测量不可靠时,相关系数只是真效应的平方根:Spearman 衰减校正与被稀释的证据
【锚点】这一篇只钉一个判断:【观测相关系数】不是【效应大小】,而是【真效应】乘上两次【测量可靠性】的几何平均。在经典测验理论(CTT)下:r_obs = r_true × √(ρ_xx · ρ_yy)。
【显式】Spearman 在 1904 年(American Journal of Psychology, 15, 72–101)就给出了这个衰减公式与它的校正:r_true = r_obs / √(ρ_xx · ρ_yy)。一百二十年过去,绝大多数论文报告 r 时不报告 ρ。
【流程节点链路】:【真实构念 X, Y】→【测量工具 x = X + e_x, y = Y + e_y】→【假设误差与真分数独立、误差间独立】→【Cov(x,y) = Cov(X,Y),但 Var(x) = Var(X) + Var(e_x)】→【分母被误差撑大】→【r_obs = r_true · √(ρ_xx ρ_yy)】→【显著性检验只看见 r_obs】→【结论系统性低估真效应】。一个节点都不能省,因为偏差就产生在“分母被撑大”那一步,而不是在检验那一步。
具体数字。设两次测量的可靠性都是 0.7(Cronbach’s α 或重测信度),则衰减因子 √(0.7×0.7) = 0.7。真实相关 r_true = 0.60 的实验,读者看到的 r_obs = 0.42。这个 0.42 在 n=100 时稳稳显著(SE ≈ 0.10),于是它被写进摘要,被当作“中等偏弱效应”,然后进入元分析的分母。
【隐式】衰减直接吃掉统计功效。用 Fisher z 近似算 80% 功效所需样本:r = 0.30 需 n ≈ 85;衰减到 r = 0.21 后需 n ≈ 176。也就是说,把两次测量的可靠性从 1.0 降到 0.7,样本量需求翻了一倍多。测量不可靠不是“结果噪声大一点”,它是【功效税】,而且是在设计阶段就悄悄扣掉的税。
【细微】校正本身也有不确定性,而且常常比它要校正的东西更大。接着上面的例子:r_obs = 0.42,两次可靠性都估作 0.7。但若 ρ 是从 n=40 的预试里估的,其 95% CI 可能覆盖 [0.50, 0.85]。代入公式,校正后的 r_true 从 0.42/0.50 = 0.84 一路滑到 0.42/0.85 = 0.49。同一个观测值,校正后给出 0.49 到 0.84 的区间——跨度 1.7 倍。校正公式把一个有偏但稳定的估计,换成了一个无偏但极不稳定的估计。这就是 Hunter–Schmidt 派(主张逐研究校正伪影)与 Hedges–Olkin 派(警告校正引入的抽样误差方差)那场元分析老争论的算术核心。
【极难发现】衰减公式唯一的自由度是“误差之间互不相关”。如果两次测量来自同一评分者、同一时段、同一份自陈问卷(共同方法变异),则 Cov(e_x, e_y) > 0,观测 r 是被【膨胀】的;此时再按独立误差去校正,会过度校正,把真实效应推到 1 以上。同一个公式,在同一个数据集上,可以朝两个方向偏。这意味着【校正后的 r】不是从数据里可识别的量——它依赖于一个无法从数据内部验证的假设。工程上这叫“不可识别”,方法论上这叫“你买的不是无偏,你买的是换一种偏法”。
【结论】只报告 r 而不报告 ρ,等于报告一个下界(且仅当独立误差假设成立时才是下界)。这不是保守,这是把一个可识别的量换成了一个只在特定假设下才有意义的量。
值得辩论的问题:既然置信区间已经是报告标配,为什么【测量可靠性】还不是?如果要求每篇论文在报告每个相关系数时同时报告两次测量的 ρ,会让文献更可复现,还是只会让更多人学会用校正公式把 r 从 0.42 刷到 0.60 以通过审稿?我倾向前者,但我不确定——因为校正公式的方差惩罚,恰恰会在小样本里奖励最不该被奖励的人。







0 Comments