，α系数评价的是量表中各题项得分间的一致性，属于内在一致性系数。这种方法适用于态度、意见式问卷（量表）的信度分析。
效度分析
1. 单项与总和相关效度分析
也称为内容效度或逻辑效度，指的是测量的内容与测量目标之间是否适合，也可以说是指测量所选择的项目是否“看起来”符合测量的目的和要求。主要依据调查设计人员的主观判断。
这种方法用于测量量表的内容效度。内容效度又称表面效度或逻辑效度，它是指所设计的题项能否代表所要测量的内容或主题。对内容效度常采用逻辑分析与统计分析相结合的方法进行评价。
2. 准则效度分析
准则效度又称为效标效度或预测效度。准则效度分析是根据已经得到确定的某种理论，选择一种指标或测量工具作为准则，分析问卷题项与准则的联系，若二者相关显着，或者问卷题项对准则的不同取值、特性表现出显着差异，则为有效的题项。
评价准则效度的方法是相关分析或差异显着性检验。在调查问卷的效度分析中，选择一个合适的准则往往十分困难，使这种方法的应用受到一定限制。
3. 结构效度分析
结构效度是为了说明从量表所获得的结果与设计该量表时所假定的理论之间的符合程度。研究者在设计量表时，通常会事先假定一定的量表结构（n个维度），这种结构是否与测量的数据相符合（是否确定存在上述几个维度），需要进行验证。
为了提升调查问卷的质量，进而提升整个研究的价值，问卷的信度和效度分析绝非赘疣蛇足，而是研究过程中必不可少的重要环节。

⑵ 第四十九条：检查参数的有效性【方法 start】

本章要讨论方法设计的几个方面：如何处理参数和返回值，如何设计方法签名，如何为方法编写文档。本章大部分内容即适用于构造器，也适用于普通方法。与第4章一样，本章的焦点也集中在可用性、健壮性和灵活性上 。

大多数方法和构造器对于传递给它们的参数值都会有某些限制。例如，索引值必须说非负数，对象引用不能为null，等等，这些都是很常见的。 你应该在文档中清楚的指明这些限制，并且在方法体的开头处检查参数，以强制施加这些限制 。它是 发生错误之后应该尽快检测出错误 这一普遍原则的一种特例。如果不能做到这一点，检测到错误的可能性就比较小，即使检测到错误了，也比较难以确定错误的根源。

如果传递无效的参数值给方法，这个方法在执行之前先对参数进行了检查，那么它很快就会失败，并且清楚的出现适当的异常（exception）。如果这个方法没有检查它的参数，就有可能发生几种情形。该方法可能在处理过程中失败，并产生令人费解的异常。更糟糕的是，该方法可以正常返回，但是会悄悄地计算出错误地结果。最糟糕的是，该方法可以正常返回，但是却使得某个对象处于被破坏的状态，将来在某个不确搏尺定的时候，在某个不相关的点上会引发出错误。 换句话说，没有验证参数的有效性，可能导致违背失败原子性，详见第76条 。

对于公有的和受保护的方法， 要用Javadoc的@throws标签在文档中说明违反参数值限制时会抛出的异常 。这样的异常通常为 IllegalArgumentException、IndexOutOfBoundsException 或 NullPointerException (详见第72条）。 一旦在文档中记录了对于方法参数的限制，并且记录了一旦违反这些限制将要抛出的异常，加强这些限制就是非常简单的事情了 。下面是一个典型的例子：

注意，文档注释中并没有说 如果m为null就抛出NullPointerException，而是作为调用m.signum()的副产物，即使方法正是这么做的。NullPointerException这个异常的文档是建立在外围BigInteger类的类级文档注释上中。 类级注释运用到该类的所有公有方法中的所有参数。这样可以很好的避免分别在每个方法中给每个NullPointerException建立文档而引起的混乱。它可以结合@Nullable或者类似的注解一起使用，表示某个特殊的参数可以为null ，不过这个实践不是标准的，有多个注解可以完成这个作用 。

在Java7中增加的Objects.requireNonNull方法比较灵活且方便，因此不必再手工进行null检查 。只要你愿意，还可以指定自己的异常详情。这个方法会返回其输入，因此可以使用一个值的同时执行null检查：

也可以忽略返回值，并在必要的地方，用Objects.requireNonNull作为独立的没基null检查。

在Java9中增加了检查范围的设施：java.util.Objects。这个设施包含三个方法：checkFromIndexSize、checkFromToIndex 和 checkIndex。这个设施不想检查null的方法那么灵活。他不允许指定自己的异常详情，而是专门设计用于列表和数组索引的。它不处理关闭的范围（包含其两个端点）。但是如果它所做的正是你需要的，那么就是一个有用的工具。

对于未被导出的方法，作为包的创建者，你可以控制这个方法将在哪些情况下被调用，因基察高此你可以，也应该确保只将有效的参数值传递进来。因此， 非公有的方法通常应该使用断言（assertion）来检查它们的参数 ，具体做法如下所示：

从本质上讲，这些断言是在声称被断言的条件将会为真，无聊外围包的客户端如何使用它。不同于一般的有效性检查，断言如果失败，将会抛出AssertionError。不同于一般的有效性检查，如果它们没有起到作用，本质上也不会有成本开销，除非通过将-ea（或者 -enableassertions）标记传递给Java解释器，来启用它们。关于断言的更多消息，请参考Sun的教程。

对于有些参数，方法本身没有用到，却被保存起来供以后使用，检验这类参数的有效性尤为重要。比如，以第20条中的静态工厂方法为例，它的参数为一个int数组，并返回该数组的List试图。如果这个方法的客户端要传递null，该方法将会抛出一个NullPointerException，因为该方法包含一个显示的条件检查（调用Objects.requireNonNull）。如果省略了这个条件检查，它就会返回一个指向新建List实例的引用，一旦客户端企图使用这个引用，立即就会抛出NullPointerException。到那时，想要找到List实例的来源可能就非常困难了，从而使得调式工作更加复杂。

如前所述，有些参数被方法保存起来供以后使用，构造器正是代表了这一种原则的一种特例。检查构造器参数的有效性是非常重要的，这样可以避免构造出来的对象违反了这个类的约束条件。

在方法执行它的计算任务之前，应该先检查它的参数，这一规则也有例外，一个很重要的例外是， 在某些情况下，或者根本是不切实际的，而且有效性检查已隐含在计算过程中完成 。例如，以为对象列表排序的方法Collections.sort(List)为例，列表中的所有对象都必须是可以相互比较的。在为列表排序的过程中，列表中的每个对象将与其他某个对象进行比较。如果这些对象不能相互比较，其中的某个比较操作就会抛出ClassException，这正是sort方法应该做的事情。因此，提前检查列表中的元素是否可以相互比较，这并没有多大意义。然而，请注意，不加选择的使用这种方法将会导致失去失败原子性，详见第76条。

有时候， 某些计算会隐式的执行必要的有效检查，但是如果检查不成功，就会抛出错误的异常。换句话说，由于无效的参数值而导致计算过程抛出的异常，与文档中标明这个方法将抛出的异常并不相符。在这种情况下，应该使用第73条中讲述的异常转换技术，将计算过程中抛出的异常转换为正确的异常 。

请不要有本条目的内容得出这样的结论：对参数的任何限制都是好事。相反，在设计方法时，应该使它们尽可能通用，并符合实际需要。 假如方法对于它能接受的所有参数值都能够完成合理的工作，对参数的限制就应该是越少越好 。然而，通常情况下，有些限制对于被实现的抽象来说是固有的。

简而言之，每当编写方法或者构造器的时候，应该考虑它的参数有哪些限制。应该把这些限制写到文档中，并且在这个方法体的开头处，通过显示的检查来实施这些限制。 养成这样的习惯是非常重要的。只要有效性检查有一次失败，你为必要的有效性检查所付出的努力方便都可以连本带利地得到偿还了 。

⑶ 鐢熺墿镙峰搧鍒嗘瀽鏂规硶楠岃瘉镄勫唴瀹

鐢熺墿镙峰搧鍒嗘瀽鏂规硶链夋晥镐ч獙璇佸唴瀹瑰簲鍖呮嫭阃夋嫨镐с佺嚎镐с佸嗳纭搴︺佺簿瀵嗗害銆佹娴嬮檺銆佹渶浣庡畾閲忛檺銆佺ǔ瀹氭у拰鎻愬彇锲炴敹鐜囩瓑銆

鐢熺墿镙峰搧阃氩父鏄鎸囨岖墿镄勮姳銆佸彾銆佽宁銆佹牴銆佺嶅瓙绛夛纴锷ㄧ墿锛埚寘𨰾浜猴级镄勪綋娑诧纸濡傚翱銆佽銆佸斁娑层佽傧姹併佽儍娑层佹穻宸存恫鍙婄敓鐗╀綋镄勫叾浠栧垎娉屾恫绛夛级銆佹瘘鍙戙佽倢镶夊拰涓浜涚粍缁囧櫒瀹桡纸濡傝兏鑵恒佽俨鑵恒佽倽銆佽偤銆佽剳銆佽儍銆佽偩绛夛级浠ュ强钖勭嶅井鐢熺墿銆

鍦ㄧ敓鐗╂牱鍝佺殑娴嫔畾涓锛屾牴鎹娴嫔畾椤圭洰镄勪笉钖岋纴棣栧厛瑕佺粡杩囨秷瑙ｏ纸鎴栫伆鍖栵级锛屾垨鎻愬彇鍜屽垎绂荤瓑澶勭悊宸ヤ綔锛岀劧钖庢墠鑳借繘琛屽緟妫缁勫垎钖閲忕殑娴嫔畾銆

鐢熺墿镙峰搧閲囬泦铡熷垯锛

1銆佷唬琛ㄦ

阃夋嫨涓瀹氭暟閲忕殑鑳界﹀悎澶у氭暟𨱍呭喌镄勬嶆牚涓烘牱鍝併傞噰闆嗕綔鐗╂垨钄凿沧椂锛屼笉瑕侀夋嫨鐢板焸杈逛笂鍙婄荤敯锘2m锣冨洿浠ュ唴镄勬牱鍝侊绂濡傞噰闆嗘按鐢熸岖墿锛屽垯搴旀敞镒忕诲紑姹℃按鎺掓斁鍙ｉ傚綋璺濈汇

2銆佸吀鍨嬫у拰阃傛椂镐

閲囨牱镄勯儴浣嶈佽兘鍏呭垎鍙嶆椠镓浜呜В镄勬儏鍐碉纴杩椤氨鏄鍏稿瀷镐с傝岄傛椂镐ф槸镙规嵁镰旂┒镄勭洰镄勫拰鐜澧冩薄镆撶墿瀵规岖墿镄勫奖鍝嶏纴蹇呴’鎸夌収妞嶆牚镄勭敓闀跨姸鍐碉纴鍙戣偛阒舵典互鍙婃嶆牚镄勪笉钖岄儴浣嶏纴濡傛牴銆佽宁銆佸彾鍜屾灉瀹炴垨鍏蜂綋瑕佹眰杩涜屽垎鍒閲囨牱銆备负浜嗘嶆牚钖屼竴閮ㄥ垎杩涜屾瘆杈冨垎鏋愶纴涓嶈兘灏嗘嶆牚镄勪笂銆佷笅閮ㄤ綅闅忔剰娣峰悎銆

⑷ 平稳性检验方法的有效性研究

 ——针对客观类平稳性检验方法进行分析，从时间序列的样本长度视角探讨检验方法的实际性能， ADF 检验和PP 检验 是相对较好的判定方法，在仿真实验中呈现较好的性能

时间序列 是一类典型的随机数据，基于随机变量的历史和现状来推测其未来需要假设随机变量的历史和现状具有代表性或可延续性，样本时间序列展现了随机变量的历史和现状。如果随机变量基本性态维持不变，则要求样本数据( 时间序列) 的本质特征仍能延续到未来; 统计量( 均值、方差、协方差)的取值在未来仍能保持不变，则 样本时间序列具有平稳性 。

通常随着时间t 取值变动，时间序列的期望值、方差和延迟k 阶自协方差的绝对取值一般是变动的，时间序列平稳性特征将判定为 非平稳

实践中时间序列平稳性的检验，大都是从时间序列样本数据取值的角度来分析一些统计量特征，其本质是得到一个平稳性检验的“近似结果”。现有的时间序列数据平稳性检验方法较多，主要包括主观检验方法( 如自相关函数图) 和客观检验方法( 如单位根检验) 两类方法。

刘田的研究采用单位根，并针对AR 系列模型展开，本文从样本长度的视角展开，对AR( Auto-Regression) 系列、MA( Moving Average) 系列、ARMA( Auto-Regressive and Moving Average) 系列和ARIMA( Autoregressive Integrated Moving Average) 系列四种模型展开分析，并采用ADF 检验( AugmentedDickey-Fuller test) 、PP 检验( Phillips-Perron test) 、KPSS 检验( Kwiatkowski-Phillips-Schmidt-Shin test) 、LMC 检验( Leybourne-McCabe stationarity test) 四种方法展开实证，分析这些平稳性检验方法的实际性能。

从平稳性定义和“近似检验”的分析可知，样本长度将会对检验方法的效果造成明显的影响。刘田［2］探讨了单位根检验中的样本长度问题，发现单位根检验在分析低维度样本数据时，其实际效果偏差。因此，实证中所采集的数据样本长度太短，则其得到的平稳性分析结果显得不可靠，然而，在实际应用中，仍有大量学者在实证分析时所采集的时间序列样本长度较短。，因此，其检验结果和后续分析值得怀疑。

平稳性分析是不同领域的时间序列数据建模的共性问题，时间序列平稳是经典回归分析赖以实施的基本假设。如果数据非平稳，则作为大样本下统计推断基础的“一致性”要求便被破坏，基于非平稳时间序列的预测也就失效。因此， 平稳性检验是时间序列分析的一个关键问题

如何有效地判定时间序列的平稳性，最禅灶槐基本的方法就是平稳性检验。现有方法主要包括主观检验方法和客观检验方法，具体如下:

主观检验方法 的典型方式是借助 图形 判断时间序列的贺友平稳性特征。比如，时间路径图法可以绘制出时间序列的散点图，然后观察散点是否围绕其均值上下波动，如果是，则判断序列为平稳的，否则，判断为非平稳的［5］，该方法受判断者的主观意识影响比较大。其次，时间序列相关函数图为平稳性判定提供了一个有效的途径，这包括自相关函数图、偏自相关函数图和逆自相关函数图。对给定的时间序列数据样本，若其自相辩咐关函数序列迅速收敛到0，则判定为平稳的，反之，则判定为非平稳的。偏自相关函数图和逆自相关函数图的应用与自相关函数图相似，这些方法对序列收敛状态的判断带有一定的主观性，因此都属于主观类检验方法。

缺点：1.对大批量的时间序列数据，工作量大2.主观判定结果因人而异，难以得到一致的结果，因此，实际应用中，这些主观方法常用于对平稳性特征的粗略判定。

客观检验方法 的典型代表是单位根检验。单位根检验( Dickey-Fuller test，DF 检验) 是平稳性检验中常用到的一种方法。ADF 检验是一种扩充的DF 检验，可以解决DF 检验中对随机项误差白噪声假设的问题。DF 单位根检验和ADF 单位根检验是通过建立时间序列的自回归方程，引入滞后算子构建特征方程，根据其特征根的绝对值来判断序列的平稳性，其准确性主要受到自回归方程精确性的影响，实践中只能从统计建模角度给出一个最优的模型。此外，PP 检验、KPSS 检验［17-18］、LMC 检验等检验方法也得到了广泛的研究和应用，这些方法都沿用了统计分布的检验方式。国内外学者的相关研究极大地丰富了时间序列平稳性检验的理论和应用研究。

缺点：借助统计分布临界表的平稳性判定方式，本质上是给出统计意义上的近似结果。尽管客观检验方法已经成为平稳性检验研究的主流方法，然而这些方法检验统计量的统计分布通常假设样本长度趋于无穷大，而现实中所采集到的时间序列往往很难满足这样的要求。仍要对客观检验方法的性能进行统计分析，实证表明其准确率仍不够理想。

方法：ADF 检验、PP 检验、KPSS 检验、LMC检验

样本：本文特生成6 组非平稳时间序列数据和6 组平稳时间序列数据进行实验分析

et为服从标准正态分布的伪随机函数。模拟实验数据的时间长度分别取50、100、150、200、250、500 六种长度，每次模拟分别产生1000 个时间序列数据样本。因此，对每一种长度，都产生12000个时间序列数据样本，对六种长度，一共产生72000个时间序列数据样本

采用Matlab 软件进行分析

1) 对6 组非平稳时间序列数据样本而言，两种检验方法的效果表现很好，检验准确率都达到了90%以上，并且效果较为稳定，受时间长度与模型参数影响不大; ( 2) 对6 组平稳时间序列数据样本而言，两种检验方法的实际准确率有较大的波动，受具体模型的影响明显( 3) 计算12 组模型的检验准确率的均值可知，ADF检验效果受时间序列样本长度的影响显着，样本长度越大，则检验准确率越高。

从表4 中可以看出: ( 1) 对6 组非平稳时间序列数据样本而言，KPSS 检验的结果比较理想，无论样本长度取值大小，其检验准确率都超过了95%;( 2) 但对6 组平稳时间序列数据而言，KPSS 检验准确率有很大的波动; 对S1、S2 和S5 三组模拟数据的检验准确率极差，无论样本长度取值大小，其检验准确率都低于10%; 对S3、S4 和S6 三组模拟数据的检验准确率不太理想，其检验准确率位于［58． 4%，76． 3%］的区间，且受样本长度的影响较小; ( 3) 计算12 组模型的检验准确率的均值可知，KPSS 检验效果受时间序列样本长度的影响不太明显，随着样本长度的增大，其检验准确率没有明显的提高。

1) 对6 组非平稳时间序 列数据而言，LMC 检验准确率有很大的波动; 检测 准确率受模型参数影响很大，NS1、NS2 和NS3 模型 的准确率相对较高，而NS4、NS5 和NS6 模型的准确 率相对较低，且随时间长度的增加，6 个模型的检验 准确率有明显的波动; ( 2) 对6 组平稳时间序列数 据而言，LMC 检验准确率也有很大的波动; 检测准 确率受模型参数影响很大，NS1 和NS5 模型的准确 率相对较低，而NS2、NS3、NS4 和NS6 模型的准确 率相对较高; 且随时间长度的增加，检验准确率有明 显的波动;3) 计算12 组模型的检验准确率的均值 可知，LMC 检验效果受时间序列样本长度的影响不 太明显，随着样本长度的增大，其检验准确率没有明 显的提高

从表3-表5 可知，无论是平稳模拟数据还是非平稳模拟数据，四种方法都存在一定概率的检验错误。如果将单位根误判为平稳过程定义为第一类错误，将平稳过程误判为单位根过程定义为第二类错误。针对各种样本长度，首先计算出四种检验方法的第一类错误的均值，绘制曲线图，如图1( a) 所示然后，计算出四种检验方法的第二类错误的均值，绘制曲线图，如图1( b) 所示; 其中，ADF 检验和PP 检验两种方法的错误率曲线是重合的。

由图1 可知: ( 1) LMC 检验方法的第一类错误率较高，这表明该检验方法有很大概率将非平稳时间序列判定为平稳时间序列，而ADF 检验、PP 检验和KPSS 检验三种方法的第一类错误率较低; (2)KPSS 检验和LMC 检验方法的第二类错误率较高，这表明该检验方法有很大概率将平稳时间序列判定为非平稳时间序列，而ADF 检验和PP 检验两种方法的第一类错误率较低; ( 3) 在针对多个仿真模型的实证结果表明，ADF 检验和PP 检验的检验性能比较理想。

平稳性检验是时间序列分析中的一个重要研究内容。主观类平稳性检验方法的实际检验结果会受

到个人因素影响而呈现不一致的情况，因此往往用于对平稳性的粗略判定。客观类平稳性检验方法虽然可以给出统计意义上的唯一判定结果，然而这种基于统计分布的近似检验方式，其实际准确率值得深究。本文实证发现: 一方面，时间序列样本长度会对客观类检验方法造成影响，这一点与刘田的研究结论是一致的［2］; 另一方面，从两类错误分析来看， ADF 检验和PP 检验 是相对较好的判定方法，在仿真实验中呈现较好的性能。然而，对某些模拟数据( 模型S1、S2 和S5) 的检验效果仍很不精确，而且当样本长度较小时，其检验准确率明显较低。综上分析，不可否认，时间序列平稳性检验研究仍然任重道远，采用现有的检验方法进行实践时，采集足够长时间的数据( 增加样本长度) 是提高检验结果可靠性的必要前提。实际采集到的样本长度是有限的，渐进分布检验方式的改进空间有限，新的检验方式值得探究。