信息计量学课件

1,1.可靠性分析,可靠性：指某些感兴趣的测量结果的一致性或可重复性，用系数度量。即对量表的信度进行考核。如：对一组参与者在两周内进行两次10个项目的测量，若参与者对这些项目的反应相同或相近，则该测量的可靠性就很高，否则若反应有很大的不同，则该测量的可靠性就很低。量表的使用是为了了解被测对象的某一特征，因而在编制一份量表时，所设立的一系列项目是为了体现量表需要测定的这一特征。若所设的测定项目无法获得这一特征，则表示该量表的可靠性差，即信度低。量表的可靠性分析就是对该量表中各测定项目之间的一致性进行分析，也称信度分析。,2,测量可靠性的方法：测量多次：重测信度（Test-retestreliability,重复测两次）、复本信度（alternateformreliability,做两次非常相似的测量，每次一个版本）；2.对一个测量单独执行多次：折半信度（split-halfreliability）、系数（也称Cronbachs，科隆巴赫系数）,3,系数:不是对测量的单独划分进行计算，而是对测量所有可能的花费的均值。0ReliabilityAnalysis;2.打开ReliabilityAnalysis对话框，选中5个变量移入Items中；3.点“Statistics”，在Descriptivesfor下选择Item和Scale;4.点“Continue”;4.点ok,9,10,11,可靠性系数,12,参与者对项目1的平均反应是“同意”,参与者在5个项目上的反应表明他们的生活是相当有意义的，在“同意”方向,13,2.推断统计学,推断统计学(inferentialstatistics)：使用样本的均值对总体的均值进行估计的方法。如：用相对小的样本（2000人），对所有美国投票者的总体进行估计。假设检验(hypothesistesting)：当使用样本对总体进行推断时，这个过程称为假设检验。包括：原假设和对立假设。原假设：通常是研究者想收集证据予以推翻的假设，H0，包含=；对立/备择假设：通常是研究者想收集证据予以支持的假设，H1如：评估一种新的治疗方法对抑郁症是否有效，则原假设为：治疗方法无效果，对立假设为治疗方法有效果。在假设检验中，要么拒绝原假设，要么不拒绝原假设。单边检验(one-tailedtest)和双边检验(two-tailedtest):含有或和B或ACompareMeans-One-SampleTTest;选变量hoursweek到TestVariable(检验变量)；在TestValue框中输入52；点OK。,若不输入52，则该值是0,19,P的值0.001小于0.05，因此拒绝原假设,事务所中的周工作时间59与原假设中的值52的差,t=样本均值与总体均值之差/均值的标准误=7/1.78652=3.918,20,效应量：有多大的差异？衡量差异的大小Cohn(科恩)准则d=样本均值与总体均值之差/标准差=7/7.15=0.98科恩准则规定：单样本t检验的小、中、大的效应量分别对应0.2、0.5、0.8，0.2表示组间有1/5的标准差，0.5表示组间有1/2的标准差，0.8表示组间有8/10的标准差。,21,2.2独立样本t检验,独立样本t-检验：对两个独立分组中感兴趣的一个连续因变量的均值进行比较时，用独立样本t检验。独立样本t-检验的目标（例见后）独立样本t-检验目标数据要求例子检验两个级别中关于某个两个不同组别的自变量：治疗类型（认知行为感兴趣的因变量的均值一个自变量/精神分析治疗）是否存在显著差异一个连续的因变量因变量：抑郁症,22,例：临床心理学家想调查认知行为治疗和精神分析治疗对抑郁症的相对有效性。30名患有抑郁症的病人随机分配接受两个疗法，其中15人接受行为治疗，另外15人接受精神分析治疗。经过两个月的治疗后，记录下每个病人抑郁症得分。本研究中，自变量是治疗方法（认知行为治疗和精神分析治疗），因变量是抑郁症，较高的分数表示更高的抑郁水平（10-70分）或：在接受认知行为治疗和精神分析治疗的病人中，抑郁症水平的均值是否存在差异？原假设：H0：精神分析=认知行为对立假设：H1：精神分析认知行为,23,输入数据后进行分析：Analyze-CompareMeans-Independent-SamplesTTest选因变量depression到TestVariable(检验变量)；选自变量therapy到GroupingVariable(分组变量)，变量右边的？通过DefineGroups来输入（本例为1、2）；点countinue;点OK。,24,25,P0.05,方差相等，选上面一行数据;否则选下面一行数据,PCompareMeans-Paired-SamplesTTest选因变量Economy、security到PairedVariables中；点OK。,29,30,等于x1和x2均值的差,大于0.05,原假设被接受，没有差别,t=两个样本间的均值之差/两均值的标准误差=0.21/0.13842=1.517,31,配对样本t检验的效应量d=均值差/分数差的标准差=0.21/0.43772=0.478根据科恩准则（0.2,0.5,0.8）,没超过0.5，对应小效应，这两组数据之间没有大的差别。,32,3.相关分析Pearsonr相关系数,Pearsonr相关系数：度量两个变量的线性相关程度，用r表示，-1r1。当r0时，表示两个变量正相关；当rCorrelate-Bivariate选因变量meaning、wellbeing到Variables中；点OK。,36,相关性显著，因为p值小于0.05，原假设被拒绝,科恩准则规定：0.1、0.3、0.5分别对应小、中、大的效应量，0.549对应于实际中一个大的规模效应。,37,方差分析,方差分析的目的是通过数据分析找出对该事物有显著影响的因素，各因素之间的交互作用，以及显著影响因素的最佳水平等。方差分析是在可比较的数组中，把数据间的总的“变差”按各指定的变差来源进行分解的一种技术。对变差的度量，采用离差平方和。方差分析方法就是从总离差平方和分解出可追溯到指定来源的部分离差平方和，这是一个很重要的思想。,38,4.一维组间方差分析,比较两个或更多独立组中的均值是否有差异时，用一维组间方差分析（analysisofvarianceANOVA）。自变量是组间因素，每个参与者都仅得到因素的一个水平（即每个人都在一个单独的组内）,39,例：一个学生想调查三种学习策略（A,B,C）在单词记忆方面有没有差异。30个学生参与本研究，每个人都随机分配接受三种策略中的一种（每10个学生在一个策略组）。在学习了策略后，给每个学生15个单词看5分钟，要求使用策略记住尽可能多的单词。每个学生要尽可能写出他能够记住的单词，同时研究者记录下每参与者回忆起的正确的单词数量。本研究中，自变量是学习策略A，B，C，因变量是回忆起的正确单词的数量。或：回忆起来的单词数量是否依赖于学习策略的类型？一维组间方差分析的目标和数据要求一维组间方差分析目标数据要求例子因变量在两个或自变量：有两个或自变量：学习策略更多的组的均值更多的组因变量：正确回忆是否有显著差异因变量：连续的单词数量,40,原假设：H0：A=B=C对立假设：H1：其中至少一个均值与其他均值不同,41,输入数据后进行分析：Analyze-CompareMeans-One-WayANOVA选因变量wordrecall到DependentList中；选自变量strategy到Factor中；点Options,选Descriptive和Homogeneityofvariancetest(方差齐性检验)；点Continue;点PostHoc,在PostHocMultipleComparisons(多重比较)对话框的EqualVarianceAssumed的下面选Tukey;点Continue;点OK。,42,43,44,结果：,方差齐性检验：方差相等检验的p-值为0.980.05，不能拒绝原假设，假定三组策略的方差相等,总体均值相等检验中的p-值0.05，则接受无显著差别的原假设，若p-值GeneralLinearModel-Univariate;选因变量pain到DependentVariable中；选自变量phyther和relax到FixedFactor(s)中；点Options,打开Univariate:Options对话框。在Factor(s)andFactorInteractios下选变量phyther,relax和phytherrelax(不要选OVERALL),把它们移到DisplayMeansfor框中。在display下，选Descriptivestatistics,Estimatesofeffectsize和Homogeneitytests；点Continue;点Plots,打开Univariate:ProfilePlots对话框。选phyther到HorizontalAxis,选relax到SeparateLines;点Add。交互效应phytherrelax就显示在Plots对话框中；点Continue;点OK。,51,52,53,组间因素,描述统计量,误差方差齐性检验：p值为0.3220.05,不能拒绝原假设，认为4个单元组的方差一致,54,我们感兴趣的三个检验,我们感兴趣的三个检验；由于每个p值Bar，选BarCharts中的Clustered;在DatainChartare下选Summariesasgroupsofcases;点Define;选phyther到CategoryAxis中，选relax到DefineClustersby中；在BarsRepresent下，选Otherstatistics，把pain移到Variable中；点ok。,57,58,这两个条形有16.666分的差异,这两个条形有2.5分的差异，交互效应指出这两个分值的差异是显著的,说明relax的结果依赖于phyther：对拉伸，在肌肉放松和引导意象之间有巨大的差异；而对于力量锻炼，两者之间几乎没有差异。,59,7.一维组内方差分析,用于一个自变量估计一个连续因变量的情况。自变量是一个包含两个或更多水平的组内因素，而且每个参与者接受自变量的所有水平。,60,例：一位学校心理学研究者想评估一个全新的社交能力训练计划的潜在效果。25名有交友障碍的四年级学生参加这次为期16周的训练。在社交能力训练之前、第8周和结束时测量这25名学生的社交能力。由老师用660分来评估，得分越高，社交能力越强。在该研究中，自变量是时间（开始时、第8周、第16周），因变量是社交能力得分。或：在16周社交能力训练之前、之中和之后的社交能力在差异吗？一维组内方差分析的目标和数据要求一维组内方差分析目标数据要求例子检验两个或更多相关自变量：有两个或自变量：时间组的均值关于同一个更多的组内因素（开始、8周、结束）因变量是否差异显著因变量：连续因变量：社交能力得分,61,原假设：H0：之前=8周=之后对立假设：H1：至少有一个均值与其他均值不同,62,输入数据后进行分析：Analyze-GeneralLinearModel-RepeatedMeasures,打开RepeatedMeasuresDefineFactor(s)对话框；在WithinSubjectFactorName中双击factor1(factor1是SPSS中为组内因素建立的缺省值名称)，输入名称time;在NumberofLevels右边的框中输入3（对应于组内的3个水平before,week8,after）;点Add;点Define;选before,week8,after到WithinSubjectsVariables中；点Options,在Factor(s)andFactorInteractions下选time并移到DisplayMeansfor框中，在Display下，选DescriptivestatisticsandEstimatesofeffectsize；点Continue;点OK。,63,64,65,66,组内因素,统计量描述,多元检验,4种多元检验方法,三个时刻的均值在总体上相等的原假设被拒绝（因为p值0.05，说明满足球形假设，无需矫正；若PPaired-SamplesTTest选因变量before、week8到PairedVariables中；对于before和after、week8和after重复这个操作，所有三对变量出现在PairedVariables框中；点OK。,70,71,对于3个配对的t检验，为使整个的值不超过0.5，每次比较的水平是0.05/3=0.016（只舍不入是为了保证3个检验的总和不超过0.05）,0.6220.0000.000,看第1个表，after时刻的得分24.88明显高于before时刻(22.48)和week8时刻（22.72）,72,8.简单/一元线性回归,回归分析是研究变量间相互关系的密切程度、进行模型预测的一种有效工具。简单线性回归用于研究某一现象与影响它的某一最主要因素的关系。如：消费问题的研究中，影响消费的因素有很多，但我们可以只研究（预测）国民收入与消费额之间的关系（因为国民收入是影响消费的最主要因素）。被预测的变量因变量（消费额）用于预测的变量自变量/预测变量（国民收入）,73,例：一名学生想要在大学生中调查社会支持（一个人能向其他人寻求支持的程度）能否预测心理健康。25名学生参加了社会支持和心理健康测试。社会支持的得分是840分，心理健康的得分是1070分。得分越高表示社会支持和心理健康程度越高。或：在大学生里社会支持能否预测心理健康？简单回归的目标和数据要求简单线性回归目标数据要求例子为了预测随另一个自变量：连续自变量：社会支持变量变动的变量因变量：连续因变量：心理健康,74,原假设说明社会支持无法预测心理健康。为了评价原假设，建立回归方程，检验被称为贝塔权重（Betaweight）的回归系数是否显著不等于0。原假设：H0：=0（贝塔权重为0，社会支持不能预测心理健康）对立假设：H1：0（贝塔权重不为0，社会支持能预测心理健康）,75,输入数据后进行分析：Analyze-Regression-Linear,打开LinearRegression对话框；选变量wellbeing到Dependent（因变量）中;选变量support到Independent（自变量）中;点Statistics，选中Descriptives(Estimates和Modelfit为已选中状态);点Continue;点OK。,76,77,78,相关性为0.49，单侧检验的p值为0.0064（SPSS保留小数点后3位）,双侧检验的p值为0.013,均小于0.05,两变量间的相关性显著。,79,模型概要,R是多元相关系数,判定系数R2为因变量的总变异性中被自变量解释的百分数。即社会支持解释了心理健康的总变异性的24%,调整的R2修正了R2，是为了对总体值做更好的估计,估计标准误差表明自变量不能预测因变量的程度。即回归方程在预测心理健康时平均偏差大约13.98,方差分析,p值Regression-Linear,打开LinearRegression对话框；选变量meaning到Dependent（因变量）中;选变量connect,optimism,success到Independent（自变量）中;点Statistics，选中Descriptives(Estimates和Modelfit为已选中状态);点Continue;点OK。,86,87,88,自变量和