一直以來作的研究都是用 Cronbach’s alpha，因為問卷多半是連續變量，但最近作的一項計畫，是處理學生答對與否，在信度方面，就不能用Cronbach’s alpha了，要用Kuder-Richardson reliability test，因為是categorical variable。
公式列在下面
Where:
N = number of items on the test (25 for you)
= variance of total scores
= item p-value
在Stata，要先安裝一個套件才能使用。
要直接安裝的話，程式在下面：
net install kr20.pkg…
Stata: 計算Kuder-Richardson (庫李信度) Read More »
現在是申請工作的旺季，也是許多研究生開始申請美國學校的時候了。不論你是前者還是後者，你都要謹慎處理你的online presence：因為你的committee非常有可能用你在facebook, twitter或google plus上面的訊息，來決定他們如何評價你，這可能直接或間接影響到他們是否錄取你。
The Chronicle of Higher Education最近一篇文章：Google-stalking job candidates: Tempting but risky, 裡面就說到這種情形。
…An online search, meanwhile, might ferret out a piece of interesting information that didn’t make the application packet or give a glimpse of how candidates portray themselves out in the (virtual) world.
謹慎處理你的online presence Read More »
在申請工作時，有些學校會讓你寫teaching philosophy，這裡整理了一些好用的quotes，可以用來開頭或結尾。
Learning teacheth more in one year than experience in twenty.…
Teaching philosophy可選用的quotes Read More »
要找美國學術工作，你會非常關注什麼時候工作會張貼出來，這樣你可以知道今年整體市場如何，決定要申請工作的數量。
那何時是美國學術工作張貼的高峰期呢？這問題很難說，而且每個領域是有些不同的。不過為了給大家一個概念，這裡採用了The Chronicle of Higher Education的文章，裡面轉用了Modern Language Association的資料。
下圖是2013年張貼出來英語文學的學術工作。從中你會看到，506個工作review在年底之前就開始，只有113個工作是到2014年才開始review的。換句話說，你如果要找明年八月開始的學術工作，今年開始申請，而且今年學校就會review你的申請材料了。
再具體一點。70%的工作是在12/1號之前開始評審。如果推算回去的話，趨勢一樣的情況下，那意思是大部分的美國學術工作，你可能已經可以在網路上找到資訊，或是在這一個星期左右就會看到。
就像下圖，十月有111個工作到deadline，那表示這些工作是更早以前張貼的，所以現在(九月到十月初)是找學術工作的重要期間，千萬不要錯過！但也有可能你的領域早一點或晚一點，這請詢問你的指導教授。
上面的時間是說明在這段時間，有多少工作到了submission deadline。…
前面的文章探索性因素分析的設計與使用 (一) 講到了模型契合方式的選擇，裡面提到了幾種常用的方法：
常用的方法有 maximum likelihood (簡稱ML), pricipal factors with prior estimation of communalities, 和 iterative principal factors。
ML 的優點是可以得到較廣的模型適合度指標 (a wide rage of indexes of the goodness of fit of the model)。此外，ML 還允許測試 factor loadings 與因素之間的相關度是否為顯著。然而，ML 的限制是假設了多變量的常態性 (normality)。如果嚴重違反常態性，得出的結果將是扭曲的。
principal factor methods (包含 iterated 與 noniterated的。注意：principal factor methods 與主成份分析是不一樣的) 的優點則是沒有常態性分佈的假設。此外，principal factor methods 也較不會得到扭曲的結果。然而，此種方法的缺點是提供較少範圍的 goodness of fit indexes (適合度指標)。此外，一般來說也不提供 confidence intervals 和顯著測試。
但這些解釋可能不是很直觀，所以找了個英文說明，讓大家更清楚。
