当前课程知识点:心理统计 > 15 重复测量单因素方差分析 > 15.1 重复测量单因素实验设计 > 15.1 重复测量单因素实验设计
同学们
你们好
今天我们来学习新的一章
第15章重复测量的单因素方差分析
我们先来看第一节
重复测量的单因素实验设计
在重复测量的单因素实验设计中
每个被试都要接受所有的处理水平
我们以前学过配对样本的T检验
它的数据类型和这个是一样的
只是当实验中包含的自变量
它的处理水平大于两个的时候
我们就不能够再用配对样本的T检验来处理了
我们需要用重复测量的单因素方差分析
我们来看一下它的数据形式
这里是处理水平
也就是说我们自变量有几个水平
AB这是两个水平
我们一直说他有K个水平
K是大于等于2的
那么这里是被试我们叫实验单元数
这是被试实验一
被试二被试三一直到被试b
我们说这里我们是有B个被试
每个被试都要接受
所有的实验处理
比如说第一个被试
他要接受
AB一直到K个实验处理
所以我们看我们用了B个被试
可是我们获得的数据会是很多的
我们是您看B乘以k乘以大K
有这么多的数据
我们举一个例子
这是我们有一个研究
像研究人的两侧面孔
在情绪表达上的一个强度的差异
我们每一个人哪都有左半边脸和右半边脸
那么我们的脸
其实左半面脸和右半脸表达情绪上
可能会有差异
研究者就想通过这个实验来检验一下
是否真的存在差异
那么它怎么来做
他用比如说我们的左半面脸
我们在去照镜子
我们照镜子的时候
我们左半面脸就投射到右半边去了
所以我们就把镜像中的右边脸和我们本身的
左边脸合成一边脸
合成一个完整的脸
也就是说我们左边脸其实和它
左边的镜像这个脸合成一张脸
我们叫左边脸
同理我们用右边脸和他镜子当中的左边那个脸
也就是实际上还是右边的脸组成一个完整的脸
我们叫右边脸
还有一个就是我们一个正常的脸有自己的本身
的左边脸和右边脸来构成的
所以我们看同样的一个人
这是正常的一个人
这是他的左边脸构成的
这是它右边脸构成的
这是三个图片
我们来看给被试呈现由这些图片制成的幻灯片
每次呈现一张幻灯片
每次十秒钟
然后给每个被试35秒钟进行评定
他评定的就是你的厌恶程度
你对这张图片有多么的厌恶
我们整个的实验材料是54张幻灯片
18张是左侧图片
18张原始照片和18章是右侧
我们看一下它的数据
这是因为是54张图片
所以每一个被试都做了54个Trial
那么第一个Trial是给中间脸
第二个Trial是给左边脸
第三个Trial是给右边脸
那么我们看它平衡了一下顺序
我们每一个人有54个Trial
我们最后可以算一个平均十
比如说我们有的一个人
那么他在左边脸上平均的厌恶程度比如说是
五分
那么对于中间的脸厌恶程度是四分
那么对于右边脸
比如说他的厌恶程度就是三分
我们其实是平均的54张图片里面所有的图片
就有一个平均
那么比如说我们有很多个被试第二个被试
这些都会有曲直
第三个被试等等都会有取值
那么这个数据形式整理出来
就是我们最开始说的
重复测量代因素实验设计下
所对应的数据表
我们可以看到针对每一个被试
它在所有的实验处理
我们一共是三种实验处理下面
他都接受了处理
都有测量的取值
所以这个例子就是一个非常典型的重复测量的
一个实验设计
那么我们看这个研究的目的主要是看
厌恶程度的差异
它的结果我们发现左半球控制身体的右侧
而右半球控制身体的左侧
也就是我们大脑和我们控制的是刚好交叉的
左侧构成的图片反映的是右半球的控制
右侧反映的是左半球的控制
那么对左侧构成的照片的情绪强度评价较高
表明右半球在情绪的表达方面最为重要
也就是说我们的结果发现大家对左侧的照片
厌恶程度更强
那么它反应刚好是说我们的右半球
就大脑的右半球
他在情绪表达方面更为重要
所以这是一个完整的一个实验设计
我们有了数据处理结果以后
我们的假设得到了支持
所以在重复测量的单因素实验设计当中
我们只需要较少的被试
就能够获取大量的实验数据
比如说刚才那个例子
我们有三种实验处理
我们每一个被试都接受了这三种实验处理
如果说我有四个被试
大家可以看到
四个被试的话
那么对于L这种处理的话
我其实是有四个被试的
O也是R也是
可是如果我们是完全随机的实验设计
我们需要L如果需要四个被试的话
我们一共需要多少个被试
我们需要12个被试
也就是说有四个人做L
有四个人是坐O再有四个人是做R
也就是我们需要的被试量要大大的增加
那么第二个如果被视为特殊群体
或者是被试取样困难的情况下
它具有极大的优势
比如说我们去研究一些特殊的病人
或者是我们取样本身就非常困难
我们找不到那么多的被试
这个时候我们用重复测量的这种实验设计
来获取数据就非常的有优势了
但是也不是说它完全的就好过了
完全随机实验设计它其实有自己的前提要求
我们来看首先第一个就是被试先后接受不同的
实验处理的时候
相互之间没有这种长期的影响
像我们刚才做这个例子
是LOR他看完以后他就去做反应
他对下一张照片
当他看下一张照片的时候
实际上是没有什么影响的
那瞬间就忘掉了
所以我们做这种实验处理是没有问题的
那么当被试接受前面的处理
对接受后面的处理有长期的影响的时候
这种影响就会带到下一个处理水平当中
从而混淆实验的处理的效应
比如说我们有三种教学方法
X1X2X3
那么比如说一种是传统式的
一种是这种采用多媒体式的
一种是自学式的
那么当我们让学生我们说一会让他传统
一会让他多媒体式的
一会让他自学的
那么这些之间它们之间就会有遗留效应
相互干扰
所以像这种教学方法类的
我们一般是采用完全随机的实验设计
干脆用不同的组的被试来接受不同的实验处理
那么在一些学习记忆的研究当中也不适宜采用
重复测量的设计
因为比如说我们研究学习效果的
研究记忆效果的
你一会让他记说让他记那个
他其实混淆性是非常大的
那么还有一个就是被试在接受实验处理的时候
可能由于所有处理水平对被试施测的顺序不同
而产生不同的影响
比如说有的被事先做L有的被事先做R
也可能我们会有首因效应
或者是到后面的时候
近因效应会影响他的实验结果
那么再有一个要求就是在实验设计中的自变量
按照能否被研究者所操纵分为可操纵的自变量
和不可操纵的自变量
比如说像刚才的呈现照片
我们主试可以给它呈现L呈现OK呈现R
这是我们主试可以操纵的
但还有一些不可操纵的
比如说年龄
比如说年龄
那么当然年龄也可以进行重复测量的实验设计
比如说我们可以设计一个追踪研究
我们在他五岁的时候测一下
六岁时候测一下
七岁的时候测一下
我们也叫重复测量的实验设计
那么还有一些不可操纵的自变量
就不可能成为重复测量实验当中的自变量
比如说人格因素它是相对稳定的
它不能说一会他是内向的
一会他又是外向的
再比如说性别
我们性别分男女
我们这些人是男或者是女
我们不能说又让他是男一会让她是女
这个是不可操纵的
那么我们来看一下这种实验设计的优缺点
首先它减少了被试间差异
对实验处理效应的干扰
这个主要是针对完全随机实验设计来说的
我们来看一下完全随机的实验设计下
我们的被试被随机分组
它的目的就是让我们各个实验处理组
他保持一致
就是在被试的其他的因素上是保持一致的
只是在自变量上发生了变化
那么但是我们采用随机的方法
其实并不能保证
我们各个组的被试是完全一样的
所以说重复测量的单因素设计是相对较好的
因为每一个被试他都做了所有的实验处理相
对于这个被试而言
他是没有被时间的差异的
那么只需要少量的被试
就能产生大量的实验数据
节约了被试这个我们刚才已经讲过了
但是它也有缺点
就是被试先后接受不同的处理水平之间可能会
存在影响
有些不可操纵的变量
不能进行重复测量的实验设计
具有一定的局限性
这一点关于实验设计
这个其实是有专门的课程
比如说实验心理学研究方法等等这样的课程
来讲这种实验设计
我们这里只是简略的介绍一下
我们来看一下小结
那么重复测量的单因素
实验设计当中只包含一个自变量
那么它的处理水平可以是大于等于2个
那么它的实验设计可以大大减少需要的被试量
但也受一些前提条件的约束
这是大家需要注意的
好
谢谢大家
我们这一节课讲完了
-1.1 统计学的意义
-1.2 心理统计简介
-1.3 基本概念介绍1
-1.4 基本概念介绍2
-1.4 基本概念介绍2--作业
-1.5 研究方法
--1.5 研究方法
-2.1 统计表和统计图简介
--2.1 统计图表
-2.1 统计表和统计图简介--作业
-2.2 频数分布表
-2.2 频数分布表--作业
-2.3 频数分布图
-2.3 频数分布图--作业
-2.4 百分位数和百分等级
-2.4 百分位数和百分等级--作业
-3.1 平均数
--3.1 平均数
-3.1 平均数--作业
-3.2 中数
--3.2 中数
-3.2 中数--作业
-3.3 众数
--3.3 众数
-3.3 众数--作业
-4.1 全距和四分位距
-4.1 全距和四分位距--作业
-4.2 标准差和方差
-4.2 标准差和方差--作业
-4.3 差异系数
--4.3 差异系数
-4.3 差异系数--作业
-5.1 Z分数介绍
-5.1 Z分数介绍--作业
-5.2 Z分数的分布及转换
-5.2 Z分数的分布及转换--作业
-6.1 概率的基本概念
--6.1 概率与二项分布--作业
-6.2 概率与二项分布
-6.2 概率与二项分布--作业
-6.3 概率与正态分布
-6.3 概率与正态分布--作业
-6.4 抽样分布与推论统计
-6.4 抽样分布与推论统计--作业
-7.1 假设检验的一般原理
-7.1 假设检验的一般原理--作业
-7.2 假设检验的一般过程
-7.2 假设检验的一般过程--作业
-7.3 假设检验的不确定性和误差
-7.3 假设检验的不确定性和误差--作业
-7.4 有方向的假设与单侧检验
-7.4 有方向的假设与单侧检验--作业
-8.1 t统计量与t检验
-8.1 t统计量与t检验--作业
-8.2 单样本t检验的方法
-8.2 单样本t检验的方法--作业
-8.3 有方向的检验和单侧检验
-8.3 有方向的检验和单侧检验--作业
-9.1 独立样本t检验
-9.1 独立样本t检验--作业
-9.2 独立样本t检验的应用
-9.2 独立样本t检验的应用--作业
-10.1 相关样本t检验方法
-10.1 相关样本t检验方法--作业
-10.2 有方向的假设和单侧检验
-10.2 有方向的假设和单侧检验--作业
-11.1 效应量的测量
-11.1 效应量的测量--作业
-11.2 均值检验效应量
-11.2 均值检验效应量--作业
-11.3 统计检验力及其影响因素
-11.3 统计检验力及其影响因素--作业
-12.1 参数估计的基本内容
-12.1 参数估计的基本内容--作业
-12.2 用t统计量作参数估计
-12.2 用t统计量作参数估计--作业
-12.3 假设检验和参数估计
-12.3 假设检验和参数估计--作业
-13.1 方差分析的逻辑
-13.1 方差分析的逻辑--作业
-13.2 方差分析的计算
-13.2 方差分析的计算--作业
-14.1 完全随机单因素方差分析
-14.1 完全随机单因素方差分析--作业
-14.2 方差分析的测量效应和事后检验
-14.2 方差分析的测量效应和事后检验--作业
-15.1 重复测量单因素实验设计
-15.1 重复测量单因素实验设计--作业
-15.2 重复测量单因素方差分析的逻辑和计算
-15.2 重复测量单因素方差分析的逻辑和计算--作业
-16.1 完全随机两因素实验设计
-16.1 完全随机两因素实验设计--作业
-16.2 完全随机两因素方差分析的逻辑和计算
-16.2 完全随机两因素方差分析的逻辑和计算--作业
-16.3 简单效应检验
-16.3 简单效应检验--作业
-16.4 完全随机两因素方差分析的效应值和事后检验
-16.4 完全随机两因素方差分析的效应值和事后检验--作业
-17.1 相关概述
-17.1 相关概述--作业
-17.2.1 皮尔逊相关1
-17.2.1 皮尔逊相关1--作业
-17.2.2 皮尔逊相关2
-17.2.2 皮尔逊相关2--作业
-17.3 等级相关
-17.3 等级相关--作业
-17.4 点二列相关和二列相关
-17.4 点二列相关和二列相关--作业
-17.5 φ相关
--17.5 φ相关
-17.5 φ相关--作业
-18.1 简单线性回归
-18.1 简单线性回归--作业
-18.2 回归模型和回归系数
-18.2 回归模型和回归系数--作业
-18.3 线性回归的基本假设
-18.3 线性回归的基本假设--作业
-18.4 变异的分解
-18.4 变异的分解--作业
-18.5 回归方程的估计标准误
-18.5 回归方程的估计标准误--作业
-18.6 回归方差的有效性检验
-18.6 回归方差的有效性检验--作业
-19.1 二项检验
-19.1 二项检验--作业
-19.2 卡方检验
-19.2 卡方检验--作业
-19.3 四格表及列联表
-19.3 四格表及列联表--作业
-20.1 非参数检验概述
-20.1 非参数检验概述--作业
-20.2 单样本非参数检验
-20.2 单样本非参数检验--作业
-20.3 两独立样本非参数检验
-20.3 两独立样本非参数检验--作业
-20.4 多个独立样本非参数检验
-20.4 多个独立样本非参数检验--作业
-20.5 两个配对样本非参数检验
-20.5 两个配对样本非参数检验--作业
-20.6 多配对样本的非参数检验
-20.6 多配对样本的非参数检验--作业