Xcalibre 软件：测量标准误（SEM）及其在 IRT 中的应用

在心理测量学中，测量标准误（Standard Error of Measurement, SEM）是核心概念之一。评估工具的基本假设之一是其能够准确且一致地测量目标特质。因此，需要量化这一准确性，而 SEM 是常用的指标之一。SEM 既可在经典测量理论（CTT）框架下使用，也可在项目反应理论（IRT）框架下使用，但两者对 SEM 的定义存在显著差异。

三种标准误的区分

在统计与心理测量领域，有三个容易混淆的标准误概念：

1. 均值的标准误（Standard Error of the Mean）
   用于估计样本均值与总体均值的偏差，计算公式为 SE = SD / √n，其中 SD 为样本标准差，n 为样本量。该指标与心理测量本身无直接关系，但可用于分析基于样本的评估数据。

2. 估计的标准误（Standard Error of the Estimate, SEE）
   用于衡量线性回归模型中预测值的准确性，计算公式为 SEE = SD_y × √(1 – r²)，其中 SD_y 为因变量标准差，r 为预测变量与结果变量的相关系数。该指标常用于人员选拔等场景中的预测区间构建。

3. 测量的标准误（Standard Error of Measurement, SEM）
   这是心理测量学的核心指标，用于量化由于测量不完善所导致的分数误差。

测量标准误的两种理论框架

经典测量理论（CTT）中的 SEM

在 CTT 中，SEM 定义为 SEM = SD × √(1 – r)，其中 SD 为全体被试得分的标准差，r 为测验信度。该解释为：若同一被试在无干扰条件下反复施测，其得分分布的标准差即为 SEM。其局限性在于假定所有被试的 SEM 相同，这一假设在实际中并不合理。此外，该定义未利用被试的具体作答信息。

项目反应理论（IRT）中的条件标准误（CSEM）

IRT 研究者认识到 CTT 中 SEM 的局限性，进而提出 CSEM 的概念。在 IRT 中，CSEM 是能力水平（θ）的连续函数，其值为测验信息函数（Test Information Function, TIF）的倒数。测验在题目数量较多或题目质量较高的能力区间具有更高的测量精度（即更小的误差）。例如，若测验包含大量中等难度的题目，则在中等能力区间测量较准，但在高能力或低能力区间测量误差较大。

Xcalibre 的作用：用户若需计算自身测验的 IRT SEM，需下载 Xcalibre 软件并实施完整的 IRT 标定研究。Xcalibre 能够输出测验信息函数和条件标准误函数，帮助用户识别测验在哪些能力区间测量结果较好，哪些区间测量误差较大。

置信区间与 CSEM 的应用

置信区间（CI）是基于样本数据构建的、可能包含总体参数真值的范围。通常以一定的置信水平（如 95% 或 99%）表示。对于测验分数，可利用 CSEM 构建个体真值的置信区间：

• 上限 = 估计值 + 系数 × CSEM

• 下限 = 估计值 – 系数 × CSEM

系数通常取 1.96（对应 95% 置信水平）。例如，若某被试 IRT 能力估计值为 0.5，CSEM 为 0.25，则 95% 置信区间约为 [0.0, 1.0]。若能力值为 2.5，CSEM 为 0.5，则区间为 [1.5, 3.5]，尽管范围较宽，但在能力量表的高端对应百分位区间较窄。

在实际报告中，有时不给出单一分数，而采用区间估计，例如“有 90% 的把握认为您的真实得分在 X 到 Y 之间”。这种做法在标准化测验（如 IQ 测试）中已有应用。对于重要决策（如人员选拔中的分数线设定），考虑测量误差尤为重要。

总结

CSEM 及其相关函数在测验设计中具有多种用途，包括平行测验的组建和计算机自适应测验的开发。更多细节可参考 IRT 专著（如 Embretson & Reise, 2000）。Xcalibre 软件为 IRT 分析提供完整工具，支持用户计算 CSEM 并优化测验质量。