Statistical Test Theory for the Behavioral Sciences pdf epub mobi txt 电子书下载 2026

简体网页||繁体网页

☆☆☆☆☆

出版者:Chapman and Hall/CRC

作者:Dato N. M. de Gruijter

出品人:

页数:280

译者:

出版时间:2007-8-31

价格:USD 82.95

装帧:HRD

isbn号码:9781584889588

丛书系列:

图书标签:

统计检验
行为科学
心理测量
研究方法
统计学
假设检验
实验设计
数据分析
量化研究
统计理论

下载链接在页面底部

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

想要找书就要到小美书屋

book.quotespace.org

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

具体描述

Since the development of the first intelligence test in the early 20th century, educational and psychological tests have become important measurement techniques to quantify human behavior. Focusing on this ubiquitous yet fruitful area of research, Statistical Test Theory for the Behavioral Sciences provides both a broad overview and a critical survey of assorted testing theories and models used in psychology, education, and other behavioral science fields.

Following a logical progression from basic concepts to more advanced topics, the book first explains classical test theory, covering true score, measurement error, and reliability. It then presents generalizability theory, which provides a framework to deal with various aspects of test scores. In addition, the authors discuss the concept of validity in testing, offering a strategy for evidence-based validity. In the two chapters devoted to item response theory (IRT), the book explores item response models, such as the Rasch model, and applications, including computerized adaptive testing (CAT). The last chapter looks at some methods used to equate tests.

Equipped with the essential material found in this book, advanced undergraduate and graduate students in the behavioral sciences as well as researchers involved in measurement and testing will gain valuable insight into the research methodologies and statistical data analyses of behavioral testing.

探索社会科学研究的量化基石：多元统计推断的深度解析本书旨在为社会科学、心理学、教育学及相关领域的学者、研究人员和高级学生提供一套全面而深入的统计推断理论与实践指南。它不仅仅是一本操作手册，更是一部构建严谨量化研究范式的理论基石。本书的核心关注点在于如何超越简单的描述性统计，进入到对复杂现象进行精确测量、有效模型构建以及可靠结论推导的领域。第一部分：测量与数据基础——量化研究的起点本书从最根本的科学哲学层面入手，探讨了社会科学中“测量”的本质。我们深知，心理现象、态度、能力等抽象概念的量化是社会科学研究的最大挑战。 1. 测量理论的重构与批判：我们首先系统地回顾了经典测试理论（CTT）的局限性，并着重介绍了项目反应理论（IRT）及其在构建效度和信度更高的测试工具中的应用。详细讨论了项目参数估计、信息函数以及如何利用 IRT 框架对个体能力进行更细致的刻画。内容涵盖了双参数（2PL）和三参数（3PL）模型在教育测量、人格评估中的具体实施和解读。 2. 数据结构与预处理的精细化：数据收集后的准备工作至关重要。本书投入大量篇幅讨论了处理缺失数据（Missing Data）的先进技术，包括最大似然估计（Full Information Maximum Likelihood, FIML）和多重插补（Multiple Imputation, MI）方法的理论基础和操作细节。此外，我们还深入探讨了异常值（Outliers）的识别、影响评估及其在不同统计模型下的稳健处理策略。数据的分布假设检验，以及如何根据数据的实际分布形态（如偏度和峰度）选择合适的分析技术，都被置于核心地位。第二部分：线性模型的深入拓展——回归分析的演变本书将传统的线性回归模型视为一个起点，并在此基础上构建了更为精细和适应性强的分析框架。 1. 广义线性模型（GLM）的全面叙事：我们详细阐述了 GLM 的三大要素：随机部分、系统部分和链接函数。重点解析了逻辑回归（Logistic Regression）和泊松回归（Poisson Regression）在线性模型框架下的推导过程，这对于分析二分类、计数和比例数据至关重要。书中提供了大量的实际案例，展示如何正确设定误差分布和链接函数，以避免模型设定的偏差。 2. 混合效应模型（Mixed-Effects Models）：应对嵌套数据的挑战：社会科学数据（如学生嵌套在班级中，个体在不同时间点的重复测量）通常具有复杂的结构，违反了传统回归的独立性假设。本书系统介绍了层次线性模型（HLM）或称之为线性混合模型（LMM）的构建流程。我们不仅解释了固定效应和随机效应的区别，还深入探讨了随机截距模型和随机斜率模型的构建、拟合以及解释，特别是关注如何分解和解释组间（Between-group）和组内（Within-group）的效应差异。第三部分：潜在结构与测量不变性——潜变量模型的精要社会科学研究的核心往往在于测量那些不可直接观察的潜变量。本书将结构方程模型（SEM）及其子集作为核心分析工具进行详尽的论述。 1. 结构方程模型（SEM）的构建与检验：本书将 SEM 分解为两个主要阶段：测量模型（Confirmatory Factor Analysis, CFA）和结构模型。在 CFA 部分，我们详细讨论了因子载荷的估计、模型拟合指标的解读（如 $chi^2$ 检验、RMSEA、CFI、TLI 等）以及模型的修正指数。在结构模型部分，重点在于路径分析的复杂关系检验，包括中介效应（Mediation）和调节效应（Moderation）的检验与评估。 2. 多层与多群体分析：不变性与纵向追踪：面对多群体数据，测量不变性（Measurement Invariance）的检验是得出跨群体有效比较的前提。本书提供了系统性的多群组 SEM 检验流程，从配置水平（Configural）、度量水平（Metric）到标度水平（Scalar）的不变性检验的每一步骤。此外，在纵向研究中，我们详细介绍了潜变量增长模型（Latent Growth Modeling, LGM）如何描述个体随时间变化的轨迹，包括线性和非线性增长模式的拟合与解释。第四部分：模型选择、稳健性与后验分析严谨的研究需要对模型选择和结果的稳健性进行充分的论证。 1. 信息准则与模型比较的艺术：除了传统的似然比检验外，本书侧重于信息准则（AIC, BIC, AICc）在模型选择中的应用，并解释了它们如何在拟合优度与模型复杂度之间取得平衡。我们还探讨了贝叶斯信息准则（BIC）在处理大数据集和复杂模型时的优势。 2. 稳健性检验的实践指南：任何重要的研究发现都必须经过稳健性检验的考验。本书提供了应对不同假设违背情况下的具体策略，例如，当残差非正态时采用 Bootstrapping 方法进行标准误的估计和检验统计量的重抽样；当数据结构存在异质性时，探讨使用分组模型或引入随机参数模型的必要性。 3. 效应量与统计功效分析的再思考：本书强调，P 值仅是初步发现的指标，效应量（Effect Size）才是衡量研究结果实际意义的关键。我们系统梳理了不同统计检验对应的效应量指标（如 $eta^2$, Cohen's $d$, $R^2$ 增量），并深入讲解了 A Priori 统计功效分析（Power Analysis）在研究设计阶段的重要性，以确保研究具有足够的统计能力来检测预期的效应。本书的编写风格力求清晰、逻辑严密，避免使用过于晦涩的数学推导，而更侧重于概念的精确理解、模型假设的辨识以及分析结果的恰当解释，从而使读者能够真正掌握如何利用这些先进的统计工具，为社会科学领域的研究提供坚实、可重复的量化证据。