（基础心理学专业论文）人格测验的项目反应过程与数据分析方法研究——以生活取向测验及其修订版为例.pdf

摘要 为研究人格测验的项目反应过程与数据分析方法，该博士论文选取了生活取 向测验( l o t ) 及其修订版( l o t - r ) 作为例子。因为这两个测验具有典型人格 测验的特点，即项目数少，并由相同数量的正负性词项目组成。这两个测验的维 度在西方研究者中引起了广泛的争论。争议的焦点是测验编制者根据自我调节理 论认为这两个测验的维度是单维的，但采用因素分析方法分析时却得到两个维 度。为了验证这两个测验单维性的违背并不是西方文化特有的产物，也不是项目 因素导致的方法效应，而主要是由于研究者所采用的因素分析方法对测验的项目 反应过程作了错误的限定，作者在中国文化背景下采用传统的因素分析方法和理 想点方法同时对两个测验的维度和反应过程进行了验证，结果验证了两个测验单 维性的违背具有跨文化的一致性，l o t 和l o t - r 的项目反应过程是一种理想点 过程，l o t - r 的单维性之所以违背主要是由于因素分析方法对它的项目反应过程 错误地限定为优势过程。 由于l o t - r 的项目反应过程是一种理想点过程，作者假设建立在该过程基 础上的展开模型比优势模型更拟合该测验的项目反应数据。通过比较拓广等级展 开模型( g g 切) 、等级反应模型( g r m ) 和拓广分部评分模型( g p c m ) 的模 型数据拟合发现，g g u m 的模型数据拟合确实优于其它两个模型，但该模型的 绝对拟合仍不是很好，作者尝试从减少数据的复杂性和增加模型的复杂性两个方 面改善模型数据拟合。当对l o t - r 的反应数据重新编码为2 种类别的数据后， g g u m 的模型数据拟合确实得到了进一步的改善；当对g g u m 进行拓展，使 之变为更复杂的拓广分部展开模型( g p u m ) 后，新模型的模型数据拟合也变 得较原有的g g u m 更拟合l o t - r 的反应数据。进而，作者提出对一些人格测验 的数据应该减少数据的复杂性或采用更复杂的模型才可能取得更好的拟合。 在考查展开模型对l o t - r 反应数据的拟合的同时，作者也对展开模型的参 数估计方法进行了研究。结果发现，当对5 种反应类别的l o t - r 数据进行分析 时，边际极大似然( m m l ) 方法估计的g g u m 项目参数不太准确，l o t - r 的反 应数据重新编码为2 种类别的数据之后，g g u m 的项目参数估计值的准确性得 到了一些改善。同时，对g g u m 中的阈限参数施加一定限制之后，大多数项目 的参数估计值的准确性也得到了改善。但是m m l 方法仍存在高估项目位置参数 及其标准误的情况。为了消除上述不良影响，作者引入马尔科夫链蒙特卡洛 ( m c m c ) 方法对g g u m 的参数进行估计，结果发现这种方法得到的估计值显 i 得比m m l 方法得到的项目位置参数和标准误估计值都更合理。并且它能用于估 计更复杂的g p u m 的参数。因此作者认为m c m c 方法相对于m m l 方法更不会 限制复杂模型的使用。 该博士论文中还开发了一个用于检验模型数据拟合的计算机程序，其计算 结果与广泛使用的m o d f i t 程序计算得到的结果几乎是一致的。与m o d f i t 相 比，新开发的程序不需要对样本容量和项目数进行限制，并可用于新模型的模型 ，数据拟合研究，但是该论文中开发的程序不能用于计算校正的z 2 a f 。 关键词：人格测验；生活取向测验；理想点过程；拓广等级展开模型；拓广分 部展开模型；边际极大似然方法；马尔科夫链蒙特卡洛方法 a b s t r a c t 1 1 1 el i f eo r i e n t a t i o nt e s t ( l o t ) a n di t s r e v i s i o n ( l o t - r ) w e r es e l e c t e df o r e x p l o r i n gt h ei t e mr e s p o n s ep r o c e s sa n dd a t aa n a l y s i so fp e r s o n a l i t yt e s t l o ta n d l o t - rw e r er e p r e s e n t a t i v eo fp e r s o n a l i t yt e s t s ，w h i c hc o n s i s t e do faf e wb a l a n c e d p o s i t i v ea n dn e g a t i v ew o r d i n gi t e m s t h ed i m e n s i o n a l i t yo fl o ta n dl o t - rw a s d e b a t e da m o n gm o s tw e s t e r nr e s e a r c h e r s m o s to fr e s e a r c h e r sf o u n dt h a tw h e nf a c t o r a n a l y s i sm e t h o dw a su s e dt oe x p l o r et h ed i m e n s i o n a l i t yo fl o ta n dl o t - r , u n i d i m e n s i o n a l i t yo ft h e s et w ot e s t sw e r eo f t e nv i o l a t e d s os o m er e s e a r c h e r sf a v o r e d t h a tl o ta n dl o t rs h o u l di n c l u d et w od i m e n s i o n s ，b u to t h e r sb e l i e v e dt h a tt h e v i o l a t i o no fu n i d i m e n s i o n a l i t yw a so n l yt h em e t h o d o l o g i c a le f f e c t so fi t e mw o r d i n g ，n l ea u t h o ro ft h i sr e s e a r c hc o n f i r m e dt h ed i m e n s i o n a l i t yo ft h e s et w ot e s t si nt h e c u l t u r eo fc h i n e s eb yf a c t o ra n a l y s i sa n di d e a lp o i n tm e t h o d s ，a n df o u n dt h a tw h e n f a c t o ra n a l y s i sw a su s e d ，t w of a c t o r sw e r er e t a i n e d ，w h i c hw a sc o n s i s t e n tw i t ht h e f o r m e rr e s e a r c h e s ，a l t e m a t i v e l yu n i d i m e n s i o n a l i t yw a sf a v o r e du n d e ri d e a lp o i n t m e t h o d s a sar e s u l tt h ea u t h o r ：, c o n c l u d e dt h a tt h e r ew a so n l yo n ed i m e a s i o n u n d e r l y i n gl o t - r , a n dt h ei t e mr e s p o n s eo ft h i s t e s tc o n f o r m e dt oi d e a lp o i n t p r o c e s s s i n c et h ei t e mr e s p o n s e so fl o t - rc o n f o r m e dt oi d e a lp o i n tp r o c e s s ，t h ea u t h o r s u p p o s e dt h a tu n f o l d i n gm o d e l sc a nf i t t h er e s p o n s ed a t ao fl o t - rb e t t e rt h a n d o m i n a n tm o d e l s a f t e rc o m p a r i n gg e n e r a l i z e dg r a d e du n f o l d i n gm o d e l ( g g u m ) t o g r a d e dr e s p o n s em o d e l ( g r m ) ，a n dt og e n e r a l i z e dp a r t i a lc r e d i tm o d e l ( g p c m ) ， e v i d e n c e sw e r ep r o v i d e dt oi n d i c a t e dt h a tg g u mf i tt ot h ed a t ao fl o t - rb e t t e r i n d e e dt h a ng r ma n dg p c m w h e nf i v ec a t e g o r i e sw e r er e c o d e dt ot w oo n e s ， m o d e l d a t af i t so fg g u mw e r ei m p r o v e d a n dw h e ng g u mw a se x t e n d e dt o g e n e r a l i z e dp a r t i a lu n f o l d i n gm o d e l ( g p u m ) ，w h i c hw a sm o r ec o m p l e xt h a nt h e f o r m e r , m o d e l - d a t af i t sw e r ef u r t h e ri m p r o v e dt o o t o g e t h e rw i t ha l lr e s u l t s ，t h e a u t h o rc o n c l u d e dt h a tm o r ec o m p l e xm o d e l sc a np r o v i d eb e t t e rf i tt op e r s o n a l i t yt e s t s a f t e ri n v e s t i g a t i n gm o d e l d a t af i t s ，t h em e t h o d so fe s t i m a t i n gp a r a m e t e r so f u n f o l d i n gm o d e lw e r ea l s oe x a m i n e d t h er e s u l t si n d i c a t e dt h a tw h e nm a r g i n a l m a x i m u ml i k e l i h o o d ( m m l ) m e t h o dw a su s e d ，t h ei t e mp a r a m e t e ra n ds t a n d a r de r r o r s e s t i m a t e so fg g u mw e r ei n c o r r e c t a f t e rr e c o d i n gr e s p o n s ec a t e g o r i e sa n dt h r o w i n g i s o r t i ec o n s t r a i n tt ot h r e s h o l dp a r a m e t e r s ，e s t i m a t e so fp a r a m e t e r sw e r ei m p r o v e d b u t e s t i m a t e so fi t e ml o c a t i o n sa n ds t a n d a r de r r o rw e r eo v e r e s t i m a t e d m a r k o vc h a i n m o n t ec a r l o ( m c m c ) m e t h o di np l a c eo fm m lm e t h o dw a su s e dt oe s t i m a t e p a r a m e t e r si ng g u m a n dm o r ea c c u r a t ee s t i m a t e so fi t e mp a r a m e t e r sw e r eo b t a i n e d m c m cc a na l s ou s e dt om o r ec o m p l e xm o d e l ( f o re x a m p l e ，g p u m ) ap r o g r a mw a sd e v e l o p e dt ot e s tm o d e l d a t af i tb yt h ea u t h o ra n dh i s c o l l a b o r a t o ri nt h i sd i s s e r t a t i o n t h er e s u l t so b t a i n e db yt h i sp r o g r a mw e r ea l m o s t c o n s i s t e n tw i t ht h o s eb ym o d f i tp r o g r a m f u r t h e r m o r e ，t h i sp r o g r a md i dn o tr e s t r i c t s a m p l es i z ea n di t e mn u m b e r s ，a n dc a nb eu s e dt ot e s tm o d e l - d a t af i to fn e w m o d e l b u tt h i sp r o g r a mc a nn o tb eu s e dt oc o m p u t e ra d j u s t e dz z a fr a t i o s k e yw o r d s ：p e r s o n a l i t yt e s t ；l i f eo r i e n t a t i o nt e s t ；i d e a lp o i n tp r o c e s s ；g e n e r a l i z e d g r a d e du n f o l d i n gm o d e l ；g e n e r a l i z e dp a r t i a lu n f o l d i n gm o d e l ；m a r g i n a lm a x i m u m l i k e l i h o o dm e t h o d ；m a r k o vc h a i nm o n t ec a r l om e t h o d 英文缩写符号 符号表 单参数逻辑斯蒂克模型 两参数逻辑斯蒂克模型 三参数逻辑斯蒂克模型 卡特尔1 6 种人格因素问卷 归因风格问卷 贝克抑郁问卷 用于估计1 p l m 、2 p l m 和3 p l m 参数的计算机程序 言语解释的内容分析 香港c h u e n g 等人修订的l o t 版本 香港l a i 等人修订的l o t r 版本 经典测验理论 项目功能差异 期望后验 期望一极大化 艾森克人格问卷 德国人格问卷 拓广等级展开模型 拓广等级展开模型的参数估计软件系统 s a m iji m a 等级反应模型 m u r a k i 拓广分部评分模型 拓广分部展开模型 等级展开模型 超余弦模型，或双曲余弦模型 项目特征曲线 项目反应函数 项目反应理论 联合极大似然 生活取向测验 x i g t 一 2 m m m f 0 e o t m m m m u u u p q i l v l o t f p q i u u m c u m m c f t l t 引引引6 9 d i a u t i a m p p g g r p p u c c r r m 0 1 2 3 1 a b b c c c c d e e e f g g g g g g h i i i j l l o t m对l o t 修订而成，由较不极端的项目组成的乐观测验 l o t r 生活取向测验修订版 m c m c 马尔科夫链蒙特卡洛 m e 模型方法效应模型 m f s m 非参数极大似然系统评分模型 m h m非参数单调同质模型 m m l 边际极大似然 m m p i 明尼苏达多项人格调查表 m o d f i t 单项目、两项目对和三项目组( 校正) z 2 a f 的计算程序 m u d f o l d多单维展开模型 n e o - f f i n e o p i r 的简式 n e o - p i r 一种用于测量大五人格的问卷 n l o t 对l o t 进行修订，使之全部由负性词项目组成 n l o t r 对l o t r 进行修订，使之全部由负性词项目组成 n p v j荷兰人格问卷一初中版 0 p 模型乐观一悲观因子模型 p a r s c a l e 可用于2 p l m 、g r m 、g p c m 等模型的参数估计程序 p l o t对l o t 进行修订，使之全部由正性词项目组成 p l o t r 对l o t r 进行修订，使之全部由正性词项目组成 p o s o e 个人乐观和社会乐观评估问卷 r l o t 对l o t 中的项目反应格式改编成频数评定格式组成的乐观测验 r l o t 对l o t r 中的项目反应格式改编成频数评定格式组成的乐观测验 r s m 评定量表模型 s s l m 简单平方逻辑模型 s t a i 状态一特质焦虑问卷 w i n b u g s采用m c m c 方法对模型进行分析的统计软件 希腊字母符号 秒i第，个反应者的潜在特质水平 口， 第f 个项目的区分度参数 4 第f 个项目的位置参数 第f 个项目第种反应类别的阈限参数 丑 第f 个项目的单位参数 表格目录 表4 - 1展开模型的二值数据结构3 9 表4 - 2 距离平方模型下项目的相关矩阵4 0 表4 - 3g g u m 下项目的相关矩阵4 1 表8 - 1 表8 2 表8 - 3 表8 - 4 表8 - 5 表8 - 6 表8 - 7 表8 - 8 表8 - 9 表8 1 0 l 0 1 、l o t r 和l o t m 的平均数和标准差( i s ) 7 6 l o t 和l o t - r 改编后的测验平均数和标准差7 7 样本i 和样本i i 上l o t 、l o t r 和l o t m 的信度7 7 l o t 和l o t - r 的几种变式的克龙巴赫口值7 7 l o t 方差极大正交旋转结果8 0 l o t r 的方差极大正交旋转结果8 0 单因素模型的验证性因素分析结果8 1 l o t 和l o t r 的0 p 模型和m e 模型的比较结果8 2 l o t 和l o t - r 的变式在0 p 模型和m e 模型上的比较结果8 2 o p 模型中的乐观和悲观因子相关结果8 3 表9 1l o t 和l o t - r 中的项目在两个主成分上的负荷9 0 表9 - 2l o t 项目按第一主成分上的负荷进行排序得到的项目相关矩阵9 1 表9 - 3l o t - r 项目按第一主成分上的负荷进行排序得到的项目相关矩阵9 1 表9 - 4l o t 和l o t r 中的项目在对应分析两个维度上的分数9 2 表9 - 5l o t 项目按第一维度上的分数进行排序得到的项目相关矩阵9 3 表9 6l o t - r 项目按第一维度上的分数进行排序得到的项目相关矩阵9 3 表9 - 7l o t 和l o t - r 中的项目在两个主成分上的负荷9 3 表9 - 8l o t 项目按第一主成分上的负荷进行排序得到的项目相关矩阵9 4 表9 9l o t r 项目按第一主成分上的负荷进行排序得到的项目相关矩阵9 5 表9 1 0l o t 和l o t r 中的项目在对应分析两个维度上的分数9 5 表9 1 ll o t 项目按第一维度上的分数进行排序得到的项目相关矩阵9 6 表9 - 1 2l o t - r 中的项目按第一维度上的分数进行排序得到的项目相关矩阵9 6 表1 0 一lg g u m 和它的七个嵌套的受限模型的模型一数据拟合比较1 0 0 x 表l o 一2 表1 0 3 表1 0 4 表1 0 5 表1 0 - 6 表1 0 - 7 表1 0 一8 表1 0 一9 表l o 1 0 表1 1 - 1 表1 1 2 表1 卜3 表1 1 - 4 g g u m 估计的项目参数及其标准误1 0 0 g r m 估计的项目参数及其标准误1 0 1 g p c m 估计的项目参数及其标准误1 0 2 g g u m 的单项目校正z 2 a t 值1 0 3 g g u m 的两项目对校正z 2 a t 值1 0 3 g g u m 的三项目组校正z 。d j 值1 0 4 g g u m 的模型一数据拟合1 0 5 g r m 的模型一数据拟合1 0 5 g p c m 的模型一数据拟合1 0 5 g g u m 估计的项目参数及其标准误1 0 8 2 p l m 估计的项目参数及其标准误1 0 8 g g u m 的模型一数据拟合1 0 9 2 p l m 的模型一数据拟合1 0 9 表1 2 一l 在样本a 中估计的项目参数值及其标准误1 1 2 表1 2 2 在新a 中估计的项目参数及其标准误1 1 2 表1 3 - 1 在样本a 中估计的项目参数值及其标准误1 1 5 表1 3 22 种反应类别情况下估计的项目参数及其标准误1 1 6 表1 4 - 1m o d f i t 和自编程序计算的单项目z 2 d f 的值1 2 0 表1 4 - 2m o d f i t 和自编程序计算的两项目对z 2 a t 的结果1 2 1 表1 4 - 3m o d f i t 和自编程序计算的三项目组z 2 矿的结果1 2 1 表1 4 - 4 项目参数估计值及其标准误1 2 3 表1 4 5 单项目z 2 d f 的值1 2 4 表1 4 6 两项目对z 2 a t 的值1 2 4 表1 4 - 7 三项目组的z 2 矽值1 2 5 图形目录 图1 - 1 数据理论的区分4 图1 - 2 测量的数据类型4 图1 - 3 两种项目反应模型的一般形式5 图2 - 1非常极端项目和中等极端项目的项目特征曲线1 3 图2 - 2 真实态度与平均的瑟斯顿分数和利克特分数之间的关系1 3 图2 3 一个假定有6 种反应类别的项目的r s m 类别反应曲线和i c c 1 6 图2 - 4 单参数h c m 的项目反应类别曲线1 9 图2 - 5 一个有1 2 种主观反应类别项目的g u m 主观反应类别概率曲线和i c c2 2 图2 - 6 项目区分度口；对项目反应函数形状的影响2 5 图2 - 7 项目反应类别阈限对项目期望值函数的影响2 5 图4 - 1两个主成分上的成分负荷散点图4 2 图4 - 2 服从g g u m 数据的主成分分析和对应分析负荷散点图4 3 图4 3 模型一数据不拟合但单项目z 2 不敏感的例子5 1 图8 - 1l o t 的平行分析结果7 9 图8 2l o t r 的平行分析结果7 9 图9 1l o t 和l o t - r 的主成分负荷散点图9 0 图9 - 2 项目在对应分析两个维度上的分数散点图9 2 图9 - 3 两个乐观问卷上主成分成分负荷散点图9 4 图9 - 4 项目在对应分析两个维度上的分数散点图9 5 图1 5 - 1 优势项目反应过程的项目特征曲线和项目信息量1 3 2 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地 方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含 为获得或其他教育机构的学位或证书而使用过的材料。与我一同工作 的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表 示谢意。 学位论文作者签名：签字日期：年月 日 学位论文版权使用授权书 本学位论文作者完全了解江西师范大学研究生院有关保留、使用 学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印 件和磁盘，允许论文被查阅和借阅。本人授权江西师范大学研究生院 可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采 用影印、缩印或扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名： 签字日期：年月 日 导师签名： 签字日期：年月 日 人格测验的项目反应过程与数据分析方法研究 引言 经典测验理论( c t t ) 的局限和项目反应理论( 玎) 的优良性质，促使一 些心理学家逐渐采用i r t 分析心理测验数据。目前心理计量学家一般采用两种方 法一参数方法和非参数方法建构i r t 模型。尽管非参数模型很实用，因为它们对 项目反应函数的具体形式做更少的假设，但是正确限定的参数模型提供了额外的 测量优势。从参数模型得到的估计值具有项目样本和反应者样本的不变性 ( h o o t i n l1 9 9 0 ) ，这种不变性有利于更复杂的测量应用，例如建立题库和实施 计算机化适应性测验( c a t ) 。 然而正确使用i r t 参数模型必须满足两个前提条件，第一，项目特征曲线 ( i c c ) 形态的确定，即项目反应过程的限定；第二，潜在特质空间维度的确定， 即测验数据维度的确定。由于现有的i r t 模型大多数用于单维数据的分析，所以 确定数据的维度通常转变为检验数据的单维性。 c o o m b s ( 1 9 6 4 ) 将项目反应过程区分为两种类型：优势过程和理想点过程。 优势过程假定项目反应函数是一个单调函数，反应概率随特质水平的增加而增 加。理想点过程假设项目反应函数是一个非单调函数，i c c 呈现单峰对称形态， 即当项目位置与特质水平接近时，反应概率最高，而当项目位置与特质水平相差 较大( 无论高于还是低于特质水平) 时，反应概率都不高，差异越大，反应概率 越低。 长期以来，测验数据的维度通常采用主成分方法或因素分析方法加以确定， r o b e , s ( 1 9 9 5 ) 等人认为这些方法暗含了项目反应过程服从优势过程的假设，因 而可能并不适用于理想点数据的维度分析，采用这些方法估计这类测验数据的维 度时往往会导致维度数目的高估。c o o m b s ( 1 9 6 4 ) 、d a v i s o n ( 1 9 7 7 ) 、n a j l d a l ( 1 l m 矾 h o t c h k i s s 和r o b e , s ( 2 0 0 2 ) 、p o l a k ，h e i s e r 和m a r kd er o o o ( 2 0 0 9 ) 等人分别提 出采用数据结构、项目相关矩阵、主成分分析得到的未旋转成分负荷散点图和对 应分析维度分数散点图等方法检验理想点数据的单维性。 确定了测验的项目反应过程和测验数据的单维性之后，接下来要根据理论和 数据特点建构或选择合适的参数i r t 模型。依据项目反应过程的不同，单维i r t 模型通常可以区分为两种类别：优势模型和展开模型。建立在项目反应优势过程 基础之上的单维i r t 模型通常称为优势模型( 或累积模型) ，而建立在项目反应 理想点过程假设之上的单维i r t 模型则通常称为展开模型( 或理想点模型) 。 1 博士学位论文 建构或选择好i r t 模型之后，接下来就要采用合适的方法估计模型中的参 数。我们这里仅阐述项目参数的估计。在几个一般化的并有可利用软件的模型中， 项目参数常常是基于联合极大似然( j m l ) 法或边际极大似然( m m l ) 法来估 计的。这两种方法都存在一些缺陷，例如，j m l 方法得到的项目参数估计值一 致性不高，而m m l 二阶导数的使用和矩阵的逆运算限制了模型的复杂性并常常 导致标准误( s e ) 很难准确估计。鉴于已有参数估计方法的局限，一些研究者 提出使用马尔科夫链蒙特卡洛( m c m c ) 方法估计项目参数，该方法得到的项目 参数估计值相对于m m l 估计值更有效，而且它能用于更复杂模型的参数估计。 但是m c m c 方法估计项目参数的效率并不高，它所花费的时间远远多于m m l 方法，此外，它的收敛标准也有待于进一步完善。因此，选择哪种方法用于参数 估计往往要根据实际情况而定。 采用i r t 模型对心理测验数据进行分析时还需要考虑的一个问题是模型一数 据拟合问题。模型一数据拟合评价是一件非常困难的事情，目前研究者通常采用 拟合统计量或拟合图方法评价模型数据拟合。相对于拟合图，拟合统计量方法 更广泛使用，因为它在统计上相对更客观一些。目前还没有一个公认的拟合统计 量能用于所有的i r t 模型，因为每个拟合统计量相对于别的统计量都有其优势和 不足。此外，目前使用的拟合统计量基本上都是在优势模型下开发的，展开模型 下的模型数据拟合统计量是从优势模型中直接拓广而来的，没有经过严格的数 学论证，因此，这些拟合统计量对于评价展开模型的模型数据拟合的合适性需 要更多的模拟研究和实际研究加以验证。 本文拟采用i r t 模型对生活取向测验( l o t ) 及其修订版( l o t r ) 的反应 数据进行分析。这就涉及到这两个测验的项目反应过程服从哪种过程，两个测验 的反应数据是否满足单维性假设，应该选择或建构哪个或哪些i r t 模型分析测验 的数据更合理，以及如何估计所选i r t 模型中的项目参数和如何评价这些模型的 模型数据拟合等问题。 本文在后面的章节中先对已有的相关研究结果进行综述，然后对这里所涉及 到的一些问题进行研究。 人格测验的项目反应过程与数据分析方法研究 第一部分文献综述 l 数据理论与项目反应过程 1 1c o o m b s 的数据理论 在心理学中，我们有许多收集和分析数据的方法，例如自我报告、同伴评定、 心理生理测量和因素分析等。这些方法收集和分析数据的形式可能是无限的，但 可以按“正在测量什么以及“在和什么进行比较两个方面以一种抽象的形式 组织起来。 由于数字本身是没有意义的，因而，所有的测量都反映了至少两个元素之间 的比较。比较可能是次序( o r d e r ) 关系的比较，也可能是接近( p r o x i r n i t y ) 关系 的比较。例如，个体做对或做错一个算术问题就是他的能力( 个人参照点) 和问 题难度( 刺激) 之间的一个比较，该比较是一个优势( 或次序关系) 的比较。给 定一组刺激( 0 ) 和一组人( p ) ，c o o m b s ( 1 9 6 0 ) 将一个研究者可能采用的测量 类型组织进由三个不同维度( 每个维度包括2 个水平) 联合形成的2 x 2 x 2 的一个 表格中。 c o o m b s ( 1 9 6 0 ) 对测量类型进行分类依据的三个维度及其水平分别为：对 子的数量，包括单个对子( 即单个刺激) 和一对对子( 即两个刺激) 两个水平； 对子的元素，包括不同组集a 和同一组集b 两个水平，元素同时来自人的集合 ( p ) 或刺激集合( o ) 并不存在差异，但由于这些对子常常被认为是刺激，所以 它们通常被看作是来自刺激集( 0 ) 的，即元素同时来自p 集( p p ) 或同时来 自0 集( 0 x 0 ) ，我们通常把它们都看作来自o 集( o x 0 ) ：所做的比较类型， 包括次序关系比较和接近关系比较两个水平。使用这三个维度，我们就能对收集 到的各种测量进行分类，得到8 种类型，如图1 - 1 所示。 我们举一个例子对数据理论加以说明。例如，爱德华个人偏好问卷( e p p s ) 中包含这样一个项目“a 我喜欢对别人谈我自己；b 我喜欢为我自己所定的目标 图卜1 和图卜2 均引自c o o m b s ( 1 9 6 0 ) 的文章： 3 博士学位论文 而工作。”要求反应者在a 和b 中作出选择。这个项目包含一对对子，即两个刺 激，这两个刺激分别代表了不同的需要，因而来自不同组集，于是就可以表示为 a x a 。反应者对这两个刺激作出选择的过程是对这两个刺激进行比较的过程，按 照c o o m b s ( 1 9 6 0 ) 的研究，这种比较是一种接近关系的比较。因而，这类问卷 的测量类型就可以组织进图卜l 的i b 中。 b 0 x o 单个对子 一对对子 次序 ? 。 i i j 接近( n x a ， 接近 伸拍 n ) i i b n 接近荔廖m 籼弋 ( b x b ) i u b ( b x b ) 、 图1 1 数据理论的区分 c o o m b ( 1 9 6 0 ) 认为第三个维度，即比较类型是从属于其它两个维度的。因 为当使用“我不能决定这种形式的中间反应类别时，比较类型就不再是二分的 了。进而，c o o m b s ( 1 9 6 0 ) 提出不管采用哪种比较类型，得到的数据类型是一 样的。因而，对应于前两个维度，数据仅可以区分为四种类型，如图1 2 所示。 单刺激数据 偏好选择数据 或 或 仝体- 束u 激比较数 坌体- 束u 激差异比较 据 数据 相t 以性数据 或 相似性比较数据 裂激差异比较数 图1 2 测量的数据类型 4 人格测验的项目反应过程与数据分析方法研究 心理测量中普遍得到的是单刺激的数据，它包括能力测验数据、人格测验数 据、态度陈述的赞成数据以及采用评定量表得到的数据。单刺激数据既可以基于 次序关系得到，也可以基于接近关系得到。基于次序关系的比较过程目前常被称 为优势过程( d o m i n a n c ep r o c e s s ) ，基于优势过程的数据可称为优势数据或次序 数据。而基于接近关系的比较过程通常被称为理想点过程( i d e a lp o i n tp r o c e s s ) ， 基于理想点过程的数据通常可称为展开数据或接近数据。 1 2 两种项目反应模型的一般形式 建立在项目反应优势过程基础上的模型通常称为累积模型( c u m u l a t i v e m o d e l ) ，也叫优势模型。而建立在接近关系基础上的模型则通常称为展开模型 ( u n f o l d i n g m o d e l ) ，也叫理想点模型。 要 暑 v 击 s 誊 五 香 五 图1 3两种项目反应模型的一般形式 累积模型的一般函数形式为： p ( a bl 彳，b ) = f ( a b ) ( 卜1 ) 其中a 和b 为同一心理空间( 我们这里只研究一维心理空间) 上的两个点，p 为概 率。公式1 1 的意义可以用图1 3 左边部分的图形曲线表达出来。从这部分图形的 曲线可以看出，随着a 与b 之间符号距离的增加，a b 的概率也变得更大。因此， 累积模型的曲线呈现出个单调增加的形态。 展开模型的一般函数形式为： 5 耋4董 博十学位论文 p ( ia bi 6 时，取正值，反之取负值) 的增加，答对该 项目的概率也随之增加。 而态度测验的项目反应过程则经历了一个较长时间的探索，c o o m b s ( 1 9 6 4 ) 在数据理论中明确提出态度项目的反应过程是一种理想点过程，但他最早是针对 偏好选择数据提出此观点的。a n d r i c h 和l u o ( 1 9 9 3 ) 、r o b e r t s ( 1 9 9 5 ) 等人明确 提出单刺激的态度测量数据，其潜在的项目反应过程也是一种理想点过程。他们 认为随着个体的态度( 即理想点，通常也用口来表示) 与项目的位置( 通常用万 来表示) 之间的绝对距离( 它等于1 秒万i ) 的减小，个体赞成该项目的概率随之 增加，但是当日与万之间的绝对距离增加，即无论0 8 还是0 6 时，赞成的概 率都将减少。例如，考查对死刑态度的一个项目“我不认同死刑，但废除它也是 相当不明智的 在态度连续体上大约处于中等位置水平。当一个人的态度( 即理 想点) 和这个项目所表达的态度接近时，这个人赞成该项目的可能性最大。但如 果一些个体是非常支持死刑，另一些个体是非常反对死刑的，那么他( 她) 们都 很可能都不赞成这个项目，因为这个项目和他们的理想点相差较大，他( 她) 们 会觉得这个项目没有反映出他( 她) 们的真实态度。这里的不赞成其实包括两种 情况，一种情况是个体的态度比项目所表达的态度更加积极从而不赞成；另一种 情况是个体的态度比项目所反应的态度更加消极从而不赞成。如果以分数越高表 明越不支持死刑，那么前一种情况的不赞成就称之为“从上端不赞成”( d i s a g r e e f r o ma b o v e ) 而后一种情况则称之为“从下端不赞成”( d i s a g r e ef r o mb l o w ) 。 6 人格测验的项目反应过程与数据分析方法研究 2 概率展开模型的提出和发展 在前一章节中我们提到了态度项目的反应过程是一种理想点过程，理论上 态度测量方法只有建立在该反应过程基础之上才能获得有效和可靠的结果。但是 态度测量方法在数据理论和项目反应过程概念的提出之前便早已存在，因此探索 这些已有的测量方法与项目反应过程之间的关系就显得尤为必要，因为它能帮助 我们发现传统测量方法的局限，并开发出新的测量理论和方法。 2 。1 两种传统的态度测量方法 在态度测量领域，心理学家常用的两种传统测量方法是瑟斯顿和利克特方法 ( d a w e s & s m i t h ，1 9 8 5 ；m u e l l e r , 1 9 8 6 ) 。两种方法都采用不赞成赞成反应格式编 制量表来测量个体的态度。但两种方法在个体态度的测量上则存在一些明显的差 异，这些差异导致两种测量方法测量到的个体态度分数的信度和效度以及使用效 率方面并不等同。 2 1 1 两种态度测量方法概述 瑟斯顿方法( t h u r s t o n e ，1 9 2 8 ；t h u r s t o n e & c h a v e ，1 9 2 9 ；t h u r s t o n e ，1 9 3 1 ) 在 测量个体态度时，通常使用两个主要的步骤：第一步，确立态度项目的位置。量 表编制者首先编写出大量的用于特定态度的项目，这些项目基本上涉及到了该态 度连续体上的所有范围，即既包括了消极态度的项目，也包括了积极态度的项目， 还包括了中立态度的项目。然后，选择一个评判群体，依据“比较判断法则”( 1 a w o f c o m p a r a t i v ei u d g m e n t ，t h u r s t o n e ，1 9 2 7 ) ，得到每个项目的位置( 量表值) ，保留 那些质量较好的项目组成态度问卷。第二步，确立个体在态度连续体上的位置。 要求个体对态度问卷上的项目作出不赞成或赞成反应，求取那些赞成项目的量表 值的平均值或中数得到该个体的态度分数。从上面的叙述中可以看出，瑟斯顿方 法是将项目位置标定程序和个体测量程序联合起来实现态度测量的。 在上述两个步骤中，瑟斯顿最负盛名的还是他在第一步上所做的努力。他的 “比较判断法则 使得他能够在心理刺激没有对应刺激物的情况下在一个潜在单 维连续体上确立该刺激的位置。该法则假设每一个单维的刺激特征是和心理连续 7 博士学位论文 体上的一个“区分过程”相关联。凭借区分过程，被试能辨别或区分一个特定刺 激的特征。区分过程被假定随同一刺激的重复呈现而变化，并且产生的区分过程 的分布被假定是正态的。一个特定刺激的量表值只是这些区分过程的平均数，量 表值的变异程度则由区分过程分布的标准差来表示。 瑟斯顿根据比较判断法则开发了三种估计项目量表值的方法。这三种方法分 别为配对比较法( m e t h o do fp a i r e dc o m p a r i s o n s ) 、连续区间法( m e t h o do f s u c c e s s i v ei n t e r v a l s ) 和等距法( m e t h o do f e q u a la