Chapter 2 文獻回顧
2.5 量表的效度評估
除了量表的信度（reliability）之外，即我們可以反覆使用此量表測量某個我們有興趣的事物
（attribute），測量結果可以重複相同的表現出來，我們尚且需要知道這個可以被反覆測量出的
Observed CI SE RE
liability σ σ σ
σ
CI＝有興趣的事物（construct of interest）的變異數2
σ
SE＝系統性誤差（systemic error）的變異數2
Observed CI SE RE
Validity σ σ
σ σ σ
= =
+ + σ
2 (2-10) 因此，信度一定大於等於效度(0≦validity≦reliability≦1)，信度為效度的上限。效度主要分為三類：1. 內容效度（content validity）, 2. 效標關聯效度（criterion validity）, 3.
建構效度 （construct validity）。至於效度驗證（Validation）則為一個驗證假說測試的過程（a process of hypothesis testing），驗證一個量表測量出來的結果是不是我們真正想要測量的事物或 面向，並藉由這個量表量測出的分數可以推論(inference)這個人有多少這個面向的特質。在闡 述量表效度時，我們不能說這個量表已經被證實具有效度了，只能說這個量表已經被證實當使 用在測量某個族群的某個特質或構想具有效度。
表面上的效度（Face validity）：其定義為是否這些問題或項目是否在看起來就是要量測我們想 要有興趣的事物。
內容效度（Content validity，亦可稱為 content coverage 或 content relevance）：我們的問卷內容
是否能夠充分的包含研究題目的所有面向(domain)，尤其當我們遺漏了某個重要的組成，那我 們對於此量表量測出的結果做出的推論便會有錯誤。
效標關聯效度（Criterion validity）：一般來說即是這個量表可以多正確的預測他所要量測的事 物。主要可以分成1. 一致性效度（concurrent validation） 2. 預測效度（predictive validation）。
一致性效度：我們研究一個新量表和一個已被接受的舊量表相關性，便是一致性效度。
預測性效度：受試者經過黃金診斷標準或者確切的診斷標準分類為個案及非個案，我們評估利 用此量表是否可以事先預測受試者為個案或非個案，即為此量表的預測性效度。
至於為什麼已經有一個很好的舊量表或診斷標準的情況下，還需要一個新的量表或診斷標準 呢？最主要的原因為舊量表或診斷標準可能因為題目過多太花費時間，或者是昂貴，具有侵入 性，對受試者有危險性或者是結果需要很長的時間才會知道，我們希望可以早一點預測結果，
因此需要一個較簡易的量表或診斷標準。
利用receiver operating characteristic curves (ROC curves，如 Figure 2.5-1)來找出較適切的切點來 分辨受試者是不是具有這項疾病或者特質。當我們提高切點的分數時，可以減少偵測到非個案 病人，但也有較多個案被遺漏，降低切點的分數時，可以偵測到較多個案病人，但也有較多非 個案被偵測到。ROC 的縱軸為敏感性（sensitivity）而橫軸為 1-特異性（1-specificity）或者偽 陽性率（false positive rate）。而一個診斷方法的好壞則是視 ROC curves（Figure 2.5-1）的 Area Under Curve (AUC)的大小來決定診斷方法的好壞。
Figure 2.5-1 Receiver Operating Characteristic curve（ROC curve）
0 20 40 60 80 100
0 20 40 60 80 100
100-Specificity
S e n s it iv it y
建構效度（Construct validity）
比如當我們要測量焦慮、智商、疼痛的程度時，我們無法直接測量這些潛在變項（latent variable），但根據我們對於焦慮的假設，焦慮會有冒汗，心悸，來回踱步（躁動），失眠等等 的表現，而我們可以觀察到這些表現，為可觀察變項（observed variables）。由於這些可觀察變 項為焦慮造成的結果，因此又稱為effect indicator。這些潛在變項即為假設性的建構(hypothetical construct)，需要有他的理論（theory）去連結可觀察變項與建構之間的相關性。
以極端族群（Extreme groups）檢驗量表的效度
最簡單可以檢驗量表效度的方法為將量表量測兩組受試者，一組為個案（具有我們有興趣以此 量表量測的特質或行為）一組為非個案，因此，個案應該在此量表會有較高的分數。這種方法 又稱為以極端族群驗證建構效度(construct validation by extreme groups)又稱為區辨效度
（Discriminative validation）。