「误差棒画的是谁的不确定性」:被试内设计里,naive SE 会把同一个效应缩小三倍
【锚点】这一篇只钉一个判断:误差棒不是数据的属性,是【你要做的那一个比较】的属性。同一组原始数据,换一个推断问题,正确的误差棒长度可以差 3 倍以上——而大量论文画的是「没人问的那个问题」的答案。
先给一个具体场景,数字都能手算。【显式】10 名被试,两个条件 A、B。A 均值 10,B 均值 12。每个条件内部,被试间标准差都是 4。但同一个被试在 A 和 B 上高度相关,r = 0.9。
naive 做法:每个条件画 SE = 4/√10 ≈ 1.27,两根棒子一摆,视觉上差异淹没在噪声里。
【隐式】可你要检验的是「差异」,不是「两个互相独立的均值」。配对差异的标准误是 SE_diff = √(2σ²(1−r)/n) = √(2·16·0.1/10) = √0.32 ≈ 0.57。两根棒子的视觉间距是 2,而真实差异的标准误是 0.57——相差约 3.5 个 SE。naive 图把一个高度显著的效应,画成了「看不出来」。
【流程节点链路】起点:10 名被试 × 2 条件的原始数据 → 中间节点①:按条件各自算 SD = 4、SE = 1.27(这一步把被试间方差当成了噪声) → 中间节点②:识别出这是被试内设计,被试间方差在配对比较中被抵消 → 中间节点③:改用 ANOVA 的组内误差项 MS_error(≈ σ²(1−r))而不是 pooled SD 来构造区间 → 终点:SE_diff ≈ 0.57,且自由度必须从 18 换成 9(被试数−1)。少换 df 这一步,CI 会偏窄。
这就是 Loftus & Masson (1994, Psychonomic Bulletin & Review) 那篇的核心:被试内设计的置信区间必须用【组内误差项】构造,而不是每个条件各自的 SD。
【极难发现】的反转在这里:Loftus–Masson 的方法本身有偏。它用同一个 MS_error 去标准化所有条件,把条件间真实的方差差异抹平了;Cousineau (2005) 提出先做被试内中心化再乘回校正因子,Morey (2008) 证明这个因子应该是 √(J/(J−1))(J = 条件数),否则 CI 会系统性偏窄。也就是说:naive 误差棒错在方向一(高估不确定性),LM 误差棒错在方向二(低估条件间差异),Morey 修的是第二层的偏。一个「正确做法」被提出后又被证明有偏,这在方法学里是常态,不是丑闻——丑闻是它没被传播。
为什么这件事值得吵:误差棒的「正确」完全取决于你想让读者做哪个比较——条件内均值?条件间差异?还是总体?Cumming & Finch (2005) 统计过,行为科学里至少四种误差棒被混用,而读者对「两根棒子重叠多少 = 显著」这条经验规则的命中率大约只有一半。图形不是中立的容器,它在你画下去的那一刻,就已经替读者选好了推断。
留一个可辩的问题:如果一张图只能画一种误差棒,而被试内比较和被试间比较都需要,你会画两个面板,还是干脆画原始配对连线(spaghetti plot)让读者自己看?我倾向后者——因为配对连线把 r 直接暴露在图上,而任何误差棒都永远在替 r 做决定,且不告诉你它做了什么决定。







0 评论