第六章 构念的测量

理论命题表述的是抽象的构念之间的关系。在检验构念之间的相关程度之前，我们需要运用科学的方法评估这些构念的准确性。构念的衡量需要我们对客观世界仔细进行观察，它是实证研究的精华部分。虽然一些社会科学研究中的构念，比如人的年龄，体重，或公司规模等，可以很容易进行衡量，但是其他如创造力、偏见、或疏远等构念可能很难衡量。在这一章中，我们将分析如何将构念概念化，并说明衡量这些构念的过程。

概念化

概念化是一种思维过程。在概念化过程中，我们将模糊的不准确的构念（概念）及其组成部分进行具体的准确的定义。例如，我们经常使用“偏见”这个词，当我们提到这个词时，我们的脑海中就会出现其对应的形象。不过，当我们需要确切定义这个词的意思时，我们会感到比较困难。如果有人对其他种族进行不当评论，这可以被定义为种族歧视吗？如果女性和男性从事同样的工作时，其收入却低于男性，这可以被定义为性别偏见吗？如果教徒们相信那些没有宗教信仰的人会受地狱的煎熬，这可以被定义为宗教偏见吗？“偏见”是否可以被划分为不同种类呢？如果可以，怎样进行划分呢？是否存在不同程度的"偏见"呢？如果存在，我们又应该怎样定义呢？这些问题的回答对于准确衡量"偏见"这一构念是很关键的。将“偏见”这一构念概念化其实就是理解"偏见"概念中应该包含什么或者不包含什么的过程。

由于社会科学研究中许多构念是不准确的、模糊的并容易产生歧义，因此在衡量构念时，最重要的就是将构念概念化的过程。例如，“同情心”这一构念是否等同于“同理心”或“多愁善感”这些构念呢？如果有如下一命题：人们的同情心与同理心之间存在正相关，除非你可以区分“同情心”和“同理心”的概念并利用在实证研究中准确衡量这两个非常相似的构念，否则就不能对这一命题进行检验。如果笃信宗教的教徒相信社会中的一些成员（如无宗教信仰的人，同性恋者，堕胎医生等）将因其罪恶行为而受地狱的煎熬，教徒们设法改变这些“罪人”的的行为以防止其受地狱之苦，那么教徒们的这种行为应该定义为有偏见的还是应该定义为有同情心的呢？这种构念的定义不基于任何客观的标准，而是基于我们对这些构念的共识性（“主体间的”）的主观意像（概念）。

当定义如“偏见”或“同情心”的构念时，我们必须认识到，有时候这些构念并不是真实的或者能够独立地存在，它们可能仅仅是我们脑海中虚构的事物。例如，生活在世上的群体之间可能根本不存在“偏见”甚至他们根本不知道“偏见”的具体含义。但在现实生活中，我们往往认为这个构念是真实存在的。将有关思维上的构念变为现实的过程称为“具体化”，在定义构念并找出衡量构念的变量时，“具体化”这一过程是重要环节。

在对构念进行概念化的过程中，我们必须选择是单维度地还是多维度地对构念进行衡量。单维构念只预期包含一个基本维度。这些构念能够用单个变量进行衡量。一些简单的构念，如人的体重，风速等都属于单维构念。甚至一些复杂的构念，比如"自尊心"（虽然认为自尊可从单一维度进行解释是一个不切实际的假设），也可以属于单维构念。多维构念包含两个或两个以上的基本维度，比如，我们可以用数学能力和语言能力两个维度来定义某人拥有的学术资质。那么学术资质就是多维构念。在这种情况下，每个基本的维度都应该分别进行衡量。比如说，分别用不同的方法衡量数学能力和语言能力，或者以加权的方式综合这两方面的衡量得分结果，这样就可以从大体上对学术资质进行衡量。

构念操作化

在我们对理论构念进行定义后，我们应该怎样衡量这些构念呢？操作化指的是找出衡量这些构念的指标。比如，如果一个不可观测的理论构念如社会经济状况可以被定义为家庭收入水平，则该构念可操作化为这样一个指标，即让受访者回答这样一个问题：你的家庭的年收入是多少？考虑到社会科学研究中的构念有较强的主观性且其本质定义不是很严谨（除了一些人口统计学的构念，如年龄，性别，教育和收入等）我们倾向于采用多个指标来衡量这些构念。这样我们就可以通过检查这些指标的紧密程度来评估衡量结果的准确性（可靠性）。

相较于作为理论层面的概念的构念而言，指标是处于实证层面的。在实证层面上，用于代表构念的指标组合被称之为变量。如前一章所述，根据变量在研究中的不同使用情况，可将其分为自变量，因变量，中介变量和调节变量。每个指标有几个属性层级（或者水平）且每个属性层级代表一个值。比如，性别这一变量有两个属性层级，即男性和女性。同样地，代表顾客满意度这一构念的量表中可以包含五个属性层级：“强烈不满”、“稍有不满”、“中立”、“稍微满意”和“非常满意”。属性值可以为定量的（数值型）或者定性的（非数值型）。定量数据可以通过定量分析方法来分析，比如通过回归或者结构方程模型等方法。但是，定性数据需要通过定性分析方法进行分析，如对数据进行编码等方法。需要注意的是，在社会科学研究中，即使很多变量用定量方法进行表示，他们仍然属于定性数据。比如，我们可以用五个属性层级来测量顾客满意度：“强烈不满”、“稍有不满”、“中立”、“稍微满意”和“非常满意”，并对这五种属性从1到 5分别赋值，通过这种操作，我们就可以运用高级统计工具进行定量分析。然而，我们应该认识到，这些数据仅仅代表受访者个人评估的自身满意度。即使我们对基本变量（满意度）用定量方法进行表示，但是其仍然是定性数据。

指标可以是反映型指标或是构成型指标。反映型指标是“反映”某个潜在构念的一个测量。比如，虔诚度是衡量信奉宗教程度的构念，参加宗教仪式可以作为虔诚度的反映指标。构成型指标是“构成”某个潜在构念的一个测量。构成型指标可以代表其所感兴趣的构念的多种维度。比如，如果宗教信仰包括信仰，祷告和宗教仪式这几个维度，选择衡量这些不同维度的指标即为构成型指标。单维度构念通过反映型指标来衡量（即使会通过多个反映型指标来衡量深奥难懂的构念，比如自尊等）。多维度构念由多维度的构成型指标来衡量，即使每个基本维度可能由一个或多个反映型指标来衡量。

测量尺度

在对构念进行操作化定义时首先考虑的应是其测量尺度。测量尺度也叫做评点量表，它指的是指标的取值（而不是指标本身）。比如，男性和女性（或M和F，或 1和 2）是“性别”的两个取值水平。在心理学家斯坦利·史密斯史蒂文斯（1946）的一篇发表于《科学》的题为“测量尺度理论”的开创性文章中，作者定义了科学测量中的四种广义的评点量表：即名义、顺序、等距和等比量表。这些量表的统计特征如表6.1所示。

量表 集中度 统计量 转换

名义 众数 卡方检验 一对一的（平等）顺序 中位数 百分位数，非参数统计 单调递增（顺序）等距 算术平均值、范围、标准差 相关分析，回归分析， 正向线性相关 （仿射）

方差分析等比 几何平均值、调和平均值 变异系数 正相似性 （乘数， 对数）

注： 所有高等级量表均可用于低等级量表

表6.1等级量表的统计特征

名义量表又称类别量表衡量的是类别型数据。这种量表常用来衡量具有互相排斥属性的变量或指标。比如性别（两种取值：男性和女性），行业类别（制造业，金融业和农业等）和宗教信仰（基督教徒、穆斯林和犹太信徒等）。即使我们对不同的属性赋不同的值，比如衡量性别时，若为男性则赋值为 1，女性则赋值为 2，但是，这些数值并不真的意味着什么。

（比如，1并不代表其比 2小，或是 2的一半），这些属性可以通过非数值型数据进行替代，比如用 M代表男性，用 F代表女性。名义量表仅仅提供不同属性值的名称或者标识。衡量名义量表的集中度的最佳统计量是众数，而不是平均数或者中位数。可用的统计量包括卡方和频率分布，并且只允许一对一的（等价）转换（比如1=男性，2=女性）。

顺序量表衡量的是排序型数据，比如基于学生的平均成绩所得出的第一，第二和第三等的排序。然而，这类数据属性的真实值，相对值或者属性值之间的差异却不能体现出来。比如，学生在班级的排名不能反映学生真实的考试成绩或者绩点，也不能反映学生之间的差距。在自然科学中涉及到顺序量表的典型例子是摩氏硬度。摩氏硬度利用一种矿物相对另一种矿物的刮伤力来衡量矿物之间的硬度。比如，钻石可以在地球上的任何其他天然矿物上留下刮痕，所以，钻石是“最硬的”矿物。然而，这种测量不能反映矿物的真实硬度也不能够反映各类矿物硬度之间的差距。顺序量表也进行属性（锚点）的定义，比如定义“严重”、“中等”、“良好”，或者“强烈不满”、“稍微不满意”、“中立”，或者“稍微满意”、“非常满意”。在对满意程度进行衡量时，我们可以认为回答“稍微满意”的被调查者比回答“非常满意”的被调查者有较低的满意度，但是我们不可以量化他们的满意程度。可以用中位数或者众数来衡量顺序量表数据的集中度。因此，可以对顺序数据进行百分位数统计分析和非参数分析，但是不可以进行如相关分析，回归分析，方差分析等更高级的分析。我们也可以对数据进行单调增的变换

（即保留原有排序）。

等距量表的数据不仅是有序的并且彼此相邻之间是等距的，比如温度标（华氏度或者摄氏度）中 30华氏度与40华氏度的差距和80华氏度与90华氏度的差距是一样的。同样地，当用如 0到 10000美元，10000美元到 20000美元，20000美元到 30000美元等属性（范围）来问受访者的年度收入时，由于每个范围的中间值（即 5000 美元，15000 美元和 25000 美元等）之间是等距的，因此得到的数据就属于等距量表。智商的衡量也是运用定距量表，因为这样才使得智商得分100与 110的差距和智商得分110与 120的差距是相等的（虽然我们不知道真正的情况是否是这样）。运用等距量表，我们可以衡量变量之间的差距，但是运用名义量表或者顺序量表却不可以做到这一点。我们可以用平均数，中位数或者众数来衡量等距数据的集中度，用范围和标准差来衡量数据的离散程度。我们除了可以利用名义和顺序数据中的统计分析方法对等距数据进行分析外，还可以利用相关分析，回归分析和方差分析等方法。我们同样也可以对量表数据进行正线性的变换。需要注意的是，上文讨论的衡量顾客满意度的量表并不严格是等距量表。因为我们不能获知“非常满意”与“稍微满意”的差距和“中立”与“稍微满意”的差距或者“稍微不满意”与“非常不满意”之间的差距是否相等。但是在社会科学的研究中我们常“假称”（不正确地）这些差距是相等的，所以可以运用统计方法对这些数据进行分析。

等比量表除了具有名义、顺序和等距量表的特征外，还有“绝对零点”这一特征（零值意味着缺乏或不存在这一基本构念）。很多自然科学和工程学中变量的测量，如质量，平面倾斜度，电荷量等都用到等比量表。同样的，社会科学研究中的变量，如年龄，在单位的任期和公司规模（用员工数或者总收入来衡量）等也运用等比量表。比如公司规模为零时表示公司不雇佣员工或者公司没有收入。绝对温度不同于华氏或者摄氏温度，因为绝对温度中的零值

（即-273.15 摄氏度）不是任意的值而是代表在这一温度下，物质粒子没有动能，所以绝对温度属于等比量表。由于等比量表中数据之间的比值是有意义且是可解释的，因此这些数据就属于等比量表。比如公司的雇员数为 10 人时，表示其规模是雇员数为 5 人的公司规模的两倍。同样地，公司的雇员数为 10000时表示其规模是雇员数为 5000的公司的两倍。所有可以衡量集中度的统计量都适用于等比数据，比如几何平均值和调和平均值等。所有衡量离散程度的统计量也适用于等比数据，比如范围或者变异系数等。所有统计方法都适用于等比数据的分析。正相似（如乘数或者对数）的复杂变换也可以在等比数据中使用。

基于上述讨论的四种基本类型的量表，我们还可以开发出特别的量表进行社会科学研究。常见的量表包括二元量表，李克特量表，语义差分量表或者格特曼量表。其他一些不常见的量表在此不做讨论。

二元量表。二元量表对衡量变量的语句，只提供是还是不是，或正确还是错误等两种可供选择的答案。比如，“政治活动”构念中典型的二元量表可能包含如表 6.2 所示的六个语句。量表中的每个语句都只有两种选择。被调查者选择“是”的次数（0到 6）可以全面衡量其“政治活动”。如果要理解是怎样确定这六个语句的，可以参考这章后面的"量表开发"部分的说明。二元量表中也可以有其他值，比如性别构念中的男性或者女性，雇佣状态构念中的全职或者兼职等。如果对雇佣状态构念进行修改，使其包括两个以上的选择时，它就不再属于二元量表，但是仍然是常见量表的语句。

你曾经给政府工作人员写过信吗？ 是 否

你曾经在政治请愿书上签过名吗？ 是 否

你曾经捐钱支持过政府事业吗？ 是 否

你曾经捐钱给候选人帮助其竞选公职吗？ 是 否

你曾经写过政治信并将其寄给报纸或者杂志社的编辑吗？ 是 否

你曾经试图说服他人改变其投票计划吗？ 是 否

表 6.2衡量政治活动的六语句的二元量表

李克特量表。这量表是由伦西斯·李克特设计的，它是社会科学研究中普遍的衡量有序数据的评估量表。李克特量表中对包含的语句进行简单说明，使得被调查者可以用0-5分或者0-7 分之间的分值反映自己从“强烈反对”到“强烈赞同”的不同程度的态度。衡量“雇员自尊”构念的包含六个语句的典型李克特量表如表 6.3所示。李克特量表对各个语句中被调查者所做的选择进行加总，最终得到量表各个语句所反映的受访者态度的加总值。

非常不赞 稍微不赞 中立 稍微赞 非常赞

同 同 同 同我对自己的工作感到很满意 1 2 3 4 5在工作中，我能与他人和睦相处 1 2 3 4 5在工作中，我为我和上司之间的关系感到自豪 1 2 3 4 5我能肯定工作中的其他人很乐意和我相处 1 2 3 4 5我能肯定我的同事是尊重我的 1 2 3 4 5我觉得我在工作中做了有用的贡献 1 2 3 4 5

表6.3衡量“雇员自尊”的李克特量表

李克特量表比二元量表更能够反映更多不同程度的回答（即得到更加细致的回答），包括受访者是否对这一论点持中立态度的回答。可以用 0-3 或者 0-9 的值来代表受访者的不同态度，但是，考虑到受访者可能保持中立（既不同意也不反对）的态度，我们应该取奇数值进行衡量。在有些研究中，研究人员去掉了中立态度的选项并用偶数值来衡量受访者的不同态度，强制受访者进行“同意”或者“反对”的选择。因为有的受访者确实对某一论点持中立态度，如此"强制选择法"不能反映受访者中立的立场。虽然李克特量表中各个语句涉及不同的内容，但是对每个语句均有相同的选择范围（从“非常不赞同”到“非常赞同”）。即使有时我们将其视为等距量表，但李克特量表中各个集合锚点之间并不是等距的，基于此，李克特量表还是顺序量表。

你怎样评定你对国民健康保险的意见等级？

非常 稍微 中立 稍微 非常

好的 □ □ □ □ □ 坏的

有用 □ □ □ □ □ 无用

关注 □ □ □ □ □ 不关注

引起兴趣的 □ □ □ □ □ 令人厌烦的

表 6.4 衡量国民健康保险的语义区分量表

语义区分量表是复合（多项）量表。在量表中，受访者对一组完全对立的形容词之间的不同程度进行选择，这一组形容词仅仅是对一个语句的描述。例如"对国民健康保险的态度"这一构念可以通过表 6.4进行衡量。在李克特量表中，总体得分是每个语句所反映的受访者态度的得分的加总，需要注意的是，在李克特量表中，可能有不同的语句描述，但是形容词的不同程度的描述是一样的，但是会有不同的对立形容词组。在衡量人们对客观物体，事件或者行为的看法和感受时，我们认为运用语义区分量表是很好的方法。

格特曼量表是由路易斯·格特曼设计的。这个量表由程度从最轻到最重的语句组成。比如，"对移民者的态度"这一构念的衡量可用表 6.5 中的五个语句。在格特曼量表中，根据语句程度轻重的不同对语句赋予权重，对这些语句进行选择后的得分进行加权组合就得到量表的综合衡量得分结果。

对下述有关移民者的陈述，你有怎样的观点？

你愿意移民者成为你国家的公民吗？ 是 否

你愿意移民者生活在你社区里吗？ 是 否

你愿意移民者居住在你隔壁吗？ 是 否

你愿意接受移民者作为你的密友吗？ 是 否

你愿意你家庭成员中有人与移民者结婚吗？ 是 否

表 6.5 衡量对移民者态度的格特曼量表

量表开发

前面主要讨论了如何衡量受访者对基本构念中已设计的语句或指标的回答。但是我们怎样设计出这些指标呢？设计这些指标的过程就叫做量表开发。更正式地来说，量表开发也是测量的一部分。对构念的测量需要将与不可观测的构念有关的定性判断与定量的测量单位结合。史蒂文斯（1946）就曾指出，量表开发就是根据一定的规则对客观实体赋值。在实证科学研究中，将抽象概念具体化仍然是最难解决的。

量表开发最终是为得到包含给定构念的衡量语句或者指标的量表。这部分讨论的量表开发和前面部分讨论的量表评价是不同的。量表评价主要是收集受访者对既定量表语句的回答。比如，定类量表收集受访者“是”或者“否”的回答，等距量表收集受访者从“非常不赞同”到“非常赞同”的不同程度的回答。对某一陈述回答进行量表评价并不是量表开发过程。量表开发指的是在量表评价之前开发出量表语句。

量表可能是单维的也可能是多维的，这取决于基本构念是单维的（比如体重，风速，公司规模）还是多维的（比如学术才能，智商等）。单维量表根据由高到低的尺度来衡量构念。需要注意的是，单维量表也可能包含多个语句，但是这些语句都只是衡量同一基本维度。单维量表在社会科学构念衡量中比较普遍。比如"自尊"可通过从高到低的单一维度来衡量。多维量表，运用不同的语句来分别衡量构念的各个维度，或者从不同的维度对构念进行测量，然后加总每个维度的得分得到多维构念的综合衡量得分。比如，学术才能的衡量可通过对学生的数学能力和语言表达能力分别进行衡量来实现，然后对这些得分进行加总得到学术才能的综合得分。由于社会科学研究中大多运用单维量表，接下来，我们将介绍开发单维量表的三种方法。

单维量表开发方法发展于二十世纪上半年代，各种方法根据其发明者进行命名。三种最普遍的单维量表开发方法如下：（1）瑟斯顿的等距量表法、（2）李克特的总加表法和（3）格特曼的累积量表法。三种量表开发方法在很多方面是相似的，只是评判者对量表语句的评级和选择最终量表语句时所运用的统计方法有所区别。接下来我们对每种方法进行讨论。

瑟斯顿等距量表法。路易斯·瑟斯顿是最早的最著名的量表开发理论家，他在 1925年发明了等距的量表开发方法。这种方法以构念的概念定义为基础，基于概念产生相关量表语句。语句由对构念有所了解的专家进行确定。最初的待选语句用相似的方式进行表述，比如，将其表述成受访者是同意或是反对某一论点（而不是要求受访者对问题进行具体陈述）。接下来，要求相关评判者从待选语句中选出最能反映构念的语句。评判者可以选择在量表构造上受过培训的专业学者，也可以随意选择对该构念有兴趣的调查对象（比如熟悉该现象的调查对象）。在语句选择过程中，评判者根据自身的观点用 1到 11的值来评判每个语句能够反映该构念的程度（1表示该语句非常不适合代表该构念，11表示该语句很适合代表该构念）。计算出每个语句的中位值和四分位差值（75%分位值和 25%分位值的差，可以用来衡量离散程度）描绘成如图 6.1所示的柱状图。最终选择的语句应有相等的四分位差值。我们可以用每个语句得到的中位值代表语句得分，并选出具有最小的四分位差值的语句。但是，除了完全依靠统计分析方法进行语句选择外，对待选语句的每个层面进行检查并选出最清晰最有意义的表述也不失为一个更好的策略。每个量表语句的中位值代表最后加总所感兴趣的构念的各个语句得分时所运用的权重。这种量表好比一个标尺，每个语句或者陈述根据 1到 11这一尺度进行评分（同样根据这一尺度进行加权）。因为每个语句得到 1到 11的评分的概率相同，这种方法就叫做等距法。

瑟斯顿也发明了单维量表开发的其他两种方法：连续区间法和配对比较法。除了评判者评定数据方法的不一样外，这两种方法和等距法的方法基本类似。比如，配对比较方法要求每个评判者对每对陈述进行评价（而不是根据 1到 11的尺度评价单个陈述），因此取名为配对比较法。由于需要很多配对陈述，这种方法是相当耗时的，而且与等距法相比，其适用度低。

图 6.1 瑟斯顿量表语句的柱状图

李克特加总量表开发方法。这个单维量表开发方法是由墨菲和李克特（1938）发明的，它很可能是这章介绍的三种量表开发方法中最普遍的方法。和瑟斯顿的量表开发方法一样，李克特的方法是基于感兴趣的构念的定义，利用专家的工作，产生 80 到 100 个待选的量表语句。评判者根据 1到 5的评价尺度对这些语句进行评价（1表示非常不赞同，2表示稍微不赞同，3 表示中立态度，4 表示稍微赞同，5 表示非常赞同）。在这种评价尺度下，最终选出代表构念的语句。这里介绍了几种选择方法：（1）计算评判者所评判的每个语句与总语句（对所有单个语句进行加总）的二元相关系数，剔除相关系数低（如 0.6 以下）的单个语句。

（2）截取最高分数端的 25％为高分组，最低分数端的 25％为低分组。求出这两个组的平均值，对高低两组的平均值做 t检验，选出有较高 t值的语句。（即选出高分位组合与低分位组区分度大的语句）。最后，研究人员选出相对有限的语句集，这些语句与总语句的相关系数高或者其语句本身有较大的区分度（即 t值较大）。李克特量表开发方法假定所有语句具有相同的权重，因此可以对受访者对于每个语句的回答直接加总评分。因此这种方法叫做加总量表开发。需要注意的是，在加总得分之前，与构念原意义相反的语句应该进行相反方向的赋值（即 1代表非常赞同，2代表稍微赞同等等）。

格特曼的累积量表法。这个方法是格特曼根据埃默里·博加德斯的社会距离方法进行设计的。这个方法假设人们和他人一起参加社会活动有不同的意愿，用从“最不强烈的”到“最强烈的”一系列的语句衡量这种意愿程度。这个方法的思想是只要受访者同意其中的一条语句那么代表其也同意先前所有的语句。但在实践中，我们很少能够找到与这种渐增模式相吻合的语句组合。语句组合与渐增内涵的相关程度可以运用量表图分析法检验。

和前面介绍的量表开发方法一样，格特曼量表开发方法也是基于感兴趣的构念的定义并利用专家的工作，产生很多待选的量表语句。评判者对这些语句进行评价，如果这些语句与构念相符，评判者就选择“是”，如果其认为语句与构念不符，他们就选择“否”。接下来，利用矩阵或者表格来表示评判者对待选语句的回答。将表的资料首先依据各被访者回答"是"的个数由上到下进行降序排列，然后再按答案“是”的数目由多至少将各语句从左至右顺序排列。得到重新整理的表格如表 6.6所示。需要注意的是，量表从左至右（即横穿各个语句）阅读时是渐增的。但是，如表 6.6所示，存在一些异常情况，因此表格并不完全是渐增的。可以运用量表图分析方法选出最能实现量表渐增特性的语句（当语句数量较少时，可直接通过观察挑选语句）。这种统计方法评估每个语句的得分，并利用各个语句的得分加总计算得出全部语句的分值。回答者 语句 12 语句 5 语句 3 语句22 语句 8 语句 7 …29 Y Y Y Y Y Y 7 Y Y Y - Y -15 Y Y Y Y - -3 Y Y Y Y - -

32 Y Y Y - - -4 Y Y - Y - -

5 Y Y - - - -23 Y Y - - - -11 Y - - Y - -Y 表示妨碍矩阵累积性的异常情况

表 6.6格特曼量表中已排序整理的矩阵

指数

指数是指根据一定的规则和公式对多个构念（即组成部分）进行衡量并加总计算其得分。它不同于量表那样需要集合衡量，但是指数衡量的是构念的不同维度或同一维度。比如，消费者价格指数（CPI）就是众所周知的指数。美国劳工部劳动统计局每个月都要计算这个指数。CPI 指数衡量的是消费者通常为商品和劳务支付多少，这个指数分为五类（食品和饮料、房地产、服装、交通、医疗、娱乐、教育、通讯、和其他商品和服务领域），每类可进一步细分为 200多个物品。政府人员每个月对全国各地80000多种物品的当前价格进行统计。考虑到每种物品购买的地点和购买的可能性，计算指数时需要使用复杂的权重计算方法。分析师运用一定的规则和公式对这些价格进行加总得到综合指标值。

另一个指数的例子是社会经济状况指数，也叫做邓肯社会经济指数。这一指数综合了收入，教育和职业三种构念。收入用美元来衡量，教育用受教育年限或者所获学历来衡量，职业根据不同的情况划分为不同的类别和层次水平。结合这些不同的衡量角度，对“职业教育”

（某个职业中受过一年或者一年以上大学教育的人数比例）和“职业收入”（某个职业中收入高于特定的年收入的人数比例）进行加权组合，得到综合社会经济状况指标值。然而，研究人员对社会经济状况指数的衡量有很多的争议和不同的看法。

构造指数的过程与量表开发的过程类似。首先对指数及其组成部分进行概念化（定义）。这看似简单，但是对于指数中到底应该包含哪些部分（构念），人们对此有着很多不同的看法。比如，在社会经济状况指数中，收入难道不和教育和职业相关吗？如果相关，我们应该仅考虑一个组成部分还是应该仍然考虑三个组成部分呢？回顾这方面的文献，运用这方面的理论，或者向专家及关键的利益相关者进行咨询等可能有助于我们解决这一问题。其次，对各组成部分进行操作化定义和衡量。比如，你怎样对职业进行分类，特别地，一些职业是随着时间变化的（比如，在互联网出现前是没有网站开发这一职业的）。最后，确定计算指数值的规则和公式。同样地，这个过程中有很多主观影响因素。最后，还要根据现有的或者新的数据来验证所得的指数值。

虽然指数和量表最终都是通过数值得分来代表所感兴趣的构念，但是它们在很多方面是不同的。首先，指数通常由互不相同的部分组成（比如，社会经济状况指数中的收入，教育，职业）而且用不同的方法进行衡量。但是量表包含的语句是相似的，这些语句用的是相同的评级尺度（如五等级的李克特量表）。第二，指数通常综合的是客观的可衡量的值，比如价格或者收入等。但是量表的设计是为了评估主观的或者判断性的构念，如态度，偏见或者自尊等。一些人认为量表研究方法的精细度高于指数研究方法。但是，其他人认为指数研究方法同量表研究方法有相同的精细度。虽然如此，指数和量表都是社会科学研究中的基本工具。类型

量表和指数对单维构念进行等距测量。但是，研究人员有时希望总结两个或者两个以上的构念进行类别创造，这就叫做类型学。与指数和量表不同，类型是多维的但是仅仅包含名义变量。比如，可以根据报纸对本国及外国政策的不同倾向将报纸分为不同的政治类别，如图6.2 所示。这种分类可以将报纸归为四个“理想类型”中的一类（A 类到 D 类）。可以观察报纸在这些类型中的分布情况，甚至可以根据报纸的其他属性特征创造新的模式将报纸分为四种理想类型，并将每种报纸归为其中的一类。

图 6.2 报纸的多维分类

总结

最后，我们认为社会科学研究中的量表（或者指数）构造是一个复杂过程。在这个过程中，我们应该做如下考虑：

• 应该使用量表、指数和类型中的哪一种进行构念的衡量？

• 计划怎样分析数据？

• 测量的水平或评点量表是什么（类别、顺序、等距或者等比）？

• 应该使用哪些量表属性值。（比如1到10，1到7，-3到+3）？

• 应该使用奇数还是偶数的属性值？（即是否预期获得有关态度中立的值？）

• 最后，利用哪种方法开发量表语句（比如瑟斯顿、李克特或者格特曼方法）或者挖掘

出指数的组成部分。

这章讨论了量表开发的过程和结果。下章将介绍怎样评估用上述方法开发出的量表的可靠度和效度。