第三篇文章

1. 文章哪里提到了“克朗巴哈系数和题项-总分相关”？

这篇文章在 第8页和第9页 的 “Study variables” 部分，详细描述了每个制度变量的构建过程，并明确报告了克朗巴哈系数 和题项-总分相关 来证明其量表的信度。

具体来说，对于每一个从NES数据中构建的变量，作者都遵循了以下模式：

1. 变量构建：说明该变量是由多少个题项的平均值构成的。

2. 信度检验：报告“题项-总分相关系数”的范围和“克朗巴哈系数”的值。

原文摘录及中英文对照说明：

• 金融系统

  • 原文：Pairwise correlations between the composite measure and each of the six items range from .576 to .928... The Cronbach’s alpha estimate was .859

  • 解释：这表示合成的“金融系统”指标与构成它的6个题项之间的两两相关系数在0.576到0.928之间。克朗巴哈系数为0.859，远高于0.7的通用标准，表明内部一致性非常好。

• 政府政策

  • 原文：Pairwise correlations between the scale and the items ranged from .568 to .884 and the Cronbach’s alpha was .907.

  • 解释：题项-总分相关为0.568至0.884，克朗巴哈系数高达0.907，信度极佳。

• 技术转移

  • 原文：Item-scale pairwise correlations ranged from .485 to .831 with a Cronbach’s alpha of .874.

  • 解释：题项-总分相关为0.485至0.831，克朗巴哈系数为0.874，信度很高。

• 准入法规 & 教育 & 文化

  • 文章对这几个变量也进行了同样的处理，都报告了相关系数和克朗巴哈系数（例如，教育的克朗巴哈系数为0.891，文化为0.949）。

对您论文的启示：
在您的论文 “3.3 Reliability and Validity Tests” 部分，您已经做了类似的事情（报告了KMO和Bartlett’s Test）。您可以参考这篇文章，进一步补充报告克朗巴哈系数，这是衡量量表信度更常用、更直接的指标。您可以这样写：“The composite scales for internal and external perception demonstrated good internal consistency, with Cronbach's alpha coefficients of XX and XX, respectively.”

3. 文章是怎么进行系数比较的？

这篇文章采用了统计学中专门用于比较分组回归系数的严谨方法。它并没有简单地“肉眼比较”系数大小，而是遵循了以下标准化流程：

具体方法（原文第9页 “Analysis” 部分）：

1. 分组运行回归：

   • 将样本按性别分为女性和男性两个子样本。

   • 对这两个子样本分别运行完全相同的逻辑回归模型。

   • 这产生了两个独立的回归结果表（如表3的“女性”列和“男性”列）。

2. 使用恰当的统计技术进行比较：

   • 原文明确指出：Following Allison (1996), we undertook female-male comparisons appropriately by utilizing logit and probit coefficients.

   • Allison (1996) 的论文解决了比较Logit或Probit模型 across groups 的核心问题：在分组模型中，残差的方差可能不同，直接比较系数可能产生偏差。他提出了包括异方差检验和其他方法来准确检验系数的差异是否显著。

   • 因此，作者并非仅仅对比系数和p值，而是使用了经过统计校正的正式检验方法。

3. 结果解读：

   • 在表3的Model 2中，他们发现：

     • 女性样本：Technology transfer: b = 1.072; p < .01 (显著)

     • 男性样本：Technology transfer: b = .457; p > .05 (不显著)

   • 通过Allison (1996)的方法进行正式检验后，他们得出结论：技术转移对女性和男性的影响存在统计上显著的差异，从而支持了H1（性别具有调节作用）。

对您论文的启示：
您在 “4.2.1 Baseline Regression Results” 中使用的 “Cross-equation coefficient-difference tests using seemingly unrelated regression (sureg)” 与本文所引用的 Allison (1996) 的方法在精神和目的上是完全一致的，都是用于检验分组回归系数差异显著性的严谨方法。您在论文中已经做得非常专业。

总结一下，您可以这样在论文中表述：“To rigorously test the difference in coefficients between groups, we followed the standard practice in entrepreneurship research (e.g., Murphy et al., 2019) and performed coefficient difference tests using seemingly unrelated regression (SUREG).” 这能有力地支持您分析方法的有效性。