第十三章数据分析与解释（Ⅱ）统计显著性检验与分析
（一）虚无假设显著性检验（NHST）
●虚无假设检验用来确定一个实验中的组间平均差是否比误差变异所引起的差异大。
●虚无假设检验的第一步是假设两组之间没有差异，即自变量没有效应（虚无假设）。虚无假设（H0）认为，自变量没有效应。
●假定虚无假设为真，就需要用概率论对实验结果的可能性做出估计。我们将在统计上显著的概率称作显著性水平。显著性水平用希腊字母α表示。
●如果虚无假设为真，那么，统计显著性结果出现的可能性就小。
●由于对实验结果的判断建立在概率基础上，因此，可能会产生I类错误（拒绝了一个真的虚无假设）或Ⅱ类错误（无法拒绝一个假的虚无假设）。
（二）实验敏感性和统计效力
●敏感性指的是当自变量确实存在效应时，实验能够探测出这种效应的程度。
●统计效力是指研究者进行统计检验时，正确拒绝虚无假设的可能性。
●统计检验效力受到统计显著性水平、处理效应大小以及样本大小等因素的影响。
●提高统计效力的主要方法是增加样本容量。
●重复测量设计比独立组设计更敏感并具有更高的统计效力。因为重复测量设计中的误差变异相对较小。
●心理学研究中，使用 NHST时犯Ⅱ类错误的可能性比犯Ⅰ类错误可能性高。
●当结果统计上不显著时（p>0.05），得出虚无假设为真的结论是错误的。
（三）NHST∶两个平均数的比较
●比较两组被试的平均数最恰当的推论统计检验方法是独立样本t检验。
●使用 NHST时，应该同时报告效应大小。
●比较同一组被试（或匹配组）的两个平均数的最恰当的推论统计检验方法是重复测量（被试内设计）的t检验。
（四）统计显著性和理论及实际意义
●我们必须认识到统计显著性不同于科学研究的显著性。
●我们还必须承认，统计显著性也不是实践中或临床上的显著性。
（五）单因素独立组方差分析
●方差分析是检验自变量是否对因变量产生是著统计效应的一种方法。
●方差分析的基础是区分数据中的误差变异和系统变异。
● F值是数据的组间变异和组内变异的比值。
●方差分析总表包含了方差分析的各种结果，通过比较两个平均数，可以确定系统变异的特定来源。
●尽管方差分析可以用来确定是否在统计上具有是著效应，但研究者仍然需要按照描述统计结果去解释实验结果。
●独立组设计的效应大小测量包括疗和科恩f值。
●为了确定统计显著性的概率，应在研究实施前进行独立组设计统计效力分析;在进行NHST分析时，如果结果不显著，必须给出统计效力值。
●两个平均数的比较可以识别在统计显著性中起作用的特定系统变异。
（六）重复测量的方差分析
●重复测量的方差分析的过程及虚无假设检验与独立组设计的方差分析相似。
●在进行重复测量方差分析之前，必须计算每个被试在每种条件下的平均分数（平均数、中数等）。
●计算所有被试在所有自变量水平上的描述统计数据。
●重复测量方差分析的主要不同点在于对误差变异或残差变异的估计。残差变异是指把由自变量和被试引起的系统变异从总变异估计中别除后的剩余部分。
（七）含有交互作用的复合设计分析
●如果方差分析存在交互作用。那么可以使用简单主效应分析和两个均数的比较来确定交互作用的来源。
●简单主效应是一个自变量在另一个自变量的某个水平上的效应。
●如果一个自变量有三个以上的水平，那么，可以通过两个均数的比较确定简单主效应的来源。
●可以用不同组平均数的置信区间判断总体平均数估计的精确性。
（八）无交互作用的方差分析
●如果方差分析中的交互作用不显著，那么下一步就是去确定主效应是否显著。
●主效应显著性的来源可以通过均数的两两比较和构建置信区间来确定。
