計量心理學:測量、模型與推論
Psychometrics · 2026 · PQML NCCU

計量心理學

測量、模型與推論

Quantitative Psychology: Measurement, Models, and Inference

游琇婷Hsiu-Ting Yu
國立政治大學 心理學系
國立政治大學 心智、大腦與學習研究中心
01

關於本書

本書處理一個表面簡單、實則極難的問題:如何為看不見的心理特質,賦予有意義且可信賴的數字。全書以「測量作為主角」為論旨,主張測量並非正式研究之前的暖身,而是整套推論的地基;無論其後的統計如何精巧、所檢驗的理論如何重要,結論的可信程度終究受制於最前端的測量品質。

在取材上,本書採取廣度平衡的策略,讓測量理論、統計建模、研究設計、測驗發展與應用,以及資料科學五個面向皆獲得實質篇幅。這一選擇並非出於面面俱到的野心,而是基於一項判斷:這幾者在真實研究中本就彼此糾纏,一個只懂潛在變項模型卻不解抽樣與檢定力的研究者,或一個精於預測演算法卻對效度無感的分析者,都容易在自己看不見的地方犯錯。

正文以概念、直覺與歷史脈絡為主,完整的數學推導收入獨立的推導方塊,讀者即使略過技術細節,亦能掌握每個方法的重點與意義。每章結尾設有前沿專欄,明確區分哪些議題已有定論、哪些仍在爭議、哪些僅屬初步的推測。

02

本書地圖

八個部分依序由測量的哲學基礎推進到計算取向的當代發展。各部彼此相扣:第三部建立的估計與適配原理,是第四、五、六部一切建模的共同地基;第四部確立的測量不變性,是跨群體、跨時間比較的前提。每一部另附一篇導言,說明該部要回答什麼問題、各章如何分工。

I

基礎與歷史

  1. 導言本部總覽與各章分工
  2. 第 1 章導論:本書地圖與計量心理學的知識架構
  3. 第 2 章心理測量的歷史與哲學基礎
II

測量基礎:量尺化與古典測驗理論

  1. 導言本部總覽與各章分工
  2. 第 3 章測量的基本架構:構念、尺度與測量模型
  3. 第 4 章心理量尺化:比較判斷、態度量尺與多向度量尺法
  4. 第 5 章古典測驗理論
  5. 第 6 章信度:從係數到概化理論
  6. 第 7 章效度:概念演進與論證取向
III

統計推論與研究設計的方法基礎

  1. 導言本部總覽與各章分工
  2. 第 8 章統計推論的基礎與爭議
  3. 第 9 章抽樣、樣本數、檢定力與效果量
  4. 第 10 章實驗設計與變異數分析
  5. 第 11 章迴歸與廣義線性模型
  6. 第 12 章估計、模型適配與模型選擇
  7. 第 13 章缺失資料的原理與處理
IV

潛在變項測量模型

  1. 導言本部總覽與各章分工
  2. 第 14 章探索性因素分析
  3. 第 15 章驗證性因素分析與分析實務
  4. 第 16 章結構方程模型
  5. 第 17 章項目反應理論
  6. 第 18 章進階項目反應模型:多向度、解釋型與作答歷程
  7. 第 19 章測量不變性與差異試題功能
  8. 第 20 章潛在類別與混合模型
  9. 第 21 章認知診斷與診斷分類模型
V

測驗發展、應用與社會脈絡

  1. 導言本部總覽與各章分工
  2. 第 22 章測驗編製方法學:從構念到題庫
  3. 第 23 章量尺化、等化與連結
  4. 第 24 章電腦化適性測驗
  5. 第 25 章問卷設計與作答行為
  6. 第 26 章評分者效果與實作評量
  7. 第 27 章測驗公平性、偏誤與測驗使用的社會脈絡
VI

相依資料與變化的建模

  1. 導言本部總覽與各章分工
  2. 第 28 章多層次模型
  3. 第 29 章縱貫與成長曲線模型
  4. 第 30 章密集縱貫資料與動態模型
VII

因果推論與研究整合

  1. 導言本部總覽與各章分工
  2. 第 31 章因果推論與研究設計
  3. 第 32 章後設分析與研究整合
VIII

計算取向與學科的未來

  1. 導言本部總覽與各章分工
  2. 第 33 章貝氏取向在計量心理學
  3. 第 34 章機器學習與計量心理學
  4. 第 35 章網絡心理計量學
  5. 第 36 章開放科學、再現性與計量心理學的未來
03

三條閱讀路徑

本書設定的讀者橫跨高年級大學生、研究生與實務工作者,數理背景與閱讀目的不盡相同。以下三條路徑供依自身背景選擇切入方式;無論循哪一條,每章均附獨立的參考文獻。

測量與測驗發展路徑

第 1–7 章 → 第 17–27 章

適合以測驗與量表為主要工作對象的讀者。先讀第一至七章,打好測量與量尺化的地基,再直接銜接第十七至二十七章,把項目反應理論一路延伸到測驗編製、等化、適性測驗、作答行為、評分與公平使用,看測量理論如何落實為一整套測驗實務。

統計建模路徑

第 8–16 章 → 第 28–33 章

適合以資料分析與建模為重心的讀者。以第八至十六章建立推論、設計、迴歸與潛在變項建模的骨幹,再進入第二十八至三十三章的多層次、縱貫、因果與貝氏方法。

資料科學讀者路徑

第 1、3、8、12 章 → 第 34–36 章

適合自機器學習背景進入的讀者。可先掌握構念、推論、模型評鑑與計算取向的全景,再回頭補讀潛在變項與測量的各章,補足預測導向訓練中最容易缺席的測量素養。

04

體例與閱讀說明

推導方塊完整的數學推導自正文抽出,獨立成方塊,供有意深入者取用;略過並不影響對正文論旨的掌握。
概念方塊標示貫穿全書的核心結構,例如訊號與誤差的分解、潛在變項與觀測指標的分離。
前沿專欄每章結尾標示該主題近年最重要的爭論,並區分已確立、爭議中與推測性三種成熟度。
體例取捨本書不設習題與逐步軟體操作指南,全書亦無程式碼;涉及分析實務之處,以敘述說明分析決策背後的邏輯與常見陷阱。
符號約定希臘字母表示潛在變項與模型參數,拉丁字母表示觀測變項,向量與矩陣以粗體標示;專有名詞首次出現時於括號內保留英文原文。
參考文獻各章末附獨立的參考文獻,依 APA 第七版格式編排,可作為該主題的入門書單。