2025年大学《统计学》专业题库- 统计学在心理健康研究中的应用

2025年大学《统计学》专业题库——统计学在心理健康研究中的应用考试时间：______分钟总分：______分姓名：______一、名词解释1.结构效度2.效应量3.配对样本t检验4.相关比5.多元线性回归二、简答题1.简述在心理健康研究中，使用非参数检验方法的典型情况。2.在一项比较两种不同认知行为疗法对抑郁症疗效的研究中，简述选择独立样本t检验或方差分析作为主要统计分析方法的条件。3.解释在心理健康研究中，报告效应量（如Cohen'sd）相较于仅报告P值更为重要的原因。4.当研究者想要探索多个社会经济地位变量（如教育程度、收入水平，均为有序变量）与焦虑水平（连续变量）之间的关系，同时控制性别（分类变量）的影响时，可以选用哪些统计方法？并说明理由。5.简述在进行心理健康调查研究时，运用描述性统计量（如均值、标准差、频数）的主要目的。三、论述题1.论述在进行心理健康变量的相关分析时，选择Pearson相关、Spearman相关或偏相关分析的关键因素，并说明错误选择可能导致的后果。2.结合一个假设的心理健康研究情境，论述如何通过回归分析来建立预测模型，并解释在解释回归结果时需要关注哪些方面，特别是需要注意避免哪些常见的误解。四、分析与应用题1.假设一项研究旨在比较接受正念训练（干预组）和未接受训练（对照组）的大学学生在干预后焦虑自评量表（得分范围1-50，分数越高表示焦虑程度越高）得分的变化。研究人员收集了以下模拟数据摘要（干预组n=30,M=35,SD=5；对照组n=30,M=40,SD=6）。请说明如果研究者想检验正念训练是否显著降低了学生的焦虑得分，应该选择哪种（或哪些）统计检验方法？并阐述选择该方法的理由，以及解释其结果的要点（需考虑样本量、数据类型、研究设计等）。2.假设一项研究调查了性别（男=1,女=2）、睡眠时间（连续变量，小时）和压力水平（连续变量，分数）与大学生抑郁症状得分（连续变量，分数越高抑郁越严重）的关系。研究者使用统计软件得到部分输出结果摘要：性别与抑郁症状得分的回归系数β=0.25,SE=0.10,t(98)=2.50,p<0.05；睡眠时间与抑郁症状得分的回归系数β=-0.40,SE=0.08,t(98)=5.00,p<0.001；压力水平与抑郁症状得分的回归系数β=0.55,SE=0.12,t(98)=4.58,p<0.001；模型的R²=0.45,F(3,98)=32.5,p<0.001。请解释这些输出结果所传达的信息，并讨论该模型的整体解释力以及各变量对抑郁症状的影响程度。试卷答案一、名词解释1.结构效度:指测量工具（如问卷）能够测量其想要测量的构念（如焦虑、抑郁）的程度，以及测量结果在多大程度上符合理论上的结构或模型。高结构效度意味着量表能够有效地反映其所测量的潜在特质。2.效应量:指研究变量之间关系的大小或强度，或者指干预措施的效果程度。它提供了关于治疗效果、关联强度等的定量信息，不受样本量影响，比P值更能反映研究的实际意义。3.配对样本t检验:用于比较同一组或匹配组个体在两种不同条件下（或同一条件下不同时间点）的某种连续变量均值是否存在显著差异的统计检验方法。其前提是两组数据来自相关的样本。4.相关比:也称eta平方（η²），是一种用于衡量分类自变量与连续因变量之间相关程度的统计量。它结合了相关系数和卡方检验的关系，适用于自变量是分类变量的情况，其取值范围在0到1之间，数值越大表示关系越强。5.多元线性回归:一种统计方法，用于建立因一个或多个自变量（预测变量）的变化对某个连续因变量（结果变量）的影响模型。它不仅能够预测因变量的值，还能量化每个自变量对因变量的独立贡献。二、简答题1.非参数检验方法的典型情况:*数据不满足参数检验的假设条件，特别是正态性假设。当样本量较小且无法判断数据分布是否接近正态时，常选用非参数检验。*研究测量的变量是分类变量（名义变量或有序变量），无法计算均值和标准差，只能使用非参数检验。*研究目的是检验中位数是否存在差异，而非均值差异。*研究设计涉及匹配样本或重复测量，但数据不符合参数检验的方差齐性假设。*研究结果需要具有普遍性，即适用于任何类型的连续变量分布。2.选择独立样本t检验或方差分析的条件:*独立样本t检验:条件包括：*研究设计为两组独立样本（例如，治疗组vs对照组）。*两个样本的观察对象相互独立，一个组的成员不影響另一个组的成员。*研究测量的因变量是连续变量。*两个样本的因变量数据大致服从正态分布。*两个样本的因变量方差相等（或近似相等），即满足方差齐性假设。*方差分析（ANOVA）:条件包括（以两组为例，与t检验类似但更通用）：*研究设计为两组独立样本。*两个样本的观察对象相互独立。*因变量是连续变量。*两个样本的因变量数据大致服从正态分布。*两个样本的因变量方差相等（或近似相等），满足方差齐性假设。*选择依据:如果满足上述所有条件，特别是方差齐性假设，通常优先选择方差分析，因为它是一种更通用的方法（ANOVA是t检验和F检验的扩展）。如果方差齐性假设不满足，则应选择独立样本t检验（Welch检验）或进行数据转换。如果研究设计本身不是两组独立样本（例如，存在配对关系），则应选择配对样本t检验。3.报告效应量相较于仅报告P值更为重要的原因:*P值仅告诉我们观察到的结果（或更极端结果）在偶然性（随机误差）下的可能性有多大，无法告知效应的大小或实际重要性。*两个研究可能具有相同的P值，但一个研究的效应量很大，另一个研究的效应量很小，后者在实际应用中可能意义不大，而前者可能具有重要的临床或理论价值。*效应量提供了关于治疗效果、关联强度、预测能力等的直观信息，有助于判断研究结果的实际意义和推广价值。*效应量的大小对于制定干预措施、评估资源投入效益至关重要。*效应量不受样本量的影响，不同样本量的研究可以直接比较其发现的大小。4.可选用哪些统计方法及理由:*多元线性回归:可以同时检验多个有序变量（教育程度、收入水平）对连续变量（焦虑水平）的线性预测作用，并控制分类变量（性别）的影响。其回归系数可以解释每个有序自变量增加一个单位时，因变量均值的预计变化量（需注意有序变量的处理方式，如使用虚拟变量或有序回归）。*有序逻辑回归(OrdinalLogisticRegression):如果焦虑水平被划分为多个有序类别（如无焦虑、轻度、中度、重度），而自变量仍为有序或分类变量，此方法更合适。它可以估计自变量对焦虑类别转换概率的影响。*理由:这些方法能够处理多个自变量（包括不同类型），允许检验变量之间的复杂关系，并能通过控制变量（如性别）来减少混淆偏倚。它们适用于因变量是连续变量的情况（多元线性回归），或当因变量是具有内在顺序的分类变量时（有序逻辑回归）。选择哪种具体方法取决于焦虑水平的测量方式和数据的分布特征。三、论述题1.选择相关分析方法的因素及错误选择的后果:*选择因素:*数据类型:Pearson相关适用于两个变量都是连续且大致呈正态分布的情况。Spearman相关适用于两个变量是连续但分布非正态，或者两个变量是有序分类变量。偏相关适用于控制一个或多个其他变量的相关关系。*变量关系形式:Pearson相关假设线性关系。如果变量间关系呈曲线，Pearson相关会低估或高估关系强度。此时Spearman相关可能更合适。*是否存在共线性:如果研究目的是检验变量间的独立关系，应使用偏相关分析，以排除其他变量的影响。*错误选择的后果:*使用Pearson相关分析非正态或有序数据:可能导致计算出的相关系数不准确，无法正确反映变量间的关系强度或方向，从而得出错误的结论。*使用Spearman相关分析正态且线性数据:会损失信息（未能利用数据的精确数值信息），计算出的相关系数可能小于Pearson相关系数，但并不代表关系更弱，只是衡量方式不同。*在需要控制混淆变量的情况下使用简单相关:可能高估或低估变量间的真实关系，因为忽略了其他可能影响结果的因素。例如，性别可能同时与变量X和变量Y相关，且与因变量Z相关，简单相关会显示X与Z、Y与Z相关，但未必是X或Y对Z的直接独立影响，使用偏相关可以分离出这部分独立影响。*错误解释相关不等于因果:即使两个变量显著相关，也不能推断一个变量是另一个变量的原因。相关性仅表示变量间存在关联趋势。2.通过回归分析建立预测模型及结果解释要点:*建立预测模型:*明确研究目的：是预测抑郁症状得分，还是解释影响抑郁症状的因素？*选择合适的回归模型：根据因变量和自变量的类型（连续、分类、有序）选择多元线性回归、逻辑回归、有序回归等。*数据准备：对变量进行定义、编码（如性别、分类变量），处理缺失值。*模型拟合：使用统计软件输入数据，运行回归分析。*模型评估：检查模型的整体拟合优度（如R²、F统计量、P值）、系数的显著性（如t统计量、P值）、系数的估计值（β）、标准误等。*模型解释：根据输出结果，报告回归方程，解释每个自变量的回归系数（β）的含义（即在控制其他自变量的情况下，该自变量每变化一个单位，因变量预计变化多少），并说明哪些自变量对因变量有显著预测作用。*解释要点:*模型整体效果:检查R²值，了解模型能够解释因变量变异的程度。检查F统计量的P值，判断模型整体是否具有统计学意义。*各变量独立效应:关注每个自变量的回归系数（β）及其P值。β值的大小表示该自变量对因变量的预测能力大小（标准化后比较），P值判断该效应是否statisticallysignificant。注意区分统计显著性与实际重要性（效应量大小）。*控制效应:理解回归分析通过同时纳入多个自变量，能够控制其他自变量对因变量的影响，从而得到更准确的独立效应估计。*预测vs解释:明确模型是用于预测未来个体的因变量得分，还是用于解释当前数据中因变量与自变量间的关系。*模型的局限性:讨论模型可能存在的不足，如遗漏了重要变量、自变量与因变量间的关系可能并非线性、回归假设可能未完全满足等。*避免过度解释:不能从回归模型中推断出因果关系，只能说变量间存在关联，且这种关联在统计上显著。四、分析与应用题1.选择统计检验方法及理由、结果解释要点:*选择方法:应选择独立样本t检验。*理由:*研究比较了两个独立组（正念训练组vs对照组）。*测量的因变量是连续变量（焦虑自评量表得分，1-50）。*样本量相等（n=30），属于小样本，对正态性假设需要更严格判断，但t检验对正态性假设相对不敏感，尤其是当样本量相等且数据不太偏斜时。*假设数据大致满足正态分布和方差齐性（虽然题目未给方差，但这是t检验的标准前提）。如果后续检查发现方差齐性不满足，则应使用Welcht检验。*结果解释要点:*首先报告t统计量的值和对应的自由度（df）。*报告P值，判断正念训练组的焦虑得分是否显著低于对照组（通常关注P<0.05）。*如果结果显著，解释其含义：例如，“独立样本t检验结果显示，正念训练组学生的焦虑自评量表平均得分（M=35,SD=5）显著低于对照组（M=40,SD=6），t(58)=-5.00,p<0.001。”*计算并报告效应量（如Cohen'sd）以衡量差异的大小：“效应量（Cohen'sd）为-1.00，表明差异非常大。”*讨论结果对研究的贡献，例如支持正念训练对降低大学生焦虑的有效性。2.解释统计输出结果:*信息传达:*性别与抑郁症状得分之间存在中等偏强正相关（β=0.25,SE=0.10,t(98)=2.50,p<0.05），意味着女性（假设性别编码为2）的抑郁症状得分比男性（假设编码为1）平均高0.25个标准差。*睡眠时间与抑郁症状得分之间存在强负相关（β=-0.40,SE=0.08,t(98)=-5.00,p<0.001），意味着睡眠时间每增