资源描述
心理实验设计 及其数据处理,陈彩琦 副教授
华南师大心理学系,华南师范大学澳门研究生课程班,第三编 狭义的心理实验设计,参考数目,《心理实验设计及其数据处理》金志成编著 广东高等教育版社 2003
《心理与教育研究中的多因素实验设计》舒华 北京师范大学出版社 1995，2001
《SPSS统计教程——从研究设计到数据分析》 丁国盛等编著 机械工业出版社 2008,实验设计的策略与分类 （第8章）,一、心理实验设计概述,思考与讨论
一个心理学研究的核心内容是什么？
——发现或证明变量之间的关系
变量之间可能存在什么样的关系？
——没有关系；相关关系；因果关系
心理实验设计的目的是什么？
——为取得因果关系的逻辑合理性证据做策略考虑
如何才能确定因果关系？
……,（一）相关研究与因果研究,返回,相关研究举例,相关关系的特点：变量之间有共变关系、但不知是否为直接关系；或者不知道谁影响谁。
例1 手的大小──绘画能力 「成熟」
例2 居住地区（机场）──学习成绩 社会经济状况」
例3 城市里教堂的数目――犯罪率 「人口数量」
例4 学习成绩──自信心
第三变量的存在使得相关研究无法确定两个被试变量之间到底是因果关系还是相关关系。这就要求我们不要夸大相关研究的结论。,确定因果关系的依据,变量之间存在共变关系
思考：如何通过观察判断一男一女的关系？
变量出现的时间顺序
原因在前、结果在后；
引发变量的研究才是因果研究
排除其他可能干扰因素
使自变量和因变量之间的共变关系成为单义性
如：吸烟和健康的关系到底是因果关系还是相关关系？,（二）实验设计的含义,实验设计（狭义）：是指对人类或者动物的心理和行为进行实验性观察时，对控制条件的设计（Robert Solso，2002），包括如何选择被试、如何将被试分配到各实验条件、如何控制额外变量以及如何收集数据（Randolph Smith, 2004）；目的在于使研究者观察到实验处理效应（张学民，舒华，2004）。
实验处理效应：研究者操纵并希望看到的效应，即由自变量的变化而引起的因变量的变化效应。
误差效应：由自变量之外的因素引发的变化效应。,好的实验设计的标准,宏观评价标准（孟庆茂）：
能够恰当地解决所欲解决的问题。
恰当地控制实验中的无关变量。
使实验结果有很高的可靠性。
微观评价（舒华）：
使研究变量的处理效应最大化
对额外变量进行有效控制
使实验误差变异最小化
充分体现自变量和因变量之间的内在联系——因果关系,（三）实验设计的分类,心理实验设计的宏观分类
真实验设计，准实验设计，非实验设计
真实验设计：就是通常所说的实验设计, 是以数理统计为基础的实验设计。其特征在于对影响内部效度的无关变量采取了严格的控制，能有效地控制研究中自变量的不同取值和因变量的指标，以及被试的分配情况，并可应用统计方法分析实验结果。
优点：条件控制严密；
局限：自然性差，人为性强，生态效度低。,,准实验设计：是指降低了实验控制的标准，通常在不易对被试进行随机取样，无法严格创设等组的条件下进行的设计。
如：教学方法与教学效果
如：工作压力与工作效率
优点：在真实性和生态效度上高于真实验设计。
局限：无关变量控制不够严格、因果关系确定性弱,知识问答：
是先有真实验设计还是准实验设计？
真实验设计是否代表着实验设计的发展趋势？,——准实验设计是由Campbell & Stanley于1966年提出的，目的在于克服实验室实验的局限性。,1951-1959年康涅狄格州交通死亡人数（Campbell, 1969）,康涅狄格州（实线）和其他4个州的交通死亡率（Campbell, 1969）,,非实验设计：是一种对自然条件下发生的心理现象进行观测、记录、描述的设计方法。这种设计 往往不易采取随机化原则分配被试，而且也不易主动地控制自变量和其他无关变量，它可以为进一步实施更严格的设计积累资料。
（有关该概念的理解国内外有很大不同）
意义：为更高层次的真实验设计和准实验设计提供必要的基础和资料。
局限：易受无关变量的影响。
包括：单组后测设计、单组前后测设计、固定组比较设计、事后回溯设计,国外对非实验设计的看法,非实验设计就是不用实验作为研究手段的研究设计。
具体方法有：
1.现象学方法（phenomenology），是指对自己的直接经验进行描述的方法。
局限：（1）不能比较不同条件下被试的数据，因此不能得出因果关系的结论；（2）对自身心理活动的关注可能会改变正常的心理活动；（3）其结论不一定完全精确、客观，而且其研究结果不能推广到别人身上。
2.个案研究法（case study），是指对他人的行为经验进行描述、记录的方法。
3.现场研究法（field study），在现实情境中进行的研究。
4.调查研究法（survey research），包括问卷法和访谈法。,真实验设计的具体分类,1. 按统计检验力分
可分为：完全随机设计、随机区组设计和拉丁方实验设计
以上是三种最基本的实验设计方法，它们可以组合成各种复杂的实验设计。它们的区别在于控制无关变量的方法。分别采用随机化方法、区组技术、双重区组技术控制无关变量的影响。实验结果的检验精度逐级提高。
实验设计模型：
完全随机设计：Yij =μ+αj+εi(j)
随机区组设计：Yij = μ+αj+πi +εi(j)
拉丁方设计：Yijkl = μ+αj+βk+γl +εpooled (i=1,2,......,n； j=1,2,......,p； k=1,2,......,p； l=1,2,......,p),2.按自变量的数目和水平分
可分为：单因素设计和多因素实验设计
单因素设计：实验中只有一个自变量，被试接受这个自变量的不同水平的实验处理的设计。
多因素设计：实验中有多个自变量，被试接受几个自变量水平的结合的实验处理。能探讨较复杂的因果关系，如交互作用，代表实验设计发展的一种趋势。
例：多媒体教学与传统教学的效果？,3.按被试分派程序分
可分为：被试间设计、被试内设计和混合设计
被试间设计：是指实验中每个被试只接受一种自变量水平或自变量水平的结合的设计。这种设计中的变量为被试间变量。
被试内设计：是重复测量设计的一种形式，由一个被试（而不是一组同质被试）接受所有的自变量水平或自变量水平的结合的设计。实验中的自变量叫做被试内变量。
混合设计：是指在一个实验设计中既有被试内自变量，又有被试间自变量的设计，是重复测量设计的一种复杂形式，被认为是一种最有实用价值的实验设计。
4.其他的设计分类
前后测设计，所罗门设计，小N设计，正交设计,四、实验设计的思想基础（温故知新）,,1.统计检验的基本思想
思考：6岁儿童的男女身高差异问题的研究。从某地区随机抽取男生30人，M1=114cm；女生27名，M2=112.5cm，能否根据这一次测量的结果下结论：6岁男生的身高比女生高？
两位候选人的票数相差很小，为何不进行统计检验？
统计检验的目的：确定从样本统计值得出的差异能否作出一般性的结论——总体参数之间确实存在差异。
使用条件：当研究假说不能通过直接观察或通过观察总体的所有成员而直接被估价时，就需要通过统计推论间接地对它进行估价。
心理学实证研究的结果，基本上都需要进行统计检验。,2.方差分析的基本思想
思考：统计发现三种教学方法考评结果的方差分析结果为：F（2，27）=1.0，请问差异是否显著？
方差分析的主要功能: 是分析因变量总变异中不同来源的变异的贡献量的多少。
“力是改变物体运动状态的原因”，运动状态的改变的表现就是“变异”；反过来，变异反映了物体受到了某种因素引发的力的作用。
任何一个心理变量的每一个观测值都凝聚着各种各样因素的影响。
如，有一次辨别反应时的测量值为350ms。那么可能影响因素：简单RT，辨别能力，心理期望，注意不集中，疲劳，猜测，偶然因素 ……
320 315 333 318 340 327 358 365 350 380 360 375,变异(variation)：是“影响因素作用效果”的量化表现；衡量指标：标准差——方差(variance)——均方(每个自由度的平均变异)；量化表现形式：平方和
变异的来源：实验处理-实验处理之外的因素 / 组间变异-组内变异 / 组间均方-组内均方
F值：组间均方除以组内均方——组间变异（实验目的），组内变异（控制对象）
F检验的思想就好象把组间变异放在一个噪音（误差变异）的背景上，只有当组间变异足够大，明显不同于误差变异时，才说明处理效应是存在的。如果组间变异与组内变异相比差不多，则说明处理效应是不存在的。
F（m, n）=1.0,意味着目标声音和背景声音一样响,五、实验设计模型,,每一种实验设计都有一个特定的实验设计模型，它揭示了实验中一个观测值的构成，即影响一个观测值的所有变异源，为不同的实验设计提供了分解平方和的方法。
例：单因素完全随机实验设计模型：
Yij = μ+αj+εi(j) (i=1,2,......,n; j=1,2,......,p)
Yij 表示实验中第i个被试在第j个处理水平上的观测值。μ表示总体平均数，αj表示水平j的处理效应，εi(j)表示误差变异。,实验设计模型的基本假设是：
（1）模型 Yij = μ+αj+εi(j) 反映了影响实验中观测值Yij的所有变异源；
（2）实验中包含了研究者感兴趣的处理水平（αj）；
（3）误差变异在每个处理总体内是以均数为0，方差为σ2e 正态分布的。每一个被试的误差变异都独立于其他被试的误差变异。
实验设计最重要的功能就是使处理效应最大，使误差变异最小！,六、方差分析中的常用术语,主效应（main effects）：实验中由一个因素的不同水平引起的变异。
交互作用（interaction）：当一个因素的水平在另一个因素的不同水平上变化趋势不一致时，我们称这两个因素之间存在交互作用。
简单效应（simple effects）：一个因素的水平在另一个因素的某个水平上的变异。
处理效应（treatment effect）：由自变量引起的变异。主效应、交互作用和简单效应均属于处理效应。,误差变异（error variance）：不能由自变量或明显的额外变量解释的那部分变异。
单元内误差（within-cell error）：几个被试接受同样的实验条件时，他们之间所出现的差异。被试个体差异导致的误差。
作用：用来估计实验误差。
残差（residual error）：误差变异中除了单元内误差以外的误差，也应该是一种随机误差。如，只有一个被试接受一种实验处理时存在的误差。
作用：用来估计实验误差,单因素实验设计及数据处理 （第9章）,一、单因素完全随机实验设计,1、单因素完全随机实验设计的基本特点：
适用条件：研究中有一个自变量，自变量有两个或多于两个水平。
基本方法：把被试随机分配给自变量的各个水平，每个被试只接受一个水平的处理。
误差控制：随机化法。
实验设计模型：Yij = μ+αj+εi(j) (i=1,2,...,n; j=1,2,...,p)
Yij 表示实验中第i个被试在第j个处理水平上的观测值。μ表示总体平均数，αj表示水平j的处理效应，εi(j)表示误差变异。
即：总变异由两部分组成：实验处理引起的变异（αj）；误差引起的变异（εi(j)）。,2、数据处理方法（SPSS统计软件）：
包含的统计变量：实验的自变量A，实验的因变量Y。
预期的统计结果：自变量A的主效应是否显著，即 F（(P-1), P(n-1)）的P值是否小于0.05。
实施的统计过程：如果水平数为2，则进行independent samples T test; 如果水平数大于2，则进行完全随机的方差分析： analyze—compare means—One- Way ANOVA,3、应用举例及延伸
思考：请大家想一个单因素完全随机的实验设计……
其他属于同类的实验设计说法
两个处理的随机组设计
用独立样本t检验进行统计
举例说明……
三个或三个以上处理的随机组设计
用完全随机的单因素方差分析进行统计
举例说明……,不同照明条件对工作效率的影响研究,,,,研究2种照明条件下工人车零件的效率。被试60人，随机分为2组，每组30人，每组被试分别接受1种处理，见下表：
高照明度 低照明度
组 X X
组 Y Y,两个处理的随机组设计举例,不同照明条件对工作效率的影响研究：,,,,研究2种照明条件下工人车零件的效率。被试60人，随机分为2组，每组30人，每组被试分别接受1种处理，原始数据表如下:,原始数据表
姓名 组别（V1） 工作效率（V2）
1 张明 高（照明度） 56
……
29 刘修 高 67
30 刘冬 高 53
31 黄卫 低 61
32 李家 低 45
……
60 张岩 低 68,两个处理的随机组设计举例,不同照明条件对工作效率影响研究的统计分析：,,,,不同照明条件下工作效率比较
组别 人数 制造零件数（个） 统计检验
高照明度组 30 78.6513.24
t＝3.876**
低照明度组 30 67.55 17.12,两个处理的随机组设计举例,,单因素随机2水平设计的SPSS统计步骤,数据模式,进行独立样本T检验(1),单因素随机2水平设计的SPSS统计步骤,,进行独立样本T检验(2),单因素随机2水平设计的SPSS统计步骤,单因素随机2水平设计的SPSS统计步骤,进行独立样本T检验(3),,,,,点击“Define Groups…”后进入此窗口。请分别输入自变量的两个水平；然后点击“Continue”返回上级窗口。再点“OK”，即可执行T检验,单因素随机2水平设计的SPSS统计步骤,独立样本T检验的结果（1）,以上是描述统计量，可将上图中的平均数和标准差列于实验报告结果部分的三线表。,,,,,单因素随机2水平设计的SPSS统计步骤,独立样本T检验的结果,,单因素随机2水平设计的SPSS统计步骤,实验结果汇总,注：**表示P<0.01,,表1 高低生字密度下的阅读成绩,,不同照明条件对工作效率的影响研究：,,,,研究3种照明条件下工人车零件的效率。被试90人，随机分为3组，每组30人，每组被试分别接受1种处理，见下表：
高照明度 中等照明度 低照明度
组 X X
组 Y Y
组 Z Z,3个处理的单因素完全随机实验设计举例,不同照明条件对工作效率的影响研究：,,,,研究3种照明条件下工人车零件的效率。被试90人，随机分为3组，每组30人，每组被试分别接受1种处理，原始数据表如下：,原始数据表
姓名 组别（V1） 工作效率（V2）
1 张明 高（照明度） 56
……
30 刘修 高 67
31 刘冬 中等 53
……
60 黄卫 中等 61
61 李家 低 45
……
90 张岩 低 68,3个处理的单因素完全随机实验设计举例,不同照明条件对工作效率影响研究的统计分析：,,,,不同照明条件下工作效率比较
组别 制造零件数 统计检验
高明度组 30 78.6513.24
中等明度组 30 57.55 14.12 F＝7.876**
低明度组 30 67.55 17.12,3个处理的单因素完全随机实验设计举例,4个处理的单因素完全随机实验设计举例,研究题目：文章的生字密度对学生阅读理解的影响
研究假设：阅读理解随着生字密度的增加而下降
实验变量：自变量——生字密度，含有4个水平（5：1、10：1、15：1、20：1）。
因变量——阅读测验的分数
实验设计：单因素完全随机实验设计
被试：32人，随机分为四组，每组接受一个自变量处理——阅读一种生字密度的文章。
数据： a1：3 6 4 3 5 7 5 2
a2：4 6 4 2 4 5 3 3
a3：8 9 8 7 5 6 7 6
a4：9 8 8 7 12 13 12 11
练习：请问应该如何用SPSS软件输入数据并进行分析？,单因素随机4水平设计的SPSS统计步骤,数据模式,,,,因变量名称,自变量名称,,,,,自变量的水平1：表示生字密度5:1,,自变量水平3：表示生字密度15:1,自变量的水平2：表示生字密度10:1,,,,自变量水平4：表示生字密度20:1,,单因素随机4水平设计的SPSS统计步骤,单因素完全随机方差分析步骤（1）,单因素随机4水平设计的SPSS统计步骤,单因素完全随机方差分析步骤（2）,上级窗口点击“Post Hoc…”后进入此窗口。请选择适当的多重比较方法；然后点击“Continue”返回上级窗口。,,,,,单因素随机4水平设计的SPSS统计步骤,单因素完全随机方差分析步骤（3）,多重比较方法的选择,事後比較 (1/6),‘事後比較’ 會控制型I錯誤的機率.
兩難
但型I錯誤的機率如果控制得愈小, 會降低檢定力(即增加型II錯誤的機率).,事後比較 (2/6),‘事後比較’ 的方法
LSD (least-significant difference)
LSD幾乎未控制型I錯誤.
Scheffé
是最保守的方法(把型I錯誤機率控制得最小).,事後比較 (3/6),‘事後比較’ 的方法 (續)
Bonferroni
保守, 但當比較的次數不多時, 可以維持較佳的檢定力.
Tucky
保守, 但當比較的次數很多時, 可以維持較佳的檢定力.,事後比較 (4/6),‘事後比較’ 的方法 (續)
R-E-G-W Q (Ryan, Einot, Gabriel and Welsch Q procedure)
控制型I與型II錯誤的效果都不錯.
但當分組樣本數不同時, 便不建議使用.,事後比較 (5/6),‘事後比較’ 的方法 (續)
Gabriel
當分組樣本數有些微的不同時, 效果頗佳.
Hochberg’s GT2
當分組樣本數有極大的不同時, 效果頗佳.,事後比較 (6/6),‘事後比較’ 的方法 (續)
Tamhane’s T2, Dunnett’s T3, Games-Howell, and Dunnett’s C
當分組的變異數不相等時, 較為適用.
這些方法之中, Games-Howell似乎會有較佳的檢定績效.,上级窗口点击“Options…”后进入此窗口。请选择描述统计量和方差齐性检验。然后点击“Continue”返回上级窗口。再点击“OK”，即可执行ANOVA检验,单因素随机4水平设计的SPSS统计步骤,单因素完全随机方差分析步骤（4）,,,,,单因素随机4水平设计的SPSS统计步骤,单因素完全随机方差分析结果（1）,,,四种条件下的平均数,标准差,单因素随机4水平设计的SPSS统计步骤,单因素完全随机方差分析结果（2）,,方差齐性检验结果。这里P=0.037<0.05, 说明方差不齐性，多重比较的时候需要选择Dunnelt T3的结果。如果齐性，则选择Turkey的结果。,,单因素随机4水平设计的SPSS统计步骤,单因素完全随机方差分析结果（3）,结果：方差分析结果表明，生字密度的主效应显著，F(3,28)=22.53, P<0.01,单因素随机4水平设计的SPSS统计步骤,单因素完全随机方差分析结果（4）,,多重比较结果,,,,,,,,P值,单因素随机4水平设计的SPSS统计步骤,另一种获得描述统计量的方法,,,用“Means…”命令求出的各条件平均数,用“Means…”命令求出的各条件标准差,,单因素随机4水平设计的SPSS统计步骤,实验结果汇总,注：**表示P<0.01,,表1 四种生字密度下的阅读成绩,,二、单因素随机区组实验设计,1、单因素随机区组实验设计的基本特点：
适用条件：研究中有一个自变量，自变量有两个或多于两个水平；研究中还有一个无关变量，并且自变量的水平与无关变量的水平之间无交互作用。
基本方法：首先将被试在无关变量上进行匹配，然后把各匹配组的被试随机分配给自变量的各个水平，每个被试只接受一个水平的处理。
误差控制：匹配法。通过统计处理，分离出由无关变量引起的变异，使它不出现在处理效应和误差变异中，从而提高方差分析的灵敏度。
实验设计模型：Yij = μ+αj+πi +εi(j) (i=1,2,......,n; j=1,2,......,p)
总变异组成：实验处理引起的变异；区组引起的变异；误差引起的变异。,2、数据处理方法（SPSS统计软件）：
包含的统计变量：实验的自变量A，区组变量X，实验的因变量Y。
实施的统计过程：如果水平数为2，则进行paired-samples T test; 如果水平数大于2，则进行完全随机方差分析：如果analyze — General Linear Model —Univariate…
预期的统计结果：自变量A的主效应是否显著；无关变量即区组变量效应是否显著；若自变量主效应显著，则进行平均数多重检验。,（3）应用举例及延伸
思考：请大家想一个单因素随机区组的实验设计……
与该设计相关的名称
随机化区组实验设计
随机化配对组设计
随机化匹配组设计
两个处理的匹配组设计
三个及以上匹配组的设计,单因素随机区组设计应用举例,研究题目：文章的生字密度对学生阅读理解的影响。
研究假设：阅读理解随着生字密度的增加而下降。
实验变量：自变量——生字密度，含有4个水平（5：1、10：1、15：1、20：1）； 因变量——阅读测验的分数；无关变量——被试的智力水平
实验设计：单因素随机区组实验设计
被试及程序：首先给32个学生做智力测验，并按测验分数将被试分成8个组，每组4人（智力水平相等），然后随机分配每个区组内的4个被试阅读一种生字密度的文章。
数据： x1 x2 x3 x4 x5 x6 x7 x8
a1： 3 6 4 3 5 7 5 2
a2： 4 6 4 2 4 5 3 3
a3： 8 9 8 7 5 6 7 6
a4： 9 8 8 7 12 13 12 11
演示与练习……,三、单因素重复测量实验设计,1、单因素重复测量实验设计的基本特点：
适用条件：研究中有一个自变量；当若干处理水平连续实施给同一被试时，被试接受前面的处理对接受后面的处理没有长期影响（如学习、记忆效应）。
基本方法：实验中每个被试接受所有的处理水平。
误差控制：重复测量法。利用被试自己做控制，使被试的各方面特点在所有的处理中保持恒定。但在这种设计的实验中，要特别注意控制顺序效应。
变异来源：自变量的处理效应；被试间个体差异的效应；随机误差变异。
优点：能全面控制被试变量对实验结果的影响；只需较少被试即可。,被试内设计中顺序效应的控制方法,当自变量水平数只有2时，采用ABBA法
被试间的ABBA；被试内的ABBA
当自变量水平数大于等于3时，采用拉丁方法
要求：（1）每个条件在每个位置上出现的次数相同；（2）每个条件在其他所有条件的前、后出现的次数也相同。
该法也分两种情况：
①当处理数是偶数时：“ 第一个次序可用如下顺序安排次序：
1，2，n，3，n-1，4，n-2，5，...
随后的次序是在第一个次序的数目上加“1”，直到形成拉丁方。,处理数是偶数时的拉丁方模式举例
假设处理数是6，则拉丁方如下：,A B F C E D
B C A D F E
C D B E A F
D E C F B A
E F D A C B
F A E B D C,注意：有被试内平衡和被试间平衡两种不同方法！,处理数是奇数时的拉丁方模式（n=5为例）
（1）先按偶数法则形成一个拉丁方：
A B E C D
B C A D E
C D B E A
D E C A B
E A D B C
（2）然后把上述模式简单反过来，即形成：
D C E B A
E D A C B
A E B D C
B A C E D
C B D A E
（3）最后将两个模式结合起来使用，则第二个要求也能满足。,满足每个位置上出现的次数相同，但 每个条件在其他位置之前有相等次数没有满足,2、单因素重复测量设计的数据处理方法（SPSS统计软件）：
包含的统计变量：实验自变量A的各个处理水平：A1，A2，A3…AP
实施的统计过程：如果水平数为2，则进行paired-samples T test; 如果水平数大于2，则进行重复测量方差分析：analyze—General Linear Model—Repeated Measures
预期的统计结果：自变量A的主效应是否显著；如果水平数大于2，则需做多重检验。具体做法不同于完全随机设计。,不同照明条件对工作效率的影响研究,研究2种照明条件下工人车零件的效率。被试30人，每个被试接受全部2种处理。为了消除顺序误差，需要将2种处理作拉丁方设计以使顺序得到平衡。因此，要将被试分为2个顺序小组，每顺序小组的被试分别接受1种顺序的2种处理：,顺序小组1 ① ②
顺序小组2 ② ①
注： ①表示高照明度 ②表示低照明度,单因素重复测量设计应用举例（2水平）,被试间平衡,不同照明条件对工作效率的影响的被试内数据,原始数据表
姓名 高照明度工效 低照明度工效
1 张明 56 43
2 刘修 67 68
3 刘冬 53 47
4 黄卫 61 58
5 李家 45 43
……
30 张岩 68 65,,,,不同照明条件对工作效率影响研究结果的正式数据表与统计分析：,不同照明条件下工作效率比较 （n＝20）
照明条件 制造零件数（个） 统计检验
高明度组 78.6513.24
t＝2.876**
低明度组 67.55 17.12,,,,配对样本
t检验,单因素重复测量2水平设计的SPSS统计步骤,数据模式,进行配对样本T检验(1),单因素重复测量2水平设计的SPSS统计步骤,,进行配对样本T检验(2),单因素重复测量2水平设计的SPSS统计步骤,,单因素重复测量2水平设计的SPSS统计步骤,配对样本T检验的结果（1）,描述统计量，可将上图中的平均数和标准差列于实验报告结果部分的三线表。,,,,,单因素重复测量2水平设计的SPSS统计步骤,配对样本T检验的结果（2）,,,检验结果及显著性水平：t(15)=-6.093, P< 0.01,,,单因素重复测量实验设计应用举例（4水平）,研究题目：文章的生字密度对学生阅读理解的影响。
实验设计：为了更好地控制被试的个体差异对实验结果的影响，本实验采用单因素重复测量实验设计。
实验变量：自变量——生字密度，含有4个水平（5：1、10：1、15：1、20：1）； 因变量——阅读测验的分数；
被试及程序：研究者选取8名被试参加实验，每个被试阅读4篇生字密度不同的文章。为了克服疲劳效应、练习效应等顺序效应，应以拉丁方排序实施4种生字密度的文章。
数据： s1 s2 s3 s4 s5 s6 s7 s8
a1： 3 6 4 3 5 7 5 2
a2： 4 6 4 2 4 5 3 3
a3： 8 9 8 7 5 6 7 6
a4： 9 8 8 7 12 13 12 11
数据处理的练习与演示……,单因素重复测量方差分析的SPSS实施步骤,数据模式,自变量有几个水平就有几列数据,,有几个被试就有几行数据,,,,,同一个被试内变量的4个水平,单因素重复测量方差分析的SPSS实施步骤,重复测量方差分析的命令,,重复测量……,,单因素重复测量方差分析的SPSS实施步骤,定义被试内变量,,Factor1处输入被试内变量名下框输入水平数，然后“Add”,,已经定义好的变量名与水平数;然后点“Define”,,,单因素重复测量方差分析的SPSS实施步骤,将数据与已定义的变量对应起来,单因素重复测量方差分析的SPSS实施步骤,在“Options…”窗口内选择多重比较方法,“生字密度”需要多重比较,选定的多重比较方法是LSD,同时设置需要输出描述统计量,,,,单因素重复测量设计方差分析结果的解读,被试内因素及因变量信息,单因素重复测量设计方差分析结果的解读,描述统计量：平均数和标准差；用于“结果”部分的三线表,,,单因素重复测量设计方差分析结果的解读,多元方差分析结果,球形检验的结果。对球形假设的检验实际上是对同一个体的多次测量之间是否存在相关性进行检验。如果球形检验结果达到显著水平，说明说明球形假设不能满足，即多次测量之间存在相关性，这时进行标准的一元方差分析就不合适了，需要采用备选的方差分析结果。,,一元方差分析结果,,标准一元方差分析的结果，适用于球形假设满足的情况。,,,球形假设不满足时的备选方差分析,,,,,生字密度,各水平间的多重比较,描述统计量：M,SD,,,,,,,,“结果”部分的写作练习,练一练：
请问如何把上述实验结果写成正式实验报告中的内容？
要求结合表格和文字进行练习！
注意表格的规范：用三线表，列出各条件的平均数和标准差。,思考与讨论：
请大家结果工作或生活实际，想一个单因素重复测量的实验设计……,四、前后测实验设计及其数据处理,前后测自身控制设计
d=y2-y1；前测敏度问题
前后测更组测试设计：
d=y2-y1’；控制组进行前测、实验组后测
前后测一控制组设计(最典型实用)
d=y2-y1； d‘=y2’-y1’；d-d’为实验处理效应
前后测两控制组设计
前后测三控制组设计,思考：
如何验证一种智力开发玩具是否确实有助于提高儿童的智力水平？
请提出实验设计方案。,多因素实验设计（第10章）,一、两因素实验设计,1. 两因素完全随机实验设计
（1）两因素完全随机实验设计的基本特点：
适用条件：研究中有两个自变量；如果一个自变量有P 个水平，另一个自变量有q个水平，则实验中有p×q个处理的结合，即具体的实验条件。
基本方法：把被试随机分配给各个实验处理的结合，每个被试只接受一个实验处理的结合。（注意：处理的结合而不是处理水平）
误差控制：与单因素完全随机设计相同。,实验设计模型：Yij = μ+αj+ βk+ (αβ)jk+εi(jk)
(i=1,2,......,n; j=1,2,......,p; k=1,2,……,q)
αj表示A因素水平j的处理效应； βk 表示B因素水平k的处理效应； (αβ)jk 表示水平αj 与水平βk的交互作用； εi(j)表示误差变异。
即：总变异由四部分组成：自变量A引起的变异；自变量B引起的变异；AB交互作用的引起的变异；误差引起的变异（εi(j)）。,两因素完全随机实验设计的应用举例,研究题目：文章的生字密度与主题熟悉性对学生阅读理解的影响
实验变量：自变量A——主题熟悉性，含有2个水平（熟悉的，不熟悉的）； 自变量B——生字密度，含有3个水平（5：1、10：1、20：1）；因变量——阅读测验的分数。
实验设计：两因素完全随机实验设计
被 试：24人
实验程序：首先将自变A与B的水平结合成2×3即6个实验处理；然后把选取的被试分成6组，每组4人，分别接受一种实验处理水平的结合。如：有关春游的生字较少的文章，中等的文章和较多的文章；有关激光技术的生字较少，中等和较多的文章。
模拟数据：a1b1 a1b2 a1b3 a2b1 a2b2 a2b3
3 4 5 4 8 12 6 6 7 5 9 13
4 4 5 3 8 12
3 2 2 3 7 11,两因素完全随机设计的SPSS方差分析步骤,数据模式,两因素完全随机设计的SPSS方差分析步骤,两因素完全随机方差分析步骤（1）,,两因素完全随机设计的SPSS方差分析步骤,两因素完全随机方差分析步骤（2）,两因素完全随机设计的SPSS方差分析步骤,两因素完全随机方差分析步骤（3）,
展开阅读全文
相关搜索
