什么是判别效度?|定义与示例

区分效度指测试的程度不与度量不同结构的其他测试相关。在这里,一个构造一种行为、态度或概念，尤指不能直接观察到的

期望是反映不同结构的两个测试应该不彼此高度相关。如果它们是，那么你不能肯定地说它们测量的不是同一个结构。因此，区分效度是对差异程度的一种指示区别之间的结构。

区分效度与收敛效度相结合。在某些领域，判别效度也被称为不同的有效性．

什么是判别效度?

判别效度是一个子类型建构效度．换句话说，它向您展示了一个测试如何很好地衡量它被设计用来衡量的概念。

判别效度具体衡量的是是否在理论上建构了那个概念不应该彼此有关系的其实是没有关系的。

例如，从理论上讲，衡量安全感和孤独感的两项测试的分数不应该相互关联。换句话说，安全感得分高的人在孤独感上的得分并不高。如果这被证明是正确的，这两个测试将具有很高的区分效度。

判别效度很重要，因为它向您展示了您的测试是准确地针对感兴趣的结构，还是评估了分离的、无意中相关的结构。这取决于你的准确性操作化即:，your ability to turn abstract concepts into measurable变量或观察。

判别效度和收敛效度

判别效度和收敛效度帮助你建立构念效度。然而，重要的是要记住它们不是一回事。

• 区分效度展示了两个测试不应该有关系，但事实上，毫无关系。
• 聚合效度向您展示了两个本应相互关联的测试实际上是相关的。

也就是说，区分效度侧重于差异，而收敛效度侧重于相似。

为了显示结构效度的证据，测试应:

• 关联使用测试来测量相同或相关的结构
• 没有关联使用测量不同结构的测试

研究人员同时评估判别效度和收敛效度。为了证明结构的有效性，必须对两者进行评估。请注意，在判别效度之前，首先评估收敛效度是很重要的。

判别效度的例子

你可以用两种方法建立判别效度:

• 选择完全相反的构造(例如，紧张vs.自信)
• 选择完全不相关的概念(例如，紧张和喜欢的食物)

如何测量判别效度

您可以通过证明存在判别效度来衡量测试的判别效度没有相关或非常低的不相关构造的度量之间的相关性。

相关程度用a来衡量相关系数，例如皮尔森的r．相关系数的值总是在1和- 1之间，它是变量之间关系的强度和方向的指示。

相关系数值可以解释为:

• r= 1:完全正相关
• r= 0:没有任何相关性
• r=−1:完全负相关

你可以自动计算皮尔森的r在Excel中，R、SPSS等统计软件。

虽然没有共识，一个好的经验法则是，量表或量表项目之间的高相关性被认为是有问题的鉴别效度。在概念化判别有效性时，一个一般的经验法则是值从r= 0.85被认为是高的。

请记住，与不相关构念的相关性应该总是弱于相关构念的相关性。

关于鉴别效度的常见问题

为什么收敛效度和判别效度经常一起评估?

聚合效度和判别效度都是建构效度．它们一起帮助您评估一个测试是否测量了它被设计用来测量的概念。

• 收敛效度表示用于测量特定结构的测试是否与评估相同或相似结构的其他测试相关联。
• 判别效度指示两个测试是否应该不彼此高度相关的其实并不相关

为了证明结构的有效性，您需要对两者进行评估。任何一个单独都不足以建立构念效度。

构念效度的定义是什么?

建构效度是关于一个测试如何衡量它被设计用来评估的概念。它是四种类型之一测量的有效性，包括构念效度，表面有效性、判据效度。

构念有效性有两种子类型。

• 聚合效度：您的度量与相关构造的度量相对应的程度
• 区分效度：你的测量与不同结构的测量不相关或负相关的程度

我如何衡量构念效度?

统计分析通常用于测试来自您的测量数据的有效性。你测试聚合效度判别效度相关性看看您的测试结果是否与其他已建立的测试结果呈正相关或负相关。

你也可以使用回归分析来评估你的测量是否能预测理论上预期的结果。一个支持你的期望的回归分析加强了你的主张建构效度．