心理测量学（Psychometrics）是心理学的一个核心分支，研究心理特质的测量理论、方法和技术。它关注如何将抽象的心理学概念（如智力、人格、态度）转化为可量化的、可重复的测量工具。心理测量学不仅为心理学研究提供了方法论基础，也在教育评估、临床诊断、人力资源管理、市场调研等领域有着广泛应用。
心理测量学可被视为"心理学的计量学"——正如物理学的测量依赖米尺、天平和秒表，心理学的测量依赖测验、量表和问卷。但心理特质具有不可直接观测性（Latent Construct），因此其测量面临独特的挑战。
| 问题 | 描述 | 物理测量类比 |
|---|---|---|
| 定义问题 | 要测量的心理构念是什么？如何操作化定义？ | 测量"长度"前需定义什么是一维距离 |
| 量化问题 | 如何将心理属性映射到数值？尺度是否合理？ | 温度计将热量映射到度数 |
| 误差问题 | 测量中混入了多少随机误差和系统误差？ | 每次用尺测量都可能有一两毫米的偏差 |
心理测量学的发展与心理学科学的演进密不可分。
弗朗西斯·高尔顿（Francis Galton, 1822—1911） 率先尝试系统测量人类差异。他在1884年国际卫生展览会上设立了"人体测量实验室"，收集了超过9,000人的感官辨别能力数据。高尔顿提出了"相关"（Correlation）的概念，为后续的统计分析奠定了基础。
詹姆斯·麦基恩·卡特（James McKeen Cattell, 1860—1944） 在其1890年的论文《心理测验与测量》中首次提出了"心理测验"（Mental Test）这一术语。他设计了50个测验项目，涵盖反应时间、压力感知、记忆力等。
阿尔弗雷德·比奈（Alfred Binet）和西蒙（Théodore Simon） 于1905年发表了世界上第一个正式智力测验——比奈-西蒙智力量表。这个包含30个项目的量表通过年龄分级来测量儿童的智力水平。比奈引入了"心理年龄"（Mental Age）的概念，为后续IQ计算奠定了基础。
刘易斯·特曼（Lewis Terman） 于1916年将比奈量表修订为斯坦福-比奈智力量表，引入威廉·斯特恩的智商公式：
例如，一名8岁儿童能完成10岁水平的所有测验，其IQ = 10/8 × 100 = 125。这一公式使不同年龄儿童的智力水平具有了可比性。
大卫·韦克斯勒（David Wechsler） 在1939年开发了韦克斯勒-贝尔维智力测验，引入离差智商（Deviation IQ）概念——基于同龄人群的分布：
其中 为个体得分相对于同龄人平均值的标准差单位。例如，如果一个被试的得分比同龄人平均值高1个标准差，则IQ = 115。
伍德沃斯（Robert Woodworth） 在第一次世界大战期间编制了个人资料表（Personal Data Sheet），用于筛选情绪不稳定的士兵，这是最早的人格问卷之一。
哈撒韦（Hathaway）和麦金利（McKinley） 于1943年发表了明尼苏达多项人格测验（MMPI），采用效标关联法（Criterion-Keying）编制项目，至今仍是临床心理评估的金标准。
1950年代至1970年代，经典测验理论（Classical Test Theory, CTT） 达到了其发展的巅峰，同时项目反应理论（Item Response Theory, IRT） 开始兴起。1980年代后，计算机自适应测验（Computerized Adaptive Testing, CAT）和结构方程模型（SEM）进一步丰富了心理测量学的方法论。
心理测量学中，量表类型决定了数据的解释方式和统计方法的选择。
| 量表类型 | 描述 | 数学变换 | 示例 | 可用统计量 |
|---|---|---|---|---|
| 称名量表 | 分类标记，无顺序 | 一一对应 | 性别（男/女）、诊断类别 | 众数、卡方检验 |
| 顺序量表 | 有顺序但不等距 | 单调递增 | 排序（第1名、第2名...） | 中位数、秩和检验 |
| 等距量表 | 等距但无绝对零点 | 线性变换 | 摄氏温度、IQ分数 | 均值、标准差、t检验 |
| 比率量表 | 有绝对零点，等距 | 比例变换 | 反应时间、身高、年龄 | 所有统计量，几何均值 |
选择统计方法的实践准则：
假设你有一组IQ分数：[85, 95, 100, 105, 115, 120, 130]。由于IQ被设计为等距量表，你可以计算均值（107.1）和标准差（15.9），并报告"得分为130的被试比均值高出1.44个标准差"。但若这组数据来自一个5分制的面试评分（顺序量表），则只能报告中位数和四分位距，而"平均分"这种计算是没有意义的。
经典测验理论（Classical Test Theory, CTT），也称真分数理论，是心理测量学最基础、应用最广泛的理论框架。
CTT的核心假设是：观测分数 = 真分数 + 误差分数：
其中：
从CTT模型出发，可以推导出：
信度系数 定义为真分数变异在观测分数变异中所占的比例：
数值示例： 假设一个由50个项目组成的数学测验，1000名学生的观测分数方差 ，通过重测法估计出误差方差 ，则：
这意味着观测分数变异的80%可以归因于真实能力差异，20%来自随机测量误差。
测量标准误是CTT中评估个体分数精度的关键指标：
实际应用示例： 假设一个智力测验的 ，信度 ：
这意味着，若一个被试的观测得分为110，那么其"真分数"的95%置信区间为：
也就是说，有95%的把握认为该被试的真实IQ分数在101到119之间。
信度指测量结果的一致性、稳定性和可重复性。高信度是有效测量的必要条件——如果一把尺子每次量同一物体都得到不同的数值，它就谈不上"准确"。
| 信度类型 | 评估方法 | 统计指标 | 典型应用场景 |
|---|---|---|---|
| 重测信度 | 同一测验在不同时间施测 | 皮尔逊 | 智力测验、人格特质（稳定构念） |
| 复本信度 | 两个平行版本同时施测 | 皮尔逊 | 标准化学业测验 |
| 分半信度 | 测验分成两半分别计分 | 斯皮尔曼-布朗校正 | 任何单一形式的测验 |
| 内部一致性信度 | 各项目间相关性 | Cronbach's | 态度量表、人格问卷 |
| 评分者信度 | 不同评分者对同一被试评分 | Cohen's / ICC | 作文评分、临床诊断 |
Cronbach's α 是最常用的信度指标，其计算公式为：
其中 为项目数， 为第 个项目方差， 为总分方差。
数值示例：
假设一个5题的外向性量表，收集了100份数据：
| 项目 | 方差 |
|---|---|
| 我喜欢社交聚会 | 1.25 |
| 我很容易结交新朋友 | 1.18 |
| 我更愿意一个人待着（反向计分） | 1.32 |
| 在聚会上我会主动和陌生人聊天 | 1.41 |
| 我享受成为众人注意的焦点 | 1.09 |
| 项目方差之和 | 6.25 |
| 总分方差 | 18.36 |
代入公式：
α = 0.825，表明该量表具有良好的内部一致性（通常 α ≥ 0.8 被认为良好）。
项目数量：增加项目通常提高信度。斯皮尔曼-布朗预测公式：
其中 为增加项目后的预期信度， 为原始信度， 为增加倍数。
示例： 一个10题的测验信度为0.60，增加到20题（）：
增加到40题（）：
项目异质性：项目内容越同质，内部一致性越高，但内容覆盖面可能变窄
样本变异：样本越异质，信度系数往往越高（因为真分数变异更容易被检测）
施测条件：标准化程度越高，误差越小，信度越高
效度指测验是否真正测量了它声称要测量的构念。高信度是高效度的必要条件，但非充分条件——一把准确的尺子量错了对象也是无效的。
评估测验项目是否充分覆盖了目标构念的全部维度。
方法： 请领域专家对每个项目与构念的相关性进行评定，计算内容效度比（Content Validity Ratio, CVR）：
其中 为判定项目"必要"的专家人数， 为专家总数。
示例： 编制一个"统计焦虑"量表的15个项目，请10位统计学家评估每个项目是否与统计焦虑相关。对其中一个项目"看到方差分析公式时我感到紧张"，8位专家认为必要，则：
根据Lawshe（1975）的临界值表，10位专家时CVR需要 ≥ 0.62才算达到统计显著性。因此这个项目需要修改或删除。
评估测验分数与某个外部标准（效标）的相关程度。
实际案例： 一个"销售能力倾向测验"用于招聘销售员。研究者在录用100名销售员时记录其测验分数，6个月后收集其实际销售额。若测得 （），则表明该测验具有中等程度的预测效度。
最抽象也最重要的效度形式，评估测验是否真的测量了理论构念。
评估方法：
信度高但不效度高 信度高且效度高
┌─────────────────┐ ┌─────────────────┐
│ 始终击中靶心外 │ │ 始终击中靶心 │
│ 的同一个位置 │ │ │
└─────────────────┘ └─────────────────┘
信度低 信度低且不效度高
┌─────────────────┐ ┌─────────────────┐
│ 随机散射 │ │ 随机散射 │
└─────────────────┘ └─────────────────┘
一则经典比喻：用一把准确的尺子量一个方的物体反复得到50cm（高信度），但如果物体实际上是圆的，这50cm就是无效的（低效度）。
项目分析是测验编制的核心环节，评估每个测验项目的质量。
项目难度（Item Difficulty）指被试正确作答某项目的比例，对于能力测验通常计算通过率：
难度参考标准：
| p值 | 难度评价 | 适用场景 |
|---|---|---|
| 0.90—1.00 | 非常容易 | 作为热身题或"缓冲项目" |
| 0.70—0.89 | 较容易 | 用于筛选低能力被试 |
| 0.40—0.69 | 适中 | 最佳区分能力的项目 |
| 0.10—0.39 | 较难 | 用于区分高能力被试 |
| 0.00—0.09 | 非常难 | 作为挑战项目 |
数值示例： 一个30人的数学测验，对第5题（二元一次方程求解），有18人答对：
这是一个难度适中的项目。而对第12题（微积分基础），只有5人答对：
这是一个较难的项目。
项目区分度（Item Discrimination）指项目的好坏程度，即高分者与低分者在项目上的表现差异。
极端组法： 将总分前27%和后27%的被试分别设为高分组和低分组：
其中 为高分组正确作答数， 为低分组正确作答数， 为一组的人数。
示例： 100名被试，前27人（高分组）中20人答对，后27人（低分组）中8人答对：
区分度评价标准（Ebel, 1965）：
| D值范围 | 评价 | 处理建议 |
|---|---|---|
| ≥ 0.40 | 优秀 | 保留 |
| 0.30—0.39 | 良好，可改进 | 保留或微调 |
| 0.20—0.29 | 边缘，需要修改 | 修改后重新评估 |
| < 0.20 | 低劣，需淘汰 | 删除或大幅修改 |
一个好的选择题应该具备：正确选项被高分组更多选择，各错误选项（干扰项）被低分组更多选择。
无效选项的判断标准：
示例： 对一个4选1的选择题进行分析（N=100）
| 选项 | 高分组(27人) | 低分组(27人) | 说明 |
|---|---|---|---|
| A（正确） | 22 | 9 | 正确选项：区分度良好 |
| B | 2 | 6 | 有效干扰项 |
| C | 1 | 1 | 效力弱，考虑修改 |
| D* | 2 | 11 | 优秀干扰项：低分组选择多 |
*注：D选项作为干扰项效果很好——可能有部分学生混淆了两个概念。
标准化是确保测验公平和可比的基础，涉及从施测到分数解释的全过程。
| 常模类型 | 描述 | 示例 |
|---|---|---|
| 年龄常模 | 按年龄分组统计典型表现 | 6岁儿童的比奈IQ常模 |
| 年级常模 | 按年级分组 | 三年级数学测验年级当量 |
| 百分位常模 | 低于某分数的人数百分比 | 在90百分位的被试超过了90%的同龄人 |
| 标准分数常模 | 转换为具有固定均值和标准差的分数 | 韦克斯勒IQ：均值100，标准差15 |
| T分数常模 | 均值50，标准差10 | MMPI临床量表的T分数 |
假设原始分数服从正态分布，其均值为 ，标准差为 ，则原始分数 可以转换为不同的标准分数：
Z分数：
Z分数的均值为0，标准差为1。但Z分数可能出现小数和负数，不便于报告。
T分数： 韦克斯勒IQ之外常用的转换：
T分数的范围为0—100，消除了负值。
Stanine（九级分制）： 将分数分为9个等级：
| Stanine | 原始百分位范围 | 占总体的比例 |
|---|---|---|
| 1 | 最低4% | 4% |
| 2 | 4%—11% | 7% |
| 3 | 11%—23% | 12% |
| 4 | 23%—40% | 17% |
| 5 | 40%—60% | 20% |
| 6 | 60%—77% | 17% |
| 7 | 77%—89% | 12% |
| 8 | 89%—96% | 7% |
| 9 | 最高4% | 4% |
| 量表 | 适用年龄 | 信度系数（全量表IQ） | 施测时间 |
|---|---|---|---|
| WPPSI-IV | 2.5—7.5年 | 0.95—0.96 | 30—45分钟 |
| WISC-V | 6—16年 | 0.96 | 45—65分钟 |
| WAIS-IV | 16—90年 | 0.97—0.98 | 60—90分钟 |
WAIS-IV的结果解释示例： 一个30岁男性被试的WAIS-IV得分：
| 分量表 | 量表分（均值10，SD3） | 百分位 | 描述 |
|---|---|---|---|
| 言语理解（VCI） | 118 | 88% | 高于平均水平 |
| 知觉推理（PRI） | 105 | 63% | 平均水平 |
| 工作记忆（WMI） | 95 | 37% | 平均水平 |
| 处理速度（PSI） | 85 | 16% | 低于平均水平 |
| 全量表IQ（FSIQ） | 104 | 61% | 平均水平 |
该被试的言语能力显著优于其处理速度，两者相差33分（>2个标准差），提示可能存在信息加工方面的问题。
大五人格模型（Big Five）是目前人格心理学最具共识的理论框架，包含以下五个维度：
| 维度 | 高分特征 | 低分特征 | 典型项目示例 |
|---|---|---|---|
| 神经质（N） | 焦虑、情绪不稳定 | 冷静、情绪稳定 | "我经常感到紧张不安" |
| 外向性（E） | 社交活跃、精力充沛 | 独处、安静 | "我享受结识新的人" |
| 开放性（O） | 好奇心强、创意丰富 | 传统、务实 | "我对抽象概念感兴趣" |
| 宜人性（A） | 合作、信任他人 | 批评、竞争性强 | "我同情那些有困难的人" |
| 尽责性（C） | 条理清晰、自制 | 随性、缺乏条理 | "我总是把工作做完" |
典型剖面图示例： 一个程序员的NEO-PI-R剖面（T分数，均值50，SD10）：
| 维度 | T分数 | 百分位 |
|---|---|---|
| 神经质 | 42 | 21% |
| 外向性 | 38 | 12% |
| 开放性 | 65 | 93% |
| 宜人性 | 55 | 69% |
| 尽责性 | 62 | 88% |
该剖面呈现出显著的低外向性（"程序员典型"）和高开放性特征，同时高尽责性提示较强的条理性和自控力。T分数42的神经质在正常范围内，表明情绪相对稳定。
投射测验（Projective Tests）通过呈现模糊刺激，让被试投射其潜意识内容。
| 测验 | 刺激 | 方法 | 信度争议 |
|---|---|---|---|
| 罗夏墨迹测验 | 10张对称墨迹图 | 被试描述"看到了什么" | 评分者信度差异大，但Exner综合系统有所改善 |
| 主题统觉测验（TAT） | 模糊人物场景图片 | 被试编故事（过去、现在、未来） | 重测信度0.30—0.80，因情境因素变动大 |
| 画人测验（DAP） | 空白纸和笔 | 要求画一个人 | 评分主观，标准化程度低 |
注： 投射测验的效度在学术界存在极大争议。许多元分析（如Lilienfeld等，2000）指出，并非所有投射测验都能满足基本的心理测量学标准。罗夏测验的Exner综合系统的评分者信度可达0.80以上，但构念效度仍有争议。
项目反应理论（Item Response Theory, IRT）是经典测验理论的重大超越，关注的是项目特征与被试能力之间的函数关系。
最常用的IRT模型是三参数逻辑模型（3PL）：
其中：
考虑一个数学测验项目：
| 参数 | 值 | 解释 |
|---|---|---|
| 1.5 | 中等偏高的区分度 | |
| 0.0 | 中等难度（能力为平均水平的人有50%答对概率） | |
| 0.25 | 四选一选择题的随机猜测概率 |
对该项目，不同能力水平被试的答对概率：
| 能力水平 θ | 答对概率 P(θ) | 解释 |
|---|---|---|
| -2.0（低于均值2个SD） | 0.286 | 近29%的概率（含猜测成分） |
| -1.0 | 0.384 | 略高于猜测水平 |
| 0.0（平均值） | 0.625 | 中等概率 |
| 1.0 | 0.847 | 高概率 |
| 2.0（高于均值2个SD） | 0.964 | 几乎肯定答对 |
| 比较维度 | CTT | IRT |
|---|---|---|
| 项目参数 | 依赖于样本（ 值和 值随样本变化） | 样本独立（参数在同一量尺上） |
| 被试能力 | 依赖于测验（不同测验的分数不可直接比较） | 测验独立（能力估计不受测验项目影响） |
| 测量精度 | 对所有被试相同 | 对不同能力水平的被试提供不同的精度 |
| 所需样本量 | 较小（200—500即可） | 较大（500—1000+） |
| 项目等值 | 困难 | 方便（在同一量尺上） |
| 自适应测试 | 不支持 | 天然支持（CAT） |
| 软件实现 | SPSS、Excel | Winsteps、MIRT、mirt（R包） |
CAT基于IRT理论，根据被试的实时表现动态选择项目，实现高效测量。
1. 初始估计：所有被试从相同中等难度或根据背景信息
调整的起始项目开始
↓
2. 施测项目：呈现当前的"最优"项目（信息量最大）
↓
3. 更新估计：基于被试的作答，使用最大似然估计或贝叶斯
方法更新能力值
↓
4. 终止判断：是否达到预设的测量标准误差或项目数量上限？
↓
┌───────┴───────┐
是 否
↓ ↓
报告结果 回到步骤2
| 测验 | 传统纸笔测验 | CAT版本 | 效率提升 |
|---|---|---|---|
| GRE-GRE | 86题 | 约40题（平均） | 53%减少 |
| ASVAB（美军职业能力测验） | 200题 | 约120题（平均） | 40%减少 |
| 特定领域的数学测验 | 30题 | 12—18题 | 40—60%减少 |
一项元分析（Weiss & Kingsbury, 1984）表明，CAT在保持与传统测验相同测量精度的前提下，平均可节省40%—60%的项目。
计算机化测验（Computer-Based Testing, CBT）不仅仅是CAT的载体，还包括：
结构方程模型可同时评估测量模型（潜变量与观测指标的关系）和结构模型（潜变量之间的关系），用于验证测验的构念效度。
拟合指标标准：
| 指标 | 良好拟合 | 可接受拟合 | 说明 |
|---|---|---|---|
| — | 大样本下易显著 | ||
| CFI | ≥ 0.95 | ≥ 0.90 | 比较拟合指数 |
| TLI/NNFI | ≥ 0.95 | ≥ 0.90 | Tucker-Lewis指数 |
| RMSEA | ≤ 0.05 | ≤ 0.08 | 近似均方根误差 |
| SRMR | ≤ 0.05 | ≤ 0.08 | 标准化残差均方根 |
心理测量中的公平性指测验对不同群体（性别、种族、文化背景）的测量具有相同的意义和预测效力。
检测项目功能差异（DIF）：
| DIF类型 | 描述 | 示例 |
|---|---|---|
| 均匀DIF | 能力相同但来自不同群体的被试，项目正确概率恒定差异 | 一个文化特有的项目对某群体始终更困难 |
| 非均匀DIF | 不同群体的项目特征曲线斜率不同 | 项目在有背景知识的群体中区分度更高 |
实际案例： 某空间推理测验中包含"冰球"相关的题目。分析发现，相同空间能力的被试中，北欧裔答对概率显著高于亚裔（DIF显著）。进一步调查确认：这是因为冰球在北欧的普及度远高于亚洲，导致题目存在文化偏差。修改后的题目替换了更为文化中性的"运动球类轨迹"描述，DIF消失。
心理测量学为心理学及其应用领域提供了核心方法论支撑。从经典测验理论的简单框架到项目反应理论的精细模型，从纸笔测验到计算自适应测验，心理测量学始终在测量精度、测验效率和公平性之间寻找最优平衡。
关键要点回顾：