总而言之，对于 n=45 个主题，您将获得基于相关性和多元描述性的方法。然而，由于这个问卷应该是一维的，所以这总是一个好的开始。

我会做什么：

• 计算 22 个项目的成对相关性；报告范围和中位数——这将表明观察到的项目响应的相对一致性（相关性高于 0.3 通常被认为表明良好的收敛有效性，但当然这个估计的精度取决于样本量） ; 研究问卷内部一致性的另一种方法是计算Cronbach's alpha，尽管 n=45 的相关置信区间（为此使用 bootstrap）将相对较大。
• 计算项目和总的量表分数之间的点-双序列相关性；它将让您了解每个项目的区分能力（如 FA 中的载荷），其中高于 0.3 的值表示每个项目与其对应的比例之间的关系令人满意。
• 使用 PCA 来总结相关矩阵（在二分项目的情况下，它产生与从多重对应分析中获得的结果的等效解释）。如果您的仪器作为样品的一维刻度，您应该观察到变化的主轴（由第一个特征值反映）。

如果您想使用 R，您会在ltm和psych包中找到有用的功能；浏览 CRAN心理测量任务视图以获取更多软件包。如果你有 100 个科目，你可以尝试一些 CFA 或 SEM 分析，并使用引导置信区间。（请记住，考虑到任何项目与其因子之间存在显着相关性，加载应该非常大，因为它应该至少是可靠相关系数标准误差的两倍，。）$2(1-r^2)/\sqrt{n}$

该线程对使用 factanal 的“System ist für den Rechner singulär: reziproke Konditionszahl”错误有很好的 Google 位置（英文：“系统是计算奇异的：互惠条件数”） - 因此我将添加评论：

当先验计算相关矩阵时（例如，成对删除缺失值），确保 factanal() 不认为矩阵是要分析的数据（https://stat.ethz.ch/pipermail/r-帮助/2007-10 月/142567.html）。

PREVIOUS: matrix = cor(data, use="pairwise.complete.obs")  # For example
WRONG: factanal(matrix, 3, rotation="varimax")
RIGHT: factanal(covmat=matrix, factors=3, rotation="varimax")

BurninLeo