贝叶斯统计方法的应用与现状

贝叶斯统计方法是心理学数据分析的热门方法。研究全面论述贝叶斯方法在心理学领域的应用与方向。现阶段贝叶斯方法以模拟研究为主,应用方向为心理学研究常用的项目反应理论、认知诊断、计算机自适应、结构方程模型。同时,评述发现贝叶斯方法正逐步被国内心理学研究者所接受。最后,文章讨论了当下贝叶斯统计在心理学研究中应用的局限性及可能的原因,建议统计学者开发界面友好的贝叶斯软件,并在心理学课程中加入贝叶斯知识。     

解读不显著结果：基于500个实证研究的量化分析

不显著结果(如, p > 0.05)在心理学研究中十分常见, 且容易被误解为接受零假设的证据, 并可能导致分组匹配研究的错误推断或者忽视被小样本的不显著结果掩盖的真实效应。但国内目前尚无实证研究对不显著结果的普遍性及其解读进行调查。本研究调查500篇中文心理学实证研究, 统计其摘要中出现与不显著结果相关的阴性陈述的频率, 判断并统计基于阴性陈述的推断准确性, 并使用贝叶斯因子对不显著结果中包含t值的研究进行重新评估。结果表明, 36%的摘要提及不显著结果, 共包含236个阴性陈述。其中, 41%的阴性陈述对不显著结果的解读出现偏差(如, 解读为支持了零假设)。对包含t值的研究进行贝叶斯因子分析, 结果显示仅有5.1%的不显著结果可以提供强证据支持零假设(BF₀₁ > 10)。与先前对国际心理学期刊的调查结果相比(32%的摘要包含阴性陈述; 72%的阴性陈述对不显著结果的解读错误), 中文心理学期刊中报告不显著结果的比例更高, 且对不显著结果解读错误的比例更低。但国内研究者仍需进一步加强对不显著结果的认识, 推广适于评估不显著结果的统计方法。     

"外部性"问题与"科斯定理"的伦理追问

"外部性"是新制度经济学理论中探讨的一个重要问题.为了解决这个问题,新制度经济学家提出了"科斯定理".什么是"外部性",为什么外部性问题既是一个经济问题又是一个伦理问题,从经济伦理的角度怎么看待"科斯定理"?这是本文所要讨论的问题.     

弗雷格定理:一个导言

戈特洛布·弗雷格是现代数理逻辑的奠基人,也是分析哲学的创始人之一。他的大部分工作都致力于建立一种数学哲学———逻辑主义:算术真理都是逻辑真理。长久以来,哲学家一直认为,罗素悖论彻底瓦解了弗雷格的工作。然而实际的情况是,在弗雷格那里隐藏着另一个证明:算术公理可以纯粹逻辑地从休谟原则推出。休谟原则是说,概念F的数和概念G的数相同当且仅当存在F和G之间的一一对应关系。这一结果被称为弗雷格定理,它引发了一种新的逻辑主义的兴起。     

计算机化分类测验终止规则的类别、特点及应用

计算机化分类测验(Computerized Classification Testing, CCT)能够高效地对被试进行分类, 已广泛应用于合格性测验及临床心理学中。作为CCT的重要组成部分, 终止规则决定测验何时停止以及将被试最终划分到何种类别, 因此直接影响测验效率及分类准确率。已有的三大类终止规则(似然比规则、贝叶斯决策理论规则及置信区间规则)的核心思想分别为构造假设检验、设计损失函数和比较置信区间相对位置。同时, 在不同测验情境下, CCT的终止规则发展出不同的具体形式。未来研究可以继续开发贝叶斯规则、考虑多维多类别情境以及结合作答时间和机器学习算法。针对测验实际需求, 三类终止规则在合格性测验上均有应用潜力, 而临床问卷则倾向应用贝叶斯规则。     

CAT选题策略分类概述

选题是计算机化自适应测验（CAT）测试过程的关键环节,选题策略的目标是要达到较高的测量精度,同时也实现试题曝光率控制及其他测验目标的实现.本文根据选题策略的基本原理和衍生发展,将众多CAT选题策略分为五大选题策略系列：Fisher函数系列、K-LI函数系列、α分层系列、贝叶斯系列、b匹配系列;并根据测验目标（测验精度、试题曝光率控制、内容平衡、多条件约束）对这些选题策略进行了细分,并对CAT选题策略的选择思路进行归纳.     

关于假设检验的争议:问题的澄清与解决

对传统的假设检验作为心理学实验的数据分析工具的评价涉及两个标准:首先是它是否合法,其次是它是否有用。置于频率学派统计学框架中的传统假设检验在逻辑上实际上是合法的;但它在效用性方面则有着备择假设不可证伪以及只能提供定性结论这两方面的缺陷。置信区间能够集中地改进和弥补这些缺陷。对传统假设检验使用中错误的澄清也使得研究者们开始重视PSI问题,这使得心理学实验的设计和数据分析从关注总体转向关注个体。     

风险决策和跨期决策的过程比较：以确定效应和即刻效应为例

风险决策和跨期决策与人类生存发展密切相关, 且两类决策在理论发展、行为效应及神经基础等方面具有相似性。为检验二者是否具有共同过程机制, 本研究以风险决策中的确定效应和跨期决策中的即刻效应为例, 采用眼动追踪技术比较了它们的局部、整体过程及模型拟合。辅以贝叶斯因子分析实验数据表明：二者的主要过程特征均相似, 且更符合非折扣模型假设; 二者在加工复杂程度等少数特征上有所不同; 确定和即刻信息在加工方向等特征上存在特异性。这表明二者可能具有共同的核心决策规则：两类决策更可能遵循非折扣模型预期的简捷、启发式规则, 而不是折扣模型所假设的补偿性、基于选项规则。本研究为建立两类决策的共同解释框架做出了有益尝试, 并为决策比较研究方法提供新的方向。     

潜变量建模的贝叶斯方法

贝叶斯统计是统计学的两大流派之一,近年来贝叶斯统计在社会及行为科学领域日益流行。鉴于国内心理学界对贝叶斯统计应用仍不广泛,本文尝试从非技术性的角度对贝叶斯统计用于潜变量建模的过程进行简要介绍。主要涉及贝叶斯与频率论在统计学基本概念上的对比;贝叶斯统计的基本原理和分析过程。最后以一个验证性因子分析为例,简要介绍贝叶斯统计用于潜变量建模的分析过程。希望本文能为国内心理学者进行潜变量建模提供新的视角。     

因果信息在贝叶斯推理中的作用:问题情境的调节

以大学生为被试,考察因果信息在不同贝叶斯推理问题中的作用。结果表明:(1)问题情境的主效应显著(F(1,122)=16.33,p0.05,η~2=0.120),因果信息的主效应不显著((F(1,122)=1.161,p=0.283,η~2=0.01),但问题类型和因果信息的交互作用显著(F(1,122)=4.757,p0.05,η~2=0.038)。(2)不同类型的问题上因果信息的作用是不同的。具体表现为,在乳癌问题中,增加了因果信息,被试的正确率明显提高(χ~2(1)=6.759,p0.05,V=0.607),而在中彩问题中没有因果信息的推理成绩反而更好(χ~2(1)=1.864,p=0.221,V=0.167)。