心理学实验研究的效果大小

从"心理学实验数据处理"的角度,我们可以把"效果大小"理解为"是指在心理学实验报告中反映‘自变量’对‘因变量’所产生的影响有多大的统计指标"。这一统计指标需要在掌握"虚无假设分布"和"备择假设分布"这两个抽样分布原理的基础上才能得以准确的理解,并因此知道我们在"对心理学实验数据处理过程中通过假设检验进行推断统计"之后报告研究结果时为什么需要使用这一指标。心理学实验数据处理过程中使用不同的检验方法具有与该方法相应的不同的效果大小指标,每一种检验方法也可以使用不同的指标来反映其实验处理的效果大小。对此,就"心理统计学"提到的四种主要假设检验方法所得推断结果应该使用何种"效果大小"指标更为合适提出了我们的建议。     

变量间的网络分析模型及其应用

变量间的网络分析模型近年来被广泛应用于心理学研究。不同于将潜变量作为观测变量的共同先导因素的潜变量模型, 网络分析模型将观测变量作为初级指标, 采用图论的方法建立观测变量之间的关系网络, 其中变量为网络的节点, 而变量间的关系是节点之间的连线。因此网络分析可以突显观测变量之间的联系以及观测变量相互影响而形成的系统。通过变量网络中基于各个节点特征的指标(如中心性)以及基于整体结构特征的指标(如小世界性), 网络分析为研究各种心理现象提供了新的可视化的描述方式和理解视角。近10年来, 网络分析的方法已在人格心理学、社会心理学和临床心理学等领域得到一定的应用。未来研究应继续发展和完善网络分析模型的理论和方法, 使之运用到更多的数据类型和更广的研究领域中。     

结构方程模型统计检验力分析：原理与方法

结构方程模型是心理学、管理学、社会学等学科中重要的统计工具之一。然而, 大量使用结构方程模型的研究忽视了对该方法的统计检验力进行必要的分析和报告, 在一定程度上降低了这些研究的结果的证明效力。结构方程模型的统计检验力分析方法主要有Satorra-Saris法、MacCallum法与Monte Carlo法三类。其中Satorra-Saris法适用于备择模型清晰、检验对象相对简单、检验方法基于χ²分布的情形; MacCallum法适用于基于χ²分布的模型拟合检验且备择模型不明的情形; Monte Carlo法适用于检验对象相对复杂、采用模拟或重抽样方法进行检验的情形。在实际应用中, 研究者应当首先判断检验的目的、方法以及是否有明确的备择模型, 并根据这些信息选择具体的分析方法。     

缺失数据处理的期望-极大化算法与马尔可夫蒙特卡洛方法

缺失数据普遍存在于心理学研究中, 影响着统计推断。极大似然估计(MLE)与基于贝叶斯的多重借补(MI)是处理缺失数据的两类重要方法。期望-极大化算法(EM)是寻求MLE的一种强有力的方法。马尔可夫蒙特卡洛方法(MCMC)可以相对简易地实现MI, 而且可以适用于复杂情况下的缺失数据处理。结合研究的需要讨论了实现这两类方法的适用软件。     

共同方法偏差的统计检验与控制方法

共同方法偏差是心理学研究中一个越来越被关注的课题,但国内心理学界对其的介绍、研究还比较少,导致研究中对共同方法偏差的控制还有所欠缺。共同方法偏差的控制方法分为程序控制和统计控制,该文介绍了共同方法偏差的多种统计控制法,如因素分析法、偏相关法、潜在的误差变量控制法、结构方程模型法等,分析了其各自的优缺点,并提出了如何选择采用这些方法的建议.     

多层多项Logit模型：原理与应用

常用的多层线性模型要求因变量是服从正态分布的连续变量,却无法处理因变量为离散变量的嵌套数据.多层多项Logit模型能够处理因变量是无序多分类的多层嵌套数据,但这一模型在我国心理学研究中却鲜有介绍和应用.研究简要介绍了多层多项Logit模型的原理、参数估计和假设检验,然后分别用该模型和传统Logistic回归模型探讨个体因素和区域因素对35721名学生进入不同高校就读机会的影响并对结果进行了解释,结果表明多层多项Logit模型比传统Logistic回归模型更拟合数据.     

心理研究中引入贝叶斯统计推断的必要性、应用思路与领域

本文从科学范式演变和概率统计推断特征分析出发,就贝叶斯统计推断引入心理学的必要性、怎么应用、在哪些领域应用集中进行了论述。首先在分析科学范式演进各阶段统计推断任务需要、经典的频率概率统计推断不足基础上,得出科学范式处于危机和革命阶段时需要对相关理论做可信度检验。然后,在介绍贝叶斯定理及其统计推断的基础上,进一步分析了贝叶斯推断能解决理论可信度的多种假设检验情景。最后本文还就贝叶斯统计推断在心理学理论争鸣与建构、心理技术产品开发与评估具体领域应用做了分析。     

心理研究引入贝叶斯统计推断的必要性、应用思路与领域

本文从科学范式演变和概率统计推断特征分析出发,就贝叶斯统计推断引入心理学的必要性、怎么应用、在哪些领域应用进行了论述。首先在分析科学范式演进各阶段统计推断任务需要、经典的频率概率统计推断不足基础上,得出科学范式处于危机和革命阶段时需要对相关理论做可信度检验。然后,在介绍贝叶斯定理及其统计推断的基础上,进一步分析了贝叶斯推断能解决理论可信度的多种假设检验情景。最后本文还就贝叶斯统计推断在心理学理论争鸣与建构、心理技术产品开发与评估具体领域应用做了分析。     

一种新的统计方法和研究思路——结构方程建模述评

结构方程建模(SEM)是一种新的统计方法和研究思路,近年来在心理学和社会科学领域的应用日益增多。本文在非数学化的基础上,结合心理学研究实例介绍了SEM的渊源、发展、基本概念、分析过程以及相应的计算机统计软件LI-SREL。本文认为SEM有四大优点:①引进潜变量使研究更为深入,②遵循一般线性模式进行验证型分析,使研究更有意义,③妥善处理多变量间的复杂关系,④模型具有参数不变性。SEM应该引起国内心理学界的重视。     

评估零效应的三种统计方法CSSCI

在心理学研究中,研究者可能需要评估效应是否不存在,但常用的原假设显著性检验无法提供支持零效应的证据。因此,实践中研究者要么对p>0.05的情况进行回避,要么错误地认为p>0.05支持了原假设。近年来,等价检验、贝叶斯估计和贝叶斯因子逐渐被用于评估零效应。文章介绍了这三种方法的原理,并通过两个实例分析,展示三种方法的实际应用。这三种评估零效应的方法能够帮助心理学研究者在实际研究中进行合理的统计推断和研究决策。     

二阶潜增长模型标度方法及其可比的一阶潜增长模型

潜增长模型(LGM)是分析纵向数据的一种强有力工具,在心理学和其他社会科学研究领域受到重视。多指标测量的变量,既可以用合成分数建立单变量LGM(一阶LGM),也可以用指标建立潜变量LGM(二阶LGM)。简述了二阶LGM标度方法(包括尺度指标法和效应编码),提出了有可操作性的潜变量标准化标度方法和合成分数的一阶LGM标准化模型。系统总结了二阶LGM标度方法及其可比的一阶LGM建模,并用多指标变量的实测数据进行示例。推荐使用效应编码法对二阶LGM进行标度和标准化。     

形成性测量模型：结构方程模型的新视角

形成性测量模型(Formative Model, FM)是指标变异导致潜变量变异的模型, 反映性测量模型(Reflective Model, RM)是潜变量变异导致指标变异的模型。FM在模型界定、识别和估计、信效度评价以及模型应用等方面均与RM存在极大的不同。模型界定错误会使参数估计发生偏差, 影响统计结论的有效性, 应当审慎考虑指标和潜变量之间的关系, 选择恰当的测量模型。进一步揭示两者的区别和误用带来的偏差, 完善FM的识别和估计、信效度评价方法、对变量含义的解释以及高阶FM的理论解释和模型估计是未来的研究方向。     

潜在剖面模型的后续分析——比较分类分析法改进后的偏差

传统的分类分析法虽然是潜在类别模型常用的后续分析方法,但容易导致后续模型中潜在类别与其他变量之间关系的低估。现阶段已发展出多种改进的方法:一步法、基于模型的方法、Bartlett法,改进的分类分析法(包括ML三步法、BCH法、纳入式分类分析法)。本文对这些方法研究进行综述总结,进一步针对心理学研究数据的特点,使用模拟实验探讨适用于潜在剖面模型的分类分析方法,结果发现:传统方法低估潜在类别变量与因变量的关系;ML三步法只有在潜在类别概率分布平均时估计精确;BCH法估计最接近真值,但在低分类区分度、大效果量时出现概率估计为负值的情况;纳入法虽有轻微的高估,但在各种模拟条件下参数估计最为稳健。这些方法受分类区分度、类别概率均匀性以及潜在类别变量与附属变量关系的效果量所影响。     

追踪研究中的内生性问题：来源与应对

相对于横断研究,追踪研究中更有可能同时存在多种内生性问题来源。双变量追踪研究在心理学因果分析中发挥了重要的作用,然而其中的内生性问题却未得到应有的关注,这可能会影响推论的准确性。追踪研究中内生性问题的来源视乎模型而定,主要包括遗漏变量、变量选择和样本选择、解释变量的测量误差、动态面板和变量之间的相互关系。本文以代表性追踪模型CLPM为例,展示了内生性问题的影响,讨论了在原模型中运用工具变量来建模以应对内生性问题的可行性,目的是使心理学研究者能够关注追踪研究中的内生性问题,更好地运用追踪模型进行因果分析。     

警惕心理学研究中的统计误用

正确地使用统计方法对心理学研究至关重要。但心理学研究中存在着诸多统计误用现象。该着重分析了心理学研究中常见的一些统计误用现象：小或有偏样本的使用、在概率的理解上存在偏差、显性检验问题、夸大的统计图、相关分析的误用等等,并在此基础上提出了提高研究自身的统计素养、强调理论在心理学研究中的重要性、运用多样化的研究方法等应对之策。     

相对剥夺感:概念、测量、影响因素及作用

相对剥夺感(relative deprivation,RD)是指个体或群体通过与参照群体比较而感知到自身处于不利地位,进而体验到愤怒和不满等负性情绪的一种主观认知和情绪体验。目前,相对剥夺感的测量模型主要有个体–群体RD与认知–情感RD的二维垂直结构模型、认知–情感RD的双维结构模型、个体–群体RD的双维结构模型以及RD的三维结构模型。影响相对剥夺感的相关因素主要包括人口统计学变量、个体特征变量和社会环境变量。影响效应方面,相对剥夺感与心理健康、个体行为等个体水平变量以及群际态度、集群行为等群体水平变量的关系是当前关注的焦点。今后研究的重点应包括完善相对剥夺感的概念与结构、注重青少年及特殊群体研究、丰富研究内容和视角、强化纵向干预研究以及本土化和跨文化研究等。     

国内调节效应的方法学研究

在心理学和其他社科研究领域, 大量实证文章建立调节效应模型, 以分析自变量对因变量的影响是如何随着调节变量的变化而改变。过去10多年, 调节效应分析成了方法学研究的一个热点。从显变量的调节效应、潜变量的调节效应、多层数据的调节效应、基于两层回归模型的单层调节分析、纵向数据的调节效应、调节和中介的整合模型六个主题系统地总结了国内调节效应分析的方法学研究的发展历程。最后对调节效应的未来研究方向做了讨论和拓展。     

结构方程模型的应用及分析策略

差不多所有心理、教育、社会等概念,均难以直接准确测量,结构方程（SEM,Struc－tulalEquationModelling）提供一个处理测量误差的方法,采用多个指标去反映潜在变量,也令估计整个模型因子间关系,较传统回归方法更为准确合理。本文主要用一系列有关学习动机的虚拟例子,指出每个问题的主要分析策略,以展示SEM在教育及心理学可以应用的研究范畴。文内探讨的方法包括：验证性因素、高阶因子、路径及因果分析、多时段（multiwave）设计、单形模型（SimpleModel）、及多组比较等。     

贝叶斯结构方程模型及其研究现状

在心理学研究中结构方程模型(Structural Equation Modeling, SEM)被广泛用于检验潜变量间的因果效应, 其估计方法有频率学方法(如, 极大似然估计)和贝叶斯方法两类。近年来由于贝叶斯统计的流行及其在结构方程建模中易于处理小样本、缺失数据及复杂模型等方面的优势, 贝叶斯结构方程模型发展迅速, 但其在国内心理学领域的应用不足。主要介绍了贝叶斯结构方程模型的方法基础和优良特性, 及几类常用的贝叶斯结构方程模型及其应用现状, 旨在为应用研究者介绍新的研究工具。     

元回归中效应量的最小个数需求：基于统计功效和估计精度

元回归模型被广泛应用于调节变量的识别。从元分析技术的原理谈起, 介绍了元回归模型, 然后采用蒙特卡洛模拟, 基于统计功效和估计精度探究效应量个数对元回归模型参数估计的影响, 从而确立效应量的最小个数需求。主要研究结果为：(1) Wald-type z检验方法在元回归中易犯I类错误; (2)为达到参数估计要求, 元回归至少需要20个效应量; (3)纳入合适的调节变量能降低对效应量的个数需求。基于研究结果, 提出以下建议：(1)研究者应慎重使用Wald-type z检验方法和CMA软件; (2)研究者至少需要20个效应量, 且应当根据实际情况进一步增加效应量个数; (3)研究者应当积极探索合适的调节变量; (4)未来审稿人可参考最小效应量个数需求对元回归研究进行质量评估。