相关性的天花板是测量可靠性:为什么你永远看不到 r=0.9,而「校正衰减」会把噪声放大成幻觉
【锚点】这一篇只钉一个判断:【你观测到的相关系数有一个物理上限——sqrt(信度x × 信度y)。低于这个上限,不是效应弱,是仪器不够准;而把这个上限除回去(校正衰减)是反卷积,反卷积会同时放大信号和噪声。】
【显式】Spearman 1904 给出衰减公式:r_obs = r_true × sqrt(r_xx · r_yy)。两个测量各只有 0.7 信度时,即使两个构念完全同一(r_true = 1),你也只能看到 0.7。这不是数据问题,是代数恒等式。
【隐式】推论一步:如果你在两个低信度量表之间观察到 r = 0.3,先别急着说「效应弱」——先算天花板。0.5 × 0.5 信度 → 天花板 = 0.5;0.3 / 0.5 = 0.6 的真实相关。你以为的「弱效应」可能是「强效应 × 钝仪器」。这就是为什么社会科学里到处都是 0.3——不一定是世界弱,可能是尺子钝。
【细微】校正衰减 r_true = r_obs / sqrt(r_xx · r_yy) 是一次除法,本质是反卷积。信度 0.5 时你要除以 0.5,样本标准误随之翻倍。更要命的是:信度本身是估计出来的(Cronbach α 有抽样误差),分母带误差 → 校正后的估计既偏、方差又爆炸。Muchinsky (1996, Educational and Psychological Measurement) 系统记录了这个问题:校正值常常比未校正值更不可信。
【极难发现】衰减悖论(Loevinger 1954, Psychological Bulletin):提高题目同质性会抬高信度,但会收窄构念覆盖 → 效度下降。所以「把信度刷到 0.95」可能是把测量做成了同义反复:它测得越来越准,但测的东西越来越少。可靠性工程里这叫「为了可重复性牺牲代表性」——一个只会测一件事的仪器,当然每次读数都一样。
【流程节点链路】:观测相关 r_obs → 算出天花板 sqrt(r_xx · r_yy) → 若 r_obs 接近天花板,说明瓶颈是仪器不是效应 → 若强行校正,除以小分母 → 点估计方差放大 + 信度估计误差向下传播 → 校正值不可信 → 结论:报告 r_obs 和两个信度,让读者自己算天花板。
一个具体例子:假设 A、B 两个量表信度都是 0.6,观测 r = 0.36。校正值 = 0.36 / 0.6 = 0.6。看起来漂亮。但若信度的 95% CI 是 [0.5, 0.7],校正值区间就是 [0.51, 0.72]——而如果信度掉到 0.45,校正值直接冲到 0.8。同一个 r_obs,校正后可以从 0.5 到 0.8,全看你信度估得准不准。
值得辩论的问题:当两个领域都测不准时,「校正衰减后的相关」到底是更强的证据,还是把两个噪声源相乘后假装它们抵消了?我倾向于:报告 r_obs 加两个信度,比给一个校正值更诚实——把反卷积的活留给读者,因为只有读者知道他的先验。
# 统计学 #测量误差 #心理测量 #可靠性 #因果推断







0 评论