人格心理学(第七版)【原名：Personality，7th Edition】/ 作者：Jerry M.Burger / 翻译：陈会昌 / 中国轻工业出版社
全书共分为16个章节，包括人格的定义、人格的研究方法，以及人格的六大流派，分别为精神分析理论流派，特质流派，生物学流派，人本主义流派，行为主义/社会学习流派，以及认知流派，每个流派又详细介绍了其理论模型、应用、评价及相关研究。最后有一章单独作为结语，讨论了人格、文化与性别之间的关系。
【第二章 人格研究方法】
在试图理解人类人格本质这个问题上，人格理论家研究别人的著作，做出自己的观察，然后解释在他们看来人类行为的原因是什么。即便如此，他们的理论依然会引发人们的疑问：他是怎么知道的？这就需要实证研究，为检验理论做出预测，并且有令人信服的数字为理论提供有力支持。人格研究者常用的有假设-检验研究方法、个案研究法和统计分析法。
【假设-检验研究方法】
研究人员根据观察以及前人的理论和研究成果，通过深入思考，提出研究假设：为什么人们那样行动。然后，研究者采用实验法收集资料，考察他们对人的行为的解释是否正确。
理论——关于构建或事件之间关系的一般陈述。
一个好的理论至少具有两个特征，首先，应该“简约”，即能够解释现象的最简单的理论就是最好的理论；其次，一个好的理论应该是“有用”的，也就是说，不能提出可验证的假设，对于科学研究者来说，就是无用的理论。
假设是对来自理论的、有逻辑联系的两个或多个变量之间关系的合理预测。
理论本身是不能被证真或证伪，理论只能通过研究得到或多或少的支持。通过研究，验证的理论预测越多，我们就越相信该理论对事物本质的描述是正确的，反之，假如预测总是不能在实证研究中得到证实，我们就不太愿意接受那个理论。一项好的研究是循着从理论到假设再到实验的途径进行的。
实验变量：变量是实验的基本要素，它可以分为两类：自变量和因变量。自变量决定着实验如何分组，这通常由实验者来操纵，所以自变量也被称为处理变量。因变量是由研究者测量而得出来的，因变量的差异被研究者看做是各组接受不同处理的结果，因此，因变量也被称为结果变量。
变量之间的交互作用，指一个自变量对因变量的影响受制于另一个自变量的不同水平。
操纵的与非操纵的变量，在非操作的自变量情况下很难确定因果关系，所以研究者一般倾向于对自变量加以操纵，但这并非在任何条件下都可能，比如操纵变量花费过大，过于困难，或者违反伦理原则等。
采用操纵变量时，研究人员把大量的参加者随机分配到实验中可以操纵的各个自变量条件环境下。实验者假设，研究开始时，每个组参加者的平均水平是相等的，所以实验结果出现的任何差异，都可以被归结到自变量上面去。
采用非操纵的自变量时，研究者不对实验条件加以控制，研究者并不是随机把参加者分配到不同的实验条件下，而是实验者在实验前就已经明确了参加者的不同，比如男人和女人，最终结果只是要查明在男人和女人之间所假设的差异的结论是否会出现。
事前预测与事后认知：一个好的理论，就是在研究还没有获取数据时，就能对结果做出准确预测。如果在得到实验结果后再做解释等于什么也没解释。
重复研究：仅从一项研究中得到的显著性结论都不能可靠的证明某种现象。重复研究是解决这一问题的办法，一种效应在研究中出现越多，我们就越能肯定它反映了一种真实的关系。然而，用重复研究来确认一种效应的强度也并非易事，研究者只是在发现了显著效应的情况下才愿意发表或报告他们的研究，反之，该研究就被锁进文件柜，永远不会被发表，其结果就是，一项著名的研究实际上很难被重复研究。
【个案研究法】
个案研究法是一种对单个人(可能是少数人)进行深入的考察的方法。个案研究资料一般是描述性的，很少有定量的数字或统计分析结果。
个案研究法，在人格研究中发挥过重要作用，因为其操作简单，可以对单个人进行深入的分析，特别是一些罕见的个案，比较受研究者喜爱，但同时，在个案向其他人推广、确定因果关系上常常遭到质疑，而且研究者的主观判断也常常会妨碍科学大的客观性。
【数据的统计分析】
统计显著性，在大规模的分组实验中，各组之间因变量均指差异代表着真实的差异还是偶然变化？这就是统计显著性问题！这个问题统计学家给出了解决方案，使得可以估计偶然造成差异的可能性大小，从而验证试验统计结果数据是否达到统计显著水平。心理学工作者使用的显著水平为0.05，也就是说，两个平均数之间的差异只有5%的可能性是由偶然性引起的，那么这个差异就被认为是真实的差异。
相关系数，是人格研究者最常使用的统计方法之一，当我们想查明两个测量结果之间的关系时，相关系数是一种恰当的统计检验方法。这个数字取值范围在1.0和-1.0之间，距离两个极值越近，说明测量之间的关系越大，例如，两个变量之间的相关系数为0.6，表明他们有较强的相关性，如果相关系数接近0，表示两个测量之间没有关系，如果相关系数为-0.6，表明两个变量之间为较强的负相关关系。
【人格评价】
人格评价是人格研究的核心。如果我们想研究成就动机、自尊、社交焦虑等，就需要尽可能准确的对这些概念加以测量。遗憾的是，并不是所有的人格测验都如人格心理学家希望的那样完好，甚至最好的测验也可能使用不恰当。
那么，如何判断一项测验是好是坏，或者说测得的东西正是我们想要测量的东西？这里就涉及到两个概念：信度和效度。
一项测验在多次测量中具有一致性，它就具有较好的信度。确定一项测验在不同测量时间上保持一致性的最常用方法是计算重测信度系数。确定测验信度不是一个是或否的问题 ，0.2、0.5、0.9这三个信度是否被接受，依赖于研究者的需要以及是否还有其他更可靠的测验可用。
信度的另一个方面是内部一致性。假设一个包含20个项目的外向性测验，其中只有10个项目能够确切的测量被测者是否一个外向的人，而如果采用这项测验的总分作为测量结果，则这项测量在内部一致性上就比较低。
统计检验可以查明被测者对一个项目的反应与对其他项目反应之间的相关，可以计算出统计上所称的内部一致性系数。如果这个系数比较大，说明多数项目测量的是相同概念，反之，则说明测量的不止一个概念。
测验的信度只是表明，一项测验能否稳定的测量到某些东西，但是并不能告诉我们所测量的是什么。
效度指的是，一项测验所测量出来的东西在多大程度上符合原本要测量的东西。效度的问题不在于一项测验有没有效度，而在于测验的效度是否被很好的揭示出来了。人格研究者通常希望测量假设的建构，如智力、男性特征、社会焦虑等。假设的建构是一种有用的创造物，研究者用它们来描述那些不具备自然真实性的概念。例如，没有人可以把他的智力显示给别人看。我们可以通过行为测量人的成绩，用它来表示智力机能，但是智力仍然是一个理论上的东西。
人格研究者面临的问题是，怎样才能证明，一项测验从现实中测量到的东西是有用的抽象的创造物。比如研究者怎么知道一项测验测量的是不是自尊？比如测验中某一项“在各种运动项目中，我比多数人差”，同意这一表述的人可能具有较低的自尊。但是，他们可能是因为运动能力差或者精神抑郁，因此人格研究者面临如何确立测验的建构效度的任务。
研究者有很多方法来确定测验的建构效度，但是要确定一项测验的效度是否有足够的证据，就只能仰仗测验使用者的主观判断了。这些判断包括：表面效度、相容效度、判别效度、行为确认。
表面效度：从测验项目去判断，比如“当你和别人打交道时感到紧张吗？”或者“当你遇到陌生人时觉得不自在吗？”，这样的测验就有比较好的表面效度。因为从表面来看，测量的是社交焦虑。
当你设计一个测量创造力的测验，问“你有创造性吗？”显然无济于事，所以你可能会让别人续写一个故事的结局或者让他说出一个普通东西的尽可能多的用途，这样的测验能很好的测量创造性，但是其表面效度显然就没那么高。
测验的相容效度，有时也称为聚合效度，指的是一项测验测得的分数与其他具有相同建构的测验之间的相关程度。如果两项测验测量的是相同的东西，那么两个测验的分数应该高相关。
判别效度，指一项测验的分数与其他理论上没有关系的测量之间不相关的程度。比如，你要建立判别效度，可以用一项创造力测验和一项标准智力测验去测同一组人，如果两项测验有高相关，人们就会认为，你的创造性测验测量的根本不是创造性，而仅仅是智力。低相关只是告诉你两项测验测量的是不同的建构，并没有告诉你，测量的是什么。
行为确认，是确定一项测验的建构效度的另一步，就是说，测验分数应该能够测验人的行为，这一点很重要。如果测验分数不能预测人的行为，它的实际用途肯定会遭到质疑。比如我们想用一个果断性量表的得分预测一个人在受到不良服务或排队时有人在前面插队时的反应，我们会预期，高果断性的人会抱怨不良服务，或者让插队者排到后边去，低果断性的人会容忍这种不舒服局面。所以，当量表得分出来后，我们应该去确认行为是否如预测。