内在一致性和时间稳定性
我们之前也有提到，人的判断是在工作分析的数据误差的重要来源。
作为工作分析的一
部分，产生误差的其他两个来源往往也是值得调查的：由于具体的项目内容引起的误差，和随着时间的变化而产生的误差。
为了调查由于特定的项目内容引起的误差，我们需要估计内部一致性。
内在一致性描述了测量项目是如何组成量表的以及其结构的一致性。
内在一致性通过大量的估计表明，有少量的错误是由于具体的项目内容引起的。
折半法是测量内在一致性的一种方法。
用折半法估计估计内在一致性，首先将一组大规模的项目分成两部分，再将每个部分分解，找出两组数据之间的相关性。
举个例子，假设我们现在有四个PAQ从100个工作中评定的决策项目，我们将项目1和3分配到级别A，将项目2和4分配到级别B。
这样对于参与问卷分析的100个工作中，我们都有两个分数，A和B。
计算这两组数据之间的相关性，用于估计其内在一致性。
我们还可以将问题1、2分配到级别A，问题3、4分配到级别B。
如果这样分配我们会得到不同的内在一致性估计，这是一个问题。
折半法不再被过多地使用，但是一个措施中有不同的影响因素混合时，折半法是有用的。
如今，一种叫α信度系数的方法在取代折半法。
相关系数(r）经常用于比较两个评判员、两个项目或测试。
然而，我们经常为了产生一个得分而设置多个评判员或项目。
例如，我们可以有三个工作分析员进行评分或者可以基于工作责任通过总结在职者对不同任务的反应创造一个得分。
在这种情况，我们需要一个可靠性的指数，这个指数用来总结总评分的可靠性而不是总结成对的数据。
α信度指数提供了这样的一个总结。
α信度系数是目前最常用的信度系数。
它在多个评判员分析多个工作的时候很常用。
α信度系数不仅仅适用于评判者，它也能很好地适用于项目和量表。
因此，α信度系数也在等级量表形成的时候被使用，例如绩效考核评分。
α信度系数还经常用于测试，在个人的测试项目总结成为总成绩时。
在这种情况，测试项目代替了评判者。
α信度系数能在所有的测试项目或评判者期望给予相似的评分结果时被正确地适用。
如果我们期望得到任职者和管理者之间的差异，那么我们需要一个引起差异的方法。
做到这个的一个方法是应用我们先前提到的组内相关性。
时间稳定性是指是对同一组被调查人员采用相同的调查问卷，在不同的时间点先后调查两次。
我们可以在一月调查一组在职者关于工作花费时间或工作任务的重要性的情况，然后在同年六月再用同样的方法再调查一次。
对于每一个任务，我们在两次调查中对工作时间花费和任务重要性有一个平均的评分。
我们可以计算两次调查的相关性。
这个相关性显示评分方法经过时间的变化测试结果的一致性程度，以确定其稳定性。
当时间稳定性高，说明该方法几乎不会因为时间而产生误差。
效度
像我们之前提到过的，工作分析方法的效度关注的数字或分数的意义。
在工作分析中，效度是通常与数据采集的用途或目的结合起来。
例如，如果将PAQ（职位分析问卷）用于工作评价，我们期望从PAQ中得到的分数与一组关键岗位薪资数据是高度相关的。
在这一节，我们将描述几个有关工作分析效度的数据分析技术。
就绝大部分而言，这些技术需要计算机操作，在任何时间段里都不能用手完成。
相关系数和回归系数
相关系数是通过单一的数字来反映两个变量之间的相关关系的统计指标。
例如，我们可以用相关系数来反映某项工作任务的学习困难程度和为了提高熟练度使用的平均练习时间。
回归系数与相关系数是密切相关的，主要的区别在于回归系数可用于当自变量变化一个单位
时，对因变量的变化量做数值预测。
相关系数可以反映PAQ结果和一组工作的薪酬情况是密切相关的，而回归系数可以通过PAQ中的数据来预测一个岗位的薪资。
回归系数在工作评价中是非常有用的。
虽然我们只介绍两个变量间的相关系数，但相关系数和回归系数都可以推广到反映任意数量的预测变量的关系。
所以，举个例子，可以通过PAQ中几个不同的项目预测薪酬。
我们把这个称为多元回归。
这项技术的深入研究，可参考Pedhazur(1997)
因素分析和聚集分析
因素分析和聚集分析都有助于数据的组合。
一些结构化工作分析技术（如工作成分清单法JCI、职位分析问卷PAQ）含有大量的项目。
虽然大量的项目数目有助于我们确定得到的信息相对完整，但是由于程序繁琐，花费很多时间，成本大。
将一些项目结合成更具整体性的有概括意义的尺度会使分析过程大大简化。
例如，一些PAQ的项目可以联合为问题解决能力的尺度，一些JCI的项目可以联合为等差尺度。
因素分析法就是用于创造这些尺度。
如果用一个项目测量大量的岗位，我们可以计算这些项目之间的相关系数矩阵。
相关系数矩阵可以反映工作分析中每两个项目相互之间的相似性。
因素分析法从这样由一些因素变量组成的矩阵中进行提取，通过这些因素的分析可以来分析问卷的效度。
通过一小部分的项目，可以简单地检查矩阵以发现其搭配。
但是这种方法随着项目数目的增加会难以控制，在这里计算机程序能给予极大的帮助。
因素分析法常用于尺度的发展，尤其是结构化工作分析技术的发展。
关于因素分析的更多细节，参见学者Kline（1994）的研究。
一种叫多维排列的技术与因素分析很相似且可以用于相同的目的。
关于多维排列法的进一步信息，参见Borg&Groenen(1996).
聚集分析也用于数据的组合。
但是聚集分析通常用于组合某种工作而不是项目。
与因素分析法相似，聚集分析法建立在反映项目之间相似性的数据之上。
在聚集分析中，这些项目通常指的是工作岗位。
这些相似性数据可以组成一个相关性矩阵来反映工作之间的相关性，或者这些数据可以通过不同的属性反映工作的各个侧面，例如不同任务的工作时间。
无论是哪种情况，聚集分析法都需要根据每两个工作彼此之间的相似性程度将工作分组。
首先将最相似的工作放到一组，再讲下一个最相似的工作分到一组，一次类推组成4组。
聚集分析法是将所有独立的工作分成各个组别的过程。
在这过程中，通常会分成合理数目的组别（3-10个或更多，随工作的差异性而定）。
计算机提供了不同的聚集分析解决方法，但是这取决于研究者决定怎样选择最具代表性的数据。
聚集分析法常用于工作分类，还可以用于为了选择和培训而进行的工作分组。
关于聚集分析的详细详细研究，可参考Bailey(1994).。
