1 基本概念
1.1 定义
效标关联效度是指测验分数与某一外部效标之间一致、对应或可预测的程度。这里的“效标”通常是被视为较可靠的参照标准，如工作表现、学业成绩、诊断结果、实际行为记录等。它主要回答的问题是：某个测验所得分数，能否反映或预测现实中的相关表现。
1.2 核心要素
1.2.1 测验分数
测验分数是效标关联效度中的待检验变量，通常来自考试、问卷、评定量表或能力测验。它可以是原始分、标准分，也可以是经过加权或转换后的综合分值。分数本身只是测量结果，是否具有解释价值，取决于它与效标之间的关系。
1.2.2 效标变量
效标变量是用来作为比较基准的外部指标，要求尽可能接近真实表现或实际结果。不同情境下，效标可以是客观成绩、主管评价、临床诊断、行为记录或后续绩效等。效标变量的质量，直接影响效度判断的可靠性。
1.2.3 相关关系
效标关联效度通常通过测验分数与效标变量之间的相关程度来体现。相关越高，一般说明测验越能贴近目标结果；相关较低，则可能意味着测验内容、评分方式或效标选择存在问题。不过，相关关系并不自动等于因果关系，它只是效度证据的一种表现。
1.3 与效度总体框架的关系
1.3.1 内容效度
内容效度关注测验题目是否覆盖了目标内容领域，强调题项代表性的充分程度。它更多检验“测了什么”，而非测验结果与外部标准是否一致。与效标关联效度相比，它更偏向内容覆盖与专家判断。
1.3.2 结构效度
结构效度关注测验是否真正反映了理论上设定的心理结构，如智力、焦虑或人格特征。它通常依赖因素分析、聚合与区分模式等证据。效标关联效度则更强调与现实指标的对应关系，二者关注点不同，但常相互补充。
1.3.3 效标关联效度
效标关联效度属于效度证据的重要组成部分，侧重测验对外部结果的解释和预测能力。它在应用型测验中尤其关键，因为很多场景不仅要求测验“看起来合理”，还要求其在实际决策中有效。
2 理论基础
2.1 经典测量理论中的位置
在经典测量理论中，任何测量分数都可视为真实分数与误差分数的组合。效标关联效度关注的，是测验分数中有多少部分能够稳定地对应外部效标。若误差过大，即便测验表面上有一定相关，也难以获得稳健的效度证据。
2.2 效标的选择原则
2.2.1 相关性
效标必须与测验所要预测或解释的目标高度相关。若二者关联松散，即使统计上存在一定相关，也难以说明测验具有理想效度。选择效标时，应优先考虑与测验用途直接相连的指标。
2.2.2 代表性
效标应当能够代表目标行为或结果的核心部分，而不是偶然片段。比如评价学习能力时，仅用一次小测验成绩作为效标，可能不足以反映长期学业表现。代表性越强，所得效度证据通常越有说服力。
2.2.3 可测量性
效标需要在现实中可被稳定记录和比较，便于收集和分析。若效标模糊、难以量化或评定标准不统一，就会削弱结论的可信度。可测量性并不意味着必须完全客观，但至少要具备清晰、可操作的指标体系。
2.3 效标误差对结果的影响
2.3.1 信度不足
如果效标本身不稳定，测验与效标之间的相关就会被人为削弱。比如不同评定者对同一表现判断不一，可能导致效度系数偏低。此时，低相关不一定说明测验无效，也可能是效标测量不够可靠。
2.3.2 参照标准偏差
当效标并未真正代表“真实水平”，而是带有系统偏差时，效度判断会受到影响。例如某些评级标准过于宽松或严格，会扭曲测验与结果之间的关系。参照标准越偏离真实目标，解释就越需谨慎。
2.3.3 测量时点不一致
测验与效标若在不同时间点采集，外部条件变化可能导致对应关系减弱。尤其在能力发展、学习进步或状态波动明显的情境中，时间间隔会显著影响结果。时间安排越不一致，效度估计越可能偏低。
3 类型划分
3.1 预测效度
3.1.1 适用场景
预测效度用于考察当前测验能否预测未来的外部表现，常见于招生、选拔、职业筛选等场景。它强调的是前测对后果性结果的预判能力。由于涉及未来结果，这类效度在决策用途上尤其重要。
3.1.2 典型示例
例如用入学测试成绩预测学生之后一学期的课程成绩，或用招聘测验分数预测试用期绩效。若预测关系较强，说明测验具备较好的应用价值。反之，则需重新审视题目设计或效标设置。
3.2 同时效度
3.2.1 适用场景
同时效度指测验与效标在同一时期或相近时期测量，用于检验二者是否同步一致。它常见于现有测验修订、诊断工具验证或替代指标检验。由于时间接近，这类效度更容易控制外部变化因素。
3.2.2 典型示例
比如新开发的抑郁量表与同日的临床评估结果进行比较，或新问卷与现有成熟量表同时施测后进行相关分析。若结果接近，说明新工具可能具有较好的实用价值。
3.3 回溯效度
3.3.1 概念特点
回溯效度是指利用既往的外部结果来检验当前测验与过去表现之间的对应关系。它通常借助历史数据或既有记录进行分析，形式上与预测效度和同时效度有所交叉。实际使用中，它更常作为一种经验性评估思路出现。
3.3.2 使用限制
回溯效度容易受到历史资料完整性、记录一致性和样本选择偏差的影响。由于数据并非专为研究目的而设，控制变量通常不如前瞻性设计严格。因此，这类结果往往适合作为辅助证据，而不宜单独作为唯一依据。
4 评估方法
4.1 相关分析
4.1.1 皮尔逊相关
皮尔逊相关常用于考察两个连续变量之间的线性关系，是效标关联效度最常见的统计方法之一。其结果通常以相关系数表示，便于快速判断关系方向和强度。若变量满足近似正态、线性关系较明显，皮尔逊相关较为适用。
4.1.2 斯皮尔曼相关
斯皮尔曼相关适用于等级数据或非正态分布情形，衡量的是秩次一致性。它对极端值较不敏感，常用于评分等级、排序结果或偏态分布数据。对于某些实务评估，斯皮尔曼相关能提供更稳妥的参考。
4.2 回归分析
4.2.1 线性回归
线性回归可用来估计测验分数对效标结果的预测程度，并进一步给出预测方程。相比简单相关，它不仅描述关系，还能形成具体预测模型。若目标是依据测验分数作初步判断，线性回归很有实用价值。
4.2.2 多元回归
多元回归允许将多个测验指标同时纳入模型，考察各变量对效标的独立贡献。它适用于需要比较不同测验的预测力，或控制其他背景因素的情境。此方法还可用于检验某测验是否具有额外解释价值。
4.3 分类准确性分析
4.3.1 命中率
命中率是指测验分类结果与效标分类结果一致的比例，常用于合格/不合格、通过/未通过等二分类情境。它直观易懂，适合向非专业人员说明测验效果。不过，命中率受类别基率影响较大，不能单独作为全部依据。
4.3.2 灵敏度与特异度
灵敏度表示测验识别出真实阳性个体的能力，特异度则表示识别真实阴性个体的能力。二者通常用于诊断和筛查工具的效度分析。若只追求其中一项，另一项可能受损，因此实际应用中需要综合平衡。
4.3.3 ROC曲线
ROC曲线通过不同切点下的真阳性率与假阳性率变化，评估测验的整体分类性能。曲线下的面积常被用作总体判别能力指标。该方法特别适合比较不同筛查工具或不同分数阈值的效果。
4.4 交叉验证
4.4.1 样本划分
交叉验证通常将样本分为开发集与验证集，先在一部分样本中建立关系，再在另一部分样本中检验。这样可以减少“在同一数据上建立又检验”的乐观偏差。样本划分越合理，结论越接近真实应用情境。
4.4.2 稳定性检验
稳定性检验用于确认测验与效标关系在不同样本或不同时间中是否保持一致。若结果在多次验证中波动较大，说明效度证据不够稳固。稳定性良好，则更能支持测验的实际使用。
5 影响因素
5.1 测验质量
5.1.1 信度
测验信度越高，分数越稳定，通常越有利于获得较高的效标关联效度。相反，若测验误差较大，相关关系会被削弱。信度是效度的基础条件之一，二者密切相关但并不相同。
5.1.2 题目质量
题目表述含糊、难度不当或区分度不足，都可能影响测验与效标的对应关系。优质题目应尽量贴近目标构念，并能有效区分不同水平的受测者。题目设计越合理，效度证据通常越稳定。
5.2 效标质量
5.2.1 效标信度
如果效标测量本身存在较大误差，测验与效标的关系会被低估。比如人工评分一致性不佳，会直接影响结果解释。效标信度越高，效度分析越有基础。
5.2.2 效标效度
效标本身也应具有充分效度，否则用它来评价新测验就缺乏坚实前提。若参照标准并不真正反映目标结果，再精细的相关分析也可能失去意义。因此，效标并非天然正确，而是同样需要检验。
5.3 样本特征
5.3.1 样本范围限制
当样本在能力、成绩或表现上过于集中时，相关系数往往会被压缩。这种范围受限现象常见于选拔后的人群或高水平群体内部比较。样本越单一，越不容易观察到真实关系强度。
5.3.2 样本异质性
样本差异较大时，测验与效标之间的关系有时更容易显现，但也可能引入额外噪音。若群体特征过于复杂，不同亚群的关系模式可能并不一致。分析时需要考虑分层或分组结果。
5.4 时间间隔
5.4.1 预测情境中的间隔过长
在预测设计中，间隔过长可能导致外部条件变化，使原有关系减弱。受测者经历成长、训练或环境变化后，早期分数对未来结果的解释力可能下降。时间跨度越大，越需要关注情境稳定性。
5.4.2 同时测量中的同步性
同时效度要求测验与效标尽量在接近的时间内完成，以减少状态波动影响。若间隔过大，就可能把短期变化误当作测验误差。同步性越好，比较结果通常越可信。
6 应用领域
6.1 教育测评
6.1.1 入学考试
入学考试常借助效标关联效度判断其对后续学习表现的预测能力。若考试成绩能较好反映入学后的学业表现，则说明该考试具有较强的选拔价值。此类分析常用于优化招生工具。
6.1.2 学业预测
学业预测用于评估某类测验能否提前识别学习成绩、课程适应或毕业结果。教育机构可据此改进教学支持与分流安排。效标关联效度在这里往往直接关系到政策和资源配置。
6.2 人才选拔
6.2.1 招聘筛选
招聘中常通过测验分数预测岗位绩效、出勤稳定性或培训表现。若相关证据充分，测验可以作为筛选和排序的重要依据。它有助于提高选拔效率，也能降低试错成本。
6.2.2 岗位匹配
岗位匹配强调个人能力特征与职位要求之间的契合程度。通过效标关联效度分析，可以判断某些能力测验是否真正对应岗位表现。若匹配准确，后续培训和留任效果通常更好。
6.3 临床与心理评估
6.3.1 诊断工具
在临床评估中，测验常用于辅助识别特定心理状态或症状水平。其效标可能是临床访谈、专业诊断或治疗反应记录。效标关联效度越高，工具的辅助诊断价值越强。
6.3.2 风险筛查
风险筛查用于尽早发现可能出现问题的个体或群体，如成瘾风险、复发倾向或适应困难。此类测验要求在较短时间内给出相对可靠的判别。效标关联效度是判断筛查工具实用性的关键依据。
6.4 市场与用户研究
6.4.1 行为预测
在市场研究中，问卷或量表可用来预测购买行为、使用频率或留存倾向。若测验与实际行为记录吻合度较高，就说明其有一定预测能力。相关结果常用于产品设计和用户分层。
6.4.2 偏好判断
偏好判断关注消费者对不同选项的倾向，并尝试将自陈结果与真实选择联系起来。由于偏好常受情境影响，效标关联效度分析可帮助识别问卷是否真正反映行为倾向。该方法也常用于广告和品牌测试。
7 结果解释
7.1 效度系数的含义
7.1.1 高低程度判断
效度系数越高，通常表示测验与效标之间的一致性越强。但“高”与“低”并无绝对统一标准，需要结合领域传统、样本特征和实际用途判断。某些应用中中等相关已具实用价值，而另一些场景则要求更高水平。
7.1.2 统计显著性
统计显著性说明观察到的关系不太可能完全由随机误差造成，但并不等于关系一定强或有用。样本量很大时，微弱相关也可能显著；样本较小时，较强关系也可能不显著。解释时应同时看相关大小和实际意义。
7.2 实际意义与统计意义
7.2.1 效应大小
效应大小反映测验对效标的实际解释力，通常比单纯显著性更能说明应用价值。对于选拔、筛查和预测任务，效应大小往往决定测验是否值得使用。效度分析不应只停留在“显著”与否。
7.2.2 应用决策价值
效标关联效度最终服务于决策，比如录取、聘用、筛查或分流。一个测验即便相关不算特别高，只要能显著减少错误决策，也可能具有较高价值。实际使用时常需兼顾成本、风险和公平性。
7.3 常见误区
7.3.1 将相关等同于因果
效标关联效度中的相关关系并不能直接证明测验分数导致效标结果。二者可能受第三变量影响，也可能只是共同变化的表象。解释时必须避免把预测关系误读成因果关系。
7.3.2 过度依赖单一效标
单一效标往往难以完整代表复杂构念或真实表现。若只依赖一个参照，可能忽略效标本身的局限。更稳妥的做法是结合多个证据来源进行综合判断。
7.3.3 忽视情境差异
同一测验在不同人群、不同任务或不同时间中，效标关系可能并不相同。若不考虑情境变化，结论容易失真。效度判断应始终放在具体使用环境中理解。
8 争议与局限
8.1 效标不完备问题
现实中的效标往往只是目标表现的近似替代，而非“真实本体”的完整呈现。由于很多重要结果难以直接观察，研究者只能选择次优标准。这使得效标关联效度常带有一定程度的近似性。
8.2 生态效度限制
实验室或标准化测试环境中的结果，不一定能完全迁移到真实场景。某些测验在纸笔条件下表现良好，但进入复杂环境后效果下降。因而，效度证据应尽量结合实际应用情境检验。
8.3 测量等值性问题
若不同群体对测验题目的理解方式不一致，即便总体相关存在，也可能难以公平比较。测量等值性不足会影响效度解释，尤其在跨群体使用时更为明显。此时，单看总体系数可能掩盖结构差异。
8.4 预测失败的解释
当测验未能预测效标时，并不一定意味着测验完全无用。可能是效标选择不当、时间间隔过长、样本范围受限，或测验仅适用于特定情境。预测失败往往提示需要重新检视整个测量链条，而不是简单否定工具本身。
9 相关概念
9.1 聚合效度
聚合效度是指同一构念的不同测量之间应表现出较高一致性。它强调“相近测量彼此相关”，属于构念验证的重要部分。
9.2 区分效度
区分效度强调不同构念的测量应能彼此区分，不应表现出过高重叠。它用于检验测验是否把不同心理特征混在一起。
9.3 内容效度
内容效度关注测验题目对目标内容范围的覆盖程度，常依赖领域专家判断。它与效标关联效度互补，但检验重点不同。
9.4 构念效度
构念效度是关于测验是否真正反映理论构念的综合性证据。它涵盖多种证据来源，效标关联效度只是其中一部分。
9.5 增量效度
增量效度指某个测验在已有指标基础上，是否还能提供额外预测信息。它常用于比较测验的独立贡献和实际增值。