《统计心理学教学资料》第5章-sampling distribution and hypo testing.ppt

* * * * * * * * * * * * .5 is probability of picking marbles .5 is standard deviation of theoretical population ((1-.5)2 + (0-.5)2)/2=(.25+. 25)/2=. .5/2=.25 and its sqrt .5 * * * * * * * * * * * * * * * * * * * Step 2: 设定决策标准 找出 z分数界定的临界区域. -1.96 +1.96 2.5% 2.5% 临界区域 (critical region) Step 3: 收集数据,计算样本统计量 n = 25 M = 110 SD = 15 Step 4: 作出决策 Obtained zM=3.33 Critical z = ±1.96 因此, zob 落在拒绝区域中. Step 4:作出决策 Population 3.33 -1.96 +1.96 2.5% 2.5% 临界区域 步骤总结 陈述虚无假设和研究假设. 设定决策标准找出临界. 如a (alpha) =.05 收集数据,计算样本统计量. 作出决策.如果得到的z分数落在拒绝区域中,就拒绝H0 论文的写作 我们得到结论样本均值与总体均值有真实的差异. 统计术语: 拒绝 H0 论文写作: 样本均值与总体均值有显著差异, z = 2.11, p .05. 我们得到结论样本均值与总体均值没有不同. 统计术语: 接受 H0 论文写作: 样本均值与总体均值没有显著差异,z = 1.11, p .05. 事先设定拒绝虚无假设的标准 例如, 有一个总体 m = 65 s = 10, 取到一个均值是80的样本 (容量为 100)的概率是多大? “取到一个均值是80的样本的概率是0.00002. 这已经很小了. 我有把握说这个样本不是从这个总体中来, 它是来自另一个总体。” 事先设定一个标准会为我们说“这已经很小了”提供更客观的依据. 这个事先设定的标准会限定概率有多小才足够拒绝虚无假设. 换言之, 发现的差别有多大才可以拒绝虚无假设. 这惯例常常随学科不同而不同.例如, 一些领域认为 p 0.05 就足够拒绝 H0. 而另一些领域则把界限设定在 p 0.01 假设验证的可能结果 实际情况是怎样? - H0 正确 (没有差异，自变量没有效应) - H0 错误 (差异存在，自变量产生效应) 研究结论是怎样? - H0 正确 (未发现差异，未发现自变量的效应) - H0 错误(发现差异，发现自变量的效应) 这就构成了4种可能性 (2 * 2): - 2 种错误方式- 2 种正确方式 I类错误和II类错误 没有效应 H0 正确 真实效应 H0 错误 拒绝 H0 接受 H0 真相 统计决策 正确 正确 II类错误 I类错误 两类错误 两类错误反映的情形不同，它们有不同的名称 a 错误（type I error） - 拒绝 H0时所犯的错误. 即侦察到不存在的差异 b 错误（type II error） - 接受H0 时所犯的错误. 即未能侦察到存在的差异 在心理学研究中的两类错误 在心理学研究中，如怀疑犯了I类错误，应该怎么办？ 在心理学研究中，如怀疑犯了II类错误，应该怎么办？ 法庭裁决的类比 设定可接受的alpha 水平 在科学研究中, 我们常常采取保守的策略, 设定标准来尽量减少I类错误 (自变量其实没有效应，但研究得到结论是有效应)。或者说, 科学家要设定一个可接受的alpha 水平 (a), 或称显著性水平（level of significance） 显著性水平 显著性水平规定了当虚无假设正确时，样本结果非常不可能出现的概率值 当实验产生非常不可能（以alpha为标准）的数据时, 我们就会拒绝虚无假设 所以, alpha 水平 也规定了I 类错误的概率 - 即, 当H0事实上正确时，拒绝H0的概率 在心理学中，a 通常定在0.05 概念小测查: 判断正误 拒绝虚无假设意味着你决定处理没有效应. 在多数研究中,研究者希望拒绝虚无假设. 犯I类错误意味着你没有拒绝错误的虚无假设. 当你犯I类错误时,你作出结论存在处理效应,但实际上没有变化发生. 当处理效应很大时,II类错误最容易发生. 概念小测查: 判断正误 在?=0.05水平拒绝虚无假设意味着你有信心在?=0.01水平拒绝虚无假设. 将?=0.05提高到?=0.01提高I类错误的风险. 如果样本均值落入临界区域,那