量尺化、等化與連結
每年大型入學考試放榜，總有一種聲音：「今年數學特別難。」這句看似日常的抱怨，其實藏著一個心理計量的硬核問題。今年考生的平均分數比去年低了五分，這究竟是因為今年這批考生程度較弱，還是因為今年的題本本身較難？若不能把這兩種可能分開，那麼把今年的分數與去年直接相比、據以判斷「這屆學生變差了」或「今年考題出難了」，都只是各執一詞的猜測。更嚴重的是，若兩年的分數不可比，那麼以同一條錄取分數線跨年適用，便對其中一屆考生不公平。
本章要處理的，正是作業型心理計量最核心的實務問題：不同題本、不同年度、不同年級所得到的分數，如何被放到同一把尺上，以致可以公平地相互比較。這需要一整套環環相扣的技術，即先建立分數量尺，再以妥善的資料蒐集設計，配合適當的統計方法把不同題本的分數等化，最後評鑑等化的品質。本章也是前面數章的一次整合應用：它把第十七章的項目反應理論、第十三章的缺失資料原理、與第九章的複雜抽樣，組裝為一套可操作的作業流程，並以大型評量的擬真值方法學收尾。全章以「一場全國性入學考試的兩個年度題本」為貫穿實例，從「今年比較難」的輿論出發，走完設計、等化與誤差評鑑，末節再以 PISA 台灣資料的次級分析，示範擬真值的正確用法。
分數量尺的建立
在比較分數之前，得先問分數本身是什麼。最原始的原始分（raw score），即答對題數或加總得分，其問題在於它綁定於特定的題本：同樣答對三十題，在難卷與易卷上代表的能力並不相同。因此，測驗分數通常會被轉換到一個更有意義的量尺上。
常見的轉換有幾種。百分等級（percentile rank）把原始分轉為「贏過多少比例的人」，直觀卻是次序量尺，其間距不等，不宜直接做加減平均。標準分數（standard score）如 z 分數，把原始分減去平均、除以標準差，使分數以「距平均幾個標準差」表達，便於跨測驗比較，卻仍受原始分分布形狀的影響。常態化量尺（normalized scale）則進一步透過非線性轉換，把偏態的原始分分布「拉正」為常態，常見的如 T 分數與各種標準九量尺。須留意的是，分數量尺的建立本身就是一種選擇，它決定了「分數看起來如何、如何被解讀」，而不同的量尺各有其解讀上的便利與陷阱。然而，無論建立了多漂亮的量尺，只要它是從「單一題本」推導的，就仍解決不了跨題本比較的問題，這就帶到等化。
等化的定義與公平性條件
等化（equating）是一種特別嚴格的分數連結。它的目標，是在兩份「測量同一構念、且依同一規格編製」的複本測驗之間，建立一個分數轉換，使得轉換後，考生拿到哪一份題本都無所謂，其分數可以互換使用。等化之所以嚴格，在於它宣稱兩份題本「可以互相替代」，這是一個很強的主張。
Holland & Dorans (2006) 把「把分數放上同一把尺」的各種作法，排成一個由強到弱的光譜：
等化（equating）：最嚴格。要求兩測驗測同一構念、同一規格、信度相近，轉換後分數可完全互換。
量尺對準（scale aligning）：較弱。把測不同構念、或不同規格的測驗分數放到同一量尺上，便於比較，但分數不可互換。
預測（predicting）：最弱。以一份測驗的分數去預測另一份，兩者不對稱，且預測本身有誤差。
三者常被籠統地稱為「連結」，但其可比性的強度天差地別；把一個「弱連結」當成「等化」來使用，是實務中常見而危險的誤用。
等化的正當性，建立在若干嚴格的條件之上。除了同構念、同規格，還有 Lord 提出的公平性條件：一個理想的等化，應使得「對任何一位考生而言，考哪一份題本都同樣公平」，亦即轉換後兩題本在各能力水準上都給出等價的分數。這個條件其實隱含了一個近乎弔詭的結論，即唯有當兩份題本「完全相同」時，嚴格的等化才可能無瑕地達成；現實中的題本總有差異，故等化永遠是一種近似。理解這一點很重要：等化不是把差異「變不見」的魔法，而是在承認差異的前提下，盡可能建立一個公平的分數對應。就兩年的入學考試而言，唯有當兩份數學卷確實測同一套數學能力、依同一藍圖編製時，談論「把兩年分數等化」才有意義。
資料蒐集設計：等化的實驗設計學
等化要能進行，必須先有能夠「分開題本難度與考生能力」的資料。這正是一個實驗設計的問題，呼應第十章的設計思維：如何蒐集資料，才能識別出我們想要的量。主要有幾種設計，如表 23.1。
| 設計 | 作法 | 如何分辨難度與能力 |
|---|---|---|
| 單組 | 同一群人考兩份題本 | 能力相同，分數差即難度差 |
| 隨機組 | 隨機分派兩群人各考一份 | 能力等價，分數差即難度差 |
| 共同題非等組 | 兩群人各考一份，但共享一組錨題 | 以錨題分數估計並校正能力差 |
註 共同題非等組即 NEAT 設計。錨題（anchor items）是兩題本共有的一組題目，用以連結兩個非等組的能力量尺。
單組設計讓同一群人考兩份題本，由於能力相同，分數之差便純由題本難度造成；但它有疲勞與練習等順序效應，故常改用平衡的變體。隨機組設計把大群人隨機分派，各考一份題本，靠隨機化（第十章）保證兩組能力在機率上等價，於是分數差同樣可歸於難度。這兩種設計乾淨，卻要求同一時間有大量考生可供施測。最貼近實務、也最重要的，是共同題非等組設計（non-equivalent groups with anchor test, NEAT）：兩年的考生本就是不同的兩群，無法隨機分派，但只要在兩年的題本中嵌入一組相同的錨題，便能以考生在錨題上的表現，估計並校正兩群之間的能力差異，再據以等化。錨題於是扮演了連結兩個非等組量尺的橋樑，其品質至關重要，這一點稍後再談。
古典等化方法
有了資料，便可施行等化。等化、量尺化與連結的整套方法，其權威的系統整理見 Kolen & Brennan (2014)；古典測驗理論架構下的等化方法，依其對「分數轉換該長什麼樣」的假設，由簡到繁分為幾種。
最簡單的是平均數等化，只調整兩題本的平均差，假設難度差在所有分數點上都相同。線性等化（linear equating）則更進一步，同時對齊平均數與標準差，如下面的方塊所示。等百分位等化（equipercentile equating）最有彈性，它讓「兩題本上百分等級相同的分數」相互對應，能處理難度差在不同分數點上不一致的情形，代價是需要大樣本，且其結果常須先經前平滑（presmoothing，如對數線性平滑）以去除抽樣雜訊。
線性等化假設兩題本分數轉換後，不僅平均數相等，標準差也相等。設題本 X 與 Y 的分數平均與標準差分別為 (\mu_X,\sigma_X) 與 (\mu_Y,\sigma_Y)。要把 X 的分數轉換到 Y 的量尺，令轉換後的 z 分數相等，即 (x-\mu_X)/\sigma_X = (y-\mu_Y)/\sigma_Y，解得
斜率與截距完全由兩題本分數的一階與二階動差決定。在 NEAT 設計下，由於兩組非等組，\mu 與 \sigma 無法直接觀測，須借助錨題來估計：Tucker 法假設「錨題對總分的迴歸」跨組相同，Levine 法則假設「真分數層次的迴歸關係」跨組相同，兩者的假設不同，在兩組能力差異較大時會給出不同的等化結果。
古典等化方法簡便，但共有一個限制：它們作用於「觀察分數」，因而其結果依賴於特定的題本與樣本，難以支撐長期、跨多個題本的量尺維護。這正是 IRT 取向的用武之地，詳見後文。就兩年入學考試而言，若兩年考生能力差異不大，線性等化往往已足；若各分數段的相對難度不一，則須動用等百分位等化。
核等化：一個統一觀
上述古典方法看似各自為政，Davier et al. (2004) 的核等化（kernel equating）則提供了一個把它們統一起來的框架。它把等百分位等化的整個流程，拆解為五個清楚的步驟：前平滑、估計目標母體上的分數機率、連續化、計算並診斷等化函數、以及計算等化標準誤。
核等化的一個關鍵貢獻，是「連續化」這一步：離散的測驗分數（如整數的答對題數）本不連續，傳統等百分位法以線性內插勉強處理，核等化則以核平滑（kernel smoothing）把離散分數分布轉為平滑的連續分布，再據以求等化函數。這個做法不僅在數學上更優雅，也讓線性等化與等百分位等化成為同一框架下、由平滑參數所調節的兩個端點：平滑帶寬取極大時趨近線性等化，取適中時則接近等百分位等化。核等化因此不只是又一種方法，更是一個能容納既有方法、並附帶一致的標準誤估計的統一觀點。
IRT 連結與等化
古典等化的樣本依賴性，使它不適合需要長期維護、反覆更新的大型題庫。項目反應理論（第十七章）的參數不變性，恰好對症下藥：只要把不同題本的題目參數放到同一個 \theta 量尺上，分數的比較便有了不依賴特定樣本的共同基礎。然而，由不同批資料分開校準所得的 IRT 參數，其量尺的原點與單位是任意的，必須先經量尺轉換對齊。
IRT 的 \theta 量尺有一個不定性：對能力做線性轉換 \theta^* = A\theta + B，只要題目參數相應調整（a^* = a/A、b^* = Ab + B），模型的答對機率不變。因此，連結兩份分開校準的題本，等於估計出正確的 (A,B)。動差法如 mean/mean 或 mean/sigma，直接由錨題參數的平均與標準差解出 A、B，簡便卻只用到參數的動差。特徵曲線法則更充分地利用資訊。Haebara (1980) 的準則，最小化錨題在兩量尺上「個別項目反應函數」之差的平方和；Stocking & Lord (1983) 的準則則最小化「測驗特徵曲線」（所有錨題答對機率之和）之差：
在若干代表性的 \theta 點上求和。Stocking-Lord 法因整合了整條測驗特徵曲線，通常比動差法更穩健，是 IRT 連結的常用選擇。
除了「先分開校準、再轉換量尺」這條路，還有兩種替代。同時校準（concurrent calibration）把兩題本的資料合併，一次估計所有參數，錨題自動落在同一量尺上，省去了事後轉換；但它把所有假設綁在一起，錨題若有問題會汙染全局。固定參數校準（fixed parameter calibration）則在校準新題本時，把錨題參數固定為題庫中的既有值，使新題直接進入既有量尺，特別適合題庫的持續維護。這三種取向各有取捨，共同構成了 IRT 連結的工具箱。
等化誤差與母體不變性
等化不是一個確定的轉換，而是由樣本估計出來的，因而帶有抽樣誤差，即等化標準誤（standard error of equating, SEE）。等化標準誤衡量「若換一批樣本重做等化，轉換結果會變動多少」，在錄取分數線附近尤其關鍵：若切截分數落在等化誤差較大的分數段，則少數幾分的差異可能純由等化的不確定性造成，足以影響錄取結果。因此，一份負責任的等化，應報告各分數點的等化標準誤，而非只給一條轉換曲線。
一個更深刻的品質判準，是母體不變性（population invariance）。理想的等化，其轉換關係不應隨「用哪個次群體來估計」而改變：若以男生估出的等化與以女生估出的等化明顯不同，即代表兩題本並非真正的複本，對不同群體並不等價。母體不變性因此是「等化是否成立」的一個實質檢驗，它與第十九章的測量不變性一脈相承：兩者都在追問「這個轉換或這把尺，是否對所有群體都一樣」。若母體不變性嚴重不成立，則問題已不在等化方法，而在題本本身，此時任何等化都無法真正修補其不公平。
垂直量尺化：測「成長」的尺
前面談的等化，都預設兩題本測「同一構念、同一難度規格」。但有一類需求打破了這個前提，即測量跨年級的學業成長：要說「某生從三年級到五年級，數學進步了多少」，就得把三年級與五年級的分數放到同一把尺上，而這兩個年級的題目，難度與涵蓋範圍本就大不相同。這種跨越不同難度、不同年級測驗的量尺建構，稱為垂直量尺化（vertical scaling）。
垂直量尺化在技術上，常以跨年級共享的錨題，配合 IRT 把各年級的能力放到單一個連續量尺上。但它與嚴格的等化有一個根本差異，也是其詮釋風險的來源：各年級的測驗並非複本，它們測的甚至可能不完全是同一個構念，例如三年級的「數學」與五年級的「數學」在內容上已有質的變化。因此，垂直量尺上的「一個單位」，在低年級與高年級是否代表相同的成長量，是可疑的；由此量尺算出的「成長幅度」是否可跨年級直接比較，更須格外審慎。垂直量尺化提供了談論成長的共同語言，卻不保證這個語言的每個字在不同年級都是同義的。這一量尺，是第二十九章縱貫與成長模型賴以談論「變化」的基礎，但也繼承了那裡對「變化是否可比」的一切保留。
大型評量：矩陣抽樣、潛在迴歸與擬真值
國際大型評量，如 PISA、TIMSS 與美國的 NAEP，把等化與量尺化的技術推向了一個更複雜、也更精巧的高峰。它們面臨一個特殊的困境：欲測量的題庫龐大，遠非任何一位學生所能作答完畢，但目的又不在為個別學生評分，而在精確估計「群體」的能力分布及其與各種背景變項的關係。
其解法環環相扣。首先是矩陣抽樣與輪替題本（第十三章）：把龐大的題庫拆成許多題組，每位學生只隨機作答其中一份題本，如此任何一位學生對「未分派到的題目」都是缺失，但由於分派隨機，這些缺失在設計上即為隨機缺失，群體參數仍能被無偏地估回。其次是潛在迴歸（latent regression）：由於每位學生只答少數題目，其個別能力估計極不可靠，故模型直接把「能力的母體分布」設為背景變項（性別、社經、學校等）的迴歸函數，即所謂條件化（conditioning），藉由納入大量背景資訊，把個別的、雜訊很大的能力估計，匯集為對群體分布的精確推論。最後，也是最關鍵的一步，是擬真值（plausible values）的產生，它把前兩者的成果，轉化為可供次級分析使用的形式。
擬真值的正確使用與常見錯誤
擬真值是理解大型評量資料的鑰匙，而它的本質，正是第十三章缺失資料原理的一次漂亮應用。Mislevy (1991) 的洞見是：既然每位學生的「真實能力」從未被直接觀測、只能由其少數作答間接推知，那麼這個能力本身就是一種缺失資料；與其為每人硬估一個不可靠的點，不如自其能力的後驗分布中「抽取」若干個值。
對每位學生，依其作答與背景變項，可導出其能力 \theta 的後驗分布 p(\theta \mid \mathbf{x}, \mathbf{z})。擬真值即自此後驗分布抽取的 M 個隨機值 \theta^{(1)}, \dots, \theta^{(M)}（典型為 M=5 或 10）。這與第十三章多重插補的邏輯完全對應：那個未觀測的潛在能力，被視為缺失資料，擬真值就是它的多重插補。因此，以擬真值做次級分析，須遵循 Rubin 的合併規則：對每一組擬真值各跑一次分析，再把 M 組結果合併，其中組間變異捕捉了「能力估計本身的不確定性」。合併後的總變異為
其中 \bar{U} 為各組內變異之平均、B 為 M 組估計之間的變異。忽略 B，便系統性地低估了不確定性。
理解了「擬真值即多重插補」，便能看清次級分析中兩個極常見、卻後果嚴重的錯誤。第一個錯誤，是把擬真值當成個別學生的能力分數：擬真值是為「群體推論」而生的隨機抽取，任何單一個擬真值都不是某個學生的可靠估計，用它來排名或評判個別學生，是對其本質的根本誤解。第二個錯誤，是只用一組擬真值就做分析，並把它當成確定值：這等於忽略了組間變異 B，會系統性地低估標準誤、使 p 值過度樂觀，重蹈第十三章單一插補的覆轍。正確的作法，是把全部 M 組擬真值都納入，各跑一次、再依合併規則整合。就 PISA 台灣資料而言，若要估計「數學素養與家庭社經地位的關聯」，須對每一組擬真值各跑一次迴歸，再合併其係數與標準誤；唯有如此，所得的關聯估計及其不確定性，才是誠實的。
前沿：跨模式、小樣本與題庫時代的連結
連結與等化的技術，正面臨若干新的挑戰。其一是跨模式連結：當測驗由紙筆轉為數位施測，同一份試卷在兩種模式下的難度可能系統性地不同，這種模式效應若不加校正，便會汙染跨模式的分數比較，如何建立紙筆與數位之間的連結，是當前的實務難題。其二是小樣本等化：傳統等化多假設大樣本，但許多情境，如小型證照考試，樣本有限，晚近發展的圓弧等化（circle-arc）等方法，正是為在小樣本下取得較穩健的等化而設計。其三是題庫時代的連結：在電腦化適性測驗與多階段測驗（第二十四章）中，每位考生所見的題目各不相同，傳統「兩份固定題本」的等化框架不再適用，取而代之的是持續維護整個題庫量尺的一致性，這使連結由一次性的事件，變為一項長期的品管工作。此外，機測寫作與評分者飄移（第二十六章）也會威脅跨年度的連結，而國際比較所需的跨語言可比性，則直接回到第十九章測量不變性的課題。這些前沿的共同主題是：當測驗的形式愈來愈多樣、愈來愈動態，「維持同一把尺」也就愈來愈是一項需要持續經營、而非一勞永逸的工程。
小結
本章回答了作業型心理計量最核心的問題：不同題本、年度與年級的分數，如何被放到同一把尺上，以致可以公平比較。這需要一整套環環相扣的技術：先建立分數量尺，再以妥善的資料蒐集設計，即單組、隨機組或共同題非等組，分開題本難度與考生能力，配合古典的線性與等百分位等化、統一的核等化、或不依賴樣本的 IRT 連結，把不同題本的分數對齊，最後以等化標準誤與母體不變性評鑑其品質。垂直量尺化把這套技術延伸到跨年級的成長測量，而大型評量的矩陣抽樣、潛在迴歸與擬真值，則把 IRT、缺失資料與抽樣三條線索，整合為一套精巧的群體推論方法學。
貫穿全章的兩年入學考試實例顯示，「今年比較難」這句日常的抱怨，唯有經過一整套設計、等化與誤差評鑑，才能被嚴謹地回答；而 PISA 資料的擬真值用法則提醒，即便手握精巧的資料，若不理解其背後「擬真值即多重插補」的本質，也極易誤用。至此，測驗的量尺已被建立與維護。接下來的第二十四章，將轉向另一種讓測量更有效率的技術，即依受測者的能力即時選題的電腦化適性測驗，而它對題庫量尺一致性的仰賴，正建立在本章所奠定的連結基礎之上。