效度

内容效度（content validity）指测验题目在多大程度上代表了所要测量的构念或内容领域，其核心问题是题目抽样是否覆盖了领域的关键方面，而非题目与某一外部效标的相关程度。^{77正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

内容效度的评定主要依赖专家判断，因为内容覆盖是否充分无法用单一数值指标直接检验，只能由熟悉该内容领域的专家对题目的相关性、代表性、清晰度与覆盖面逐条作出判断。^{77正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

在护理与健康测量类问卷的开发中，常见做法是采用德尔菲式专家咨询（Delphi expert consultation），通过多轮匿名征询让专家对题目的重要性或相关性打分，并据此删改题目。^{77正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

内容效度指数（content validity index, CVI）是把专家评定结果量化的常用指标，按评定对象分为条目水平的内容效度指数（I-CVI）和量表水平的内容效度指数（S-CVI），后者又常分为全体专家一致同意比例（S-CVI/UA）与各条目 I-CVI 的平均值（S-CVI/Ave）两种算法。^{77正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

I-CVI 的计算方式是：对某一题目给出“相关”评定的专家人数除以参与评定的专家总人数；例如 6 名专家中有 5 人评为相关，则该题 I-CVI 为 0.83。^{77正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

S-CVI/Ave 为所有条目 I-CVI 的算术平均值，S-CVI/UA 为被全部专家一致评为相关的条目数占条目总数的比例；前者对专家人数变化较稳健，后者对专家人数敏感，专家越多越难达到高值。^{77正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

关于 I-CVI 的可接受门槛，通行建议是专家人数为 5 人或更少时要求 I-CVI 达到 1.00，专家人数为 6 人及以上时要求不低于 0.78；S-CVI/Ave 一般建议达到 0.90 以上，S-CVI/UA 建议达到 0.80 以上。^{77正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

专家评定中“相关”的判定通常采用 4 点李克特量表（1=不相关，4=高度相关），并把 3 分与 4 分合并计为“相关”，以避免中间选项带来的归类模糊。^{77正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

专家人数并非越多越好：人数过少会使 I-CVI 的抽样波动过大，人数过多则使 S-CVI/UA 因“全体一致”要求过严而系统性偏低，实践中常取 5 至 10 名熟悉该领域的专家。^{77正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

除 CVI 外，专家评定还可计算基于随机一致性校正的指标，如修正 kappa 系数（modified kappa, k*），用以扣除专家凭 chance 评为“相关”的可能性，从而对 I-CVI 作更保守的解释。^{77正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

专家评定应保留质性反馈：专家对题目的措辞、歧义、文化适配性提出的修改意见，往往比 CVI 数值本身更能指导题目的修订，因此内容效度报告通常同时呈现量化指数与质性意见的处理记录。^{77正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

内容效度指数只反映专家对题目与领域契合度的主观判断，不能替代结构效度与效标效度的实证检验；高 CVI 并不保证量表在因子结构或与外部效标的关系上表现良好。^{77正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

专家评定存在固有局限：专家遴选若集中于同一学派或同一机构，评定结果可能反映共识而非效度；专家对构念边界的理解不一致时，CVI 会因“相关”标准不同而在研究间不可比。^{77正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

表面效度（face validity）指测验的使用者或受测者凭直观印象判断题目是否“看起来”在测量目标构念，它不涉及统计检验，也不构成心理测量学意义上的效度证据。^{88APA Dictionary of Psychology: Face Validitydictionary.apa.org前往参考资料 ↓在新标签页中打开|99Face Validityonlinelibrary.wiley.com前往参考资料 ↓在新标签页中打开}

在《教育与心理测验标准》的效度框架中，表面效度不被列为效度证据来源；效度证据被归为基于测验内容、反应过程、内部结构、与其他变量关系以及测验后果的五类。^{1010Standards for Educational and Psychological Testingaera.net前往参考资料 ↓在新标签页中打开}

表面效度与内容效度常被混为一谈，但二者判断主体和依据不同：内容效度由领域专家系统评估题目对构念全域的代表性，表面效度则来自非专家（受测者、使用者）的直观观感。^{88APA Dictionary of Psychology: Face Validitydictionary.apa.org前往参考资料 ↓在新标签页中打开|99Face Validityonlinelibrary.wiley.com前往参考资料 ↓在新标签页中打开}

表面效度会影响受测者的作答动机与反应方式：题目看起来与测验目的无关或显得荒谬时，受测者可能降低投入、随意作答，从而损害测验分数的解释。^{99Face Validityonlinelibrary.wiley.com前往参考资料 ↓在新标签页中打开|1111Social Desirability Biasoxfordbibliographies.com前往参考资料 ↓在新标签页中打开}

在人格与态度测量中，表面效度过高会使题目意图过于明显，受测者容易察觉并作出社会赞许性反应，因此部分测验刻意降低表面效度或采用迫选、伪装式题目。^{1111Social Desirability Biasoxfordbibliographies.com前往参考资料 ↓在新标签页中打开|1212The Detection and Correction of Faking in Personality Assessmentannualreviews.org前往参考资料 ↓在新标签页中打开}

表面效度在人员选拔与临床评估等高风险情境中具有实际意义：题目若显得与岗位或症状无关，可能引发受测者抵触、法律质疑或机构接受度下降。^{99Face Validityonlinelibrary.wiley.com前往参考资料 ↓在新标签页中打开|1313Face Validitymethods.sagepub.com前往参考资料 ↓在新标签页中打开}

表面效度不能替代实证效度证据：一个测验可以表面效度很高却在效标关联或内部结构上缺乏支持，反之亦然，因此它只能作为测验开发与沟通中的辅助考量。^{88APA Dictionary of Psychology: Face Validitydictionary.apa.org前往参考资料 ↓在新标签页中打开|1010Standards for Educational and Psychological Testingaera.net前往参考资料 ↓在新标签页中打开}

表面效度的评估通常缺乏标准化程序，多依赖小规模受测者或使用者的主观评定与访谈，结果难以量化，这也是它不被视为正式效度证据的原因之一。^{99Face Validityonlinelibrary.wiley.com前往参考资料 ↓在新标签页中打开|1313Face Validitymethods.sagepub.com前往参考资料 ↓在新标签页中打开}

同时效度是效标效度的一种，其效标资料与测验分数在同一时间点或同一时段内搜集，而非隔一段时间后追收。^{55图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

效标效度按搜集效标资料的时间分为预测效度与同时效度两类：同时效度的效标资料与测验分数同时搜集，预测效度的效标资料则需过一段时间才能获得。^{55图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

同时效度常用的效标包括在校学业成绩、教师的等级评定和临床检查结果等。^{55图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

大学入学考试可以用中学成绩作为效标，这是同时效度的典型示例：测验分数与效标资料在同一时段内取得。^{55图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

同时效度与预测效度的核心区别在于效标资料的搜集时点：同时效度不涉及对未来的预测，而是检验测验分数与当下可获得的效标测量之间的一致性程度。^{55图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

效标效度（含同时效度）的估计通常通过统计分析得到数量指标，常用方法包括相关法、分组法和预期表法；其中相关法根据变量性质可选用积差相关、等级相关或二列相关。^{55图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

阿斯汀（A. W. Astin）将效标区分为观念效标与效标测量：观念效标是概念层面的目标构念，效标测量则是对该构念的数量化操作；若无效标测量，观念效标便无法发挥作用。^{55图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

良好的效标测量应满足四项条件：真实反映观念效标的重要侧面、稳定可靠、客观并避免偏见，以及在保证有效性的前提下尽可能简单、省时、花费少。^{55图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

预测效度是效标效度的一种，其效标资料需要在测验实施之后过一段时间才能搜集到，即用测验分数去预测未来某个时点上才能观测到的行为或结果。^{55图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

效标效度按搜集效标资料的时间分为预测效度与同时效度两类：同时效度的效标资料与测验分数同时搜集，预测效度的效标资料则需过一段时间才可搜集到。^{55图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

预测效度对人员的选拔和安置工作尤为重要，因为这类工作的核心正是依据当前的测验结果去预判受测者日后在训练或岗位上的表现。^{55图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

预测效度常用的效标包括专业训练的成绩与实际工作的表现等，这些指标都要在测验之后经过一段时间才能获得。^{55图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

效标是衡量测验有效性的外在标准，通常指我们所要预测的行为；它可以是连续变量（如分数）也可以是分类变量（如职业），可以是现成的客观指标（如产量、薪水）也可以是人为设计的指标（如课堂测验），可以是主观评判也可以是客观测量。^{55图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

阿斯汀（A. W. Astin）将效标区分为观念效标与效标测量：观念效标是一个概念，效标测量则是对观念效标的数量化。以大学入学考试为例，所关心的“大学学习的成功”是观念效标，而大学的学习成绩是效标测量；若无效标测量，观念效标便毫无用处。^{55图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

良好的效标测量应满足四项条件：真实反映观念效标的重要侧面、稳定可靠、客观并避免偏见，以及在保证有效性的前提下尽可能简单、省时、花费少。^{55图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

效标效度一般可通过统计分析得到一个数量指标，因此也被称为统计效度；常用的估计方法有相关法、分组法和预期表法等。^{55图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

确定效标效度最常用的方法是计算测验分数与效标测量之间的相关，按变量性质不同可分别采用积差相关法、等级相关法、二列相关法等。^{55图文详情——科普中国资源服务cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开|44图文详情cloud.kepuchina.cn前往参考资料 ↓在新标签页中打开}

聚合效度（convergent validity）指测量同一构念的不同指标或不同方法所得分数之间应呈现较高相关，即这些指标在理论上应当汇聚到同一潜在构念上。^{1414Standards for Educational and Psychological Testingtestingstandards.net前往参考资料 ↓在新标签页中打开}

区分效度（discriminant validity）指测量不同构念的指标之间相关应足够低，从而表明该指标测的不是别的构念；聚合效度与区分效度共同构成构念效度（construct validity）的证据基础。^{1414Standards for Educational and Psychological Testingtestingstandards.net前往参考资料 ↓在新标签页中打开|1515Construct Validity in Psychological Testsdoi.org前往参考资料 ↓在新标签页中打开}

Campbell 与 Fiske 于 1959 年提出多重特质—多重方法矩阵（MTMM），用同一组特质在多种方法下的相关模式同时检验聚合效度与区分效度：同一特质的跨方法相关应高于不同特质间的相关。^{1616Convergent and Discriminant Validation by the Multitrait-Multimethod Matrixdoi.org前往参考资料 ↓在新标签页中打开}

在 MTMM 矩阵中，聚合效度体现为同一特质、不同方法之间的相关系数（monotrait-heteromethod）应显著大于零且相对较高；区分效度则要求同一特质跨方法的相关高于该特质与其他特质在同一方法下的相关（heterotrait-monomethod），也高于与其他特质跨方法的相关。^{1616Convergent and Discriminant Validation by the Multitrait-Multimethod Matrixdoi.org前往参考资料 ↓在新标签页中打开|1717Multitrait-Multimethod Matrixmethods.sagepub.com前往参考资料 ↓在新标签页中打开}

传统 MTMM 分析依赖对相关矩阵模式的目视判断，缺乏统一的统计检验标准，且结果常受方法效应干扰，这促使后续发展出验证性因子分析等模型化方法。^{1717Multitrait-Multimethod Matrixmethods.sagepub.com前往参考资料 ↓在新标签页中打开|1818Confirmatory Factor Analysis for Applied Research (2nd ed.)guilford.com前往参考资料 ↓在新标签页中打开}

验证性因子分析（CFA）框架下，聚合效度常通过标准化因子载荷显著且较高（如大于 0.5 或 0.7）、以及平均方差抽取量（AVE）不低于 0.5 来判断。^{1919Evaluating Structural Equation Models with Unobservable Variables and Measurement Errordoi.org前往参考资料 ↓在新标签页中打开}

Fornell 与 Larcker 提出以 AVE 的平方根与构念间相关系数比较来评估区分效度：每个构念 AVE 的平方根应大于该构念与其他构念的相关系数。^{1919Evaluating Structural Equation Models with Unobservable Variables and Measurement Errordoi.org前往参考资料 ↓在新标签页中打开}

Henseler 等指出 Fornell-Larcker 准则在检测区分效度时灵敏度不足，提出异质—单质相关比（HTMT）作为替代判据，并建议 HTMT 值低于 0.85（或较宽松的 0.90）作为区分效度成立的阈值。^{2020A New Criterion for Assessing Discriminant Validity in Variance-based Structural Equation Modelingdoi.org前往参考资料 ↓在新标签页中打开}

聚合效度与区分效度的证据需结合研究目的与构念理论网络来解读：高相关既可能反映真实的概念重叠，也可能提示指标冗余；低相关既可能支持区分效度，也可能反映测量误差或构念界定不清。^{1515Construct Validity in Psychological Testsdoi.org前往参考资料 ↓在新标签页中打开|2222Validity and Validation in Social, Behavioral, and Health Scienceslink.springer.com前往参考资料 ↓在新标签页中打开}

在心理与教育测量中，聚合与区分效度的检验通常要求同时报告多特质相关矩阵或 CFA 模型拟合指标，而非仅凭单一相关系数下结论。^{1414Standards for Educational and Psychological Testingtestingstandards.net前往参考资料 ↓在新标签页中打开|1818Confirmatory Factor Analysis for Applied Research (2nd ed.)guilford.com前往参考资料 ↓在新标签页中打开}

在结构效度的验证中，因子分析用于检验测验内部题目之间的协变模式是否与理论假设的潜在结构一致：探索性因子分析（EFA）在缺乏明确结构假设时用于归纳维度，验证性因子分析（CFA）则用于检验预先设定的因子模型与实测数据的拟合程度。^{2323Psychometric evaluation of the Persian nursing students’ learning self-efficacy instrumentjournals.plos.org前往参考资料 ↓在新标签页中打开}

在 CFA 框架下，结构效度的证据通常由模型拟合指标与因子载荷共同支撑；以波斯语版护理学生学习自我效能感量表为例，研究报告了各因子复合信度（CR）大于 0.7、平均方差抽取量（AVE）大于 0.5，并以此作为收敛效度成立的依据。^{2323Psychometric evaluation of the Persian nursing students’ learning self-efficacy instrumentjournals.plos.org前往参考资料 ↓在新标签页中打开}

因子分析同时为区分效度提供证据：当每个因子的 AVE 平方根大于该因子与其他因子的相关系数时，可认为各维度之间具有可接受的区分性，这是结构效度检验中常用的判定规则。^{2323Psychometric evaluation of the Persian nursing students’ learning self-efficacy instrumentjournals.plos.org前往参考资料 ↓在新标签页中打开}

因子分析的结果依赖于样本与抽取方式：该研究通过方便抽样在 2024 年 9 月至 12 月间招募 450 名护理学生，样本量与抽样代表性会直接影响因子结构的稳定性与可推广性。^{2323Psychometric evaluation of the Persian nursing students’ learning self-efficacy instrumentjournals.plos.org前往参考资料 ↓在新标签页中打开}

因子分析提供的结构效度证据并非一劳永逸：跨语言、跨文化修订时需重新进行因子分析，因为原量表的结构在新人群中未必复现，翻译与回译、内容效度检验不能替代结构层面的实证检验。^{2323Psychometric evaluation of the Persian nursing students’ learning self-efficacy instrumentjournals.plos.org前往参考资料 ↓在新标签页中打开}

假设检验法（hypothesis testing approach）是结构效度验证的核心策略之一，其基本逻辑是把测验分数所隐含的理论构念关系表述为可检验的统计假设，再通过实证数据判断这些假设是否成立，从而为构念解释提供支持或反证。^{1515Construct Validity in Psychological Testsdoi.org前往参考资料 ↓在新标签页中打开|2424Standards for Educational and Psychological Testingtestingstandards.net前往参考资料 ↓在新标签页中打开}

在克龙巴赫与米尔的经典框架中，结构效度验证被明确表述为对构念相关假设的检验过程：研究者需要同时提出支持预期关系的假设与可能证伪该构念的竞争性解释，并设计研究使二者产生可区分的预测。^{1515Construct Validity in Psychological Testsdoi.org前往参考资料 ↓在新标签页中打开}

《教育与心理测验标准》将效度界定为证据与理论对测验分数所隐含解释的支持程度，并把构念效度视为统摄内容、效标关联等各类证据的整体框架，假设检验所得的证据属于这一整体效度论证的组成部分。^{2424Standards for Educational and Psychological Testingtestingstandards.net前往参考资料 ↓在新标签页中打开|2222Validity and Validation in Social, Behavioral, and Health Scienceslink.springer.com前往参考资料 ↓在新标签页中打开}

假设检验法常用的证据类型包括：测验分数与理论上应相关的其他构念测量之间的相关（聚合证据）、与理论上应无关的构念测量之间的低相关（区分证据）、实验干预前后分数的预期变化、以及不同群体间分数的预期差异。^{1515Construct Validity in Psychological Testsdoi.org前往参考资料 ↓在新标签页中打开|2424Standards for Educational and Psychological Testingtestingstandards.net前往参考资料 ↓在新标签页中打开|1616Convergent and Discriminant Validation by the Multitrait-Multimethod Matrixdoi.org前往参考资料 ↓在新标签页中打开}

坎贝尔与菲斯克提出的多特质—多方法矩阵为聚合证据与区分证据提供了系统化的检验框架：同一特质不同方法的相关系数应显著高于不同特质同一方法的相关系数，从而同时检验构念的聚合性与区分性。^{1616Convergent and Discriminant Validation by the Multitrait-Multimethod Matrixdoi.org前往参考资料 ↓在新标签页中打开}

在假设检验的逻辑下，单个研究很少能单独确证或推翻一个构念解释；效度证据是累积性的，需要多项研究、多种假设与多组样本共同构成支持构念解释的证据网络。^{1515Construct Validity in Psychological Testsdoi.org前往参考资料 ↓在新标签页中打开|2424Standards for Educational and Psychological Testingtestingstandards.net前往参考资料 ↓在新标签页中打开}

假设检验法面临的一个方法学困难是：预测关系被证实只能说明测验分数与理论网络相容，而不能排除其他同样能产生该预测的替代构念解释，因此证伪性设计比单纯的相关验证更具诊断价值。^{1515Construct Validity in Psychological Testsdoi.org前往参考资料 ↓在新标签页中打开|2525Structural Equation Modeling and Construct Validity: A Review of Confirmatory Factor Analysis Applicationsannualreviews.org前往参考资料 ↓在新标签页中打开}

结构方程模型等潜变量分析方法被广泛用于假设检验式的结构效度验证，通过比较理论设定的因子结构与实测协方差矩阵的拟合程度，对构念结构假设进行整体检验。^{2525Structural Equation Modeling and Construct Validity: A Review of Confirmatory Factor Analysis Applicationsannualreviews.org前往参考资料 ↓在新标签页中打开|1818Confirmatory Factor Analysis for Applied Research (2nd ed.)guilford.com前往参考资料 ↓在新标签页中打开}

在测验编制实践中，假设检验法通常与内容效度分析、效标关联分析结合使用，形成从理论假设到实证检验再到解释修正的迭代流程，而非孤立的一次性检验。^{2424Standards for Educational and Psychological Testingtestingstandards.net前往参考资料 ↓在新标签页中打开|2222Validity and Validation in Social, Behavioral, and Health Scienceslink.springer.com前往参考资料 ↓在新标签页中打开}

COSMIN（COnsensus-based Standards for the selection of health Measurement INstruments）是一个国际协作项目，旨在开发评价健康测量工具（患者报告结局测量工具、观察性量表等）方法学质量与测量属性的标准、清单与评价框架。^{2626COSMIN website: Standards for the selection of health Measurement INstrumentscosmin.nl前往参考资料 ↓在新标签页中打开}

COSMIN 框架将测量属性划分为多个维度，核心包括：内部一致性、重测信度、测量误差、内容效度、结构效度、假设检验（构念效度）、效标效度、反应度，以及解释性与可行性等。^{2626COSMIN website: Standards for the selection of health Measurement INstrumentscosmin.nl前往参考资料 ↓在新标签页中打开|2727COSMIN checklist manualcosmin.nl前往参考资料 ↓在新标签页中打开}

COSMIN 清单（Checklist）针对每项测量属性分别评价研究的方法学质量，采用“很好（very good）—良好（adequate）—可疑（doubtful）—差（poor）”四级评分，并据此对测量属性本身的结果质量进行分级。^{2626COSMIN website: Standards for the selection of health Measurement INstrumentscosmin.nl前往参考资料 ↓在新标签页中打开|2727COSMIN checklist manualcosmin.nl前往参考资料 ↓在新标签页中打开}

COSMIN 将内容效度视为测量工具开发与评价中最重要的属性之一，并单独制定了内容效度评价标准（COSMIN 内容效度研究评价清单），要求对条目相关性、全面性与可理解性进行系统评估。^{2626COSMIN website: Standards for the selection of health Measurement INstrumentscosmin.nl前往参考资料 ↓在新标签页中打开|2828COSMIN methodology for content validitycosmin.nl前往参考资料 ↓在新标签页中打开}

COSMIN 方法学质量评价的评分规则采用“最差评分原则”（worst score counts）：一项研究在某属性上的总体方法学质量，取其在该属性各评价条目中最低的评分，以避免以偏概全。^{2626COSMIN website: Standards for the selection of health Measurement INstrumentscosmin.nl前往参考资料 ↓在新标签页中打开|2727COSMIN checklist manualcosmin.nl前往参考资料 ↓在新标签页中打开}

COSMIN 框架将测量属性结果的质量分为“充分（sufficient）”“不充分（insufficient）”“不确定（indeterminate）”与“不一致（inconsistent）”等类别，用于在系统评价中汇总证据并形成推荐。^{2626COSMIN website: Standards for the selection of health Measurement INstrumentscosmin.nl前往参考资料 ↓在新标签页中打开|2727COSMIN checklist manualcosmin.nl前往参考资料 ↓在新标签页中打开}

在系统评价层面，COSMIN 推荐采用改良 GRADE 方法对证据质量进行分级，并据此将测量工具分为 A 类（推荐使用）、B 类（有潜力但需进一步研究）与 C 类（不推荐使用），这一推荐体系被 COSMIN 指导文件明确表述。^{2626COSMIN website: Standards for the selection of health Measurement INstrumentscosmin.nl前往参考资料 ↓在新标签页中打开|2727COSMIN checklist manualcosmin.nl前往参考资料 ↓在新标签页中打开}

COSMIN 框架最初主要面向健康相关患者报告结局测量工具（PROMs），其后逐步扩展至观察性测量工具与基于表现的评价工具，其清单与标准被翻译为多种语言并在国际范围内广泛使用。^{2626COSMIN website: Standards for the selection of health Measurement INstrumentscosmin.nl前往参考资料 ↓在新标签页中打开|2727COSMIN checklist manualcosmin.nl前往参考资料 ↓在新标签页中打开}

COSMIN 与经典心理测量学框架（如美国心理学会、美国教育研究协会与美国国家教育测量委员会联合发布的《教育与心理测验标准》）在效度概念上存在取向差异：COSMIN 更强调内容效度优先与临床实用性，而经典框架将效度视为一个统一的构念，以效度证据的累积为核心。^{2626COSMIN website: Standards for the selection of health Measurement INstrumentscosmin.nl前往参考资料 ↓在新标签页中打开|1010Standards for Educational and Psychological Testingaera.net前往参考资料 ↓在新标签页中打开}

COSMIN 指导文件强调，测量工具的评价应基于其预期用途（intended use）与目标人群，脱离具体应用情境抽象地谈论“效度高低”缺乏意义。^{2626COSMIN website: Standards for the selection of health Measurement INstrumentscosmin.nl前往参考资料 ↓在新标签页中打开|2727COSMIN checklist manualcosmin.nl前往参考资料 ↓在新标签页中打开}

《教育与心理测验标准》（Standards for Educational and Psychological Testing）由美国教育研究协会、美国心理学会和美国国家教育测量委员会联合发布，是心理与教育测量领域关于效度评价最常被引用的权威框架性文件；其现行版本为2014年版。^{1414Standards for Educational and Psychological Testingtestingstandards.net前往参考资料 ↓在新标签页中打开}

2014年版《教育与心理测验标准》将效度界定为“证据与理论对测验分数所作解释与使用之充分性的支持程度”，并明确效度是就特定用途而言的，而非测验本身固有的属性。^{1414Standards for Educational and Psychological Testingtestingstandards.net前往参考资料 ↓在新标签页中打开}

该标准把效度验证的证据来源归纳为五类：基于测验内容的证据、基于内部结构的证据、基于与其他变量关系的证据、基于反应过程的证据，以及基于测验后果的证据。^{1414Standards for Educational and Psychological Testingtestingstandards.net前往参考资料 ↓在新标签页中打开}

在《教育与心理测验标准》的框架下，效度被理解为单一的整体概念，上述五类证据不是彼此独立的“效度类型”，而是为同一效度论证提供支持的不同证据线索。^{1414Standards for Educational and Psychological Testingtestingstandards.net前往参考资料 ↓在新标签页中打开}

Messick 提出的效度整体观把效度论证区分为“证据性”与“后果性”两个基础，并把价值意涵纳入效度考量，这一框架对《教育与心理测验标准》的效度章节产生了直接影响。^{2929The Interplay of Evidence and Consequences in the Validation of Performance Assessmentsjournals.sagepub.com前往参考资料 ↓在新标签页中打开}

Kane 提出的“解释/使用论证”（interpretation/use argument）框架把效度验证视为构造并评估一条从测验分数到预期解释与使用的推理链，主张按推理链中最薄弱的环节来分配验证资源。^{3030Validating the Interpretations and Uses of Test Scoresonlinelibrary.wiley.com前往参考资料 ↓在新标签页中打开}

Kane 的论证框架区分了四个推论环节：评分（scoring）、概化（generalization）、外推（extrapolation）与蕴含/决策（implication），并主张对每个环节分别提出支持性证据与可能的反证。^{3030Validating the Interpretations and Uses of Test Scoresonlinelibrary.wiley.com前往参考资料 ↓在新标签页中打开}

Cronbach 与 Meehl 1955 年提出的“构念效度”概念，把效度验证表述为检验一组关于构念与其他变量关系的理论预测（即“法则网络”），这一思路成为后续结构效度论证的方法论起点。^{3131Construct Validity in Psychological Testspsycnet.apa.org前往参考资料 ↓在新标签页中打开}

在实践层面，效度证据的充分性判断是相对于特定测验用途作出的，同一测验用于不同决策目的时，所需的证据种类与强度可以不同。^{1414Standards for Educational and Psychological Testingtestingstandards.net前往参考资料 ↓在新标签页中打开}

《教育与心理测验标准》强调效度证据的积累是一个持续过程，测验使用者在新的用途或新的被试群体上使用测验时，有责任重新评估既有证据是否仍然适用。^{1414Standards for Educational and Psychological Testingtestingstandards.net前往参考资料 ↓在新标签页中打开}

关于效度评价应以“整体判断”还是“分类型证据门槛”来组织，测量学界存在方法路线上的分歧：整体观主张综合权衡各类证据，而部分实践指南倾向于为不同证据来源设定可操作的最低标准。^{2929The Interplay of Evidence and Consequences in the Validation of Performance Assessmentsjournals.sagepub.com前往参考资料 ↓在新标签页中打开|3030Validating the Interpretations and Uses of Test Scoresonlinelibrary.wiley.com前往参考资料 ↓在新标签页中打开}

患者报告结局测量（PROM）指由患者本人直接填答、不经临床医生解释而获得的健康状态自评工具，其效度验证的核心问题是：量表得分是否真实反映了患者所体验的症状、功能与健康相关生活质量，而非仅仅反映了填答者的应答风格或社会期望。^{3232Patient-reported outcomes: definition and measurementpubmed.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

欧洲药品管理局（EMA）于2005年发布的反射文件《健康相关生活质量测量在药品评价中的反思文件》同样把测量属性的充分性作为HRQoL终点能否进入主要疗效评价的前提，并强调量表须在目标人群与目标语言版本中完成验证。^{3333Reflection paper on the regulatory guidance for the use of health-related quality of life (HRQL) measures in the evaluation of medicinal productsema.europa.eu前往参考资料 ↓在新标签页中打开}

PROM效度验证通常采用COSMIN（基于共识的健康测量工具选择标准）框架来组织证据：该框架把效度拆分为内容效度、结构效度与效标效度（含假设检验）三个测量属性，并对每个属性给出方法学质量评级与结果评级的两级评价体系。^{3434COSMIN methodology for systematic reviews of Patient-Reported Outcome Measures (PROMs) — user manualcosmin.nl前往参考资料 ↓在新标签页中打开}

COSMIN将“结构效度”的操作化定义为：量表得分符合预先提出的、关于维度结构或与其他测量之间关系的假设的程度；在PROM实践中，这通常通过验证性因子分析、已知组效度检验与聚合/区分效度相关矩阵来检验。^{3434COSMIN methodology for systematic reviews of Patient-Reported Outcome Measures (PROMs) — user manualcosmin.nl前往参考资料 ↓在新标签页中打开}

在PROM的效标效度评价中，由于“真实健康状态”本身无法直接观测，通常只能采用“构念效标”策略，即以同类量表的得分、临床分级或未来事件（如住院、死亡）作为参照；这使PROM的效标效度证据在性质上弱于有金标准的诊断性测量。^{3434COSMIN methodology for systematic reviews of Patient-Reported Outcome Measures (PROMs) — user manualcosmin.nl前往参考资料 ↓在新标签页中打开|3535Criterion validity of patient-reported outcome measures: conceptual issueslink.springer.com前往参考资料 ↓在新标签页中打开}

PROM效度验证中的一个反复出现的实践问题是“跨文化适配”：量表从源语言翻译为目标语言后，须重新检验其维度结构是否保持不变（测量不变性），否则跨组比较的效度无法成立。^{3636Cross-cultural adaptation of patient-reported outcome measures: a systematic review of measurement invariance testinglink.springer.com前往参考资料 ↓在新标签页中打开}

在肿瘤与慢性病研究中，PROM常被用作临床试验的次要终点或症状监测工具；此时其效度证据不仅要求量表在基线时测量准确，还要求它对随时间发生的临床有意义变化具备响应性，而响应性在COSMIN框架中被视为与效度并列的独立测量属性。^{3434COSMIN methodology for systematic reviews of Patient-Reported Outcome Measures (PROMs) — user manualcosmin.nl前往参考资料 ↓在新标签页中打开|3737Patient-reported outcomes in oncology clinical trials: measurement properties and interpretationascopubs.org前往参考资料 ↓在新标签页中打开}

关于PROM效度证据是否足以支撑其作为主要终点，监管机构与部分方法学研究者之间存在分歧：监管指南倾向于要求内容效度与心理测量学证据同时充分，而一些研究者主张在症状高度主观的领域（如疼痛、疲乏）中，PROM的构念效度本身即构成充分依据。^{3838The case for patient-reported outcomes as primary endpoints in symptom trialsbmj.com前往参考资料 ↓在新标签页中打开}

在声音情绪研究中，量表效度验证通常遵循经典测验理论框架，将效度分为内容效度、效标效度和结构效度，并分别通过专家评定、与既有情绪量表或行为指标的相关、以及因素分析来检验。^{3939APA Dictionary of Psychology: Validitydictionary.apa.org前往参考资料 ↓在新标签页中打开}

声音情绪研究中常用的自评量表（如情绪维度量表）在跨语言、跨文化使用时，其结构效度需通过多组验证性因素分析重新检验，因为不同语言背景的听者对情绪词的理解和维度归属可能存在差异。^{4040The Geneva Emotion Recognition Test: A New Instrument for the Assessment of Emotion Recognition Abilitydoi.org前往参考资料 ↓在新标签页中打开}

效标效度在声音情绪研究中常以行为反应（如反应时、判断一致性）或生理指标（如皮肤电、心率）作为效标，但效标本身的选择和测量质量会直接影响效标效度的解释力。^{4141Emotion recognition in speech: A review of the literaturedoi.org前往参考资料 ↓在新标签页中打开}

声音情绪研究中，结构效度验证常采用探索性因素分析和验证性因素分析相结合的策略，以确认情绪维度（如效价、唤醒度）在声音刺激下的因子结构是否稳定。^{4242The structure of emotional communication: A review of the literature on vocal expressiondoi.org前往参考资料 ↓在新标签页中打开}

在声音情绪研究中，量表效度验证面临的一个常见挑战是缺乏统一的“金标准”效标，因为情绪体验本身具有主观性，不同效标（如自评、生理、行为）之间往往只呈中等相关。^{4343Measures of emotion: A reviewdoi.org前往参考资料 ↓在新标签页中打开}

声音情绪研究中，内容效度通常通过专家判断和认知访谈来评估量表条目是否覆盖了目标情绪构念，但专家判断的主观性可能限制内容效度的证据强度。^{4444Content validity in psychological assessment: A functional approach to concepts and methodsdoi.org前往参考资料 ↓在新标签页中打开}

声音情绪研究中，量表效度验证的结果常受刺激材料特性（如声音类型、时长、强度）和听者个体差异（如音乐训练背景、文化经验）的影响，因此效度证据需在具体研究情境中重新积累。^{4545Vocal expression of emotion: Acoustic properties of speech are associated with emotional intensity and contextdoi.org前往参考资料 ↓在新标签页中打开}