## 2.3 什么是良好的測量?
在心理學等許多領域,我們所測量的不是物理特征,而是一個不可觀測的理論概念,我們通常稱之為 _ 結構 _。例如,假設我想測試一下您對上述四種不同測量尺度之間的區別有多了解。我可以給你一個彈出測試,問你幾個關于這些概念的問題,并計算你有多少是正確的。這個測試可能是或者可能不是對你實際知識結構的一個很好的度量——例如,如果我用一種令人困惑的方式編寫測試或者使用你不理解的語言,那么這個測試可能會建議你在真正的時候不理解這些概念。另一方面,如果我給你一個有著非常明顯錯誤答案的多選測試,那么你可能在測試中表現得很好,即使你并不真正理解材料。
在沒有一定誤差的情況下,通常不可能測量結構。在上面的例子中,您可能知道答案,但您可能誤讀了問題并弄錯了。在其他情況下,被測物本身存在誤差,例如,當我們測量一個人在一個簡單的反應時間測試中需要多長時間做出反應時,由于許多原因,從一個試驗到另一個試驗都會有所不同。我們通常希望我們的測量誤差盡可能低。
有時有一個標準可以用來測試其他的測量,我們可以稱之為“黃金標準”——例如,睡眠的測量可以用許多不同的設備(例如測量床上運動的設備)來完成,但它們通常被認為不如多導睡眠圖的黃金標準(使用腦電波測量來量化一個人在睡眠的每個階段所花費的時間)。通常金本位制的執行難度更大或成本更高,即使可能存在更大的誤差,也會使用更便宜的方法。
當我們思考什么是一個好的度量時,我們通常會區分一個好度量的兩個不同方面。
### 2.3.1_ 可靠性 _
可靠性量化了我們測量結果的一致性。一種常見的可靠性形式被稱為“測試-再測試可靠性”,它測量如果相同的測量進行兩次,測量結果的一致性。例如,我可能會給你一份關于你今天對統計的態度的調查問卷,明天重復同樣的調查問卷,并在兩天內比較你的答案;我們希望它們彼此非常相似,除非在兩次測試之間發生了一些應該改變了你對統計的看法(比如讀這本書!).
另一種評估可靠性的方法是在數據包括主觀判斷的情況下。例如,假設一個研究人員想確定一種治療是否會改變自閉癥兒童與其他兒童的互動程度,這是通過讓專家觀察兒童并對他們與其他兒童的互動進行評級來衡量的。在這種情況下,我們希望確保答案不依賴于評級機構——也就是說,我們希望有高 _ 的評級機構間可靠性 _。這可以通過讓多個評級者執行評級來評估,然后比較他們的評級,以確保他們之間的一致性。
如果我們想將一個測量值與另一個測量值進行比較,可靠性是很重要的。兩個不同測量值之間的關系不能比兩個測量值之間的關系強(即其可靠性)。這意味著一個不可靠的度量永遠不會與任何其他度量有很強的統計關系。因此,研究人員開發一種新的測量方法(如一項新的調查),通常會花很大的時間來測試它的可靠性。

圖 2.1 使用靶心射擊,顯示可靠性和有效性之間的區別的圖。可靠性是指射擊位置的一致性,有效性是指射擊相對于靶心的準確性。
### 2.3.2_ 有效性 _
可靠性很重要,但就其本身而言還不夠:畢竟,我可以用一個數字對每個答案進行編碼,從而在人格測試中創建一個高度可靠的衡量標準,不管這個人如何回答。我們希望我們的測量結果也是 _ 有效的 _——也就是說,我們希望確保我們實際測量的是我們認為我們正在測量的構造(圖[2.1](#fig:ReliabilityValidity))。有許多不同類型的有效性被普遍討論;我們將集中討論其中的三種。
_ 人臉有效性 _。測量值在表面上有意義嗎?如果我告訴你我要通過觀察一個人的舌頭的顏色來測量他的血壓,你可能會認為這不是一個有效的測量方法。另一方面,使用血壓袖帶將具有面部有效性。這通常是我們深入到更復雜的有效性方面之前的第一個現實檢查。
_ 構造有效性 _。測量是否以適當的方式與其他測量相關?這通常被細分為兩個方面。_ 收斂有效性 _ 意味著度量應該與其他被認為反映相同構造的度量密切相關。假設我有興趣通過問卷調查或面試來衡量一個人的外向程度。如果這兩個不同的度量值彼此密切相關,則可以證明收斂有效性。另一方面,被認為反映不同結構的度量應該是不相關的,即 _ 發散效度 _。如果我的人格理論認為外向性和責任感是兩個不同的結構,那么我也應該看到我對外向性的測量與責任感的測量是無關的。
_ 預測有效性 _。如果我們的測量結果確實有效,那么它們也應該是對其他結果的預測。例如,假設我們認為,情感尋求的心理特征(對新體驗的渴望)與現實世界中的冒險有關。為了檢驗感覺尋求測量的預測有效性,我們將在一項不同的測量現實風險的調查中,測試測試分數對預測分數的影響。
- 前言
- 0.1 本書為什么存在?
- 0.2 你不是統計學家-我們為什么要聽你的?
- 0.3 為什么是 R?
- 0.4 數據的黃金時代
- 0.5 開源書籍
- 0.6 確認
- 1 引言
- 1.1 什么是統計思維?
- 1.2 統計數據能為我們做什么?
- 1.3 統計學的基本概念
- 1.4 因果關系與統計
- 1.5 閱讀建議
- 2 處理數據
- 2.1 什么是數據?
- 2.2 測量尺度
- 2.3 什么是良好的測量?
- 2.4 閱讀建議
- 3 概率
- 3.1 什么是概率?
- 3.2 我們如何確定概率?
- 3.3 概率分布
- 3.4 條件概率
- 3.5 根據數據計算條件概率
- 3.6 獨立性
- 3.7 逆轉條件概率:貝葉斯規則
- 3.8 數據學習
- 3.9 優勢比
- 3.10 概率是什么意思?
- 3.11 閱讀建議
- 4 匯總數據
- 4.1 為什么要總結數據?
- 4.2 使用表格匯總數據
- 4.3 分布的理想化表示
- 4.4 閱讀建議
- 5 將模型擬合到數據
- 5.1 什么是模型?
- 5.2 統計建模:示例
- 5.3 什么使模型“良好”?
- 5.4 模型是否太好?
- 5.5 最簡單的模型:平均值
- 5.6 模式
- 5.7 變異性:平均值與數據的擬合程度如何?
- 5.8 使用模擬了解統計數據
- 5.9 Z 分數
- 6 數據可視化
- 6.1 數據可視化如何拯救生命
- 6.2 繪圖解剖
- 6.3 使用 ggplot 在 R 中繪制
- 6.4 良好可視化原則
- 6.5 最大化數據/墨水比
- 6.6 避免圖表垃圾
- 6.7 避免數據失真
- 6.8 謊言因素
- 6.9 記住人的局限性
- 6.10 其他因素的修正
- 6.11 建議閱讀和視頻
- 7 取樣
- 7.1 我們如何取樣?
- 7.2 采樣誤差
- 7.3 平均值的標準誤差
- 7.4 中心極限定理
- 7.5 置信區間
- 7.6 閱讀建議
- 8 重新采樣和模擬
- 8.1 蒙特卡羅模擬
- 8.2 統計的隨機性
- 8.3 生成隨機數
- 8.4 使用蒙特卡羅模擬
- 8.5 使用模擬統計:引導程序
- 8.6 閱讀建議
- 9 假設檢驗
- 9.1 無效假設統計檢驗(NHST)
- 9.2 無效假設統計檢驗:一個例子
- 9.3 無效假設檢驗過程
- 9.4 現代環境下的 NHST:多重測試
- 9.5 閱讀建議
- 10 置信區間、效應大小和統計功率
- 10.1 置信區間
- 10.2 效果大小
- 10.3 統計能力
- 10.4 閱讀建議
- 11 貝葉斯統計
- 11.1 生成模型
- 11.2 貝葉斯定理與逆推理
- 11.3 進行貝葉斯估計
- 11.4 估計后驗分布
- 11.5 選擇優先權
- 11.6 貝葉斯假設檢驗
- 11.7 閱讀建議
- 12 分類關系建模
- 12.1 示例:糖果顏色
- 12.2 皮爾遜卡方檢驗
- 12.3 應急表及雙向試驗
- 12.4 標準化殘差
- 12.5 優勢比
- 12.6 貝葉斯系數
- 12.7 超出 2 x 2 表的分類分析
- 12.8 注意辛普森悖論
- 13 建模持續關系
- 13.1 一個例子:仇恨犯罪和收入不平等
- 13.2 收入不平等是否與仇恨犯罪有關?
- 13.3 協方差和相關性
- 13.4 相關性和因果關系
- 13.5 閱讀建議
- 14 一般線性模型
- 14.1 線性回歸
- 14.2 安裝更復雜的模型
- 14.3 變量之間的相互作用
- 14.4“預測”的真正含義是什么?
- 14.5 閱讀建議
- 15 比較方法
- 15.1 學生 T 考試
- 15.2 t 檢驗作為線性模型
- 15.3 平均差的貝葉斯因子
- 15.4 配對 t 檢驗
- 15.5 比較兩種以上的方法
- 16 統計建模過程:一個實例
- 16.1 統計建模過程
- 17 做重復性研究
- 17.1 我們認為科學應該如何運作
- 17.2 科學(有時)是如何工作的
- 17.3 科學中的再現性危機
- 17.4 有問題的研究實踐
- 17.5 進行重復性研究
- 17.6 進行重復性數據分析
- 17.7 結論:提高科學水平
- 17.8 閱讀建議
- References