心理学统计 第三部分 每个被试涉及两次测量的假设检验.ppt

线性相关;A基本概念;;;那么相关是什么呢？ 如果说，对一个被试，他的生活费高则幸福感高，生活费低则幸福感低，那么生活费与幸福感之间就是相关的。 极端的情况下，生活费最高的人最幸福，最低的人最不幸福，幸福随着生活费等比例变化，他们之间形成了一种线性关系,那么两者之间就是完全相关的。 完全相关的两个变量，只要知道其中一个，就能算出另一个。;;;;;对于一个变量，我们对其每一个数值均进行加减或者乘除的运算，它的z分数将不会变化。新旧两个变量之间是完全相关。 这种不改变z分数的转换被称为线性转换。线性转换下，相关系数不变。 完全相关的两个变量他们之间是一种线性的关系。 Y=aX+b，a和b均为常数。 ;相关除了用公式可以计算之外，也可以用图的方式来表达。 完全相关的图示就是一条直线;;;;B基本统计过程;相关系数 我们可以看到分子的第一项和相关系数的原始公式很相似，它代表的是原始分数的叉积，相关系数是z分数的叉积的平均。;;;相关系数的一些其他形式 SP被称为离差乘积之和，简称积和。 上面的公式被称为原始分数的元素公式;皮尔逊r的显著性检验;相关系数r的抽样分布的标准误为 那么r的显著性可以用单样本t检验类似的公式检验 相关的自由度是N-2，N是被试的个数 ;其实要知道r的显著性，我们不需要去计算，我们可以查表。 ;;;;练习: 某心理学家想知道新的自尊问卷是不是内部一致的。9名被试填写完问卷后，得分被分为两部分：奇数项得分和偶数项得分。使用皮尔逊相关计算这个自尊问卷的分半信度。; 线性回归;A基本概念;上一章我们学习了来自同一批被试的两个变量之间的关系可以用相关分析来研究。 相关描述的是两个变量在各自总体中所处位置的相似性。是否同高同低。 如果两个变量的为完全相关时，那么我们可以通过一个变量来预测另一个。 ;上边的公式适合于两个变量是线性完全相关或完全负相关的情况。 对于两个变量不完全相关时，我们可以对上述公式进行修正 完全相关时r=1或-1，X可以准确的预测Y；完全不相关时r=0，X就不能预测Y???；不完全相关时，X可以在某种程度上预测Y，存在误差。;我们对上式进行转换变为 令 令 上式就是线性回归的简单表达式，注意Y加“撇”表示预测量，而非实际的观测量。;我们可以用图的方式来描述线性回归。bYX就是回归线的斜率，aYX就是回归线的截距。;对于不完全相关，数据点不会都落在相同的直线上，基于任何一条直线所做的预测都会存在误差。;如果用Y-Y’来表示误差（被称为残差），那么预测的总误差将会等于0，这有点像用平均离差表示变异性一样。 我们可以采用同样的方法，计算误差的方差 它是回归线周围的数据点的方差，被称为估计的方差或残差方差。;;用X预测Y，在非完全（负）相关的情况下，预测存在误差，就需要确定X对Y的解释程度。 估计值的方差与总体方差之间的差异就是回归方程对方差的解释量。 总体的差异为 ，其中第一部分表示的就是预测的误差，被称为未解释部分；第二部分被称为已解释部分。对应的方差被称为未解释方差和已解释方差。; ;;B基本统计过程;;用X预测Y，除了要计算回归方程，我们还要计算决定系数r2和估计方差，决定系数代表了预测的解释程度，估计方差表示了误差的幅度。 估计方差为 ，N-2是自由度。 如果已知Y的无偏估计方差和r，可选用简便公式 即使使用的是无偏样本方差，依然需要用(N-1)/(N-2)来修正，以得到估计方差的无偏估计。 ;回归系数的显著性检验;;;C部分 非参数相关;;举例：研究者想了解人的视、听两种感觉通道的反应时是否具有一致性。收集了10个人的数据。;在此例中，要研究视觉和听觉反应时的一致性，两列变量是同一组被试测得的，是成对的数据，可采用相关分析。 然而只有10对数据，反应时数据是否正态无法确定（在经历练习之后，反应时常常会处于偏态分布），因此不能用皮尔逊相关。 此时我们可以采用斯皮尔曼等级相关。;;;斯皮尔曼等级相关计算公式 其中D为二列成对变量的等级差数，RX为变量X的等级序数 第二个公式的成立条件是等级变量中没有相同等级出现。如果有相同等级出现时，则需要修正。 ;;;肯德尔和谐系数是每一个评价对象实际得到的等级总和的变异与被评价对象最大可能变化的等级总和的变异之比。 Ri代表评价对象获得的K个等级之和 N代表被等级评定的对象的数目 K代表等级评定者的数目;;如果我们测得一个变量为性别，另一个变量为记忆力，那么我们可以通过点二列相关来计算二者的相关性。 其中 是二分称名变量的一个值对应连续变量的平均数；p和q为二分变量两个值各自所占的比率，p+q=1；st为连续变量的标