智力、人格、焦虑都是不可直接观测的构念，心理测量学的任务是把它们变成可推断的数字。信度、效度、标准化三要素划定了合格测验的底线，也构成识别伪测验的量尺；智力理论的百年之争则展示了这把量尺下的发现与争议。
智力与心理测量
不可观测的构念
温度计测温度，尺子测长度——心理属性没有这样的直接量具。智力、外向性、焦虑都是 latent variable（潜变量）：只能通过行为样本（答题、反应时、评分）间接推断。心理测量学（psychometrics）研究的就是这条推断链如何做到可信。
经典真分数理论（classical test theory）把这一困境形式化为：观测分数 = 真分数 + 误差，
其中 涵盖题目抽样、施测情境、被试状态等一切随机波动。心理测量没有消除误差的可能，只剩管理误差的义务——信度、效度、标准化正是管理误差的三道工序。这与 心理学研究方法 中”相关不等于因果”的警示同源：测量层面埋下的误差，会在统计推断层面放大。
信度：测量的一致性
第一道工序回答：重复测量，结果稳定吗？信度（reliability）定义为真分数方差占观测分数方差的比例：
由于 不可直接观测，实际用不同重测方式之间的一致性来估计。三类信度各自针对一类误差源：
| 估计方法 | 一致性来源 | 排除的误差 |
|---|---|---|
| test-retest | 两次施测 | 时间波动 |
| internal consistency（Cronbach’s ） | 题目间 | 题目抽样 |
| inter-rater（Cohen’s ） | 评分者间 | 评分主观性 |
经验门槛： 可用于研究，个体高利害决策（诊断、选拔）要求 以上。
效度：测量对了没有
但一把永远快十分钟的钟信度完美，却一文不值——一致不等于正确。效度（validity）问的是：测验是否测到了它声称测的构念。信度是效度的必要而非充分条件，且给效度设了数学上限：
一份 的测验与任何外部效标的相关至多 ——测量误差先于统计分析衰减一切信号（correction for attenuation 由此而来）。
效度证据从三类来源累积：
- content validity：题目是否覆盖构念全域（算术测验不能只考加法）
- criterion validity：分数与外部效标的关系，分 concurrent（同时）与 predictive（预测）
- construct validity：与理论的吻合度——量表间相关模式（multitrait-multimethod matrix）、实验操纵产生预期效应
现代观点（Messick）将三者统一为构念效度的不同证据来源：效度不是测验本身的属性，而是”分数用于某用途之解释”的属性。
标准化与常模：分数的意义来自比较
即便信效度达标，原始分仍无意义——答对 22 题说明什么？标准化（standardization）规定统一施测程序与计分规则，并把分数放进常模（norm）样本中解释。现代 IQ 由此采用偏离智商定义：在同龄常模上
取代了智力年龄除以实足年龄的旧比率定义，并默认分数近似正态。三要素至此合成一把完整的量尺——而智力测验正是这套量尺最深入的一次实战。
g 因子：从相关矩阵中浮现
1904 年 Spearman 报告了一个反复出现的事实：任何一组认知测验的相关矩阵都呈两两正相关，称为 positive manifold。他用因素分析（factor analysis）解释其来源：每项测验由一般因素 加特殊因素 负载，于是任意两测验的相关恰等于各自 g 负载之积，；由此导出的 tetrad 等式 正是该模型的可检验含义。g factor 不是某个题目的得分，而是贯穿全部认知任务的正相关背后的公共维度。
结构之争：g 之下还有什么
g 解释了相关结构，但它就是智力的全部吗？百年来对同一批相关矩阵的不同分解，产生了相互竞争的理论：
| 理论 | 结构主张 | 与 g 的关系 |
|---|---|---|
| Spearman 二因素论 | g 是唯一一般因素 | |
| Thurstone PMA | 7 种基本心理能力 | 正交旋转后 g 消失 |
| Cattell Gf/Gc | 流体 晶体 | 把 g 分解为两层 |
| Gardner 多元智能 | 8 种独立智能 | 多数智能缺乏测验证据 |
Thurstone 追求简单结构的旋转一度让 g 让位于言语、数字、空间等独立能力——但这些能力彼此仍相关，二级因素分析又还出一个 g。Cattell 的拆分更有生命力：流体智力（Gf，即时推理与工作记忆）随年龄先升后降，晶体智力（Gc，积累的知识技能）持续增长——这条成人期双轨迹衔接了 认知发展 中皮亚杰阶段之后的智力变化。当代共识是 CHC 三层模型：顶层 g、中层约十个广泛能力、底层数十个窄能力——Spearman 与 Thurstone 在不同层级上各对一半。Gardner 的多元智能则是另一物种：它更接近教育主张而非测量结论，所列智能大多没有可靠的测验与效度证据。反向的提醒来自 Flynn effect：全人口 IQ 平均每十年上涨约 3 分——测验分数测的是可被环境塑造的表现，不是固定不变的本质。
测验的编制与伪测验的识别
一份合格测验如何造出来？编制流程是三要素的工程化展开，每一步都有可检验的产出：
- 界定构念：明确测什么、不测什么
- 生成题项：覆盖构念全域
- 项目分析：难度 （通过率，宜 0.3–0.7）与区分度 （高低分组之差或题目-总分相关），淘汰无效题
- 信效度检验：报告 与三类效度证据
- 建立常模：在代表性样本上标准化
- 循环修订
把流程倒过来读，就是伪测验识别清单。星座性格、朋友圈「测测你是哪种人格」式的测试几乎逐条违反：无常模，分数没有参照系；无信度报告，重测可能面目全非；题项笼统，对谁都成立。它们带来的”准”不来自测量，而来自 巴纳姆效应 Barnum Effect——人们对模糊正面描述的自我代入。作为对照，人格理论 Personality 中的大五量表走完了全部六步：数十年题库修订、跨语言常模、每版手册附信效度数据——这正是科学测量与娱乐贴纸的分界线。信效度与标准化不是学术八股，而是公众抵御伪测验的唯一防线。