人们倾向于认为，心理属性的测量比物理属性的测量要困难一些。原因很简单，一方面，心理属性不易界定，另一方面，测量工具不够精良。其实，这两个方面是相互联系的，前者决定了后者，后者又反作用于前者。在具体研究中，对所考察心理属性的界定，尤其是统计分析，实乃基于所用的测量工具。从这种意义上讲，心理属性的测量工具，就事实性地成为心理学研究的关键。测量心理属性的常见工具是心理量表。编制心理量表较为繁琐，整个过程需要周全考虑。

目前，编制心理量表的流行取向是因素分析技术。统计软件的普及，促进了这种取向的量表编制工作，同时，也容易使量表编制研究流于形式，让有的研究者以为按照相应流程去做，就能得到符合心理测量学要求的量表。实际上，因素分析技术带有明显的主观性和广泛的选择性，如果对此认识不足，简单参照别人的作法而行事，很可能产生诸多不当，从而，难以取得预期效果。

有研究者（Worthington & Whittaker, 2006）通过考察专业期刊中心理量表编制类论文，发现了一系列问题。

这些问题，主要是原则性的，例如：（1）在做探索性因素分析之前，先做结构方程模型；（2）对于探索性因素分析与验证性因素分析的样本充分性，采用的标准不合适，甚至没有提及标准；（3）对于选择正交旋转或斜交旋转方法，没有报告充分的理由；（4）尽管因素之间存在中到高的相关，然而，探索性因素分析仍然采用正交旋转方法；（5）在探索性因素分析中，当确定和报告最后的因素解时，采用不合适的理由或者忽略相反的数据；（6）删除或保留题项时，依据的标准有问题；（7）没有考虑最终的因素解达到简单结构的充分近似程度；（8）在探索性因素分析结束与结构方程模型开始之间，对题项内容进行修改，或者添加、删除题项；（9）在做结构方程模型时，模型错设和修正之后，没有进行新的交叉验证。

同时，也有细节性的问题，例如：（1）在做结构方程模型阶段，判定整体模型拟合情况时，采用的标准和拟合指数过于多样，特别地，研究者可能并不理解有关拟合指数的意义与作用；（2）当采用RMSEA时，没有报告置信区间；（3）在量表编制时使用题项小包。

相应地，研究者推荐了一套编制量表的最佳作法（Worthington & Whittaker, 2006）。他们指出，首先，这些推荐意见的某些内容，主要适用于同质性题项分组取向，不能直接迁移到量表编制的其他取向，例如，标准组取向。其次，探索性因素分析是一个灵活性很高的统计程序，旨在得到最可解释的因素解，从而，这样的因素解可能在实践上出现各种变式。第三，探索性因素分析与结构方程模型的文献依然充满争议，各种推荐意见也不一致，从而，他们推荐的作法，是为了提高量表编制的标准化和严谨性，不是为了解决这些争论和数据驱动的问题。

具体而言，这套编制量表的最佳作法如下：

1、对于打算测量的结构，总是提供一个量表定义。

2、请专家对题项进行评议，然后再把它们用于探索性因素分析。

3、一般地，先做探索性因素分析，再做验证性因素分析。

4、当用探索性因素分析时，预先设定一个最小的样本量，然后以初始探索性因素分析的共同度、因素饱和度、因素载荷标准为基础，评估是否需要收集额外的数据：（a）对于共同度>.50或因素载荷约为|.40|且题项与因素比为10:1的数据，150~200的样本量可能是充分的；（b）如果共同度≥.60或者题项与因素比≥4:1且因素载荷>|.60|，那么，较少的样本量也是充分的。

5、当被试与题项比在3:1~5:1时，用显著的Bartlett球形检验，验证数据的可成因素性，当被试与题项比>5:1时，用取样充分性的KMO度量指标（值>.60），验证数据的可成因素性；也可用二者共同验证可成因素性。

6、认识和理解主成分分析与共同因素分析提取因素方法之间的基本区别。对于量表编制来说，在大多数情况下，共同因素分析法都优于主成分分析法。

7、即使理论认为因素之间是不相关的，当数据中的因素是相关的时，应当采用斜交旋转。对每个因素解的第一次探索性因素分析，均考虑使用斜交旋转，用实证方法确定因素是否相关。

8、事先确定因素保留和题项删除的标准（例如，删除因素载荷<.32或交叉载荷<.15的题项、近似简单结构、平行分析、删除少于两个题项的因素——除非相应的两个题项有高的相关，比如，r>.70）。

9、在做判断时，避免先入为主偏见的影响（例如，研究者想要最后的因素解是什么样的）推翻重要的统计结果。如果从探索性因素分析结果的概念解释中区分研究者的偏见显得困难，那么，就考虑使用独立的判断来帮助做出决策。

10、如果对量表长度进行了优化，那么，重新运行探索性因素分析是很重要的，以便保证题项删除没有造成因素结构、因素之间的相关、项目的共同度、因素载荷或交叉载荷有变化，从而，符合对应于这些结果的所有原来确定的标准。

11、在做验证性因素分析前，不要对由最后探索性因素分析得到的量表进行改变（例如，添加新的题项、删除题项、改变题项的内容、改变评定量尺）。如果觉得探索性因素分析的结果不能让人满意，或者对量表进行改变是必须的，那么，在做验证性因素分析前对改变的量表重新做一次探索性因素分析是合适的。

12、在结构方程模型中，竞争模型取向超过了单一模型取向，说明研究者应当从理论上考虑评估嵌套模型或非嵌套模型或等效模型的可能性。

13、当用结构方程模型时，在做验证性因素分析前，把模型复杂性作为确定所需最小样本量的核心指标，推荐的最小样本量是要被试与参数比为5:1。

14、至少应当报告如下结构方程模型的拟合指数：（a）χ²检验统计量及其自由度和显著性水平；（b）RMSEA及其90%的置信区间；（c）CFI；（d）SRMR。

15、当用结构方程模型比较竞争模型时，在上述标准指使指数的基础上，再加一个合适的预测拟合指数。

16、做结构方程模型时的模型修正的数据驱动方法对于微调是更合适的，对于严重错设的模型而大量重新设定的模型是不太合适的。

17、在重新设定中，如果需要在模型中添加参数，可以使用拉格朗日乘子修正指数；如果需要从模型中去掉参数，可以使用沃德统计量。不过，最终使用这些修正指数时，修正过程中应当考虑理论基础。

18、在量表编制研究中，做结构方程模型不建设题项打包，因为题项小包不仅可能隐藏量表中题项之间的真实关系，而且可能隐藏模型错设，这与验证性因素分析的目的不一致。

19、在量表编制研究中，当使用探索性因素分析与验证性因素分析时，清晰地报告所有决定、理由、程序。

由此可见，编制心理量表是非常复杂的工作，虽然最后得到的量表可能就是若干个题项，然而，背后的过程十分繁琐，特别地，各个细节都有很多选项，都有不少需要注意的地方。按照有关要求，才可能编制一个真正符合心理测量学要求的量表。

参考文献

Worthington, R. L., & Whittaker, T. A. (2006). Scale development research: A content analysis and recommendations for best practices. The Counseling Psychologist, 34, 806-838.