心理学研究方法考博资料

一、 语义分析法：

语义分析法是用语义区分量表研究事物的意义的一种方法。

实施步骤：

1. 根据研究目的，确定被评价的事物或概念。

2. 确定评价维度：目前语义分析一般选用:性质、力量、活动三个因素。

3. 确定具体评价的子项目及数量，通常要求三个以上。

4. 具体编制七点语义区分量表。

5. 实施:施测。

结果的处理与分析：

计分一般按1-7分计算。其结果可以用于比较两个不同群体对某一概念的不同维度的差异；也可以比较同一群体在不同时间对同一概念态度的改变或同一群体在不同维度间的差异。

评价：

优点：实施方便，趣味性强；量表客观统一，计分方式确定，易于统计分析；经济节约；可以灵活的研究各类问题；可客观地研究人们对事物意义的不同理解、主观态度及改

1

变情况，可以进行跨文化研究。

缺点:设计有难度，当评价概念数目较多是，不易确定其评价项目与维度；其次，有时候不易找打对立的形容词；很难对复杂问题进行深入研究。

二、 Q技术

是运用等级顺序程序对Q分类材料进行分析，以收集若干被试或单个被试的有关心理、行为资料，探讨团体成员的类别或个体心理、行为的变化的方法。

设计与实施：先根据研究目的确定Q分类材料，对研究内容形成若干卡片或图片，一般100张左右。实施程序：

三 语义分析法：

内容分析法是对各种材料、记录的内容、形式、心理含义以及重要性进行客观、系统和数理化描述的一种研究方法。先抽取有代表的样本资料，然后分解成一系列的分析单元，并按预先制定好的分类标准与维度进行评判记录最后进行统计分析。

内容分析法的特点：客观、系统、量化。

设计：

确定研究目的：趋势分析、现状分析、比较分析、意向分析；

确定分析单位：

2

设计分析维度与体系：分析的维度又称分析的类别，就是根据研究的需要设计的将资料内容进行分类的项目。分类必须完全彻底；分类标准唯一；分类层次明确。

抽取分析材料：抽样来源、分析单位取样。

评判记录：严格按照分析维度标准进行判断，最好采用事先设计好的评价记录表，判断结果最好是数字型的。评判有较高的信度。

结果处理：

内容分析法的优点：有统一客观的取样标准、结果记录有信度检验保证。定性与定量分析并重，结果可以量化。适用于难以用其他方法的情节，比如跨文化的研究。易于重复研究。比较节省费用。

局限性：受挨了的限制较大，已有材料的真实性、倾向性和是否易于得到直接影响研究结果；结果一描述为主，难以说明为什么，解释力较差。对评判者要求较高。

四、口语报告法：

通过分析研究对象对自己心理活动的口头陈述收集哟管数据资料的方法。

不同于传统的内省法。第一采用了现代的录音技术。认知信息加工模型理论提供了理论依据；口语进行计算机模拟。

设计：明确研究目的，选择恰当口语报告方式。选择任务、设计问题。实施。

3

结果的转移与编码：录音——文本——编码：编码的标准、信度。

评价：可直接了解被试正在进行的心理活动、有效探讨他们的认知加工过程。可以进行定量定性分析。有信效度检验。不适用于年幼被试；结果整理与分析工作比较繁琐、对研究者的理论素养较高，整个研究比较费时费力。

五、社会测量法：

基本原理是任务所有团体里都存在着相互作用的非正式组织，他们以积极或消极的人际情感联系为基础。

基本形式：提名法

研究数据的整理：

目的：通过资料整理、收集删除或补充有关结果突出把握研究主导方向;确保材料的可靠性；形成可深入分析的材料。

研究数据的质量审核内容：一是审核数据是否收集齐备；二是坚持被试的数据手法有缺失或遗漏，矛盾之处。

质量审核方法:计量审核：计量单位是否一致或错误；逻辑审核检查数据是否合乎逻辑。

数据的评价：审核着重数据的完整性、齐备性、合理性检查，评价则着重判断分析。包括：

4

对数据来源的 评价：研究设计；数据收集的情景；研究对象；与主试有关的情况。

对数据本身的评价-可靠性的评价：数据的合理性、完整性。

回归分析及检验 spss

正态分布或近似正态分布是回归分析的重要前提，所以对不满足要求的变量要进行变换

为了确保所建立的回归方程符合线性标准，在进行回归分析之前往往需要借助散点图对因变量与自变量进行线性检验，此外还要注意离群值与极值对回归方程的影响，需要进行残差分析。

1. 判断预测变量是否与指标变量存在显著相关，以及整个方程的回归效果，必须依据回归分析输出的三个指标得出结论

1）方差分析

方差分析中的F检验用于检验回归模型与数据的拟合程度，如果F值很大并且显著性水平（Sig）小于临界值如0.05或者0.01，则表明预测变量与指标变量之间存在很强的线性关系，也可以说回归方程显著。

总的离差平方和是观测点和其平均值之间的差的平方和，由两个部分组成，回归平方和：反映了自变量的重要程度，残差平方和：反映了实验误差及其他意外因素对实验结果的影响。这两部分各自除以其自由度得到他们的均方。统计量F＝回归均方/残差均方，当F值太大时拒绝接受b＝0的假设。

5

2）回归系数的显著性检验

如果回归系数b显著，则同样表明预测变量与指标变量之间存在很强的线性相关

在回归方程中，回归系数的大小依赖于自变量与因变量的变化尺度的大小。如果两个变量差异较大，可能导致得到的回归系数较小或较大，一个解决的办法就是对自变量和因变量都进行标准化，转换后的变量均值为零，标准差为1，然后再进行回归分析，这种方法得到的回归系数称为标准回归系数。在相关分析中 有一个z scores选项，就是把数值标准化到z分数，转换后的变量均值为零，标准差为1。系统将每一个值减去变量的均值，再除以其标准差。标准化处理有时是比较重要的

spss中标准回归系数是standard coefficients 下的Beta项

3）测定系数R^2

该指标来自于两个变量的皮尔逊相关系数的平方，它解释回归平方和在总平方和中所占的比率，即解释回归效果。

r2是也可以说是x的重要程度，是被线性模式所解释的那部分方差量

如果R2=0.775 则说明变量 y 的变异中有77.5%是由变量x 引起的

当R2=1 时表示所有的观测点全部落在回归直线上

当R2=0 时 表示自变量与因变量无线性关系

6

为了尽可能准确的反映模型的拟合度SPSS 输出中的Adjusted R Square 是消除了自变量个数影响的R2 的修正值

2.前提假设

回归分析通常分为两类，实验研究中的回归分析通常属于固定效应模型，非实验研究例如市场调查则属于随机效应模型

固定效应模型的前提假设

正态分布：因变量的总体在自变量的各水平上都呈正态分布，但是大样本可以在一定程度上不受限制

方差齐性：因变量在自变量各水平上的方差齐性，如果条件不成立，而且个水平的样本量有差异，显著性检验不可信

样本独立性

随机效应模型的前提假设

正态分布：因变量和自变量在总体上呈正态分布

样本独立性：随机抽样，被试之间保持独立

3.spss分析

7

analyze－regressiong－linear

容差(Tolerance)是不能由方程中其它自变量解释的方差所占的构成比。所有进入方程的变量的容差必须大于默认的容差水平值(Tolerance 0.0001) 。该值愈小说明该自变量与其他自变量的线性关系愈密切。该值的倒数为方差膨胀因子(Variance Inflation Factor)当自变量均为随机变量时若它们之间高度相关则称自变量间存在共线性。在多元线性回归时，共线性会使参数估计不稳，定逐步选择变量是解决共线性的方法之一。

多水平项目反应理论

项目反应理论(item response theory, IRT)是现代测量理论中的重要组成部分。 和经典测量理论(classical test theory, CTT)相比, 项目反应理论具备许多优势。例如, 在项目反应理论框架下, 被试的能力估计不依赖于测验项目; 测验的项目参数估计独立于被试样本; 被试能力参数和项目难度参数的配套性; 对测量误差的精确估计。

共同方法变异的影响及其统计控制途径

共同方法变异(common method variance, CMV)指两个变量之间变异的重叠是因为使用同类测量工具而导致, 而不是代表潜在构念之间的真实关系。CMV 效应的控制方法包括过程控制法和统计控制法。在统计控制法的选择

和使用上, 需要重点考虑该方法是否分离了三大变异(特质变异、方法变异和误差变异), CMV 效应是在测量构

念层面还是题目层面, CMV 效应是加法效应还是乘法效应。控制潜在方法因子途径是

8

统计控制方法中最重要

的一类方法, 理解其模型是正确使用这类方法的前提。

CMV 是用相同方法(或相同评价者)测量的变量之间共有的系统误差变异。

Podsakoff等(2003)据此总结了四种方法变异效应：相同评分者效应(也叫同源效应)、题目特点效应、题目背景效应和测验背景效应。CMV 效应是测验中的一个主要的潜在效度威胁。 在经典测验理论中, 观测分数变异是真分数变异和随机误差分数变异之和。方法变异是测验题目间的共同变异, 不能归于要测量的构念, 但在经典测验理论中方法变异被作为真分数变异一部分, 于是用这个真分数变异来代表构念引起的变异, 可能导致信度系数的膨胀。

统计控制方法可以分为三个方面：对单个测验内的方法变异影响的控制, 对同一研究中不同构念间的CMV 影响的控制和不同研究间的CMV的控制。目前讨论得最多且控制方法最为丰富的就是同一研究中不同构念测量间的CMV 影响的统计控制。

偏相关途径的基本思想是把方法变异作为控制变量, 可通过偏相关控制方法变异的影响。

可通过比较有方法潜因子与无方法潜因子的模型拟合指标, 评估CMV 的存在。也可以通过比较CTCM模型与只有特质因子的模型的差异来估计CMB ((Meade et al., 2007) 。

共同方法偏差（common method biases）指的是因为同样的数据来源或评分者、同样的测量环境、项目语境以及项目本身特征所造成的预测变量与效标变量之间人为的共变。

9

这种人为的共变对研究结果产生严重的混淆并对结论有潜在的误导，是一种系统误差。

共同方法偏差的控制方法分为程序控制和统计控制。程序控制指的是研究者在研究设计与测量过程中所采取的控制措施，比如从不同来源测量预测与效标变量，对测量进行时间上、空间上、心理上、方法上的分离，保护反应者的匿名性、减小对测量目的的猜度，平衡项目的顺序效应以及改进量表项目等。

在探索性因素分析中，如果只析出一个因子或某个因子解释力特别大，即可判定存在严重的共同方法偏差。现在更普遍的是采用验证性因素分析，设定公因子数为1，这样可以对“单一因素解释了所有的变异”这一假设作更为精确的检验。

潜在误差变量控制法

在结构方程模型中，将共同方法偏差作为一个潜在变量，如果在包含方法偏差潜在变量情况下模型的显著拟合度优于不包含的情况，那么共同方法偏差效应就得到了检验，而包含共同方法偏差潜在变量的模型对于预测与效标变量关系的估计则控制了共同方法偏差。

多质多法模型（multitrait-multimethod, MTMM）

通过多种方法对多个特质进行测量，每一个具体的观测变量的变异可以分解为特质、方法以及随机误差成分。在结构方程模型中，将每种方法设定为一个潜在变量，研究者可以通过检验模型拟合度来检验方法偏差的效应，并且在考察预测与效标变量关系时控制方法变异与随机误差（见图1）。

10

内隐联系测验(Implicit Association Test, IAT)

是一种基于反应时范式的内隐社会认知研究方法, 它通过计算机化的任务来测量两类材料(概念材料与属性材料)间的自动化联系程度, 依照联系的紧密性对个体的内隐态度进行测量。

系列再生法的施测步骤

系列再生法的施测步骤是将实验材料给予被试a 阅读, 然后经过一段时间后让被试a 进行材料回忆, 之后将被试a 回忆的材料作为被试b的阅读材料, 具体方法与被试a 相同。即首位被试阅读实验所提供的材料, 第二位被试阅读前一位被试所回忆的材料, 然后依次类推, 这样以被试a→被试b→被试c→被试d→被试e……依次进行下去(见图1)。随着链条的传递, 材料开始出现改变, 也开始显现不同的偏差。一条系列再生链一般包括2~3 人以上, 10 人以下, 一般以4~5 人为多.

元分析的计算标准

(一) 样本效应值(effect size)

计算效应值是为了观察大批研究中所有效应的分布,如果某种结论趋势或形态的确存在,效应值则会集中于一个方向,效应值d的计算公式为:d=(ME-MC)/Sc,即实验组与控制组的平均数之差再除以控制组计算出的标准差所得的值. 有了各研究结果的效应值d后,还须计算综合条件下抽样样本效果大小平均值d.研究发现,在以抽样样本效果大小的平均值作为总体效果大小的估计值时,抽样样本的数量和样本的容量都会对样本效果大小有影响,而其中抽样样本的数量影响更大一些,所以理想的条件是样本容量70以上,且抽样样本数目在30

11

以上进行元分析,结果会是准确、可靠和一致.

(二)效应值的齐性检验(homogeneityofeffectsize)齐性检验又称抽样样本效果大小的一致性分析,它是指所抽取的样本效果大小是否来自于共同的总体,因而可以看作是效应值之间的同质性检验。

元分析的研究步骤

(一) 确定研究目的

确定研究目的也就是组织研究框架.首先必须确定研究中想要探索的文献领域及将要包括的题目范围;而且应该建立一套挑选研究样本的“包含”与“排除”标准,这样可以帮助一起合作的研究者在面对同一群文献时能够运用同样的标准去查找或分析研究。

(二) 彻底的文献搜索.彻底的文献搜索也就是研究样本的搜索,此举对元分析的有效性非常必要。

(三) (三)确定适合的研究.选择符合研究框架的研究样本要考虑多种问题,如:它的研究设计,文章发表的时间,文章使用何种语言表述,研究中的样本大小及信息是否完整等等。

(四) (四)定义变量及对变量编码.

(五) 研究数据的录入

(六) (六)运用多种统计技术探索、展现数据

12

元分析的优缺点:

1. 在对效应值的估计和对效应值的信度分析上更为精确;

2. 其次,因为科学的元分析具有较强的可复制性,所以要求研究过程中的每一步都要详尽、严格,尤其是对研究文献的挑选、研究质量的评定及研究特征的编码更容不得一丝含糊;

3. 第三,元分析能够发现一些潜在效应:传统的统计分析尤其是显著性水平分析只能完成单一的因果分析或关系分析,而元分析在综合了大量相关研究的基础上可以发现一些单独研究所不能发现的潜在规律,所以在对研究特征与研究结果的关系探查上更为灵活。

(二) 元分析的局限与其他研究方法一样,元分析也存在很多不足:

1. 首先,元分析存在一个众多研究者都颇具争议的缺点,即发表(出版)偏见[15],它是指在决定文献是否具备出版发表条件时出现的一种系统误差状态。也就是说,一般情况下能够得出显著性效应的研究比没有得出显著性效应的研究更易于发表(没有得出显著性效应的研究通常被认为是不宜发表的,所以会被放弃,因而发表偏见又称“文件抽屉问题”)。如果针对某个研究主题仅收集所有已发表出版的文献研究并对其进行统计分析,那么这种发表偏见就会对研究结果产生误导,歪斜效应值的方向。若要克服这种发表偏见,就要收集尽可能多的研究,不论是已发表的还是未发表的。

2. 其次,研究质量的多样化。在集合了所有的有用文献后,仍然很难确定所选入的每一个研究其贡献量有多大,所以元分析中还有一个颇具争议的问题,就是是否应该将有争议的或质量低的研究纳入研究系统内,一些批评者引用“垃圾进,垃圾出”来比喻有些元分析是将众多不同质量的研究进行总结,这就等于是没有提供任何信息,所得出的结论也不具有可信服

13

性,所以建议像这种有方法缺陷的研究应该在元分析中考虑被剔除出去。

3. 第三,时间跨度较长,体现在两个方面:首先元分析工作本身就是一项耗费时间的工作,它需要花费较长的时间严格履行元分析的每一个步骤,尤其在资料收集方面所花费的时间较长,不如初级分析那样可以尽快地完成一项研究;其次,因为元分析需要大量的相关研究文献,所以所收集资料的时间跨度可能会很大,尽管在收集研究文献时建议搜索一些新进的研究,但仍不能排除有若干年前的研究进入文献研究系统,但是前几年的研究框架、研究背景和研究结果是否还仍然适合于当前的研究,这是一个值得考虑的问题.

发展心理学的个体定向方法的涵义

传统的变量定向方法的基本假定是个体与个体之间不存在显著差别,可以被认为是同样的或相似的。运用这种方法所揭示的是从个体身上抽取出来的平均的心理过程, 描述的是平均的变量关系或发展模式。这些平均的关系或发展模式往往存在如下问题：它们在多大程度上适用于说明每一个体？事实上, 平均关系或发展模式可能不能代表任何一个体身上变量间的关系或发展模式。因而, 由平均模式得出的研究结论可能不全面, 甚至是错误的, 存在“生态谬误”。

个体定向方法产生的理论基础是发展的整体互动理论。按照发展的整体互动理论, 正在发展的个体是有组织的整体, 这一整体的各个组成部分在多个水平或层面上存在相互联系、相互作用,每一具体组成部分(如某种行为、态度、生物特征等)只有在作为整体的一部分发挥作用时才具有意义, 否则单个组成部分没有意义。因而, 研究应该关注作为整体的个体而非变量。而且, 由于正在发展的个体是由在多个水平或层面上相互联

系、相互作用的各部分构成的, 因而, 对心理与行为发展的分析应该关注个体的发展模

14

式或变量间的相互联系与作用模式, 确定出发展模式或者变量间相互联系与作用模式不同的个体类型。在个体定向的方法中,

恰当地描述个体比描述个体的平均或整合更有意义。个体定向方法的目的即在于鉴别出在理论上有意义或与理论相符的心理与行为发展模式或变量间的关系模式, 以及表现出这些发展模式或变量关系模式的同质性个体的类别或亚组。

个体定向的理论原则：

(1)个体独特性, (2)复杂互动性, (3)个体内变化的个体间差异性, (4)模式概括性, (5)整体主义, (6)模式有限性。

个体定向的数据分析方法

个体定向方法在进行数据分析时的基本思想是使同一类别或亚组内尽可能同质, 类别或亚组间尽可能异质。各种个体定向的数据分析方法就是基于个体在所研究的变量(或其关系)上的相似性来确定同质性个体类别或亚组。这些方法包括传统的聚类分析(clustering)、基于模型的聚类方法(model-based clustering)以及配置频次分析等。

协方差分析：

为了更加准确地控制变量不同水平对结果的影响，应该尽量排除其它在实验设计阶段难以控制或者是无法严格控制的因素对分析结果的影响。利用协方差分析就可以完成这样的功能。协方差分析要求协变量应是连续数值型，多个协变量间互相独立，且与控制变量之间没有交互影响。协方差分析在扣除协变量的影响后再对修正后的主效应进行方差分析，

15

是一种把直线回归或多元线性回归与方差分析结合起来的方法，其中的协变量一般是连续性变量，并假设协变量与因变量间存在线性关系，且这种线性关系在各组一致，即各组协变量与因变量所建立的回归直线基本平行。当有一个协变量时，称为一元协方差分析，当有两个或两个以上的协变量时，称为多元协方差分析。

2．．．．协方差分析的计算公式

以单因素协方差分析为例，总的变异平方和表示为：

3．．．．协方差

分析需要满足的假设条件：

（1）自变量是分类变量，协变量是定距变量，因变量是连续变量；

（2）对连续变量或定居变量的协变量的测量不能有误差；

（3）协变量与因变量之间的关系是线性关系，可以用协变量和因变量的散点图来检验是否违背这一假设；

（4）协变量的回归系数是相同的。在分类变量形成的各组中，协变量的回归系数（即

16

各回归线的斜率）必须是相等的，即各组的回归线是平行线。如果违背了这一假设，就有可能犯第一类错误，即错误地接受虚无假设。

（5）自变量与协变量是直角关系，即互不相关，它们之间没有交互作用。如果协方差受自变量的影响，那么协方差分析在检验自变量的效应之前对因变量所作的控制调整将是偏倚的，自变量对因变量的间接效应就会被排除。

4．．．．协方差分析的SPSS示例

本例子中的实验研究共有15名受试者，将这些受试者随机分为3组，各组有5人，然后对这三组进行不同的教学方法实验。其中一组为控制组，实验时不对教学方法进行改变，仍然采用以前的传统教学方法。另两组为实验组，分别用交际法和沉浸法两种教学方法进行教学方法实验。实验开始前对这三组学生用相同的试卷进行了英语测试，得出了前测成绩。实验结束后，用新的试卷同时对这三组学生进行了测试，得出了后测成绩。然后将要分析的数据输入到SPSS中去。见数据录入表格数据录入表格数据录入表格数据录入表格所示。我们用1表示传统教学方法，2表示交际法，3表示沉浸法。 我们先不考虑前测成绩，以“教学方法”为因素变量，“后测成绩”为因变量进行单因素方差分析。从方差分析结果来看，概率值为0.463（远远大于0.05的显著性水平），说明三种教学方法在后测成绩上似乎没有显著差异，但如果以前测成绩作为协变量进行方差分析时，分析结果可能就会有差异。以下将以前测成绩作为协变量进行方差分析，检验三种不同教学方法是否真的没有显著差异。

用SPSS进行协方差分析，可以分两大步骤进行，首先检验回归斜率相等的假设，然后进行协方差分析。

17

回归斜率相等的假设

对于该问题，首先可以作分组散点图，观察三组直线趋势是否近似，然后看交互作用有无统计学意义，当交互作用无统计学意义时，则进行协方差分析，得出统计结论。

2、组内回归斜率相同检验

步骤步骤步骤步骤1：：：：选择协方差分析菜单（与GLM单因素方差分析菜单相同）。点击数据编辑界面的Analyze命令，选择General Linear Model，并打开Univariate对话框。 步骤步骤步骤步骤2：：：：选定因变量、因素变量和协变量。在对话框中左边变量列表中选择“后测成绩”作为因变量，并将其移入Dependent Variable 方框中。然后选择“教学方法”作为因素变量，将其移入到Fixed Factor(s)方框中。再选择“前测成绩”作为协变量，将其移入Ccvariate(s)方框中。 步骤步骤步骤步骤3：：：：确定分析模型。在对话框中单击Model命令按钮，进入Univariate Model对话框中。该对话框提供了两种不同形式的模型，完全因素（full factorial）和自定义因素（custom）模型。由于要进行回归斜率相同的检验，所以本例使用自定义因素模型。点击Custom选择按钮后，从左边的变量列表中选择“教学方法”，点击右向箭头将其移入Model方框中。用同样的方法将变量列表中的“前测成绩”移入Model方框中。最后在变量列表中连续点击“教学方法”和“前测成绩”，同时选中它们，再点击右向箭头，Model方框中会出现“教学方法*前测成绩”字样，意为进行交互效应分析，即检验回归线斜率相等的假设。点击Continue命令按钮回到主对话框中，并点击OK按钮提交程序运行。

三、 协方差分析步骤（略）。

四、 多层及分析?

18

一般认为, 经验取样法是指在一段时间内, 研究者借助于辅助工具提醒被试, 让被试在事件发生或者随机的诸多瞬间回答问题从而进行数据收集的一种方法。经验取样法在本质上属于自我报告法, 该法要求研究者通过被试即时的自我报告来获取数据。经验取样法需要在一定周期内多次重复抽样, 被试任务相对繁重, 其正常工作或生活易受干扰, 尤其考验被试的耐性和注意力, 所以被试的选择和保持是该类研究最需关

心的问题。

经验取样法的抽样方式可以分为两大类：第一大类是时间抽样; 一种是任意时间抽样, 另一种是时间段抽样, 另一类是事件抽样, 即在目标事件发生的当下即时反应。

经验取样法具有较高的生态效度。经验取样法最注重的是经验研究的生态性,注重在自然或者个体惯常所处的情境下研究事物的状态或者变量之间关系.

第二, 经验取样法可以考察个体内变异。经验取样法法的另一个优点是能够在个体内研究各变量之间的关系, 能够考察个体内的变异。这种动态评估是个体内设计与个体间设计的结合, 既可以考察个体内的相关, 也可以考察个体间差异, 这两种方式的结合促使我们更好的了解个体是如何体验、感觉、思考和行为的。

不足之处包括：

首先, 被试对研究方法的接受性以及研究过程中的服从性问题。由于多次重复抽样对被试正常工作的干扰,

可能导致被试对经验取样法的接受性下降, 被试拒绝参与研究, 或中途流失。

19

其次, 经验取样法可能改变被试的反应性。基于经验取样法的研究往往需要被试自己记录采样时间,多次重复测量可能使被试产生了期望效应, 混淆研究结果。

再次, 测量项目的数量和代表性问题。经验取样法的多次抽样, 易导致被试疲惫和敷衍, 所以为取得真实数据, 常常需要减少测量项目的数量, 降低变量描述的详细程度.

跨文化研究中的汇聚方法可以分为4 种类型:

1) 多重情景的汇聚(contextual consilience)收集多个不同文化情景或文化群体的数据, 如果这些

结果都与理论预期吻合, 则为所论证的关系提供了有力的支持;

2) 多重方法的汇聚(methodological consilience)是使用多种方法, 例如调查法、实验法、纵向研究

等方法, 来验证某个研究假设, 考察这些不同方法是否得到相同的结论;

3) 多种预测的汇聚(predictive consilience)指从该因果关系理论中推导出一些预期假设, 如果这些假设都得到验证, 那就大大增强了对这个因果关系的确信程度;

4) 排他的汇聚(exclusive consilience)指除研究者所论证的因果假设以外, 研究者提供证据排除其

它多种替代性假设可以解释观测到的结果的可能性。

20

效应量是衡量实验效应强度或者变量关联强度的指标. 效应量衡量的是不同的实验设计的效应而不是结果的差异大小。本文按效应量的统计意义将其分成如下三类：(1)差异类, (2)相关类, (3)组重叠

d=0.2、d=0.5和d=0.8 分别对应于小、中、大的效应量

d是单因素均值差异的效应量

相关类效应量一般用于变量相关的研究中,其大小衡量了两个或多个变量共变的程度。与差异类效应量相比, 相关类效应量有下面优点：

相关类效应量更具灵活性。例如, 可以用d 或g 的场合, 肯定可以使用点二列相关系数。当自变量和因变量都是二分变量时, 只有φ 相关系数才适用。

常用的相关系数指标

21

(1)积差相关系数r 通常的积差相关系数r 适用于两个变量都是连续变量的情况, 它可以直接作为一种效应量,元分析时一般会把r 转化成Fisher-rz 。

(2)点二列相关系数rpb 点二列相关系数rpb 适用于当一个变量为连续变量, 另一个变量为二分的类别变量时, 它同时适用于两组均值差异分析的情况(Cohen, 1965;Friedman, 1968), 计算公式为

方差比效应量

在很多情况下, 不同的实验处理并不影响结果的均值, 但结果的变异程度可能不同,

22

方差有大有小, 此时就应从方差的角度去衡量实验的效应量才可靠(Thompson, 2002)。这种效应量被称为方差比效应量(variance-accounted-for indices), 它的大小反映了结果变量总的方差被自变量解释的比例。在线性模型分析中, 常用的方差比效应量有：R2 (回归分析), η2 (方差分析, Pearson, 1905),ε2 (Kelly, 1935)和ω2 (Hays, 1963)。

(1) R2

R2 称为平方复相关系数, 一般用于多元回归分析, 衡量了一个因变量和多个预测变

量之间的线性关联强度。

(2) η2, ω2 和ε2

η2 是反映实验因素和因变量关联程度的指标,η2 越大, 说明实验因素的效应(主效应和交互效应)就越大, 实验因素对因变量越重要。当研究的样本容量很小、测量的变量很多以及总体的效应量很小时, η2 会高估实验因素和因变量之间的关联强度, 需要用校正公式。有两种校正方法：一个是排除其他因素的影响, 如偏相关系数和标准化回归系数β。二是校正误差, 如校正的R2、Hays 的ω 2 和Kelly 的ε2。ω2 和ε 2 一般用于方差分析中, 取代η2。ε2 会大于ω2, 但都小于η2 和R2。

组重叠(group-overlap)效应量前两类效应量都假定总体方差同质, 当方差异质、总体非正态以及组之间的样本容量不一样时, 使用差异类或相关类效应量都不能准确的估计实际的效应量, 此时应该使用的是组重叠

效应量。不同的效应量可以通过组重叠程度来描述。效应量表示两分布不重叠程度, 效应量越大, 两分布重叠越少。

23

Vacha-Haase 和Thompson (2004)总结了在SPSS 软件中获取效应量的操作方法, 其中包括列联表分析、t 检验、方差分析、回归分析。一般都可以在对应的统计分析的“option”选项中找到相应的效应量指标。方差分析中, SPSS 报告的η2 是偏η2, 而不是经典的η2。多数情况下报告偏η2 是合适的(Pierce, Block, & Aguinis, 2004)。多因素方差分析中, SPSS 会分别报告每个因素的实验效应偏η2, 如实验因素的主效应和交互效应的偏η2,还会直接输出变量的趋势检验结果。

使用基于经典测量理论的α 系数估计追踪研究的测验信度, 通常有两种方法：(1)计算追踪研究中各个时间点测验的α系数, 用多个α系数作为追踪研究测验信度的估计; (2)先计算追踪研究中各个时间点测验的α 系数, 再计算各α 系数的算术平均值,用一个单一的α系数均值作为追踪研究测验信度的估计。

ERP:通过平均叠加技术从头颅表面记录大脑诱发电位来反映认知过程中大脑的神经电生理改变。诱发电位应具备如下特征：1.必须在特定的部位才能检测出来；2.都有其特定的波形和电位分布；3.诱发电位的潜伏期与刺激之间有较严格的锁时关系，在给予刺激时几乎立即或在一定时间内瞬时出现。

1. 平均数和标准差要结合使用，标准差越少，平均数的代表性就越大。平均数反映的是总体数据的集中趋势，标准差反映的是离中趋势。

2. 几何平均数的使用：一是当实验数据总有少数数据偏大或偏少或数据的分布呈偏态时；二是当数据彼此间的变异较大，几乎是按一定的比例关系变化时。

3. 调和平均数/倒数平均数：主要用于描述学习速度方面的问题。

24

4. 方差表示的是一组数据与平均数的平均离散程度。其值越大，表示离散程度越大。

5. 差异系数（coefficient of variation, CV）的适用于：同一团体不同观测值离散程度的比较；对于水平相差较大，但进行的是同一种观测的各种团体，进行观测值离散程度的比较。CV=标准差/平均数.%。注意：测量的数据要具有等距尺度，观测工具要具有绝对零，因而，适用于重量、时间、长度、好的量表等，只能用于一般的相对差异的描述，不能以此进行统计推论。

6. 标准分数，又称基分数，Z分数。是以标准差为单位表示一个原始分数在团体中所处位置的相对位置量数。它表示的是原始分数在以平均数为中心时的相对位置。Z=原始分数-平均数/标准差。它具有可比性、可加性、明确性、稳定性。可用于比较几个分属性质不同的观测值在各自数据分布总相对位置的高低。如某同学，身高170，Z身高=0.5,体重65，z体重=1.2，则该人的体重比身高更要偏离平均数些，即更偏重些。可以计算不同质的观测值的总和或平均值，以表示在团体重的相对位置。

7. 如果散点图成椭圆形，表明二变量之间呈线性关系，如呈圆形，则弱相关或零相关。

8. 用于积差相关分析数据的要求：不少于30对的成对数据；两列变量总体呈正态分布，但要进行计算的两样本不一定要求正态分布；均为连续变量；两列量表之间的关系应是直线性的。

9. 等级相关出来的是两列等级资料的相关关系。

10. 各种质量相关处理的是二分变量和连续变量之间的相关。

25

11. 偏相关和部分相关是研究消除第三变量影响后的两变量之间的相关程度的方法。

12. 相关分析的在线

过

资源程

：：

www.fjmu.edu.cn/news/spss/doc3/sp07.htm;Crosstabswww.fjmu.edu.cn/news/spss/doc3/sp04.htm#j4

13. 概率的加法定理：是指两个互不相容事件A、B之和的概率等于两个事件概率之和。

14. 概率的乘法定理：两个独立事件同时出现的概率等于两事件概率的乘积。

15. 标准误指的是样本平均数分布的标准差。样本平均数的平均数与母总体的平均数相同，样本平均数的标准误与母总体的标准差成正比。

16. 概率分布是指对随机变量取值的概率分布情况的函数描述。

17. 正态分布的特征：其形式是对称的。正态曲线下的面积可视为每一横坐标值的随机变量出现的概率。

18. 正态分布的应用。化等级评定为测量数据；确定测验题目的难易度；能力分组或等级评定人数确定；测验分数的正态化。

19. 二项分布主要用于解决含有机遇性质的问题。

20. T分布与标准差无关，但与自由度（n-1,表示的是T分布中独立随机变量的数目）有关。

26

21. t分布的特点：平均值为0；当样本趋于无穷大时（n-1>30），t分布为正态分布(接近于正态分布)。自由度越大，方差越小。当总体分布为正态分布，但是方差未知时，样本平均数的分布为t分布。

22. x2分布的特点。x2它是抽取的随机变量x的平方；它是一个正偏态分布；分布曲线随每次抽取的随机变量的个数不同而不同。

23. x2分布的应用。用于计数数据的假设检验以及样本方差于总体方差差异是否显著的检验。具体的讲，x2检验方法能处理一个因素两项或多项分类的实际观察频数（即实验或调查中得到的计数资料）与理论频数分布是否一致，或有无显著差异。

24. F分布。F= x21/df1/ x22/df2.也即F等于样本方差除以各自总体方差的比率。

25. 在线资源：www.stattucino.berrie/dsl/index.html

26. 总体参数估计分为点估计和区间估计

27. 点估计：用样本统计量对总体参数的估计，比如用样本平均数对总体平均数进行估计。当已知一个样本的观测值时，就可以得到总体参数的估计值。点估计的优点在于它能提供总体参数的估计值。

28. 良好估计量的标准：无偏性；有效性：方差越小越好；一致性，即当N->无穷大时，X-.>U.；充分性，即样本n要充分反应总体的信息。

29. 区间估计：估计总体参数的范围。样本分布可提供概率解释，而标准误的大小决定区间估计的长度。

27

30. 区间估计的解释。平均数加减一个标准差(x-+/-&)=68.26%说明总体参数u有68.26%的可能落在平均数加减一个标准差的范围内。

31. k方的方差估计；两总体方差则用F分布估计。

32. 相关估计。当总体为负相关时，样本的相关系数r呈不同程度的负偏态，当总体为正相关时，样本的相关系数r呈不同程度的正偏态。

33. 比率的区间估计，用二项分布。

34. 在线资源：

www.perfectmba.com/down/dmd/ %B2%CE%CA%FD%B9%CO%BC%C6.doc;

www.dufe.org/sectionl/book view.teach? id=20

35. 独立样本平均数差异t检验的前提是总体方差相同，即方差齐性，因此，独立样本平均数差异t检验前要进行方差齐性检验。

36. 相关系数r是显著是特指在p=0前提下的检验结果。

37. 当总体正态分布、总体方差已知时，可用z检验进行平均数的显著性检验，即对样本平均数与总体平均数之间的差异进行检验。

38. 当总体正态分布、总体方差未知时，则用t检验进行平均数的显著性检验，即对样本平均数与总体平均数之间的差异进行检验。

39. 当总体非正态分布时，只要样本容量较大，可近似用z检验进行平均数的显著性

28

检验，即对样本平均数与总体平均数之间的差异进行检验。

40. 平均数差异的显著性检验是对两个样本平均数之间差异的检验。其目的是用两样本平均数之间的差异来检验各自总体之间的差异。

41. 当两总体正态分布、总体方差已知时，独立样本和相关样本的平均数差异检验都可用z检验进行平均数差异的显著性检验。

42. 当两总体正态分布、总体方差都未知时，独立样本和相关样本的平均数差异检验都可用t检验进行平均数差异的显著性检验。其前提是总体方差齐性。

43. 当两总体方差不齐性时，则只能用t!进行平均数差异的显著性检验。

44. 样本方差与总体方差的差异检验可用x2检验。

45. 两个独立样本方差之间的差异检验用F检验。

46. 两个相关样本方差之间的差异检验用t检验。

47. 两个样本相关系数(其相关系数是由两组彼此独立的被试得到)差异检验用z检验。

48. 两个样本相关系数(其相关系数是由同一组被试得到)差异检验用t检验。

49. 两个独立样本比率差异检验用z检验。而两个相关样本比率差异检验较为复杂。

29

50. 在线资源：www.psy.pku.edu.cn/education/psystat/files/lecture07

51. 方差分析的原理。将总变异分解成组间变异SSB（由实验处理引起的变异）和组内变异SSw（由实验误差引起的），然后比较SSB/SSw之间的差异是否达到显著水平，如达到显著水平，就说明变异是由实验处理引起的，即实验是有效的。

52. 方差分析的基本假定：样本总体属于正态分布；变异相互独立；组内方差必须无显著差异,即方差齐性。

53. 组间设计，即每个组接受一种实验处理，有几种实验处理，被试就分为几组，由于被试是随机取样的，故又称完全随机设计，而且个实验组的被试是相互独立的，故又称独立组设计，或被试间设计。

54. 组内设计，又称被试内设计，又称随机区组设计，它是根据被试的特点把被试分成几个区组，每个区组的被试都接受所有自变量水平的实验处理。其最大的优点是考虑到了个别差异的影响。

55. 事后检验。由于方差分析只能总体上告诉我们整个结果存在差异，但不能告诉具体是哪两个平均数或几个平均数之间差异显著，因此，我们需要进一步分析，以确定具体是哪两个平均数或几个平均数之间差异显著，这就叫做事后检验，也叫做事后多重比较。注意：只要是对多个平均数进行两两比较，都应当用多重比较方法。而不宜用t检验进行多次的两两比较。

56. 随机区组设计的方差分析步骤：Analyze---General linear Model---Repeated Measures,指明被试内因子（Within---subject Factor）名称和水平数并进行定义，然后

30

确定，事后检验需要点击Options进行选择。

57. x2检验方法能处理一个因素两项或多项分类的实际观察频数（即实验或调查中得到的计数资料）与理论频数分布是否一致，或有无显著差异。但要求分类必须相互排斥互不包容，观测值要相互独立，同时，期望次数（观测值）一般不小于5，当自由度为1时，期望次数（观测值）一般不小于10.

58. x2检验的类别.配合度检验主要用于检验一个因素多项分类的实际观察数与某理论次数是否接近。独立性检验，又称列联表分析，用于检验两个或两个以上因素各种分类之间是否有关联或具有独立性问题。同质检验主要用于鉴定不同人群母总体在某一个变量的反应是否就具有显著性差异。当用同质检验检测双样本在单一变量的分布情形，如果两样本没有差异，则说明两个母总体是同质的，相反，则说明异质。

59. R*C列联表检验只是两因素的关联的总体检验，同方差分析一样，当确定两因素之间有某种关联或直观感觉两因素的某两个类别之间有某种关联时，我们还需要对相关源做进一步分析。

60. 对R*C列联表的相关源做进一步分析一般采用分割分析方法。具体操作是：先直观的将关联不明显的四格表分解出来并逐项进行卡方检验，然后将关联不显著的合并，然后将合并后的数据与剩余的数据再逐项进行卡方检验。

61. 卡方检验的spss执行。Analyze—descriptive statistics---crosstabs,选定行变量和列变量，然后打开统计量statistics 点选Chi—square.

62. 当两独立样本的总体不服从总体正态分布时，要用秩和检验。

31

63. 符号检验用于检验两个配对样本分布的差异。

64. 当实验是按完全随机方式分组设计，且所得数据资料又不符合参数方法中的方差分析所需要假设条件时，可用克-瓦氏方差分析。

65. 区组实验设计的非参数检验用Friedman Test.

66. 回归分析是研究变量与变量之间相互关系的一种数理统计方法。基本步骤：将成对资料绘制成散点图，从中判断点子的分布形状是否有线性关系；建立回归模型；回归方程显著性检验，测定系数判断回归模型的拟合度；计算回归估计标准误；预测，估计真值预测区间。

67. 在单因素方差分析中，一旦达到显著水平，研究者必须继续进行平均数的个别差异比较。但在二因素方差分析中，即使主效应显著，但如果类别变量的水平只有两个，则无需进行事后多重比较。但在多因素方差分析中，如果交互效应显著，则必须对主效应进行事后比较。

32