Hello，

这里是

行上行下

，我是

喵君姐姐

此次和大家分享的是一个系列——心理学量表开发/修订流程及工具包，第一期为对心理学量表开发/修订流程及工具包的简单介绍（点击可查看：科研 | 心理学量表开发/修订流程及工具包第一期），本次为第二期——包括量表理论基础、前期质性资料、条目池建立，量表数据清洗与流程概和量表第一轮数据处理。

PS：后台回复关键词“量表开发”即可获得所述的PDF原文啦！

Part 1

作者说

大家好，我是张正，一个心理学摸鱼生。

为了帮助和我一样不懂代码/统计废柴的小伙伴进行量表开发修订，特意准备了这个流程和工具包，保证都是低成本且几乎不用搞原理的方法，希望可以帮到大家。

但是我仍然主张研究者在有能力的情况下应当深入了解数据的逻辑，学习统计与测量理论并严格遵循数据伦理。这不仅有助于不断修正研究思路，更是对研究成果的负责和奠基。

工具内容可能会涉及到版权问题，如有冒犯，麻烦邮箱联系删除。

其他需要交流的（例如希望共同完善流程与工具包；获取更新or其他）也可以向邮箱[email protected]发送主题【（交流目的）+姓名】，随缘回复。

遇到问题先看文献，然后带着具体问题和思考成果去问导师，如果没有解决请重复第一步。

Part 2

1 量表理论基础、前期质性资料、条目池建立

检索相关理论基础，基于前人量表基础进行解读。

例如【大学生对同性恋态度量表】，可以基于态度本身的认知、行为、情绪因子进行开发，也可以基于态度的积极消极倾向性进行开发。

量表开发本质上是对某种心理品质的摹写，一定要基于定义和操作性定义进行反复揣测。

例如【大学生焦虑量表】，既可以基于广泛性焦虑等定义，也可以细分诸如考试焦虑等内涵进行开发。

同时也可以使用自下而上的方法，通过访谈、问卷等形式，收集被试群体对于该概念的理解和描述，提取公因式，并且深刻汇总大多数人对于该核心概念的理解和表达。

可以使用NVIVO进行条目编码，具体操作方法可以参考《质性研究数据分析工具NVivo 12实用教程》。

Part 3

2 量表数据清洗与流程概览

2.1 量表数据清洗的Tips

1. 结合作答时长筛选无效数据。

2. 结合三个标准差筛选无效数据。

3. 结合注意力检验题筛选无效数据。

4. 由于网上有丰富的资料，该部分也不是本文主旨，故此处省略，有需要可以结合上面提及的关键词，自行在知乎、百度、百度学术、Google Scholar等地方检索。

2.2 流程概览

a) 项目分析

b) 萃取共同因素（主成分分析、主轴因子分析）

c) 保留共同因素（特征值＞1、限定萃取个数）

d) 决定因素转轴方法（最大变异法、斜交转轴法）

e) 检验共同因素结构

f) 命名构面检验

g) 生成量表

Part 4

3 量表第一轮数据处理

3.1 条目分析（item analysis）

对测验或量表的项目质量的分析研究。广义还包括定性分析，即从题目的思想性、内容取样的适切性以及表达是否清楚等方面加以评鉴。就是根据试测结果对组成测验的各个题目（项目）进行分析，从而评价题目好坏、对题目进行筛选。分析指标包括项目难度和区分度。

3.1.1 使用SPSS的情况

【分析】→【描述】→【频率】→【计算前后27%作为高低组得分】→【比较平均值】→【独立样本t检验】→【CR值不显著即删除】

【分析】→【相关】→【双变量相关】→【总分与所有条目】→【＜0.4删除】

【分析】→【降维】→【因子分析】→【将待分析条目拖入右侧】→【因子固定数量：1】→【提取值若＜0.2删除】→【成分矩阵因素载荷＜0.45删除】

注：共同性与因素负荷量用于揭示共同特质与条目-总分之间的相关程度

3.1.2 使用SPSSAU的情况

【项目分析】 → 【27/73分位法】→【将待分析条目拉入右侧】→【输出结果】

为进一步确认上述【独立样本t检验】的效应量，可以使用Cohen‘s d 系数进行评估。

3.2 探索性因素分析（Exploratory Factor Analysis，EFA）

一项用来找出多元观测变量的本质结构、并进行处理降维的技术。因而，EFA能够将具有错综复杂关系的变量综合为少数几个核心因子。对于主因子分析法来说，不存在异常值、等距值、线形值、多变量常态分配以及正交性等情况。

3.2.1 使用SPSS的情况

【分析】→【降维】→【因子分析】→【描述】→【初始解+巴特利特球形度检验】→【提取】→【碎石图】→【旋转】→【最大方差法】→【得分】→【显示因子得分系数矩阵】

3.2.2 使用JASP的情况

【Factor】→【Exploratory Factor Analysis】（将条目拖入分析栏）→【Parallel analysis】通过平行分析得到因子数量参考值→【Manual】→【number of factors】可以指定因子数量进行分析→【Output Options】→【因子载荷标准】→【KMO】→【Bartlett's test】→【Scree Plot】

KMO值0.9以上为极佳，0.6以上尚可接受，0.6以下不建议进行因素分析；通过碎石图转折点、平行分析、特征根＞1等标准对因子数量进行判断；通过因子载荷系数0.4/0.5标准对各条目因子载荷进行判断。

3.3 内部一致性系数分析

3.3.1 使用SPSS的情况

【分析】→【度量】→【可靠性分析】→【Cronbach's α】

【分析】→【度量】→【可靠性分析】→【模型】→【半分/平行】

3.3.2 使用SPSSAU的情况

【问卷研究】→【信度】→【输出结果】

3.3.3 使用JASP的情况

【Reliability】→【（Bayesian）Single-Test Reliability Analysis】→【McDonald's ω+Cronbach's α/Guttman】

贝叶斯分析方法（Bayesian Analysis）是贝叶斯学习的基础，它提供了一种计算假设概率的方法，这种方法是基于假设的先验概率、给定假设下观察到不同数据的概率以及观察到的数据本身而得出的。

其方法为，将关于未知参数的先验信息与样本信息综合，再根据贝叶斯公式，得出后验信息，然后根据后验信息去推断未知参数的方法。

Alpha系数认为条目之间所有的相关都可以由量表核心潜变量来完全解释，其取值高并不代表量表只有一个维度。且包含量表中条目的tau-等价(tau equivalence)假设，即所有条目在潜变量（外向性）上的载荷是完全相同的，这显然不可能。有学者建议使用ω（omega）系数替代。

Part 5

参考文献

向下滑动阅览

1 DeSimone, J. A., Harms, P. D., & DeSimone, A. J. (2015). Best practice recommendations for data screening. Journal of Organizational Behavior, 36(2), 171-181.

2 Kung, F. Y., Kwok, N., & Brown, D. J. (2018). Are attention check questions a threat to scale validity?. Applied Psychology, 67(2), 264-283.

* ω系数的参考文献：

1 McDonald, R. (1999). Test Theory: A Unified Treatment. Mahwah, NJ: Lawrence Erlbaum Associates.

2 Hayes, A. F., & Coutts, J. J. (2020). Use omega rather than Cronbach’s alpha for estimating reliability. But…. Communication Methods and Measures, 14(1), 1-24.

PS：后台回复关键词“量表开发”即可获得所述的PDF原文啦！