打造分量

在一个地方生活久了就会深怀感情。比如我每天早餐,在武汉的街边的餐馆吃一碗热干面喝一杯豆浆,心里就有了某种莫名的安适。最初我对热干面的印象是很不佳的,含在嘴里老有舌头搅动     

圣经的分量

正天气渐热,晚间散步纳凉的人也越发多起来,商人们敏锐地捕捉到了商机,于是社区门口的步道上多了一排书摊,招牌上醒目地写着"图书15元一斤"。卖书卖出了菜市场的感觉,怪异的营销方式也着实吸引了不少人驻足挑选。这些售卖的书籍一律开本硕大、装帧精美、色彩鲜艳,厚实的册页拿在手中既有分量又有质感。然而当你眼目大得满足之余,书商的计谋也就快得逞了——把书上秤一称,少说也有二斤分量,几十块钱一本书绝对算不上便宜啊!     

概化理论缺失数据方差分量估计

各种心理调查、心理实验中, 数据的缺失随处可见。由于数据缺失, 给概化理论分析非平衡数据的方差分量带来一系列问题。基于概化理论框架下, 运用Matlab 7.0软件, 自编程序模拟产生随机双面交叉设计p×i×r缺失数据, 比较和探讨公式法、REML法、拆分法和MCMC法在估计各个方差分量上的性能优劣。结果表明：(1) MCMC方法估计随机双面交叉设计p×i×r缺失数据方差分量, 较其它3种方法表现出更强的优势; (2) 题目和评分者是缺失数据方差分量估计重要的影响因素。     

价值比价格分量更重

正通常情况下,客户用左脑考虑可以得到多少价值,用右脑考虑价格,而听到价格时右脑通常的反应就是太贵。这时候就需要销售员能够读懂客户的左右脑,并且灵活运用自己的销售技能,以实现销售的目的。客户:"那两张床垫价钱怎么算?"A销售员:"那张较大的是600元,另外一张是1200元。"客户:"这一张为什么比     

基于概化理论的方差分量变异量估计

概化理论广泛应用于心理与教育测量实践中, 方差分量估计是进行概化理论分析的关键。方差分量估计受限于抽样, 需要对其变异量进行探讨。采用蒙特卡洛(Monte Carlo)数据模拟技术, 在正态分布下讨论不同方法对基于概化理论的方差分量变异量估计的影响。结果表明: Jackknife方法在方差分量变异量估计上不足取; 不采取Bootstrap方法的“分而治之”策略, 从总体上看, Traditional方法和有先验信息的MCMC方法在标准误及置信区间这两个变异量估计上优势明显。     

概化理论方差分量估计的跨分布分析

方差分量估计是进行概化理论分析的关键。采用MonteCarlo模拟技术,探讨心理与教育测量数据分布对概化理论各种方法估计方差分量的影响。数据分布包括正态、二项和多项分布,估计方法包括Traditional、Jackknife、Bootstrap和MCMC方法。结果表明:(1)Traditional方法估计正态分布和多项分布数据的方差分量相对较好,估计二项分布数据需要校正,Jackknife方法准确地估计了三种分布数据的方差分量,校正的Bootstrap方法和有先验信息的MCMC方法(MCMCinf)估计三种分布数据的方差分量结果较好;(2)心理与教育测量数据分布对四种方法估计概化理论方差分量有影响,数据分布制约着各种方差分量估计方法性能的发挥,需要加以区分地使用。     

非正态分布下概化理论方差分量变异量估计

方差分量估计是概化理论的必用技术,但受限于抽样,需要对其变异量进行探讨。采用Monte Carlo数据模拟技术,探讨非正态数据分布对四种方法估计概化理论方差分量变异量的影响。结果表明：（1）不同非正态数据分布下,各种估计方法的“性能”表现出差异性;（2）数据分布对方差分量变异量估计有影响,适合于非正态分布数据的方差分量变异量估计方法不一定适合于正态分布数据。     

概化理论不同评分方案缺失数据方差分量估计

包含评分者侧面的测验通常不符合任意一种概化理论设计,因此从概化理论的角度来看这类测验下的数据应属于缺失数据,而决定缺失结构的就是测验的评分方案。用R软件模拟出三种评分方案下的数据,并比较传统法、评价法和拆分法在各评分方案下的估计效果,结果表明：（1）传统法估计准确性较差;（2）评分者一致性较高时,适宜用评价法进行估计;（3）拆分法的估计结果最准确,仅在固定评分者评分方案下需注意评分者与考生数量之比,该比值小于等于0.0047 时估计结果较为准确。     

概化理论不同评分方案缺失数据方差分量估计

包含评分者侧面的测验通常不符合任意一种概化理论设计,因此从概化理论的角度来看这类测验下的数据应属于缺失数据,而决定缺失结构的就是测验的评分方案。用R软件模拟出三种评分方案下的数据,并比较传统法、评价法和拆分法在各评分方案下的估计效果,结果表明：（1）传统法估计准确性较差;（2）评分者一致性较高时,适宜用评价法进行估计;（3）拆分法的估计结果最准确,仅在固定评分者评分方案下需注意评分者与考生数量之比,该比值小于等于0.0047 时估计结果较为准确。     

概化理论G研究方差分量及其变异量估计影响因素

概化理论是关于行为测量可靠性的统计理论。G研究是进行概化理论分析的关键步骤,其主要目的是进行方差分量及其变异量估计。总结了影响概化理论G研究方差分量及其变异量估计的多种因素,包括估计方法、数据分布、研究设计、样本容量、模型效应和数据形态等,并指出了相关研究存在的六方面不足,如缺乏估计方法的综合比较、较少考察非正态分布数据、较少考虑不平衡或缺失数据等。     

《青少年心理健康素质调查表》适应分量表的编制

在文献分析和专家咨询的基础上,构建了青少年适应的基本结构,并编制了青少年适应量表。结果发现:青少年适应包括生理适应、情绪适应、人际适应、学习适应、社会适应和生活适应等6种成分,探索性因素分析表明,该6因素共同解释着青少年适应。所编制量表具有较高的信度和效度,可以作为青少年心理适应性的测量工具。     

《青少年心理健康素质调查表》动力系统分量表的编制

本文旨在介绍青少年心理健康素质动力系统量表的编制及其标准化过程。量表编制的重要理论基础为马斯洛的五级动机理论和弗兰克尔的自我超越动机理论。研究的测量工具有:自尊量表,自我超越生命意义量表,指向自我生命意义量表和对意义的追寻量表。被试为北京市某中学的334名初中高中学生。结果显示:青少年心理健康素质动力系统量表的内部一致性Cronbach′sα=0.90,效标效度较理想。研究结论:该量表可以作为测量青少年心理健康素质动力系统的一个较为可靠的工具。     

《青少年心理健康素质调查表》自我分量表的编制

理论上建构了心理健康素质自我结构模型,依此模型编制了心理健康素质自我量表。以武汉市的青少年为样本(N=390),初步获得信度与效度指标。自我认知、自我评价和自我调控3个二级结构的α系数分别为0.81、0.76和0.59。验证性因素分析的结果初步支持本研究所提出的自我的三级结构模型。     

《青少年心理健康素质调查表》应对分量表的编制

在应激和应对理论的基础上,确定了应对风格的理论模型,依此编制了青少年应对风格分量表。因素分析结果显示该量表由8个因子构成：注重问题情境的应对策略,注重情绪表达的应对策略,理智—合理化策略,针对情绪的身体策略,否认—压抑策略,躲避和求助策略,独自宣泄、忍耐和顺从策略和针对情绪的行为策略。青少年应对风格分量表具有比较理想的心理测量学特征,可以作为测评中国青少年应对风格的测量工具。     

《青少年心理健康素质调查表》归因风格分量表的编制

本研究从青少年心理健康素质角度出发,编制了青少年归因风格问卷。结合理论,采用访谈法和专家评定法确立了初测问卷的维度和条目,并通过项目区分度分析和验证性因子分析对初测问卷条目进行了修订,最终形成了包括内在外在性、暂时稳定性、可控不可控性以及整体局部性4个维度的正式问卷,经检验,问卷具有较好的信度和效度指标。     

艺术与人性的分量:解析三史家的全球史观

在去西方中心论的全球史观的指导下,威廉·麦克尼尔、斯塔夫里阿诺斯和杰里·本特利在他们各自的著作中强调了东方或不发达民族对人类历史的贡献。在此观点之下,麦克尼尔在《世界史》中把大量篇幅给予建筑、绘画和雕刻等艺术活动,认为艺术活动同样是人类对时代生活的深刻反映。而斯塔夫里阿诺斯在《全球通史》中仍然把主题放在传统的政治军事活动上,他对人类历史的分期也以重大政治军事事件为分界点。作为后来者,本特利对两种趋向取中间态度,但在对人性光辉的关注上,他在《新全球史》中以更巧妙的方式强调了无差别的生命之贵。     

《青少年心理健康素质调查表》人际素质分量表的编制

研究目的是编制一份青少年心理健康素质的人际素质分量表。根据青少年心理健康素质的理论,心理健康素质人际素质分量表结构包括3个维度,即人际交往能力、人际知觉和人际调控,共编制21个条目。本文就3次施测的结果分析了该分量表的内部一致性系数、重测信度和结构效度。结果表明,心理健康素质人际素质分量表符合心理测量学的要求,可以作为测量青少年人际心理健康素质的工具。     

《青少年心理健康素质调查表》个性素质分量表的编制

该研究在文献研究和访谈的基础上,采用实证法编制了青少年个性素质问卷,并对其信度和效度进行了检验。结果表明:青少年的个性素质包括内外倾、意志、冒险、乐观—悲观、责任、耐挫折、独立7个方面;编制的青少年个性素质问卷具有良好的信度与效度。     

概化理论方差分量及其变异量估计:跨分布的模拟研究

为考察概化理论中方差分量及其变异量估计的准确性,采用模拟研究的方法,探究Traditional法、Jackknife法、Bootstrap法和MCMC法在p×i×h和p×(i:h)2种双侧面设计和正态、二项、多项、偏态分布4种数据类型下的表现。结果显示:(1)4种方法均能准确估计方差分量;(2)估计方差分量的标准误时,若数据正态分布,Traditional法最优,非正态分布时Bootstrap法最优;(3)估计方差分量的90%置信区间时,Bootstrap法在不同分布的数据下表现稳定,但容易受到侧面水平数的影响。综合来说,若数据呈正态分布,建议选用Traditional法;若数据呈非正态分布,建议选用Bootstrap法。     

校正的Bootstrap方法对概化理论方差分量及其变异量估计的改善

Bootstrap方法是一种有放回的再抽样方法, 可用于概化理论的方差分量及其变异量估计。用Monte Carlo技术模拟四种分布数据, 分别是正态分布、二项分布、多项分布和偏态分布数据。基于p×i设计, 探讨校正的Bootstrap方法相对于未校正的Bootstrap方法, 是否改善了概化理论估计四种模拟分布数据的方差分量及其变异量。结果表明：跨越四种分布数据, 从整体到局部, 不论是“点估计”还是“变异量”估计, 校正的Bootstrap方法都要优于未校正的Bootstrap方法, 校正的Bootstrap方法改善了概化理论方差分量及其变异量估计。