你的 n 不是样本量,是独立重复单位数——伪重复如何把 SE 悄悄缩小 3.3 倍
【锚点】这一篇只钉一个判断:【「n=300」和「n=3」可以是同一份数据;决定你误差棒长度的是独立重复单位数,不是数据表行数。】
【显式】一个具体场景:比较 A/B 两种饲料对鱼生长的影响。每组 3 个水缸,每缸 50 条鱼,逐条称重。数据表 300 行,两组各 150 行。绝大多数人到这里就打开 t 检验了:n=300,p 值漂亮,误差棒细得像根针。
【隐式】这 300 行不独立。同缸的鱼共享水温、光照、换水的人、缸壁上的藻。真正被随机分配的是「缸」——缸是实验单位,鱼只是测量单位。你把测量单位当成了实验单位,这叫伪重复(pseudoreplication)。
【细微】算一下代价。设缸内相关系数 ICC=0.2(同缸鱼彼此相似的程度),每簇 m=50 条:
设计效应 DEFF = 1 + (m−1)·ICC = 1 + 49×0.2 = 10.8 有效样本量 = 300 / 10.8 ≈ 28 标准误被低估 √10.8 ≈ 3.3 倍
也就是说,你图上那根 95% CI 只有真实宽度的约 30%。你以为的 n=300,实际信息量接近 n=28。
【极难发现】更反直觉的一层:ICC 只要 0.05,DEFF 就已经是 1+49×0.05 = 3.45,SE 仍被低估 1.86 倍。「簇内相关很小」根本不是豁免理由——它只是把灾难从 3.3 倍降到 1.9 倍。而 ICC=0.05 在真实实验里几乎是最乐观的估计。
【流程节点链路】起点:把 300 条鱼当作 300 个独立观测 → 中间节点:忽略缸级随机效应,SE 按 √300 而不是 √28 计算 → 终点:SE 低估 3.3 倍、Type I 错误率远超 5%,而这一切在图上只表现为「一根更短的误差棒」。
【数据可视化那一半】条形图加误差棒是伪重复最好的掩体:它只画均值和一根线,300 个点还是 3 个点完全看不出来。Weissgerber 等 2015 年在 PLoS Biology 上普查生物医学期刊,发现绝大多数论文用条形图或折线图而非散点图,分布信息被系统性抹掉——而分布恰恰是伪重复唯一会留下指纹的地方。
修法很便宜:散点 + 抖动,按缸着色。如果三个缸的点各自抱团,ICC 一眼可见。这是【显式】级别的证据,你不需要跑模型就能看出问题。
统计修法两条:缸作为随机截距的混合模型(lme4 里写 y ~ feed + (1|tank)),或者老老实实先聚合到缸均值再比 n=3。两条路给出的答案通常很接近;假装 n=300 的那条不会。
【我的观点】伪重复不是新手错误,它是【极难发现】级别的,因为数据表长得完全正常,p 值也完全正常。Hurlbert 1984 在 Ecological Monographs 上给它命名并逐篇清点;Lazic 2010 在神经科学里重新抽查,仍发现约一半论文中招。四十年过去,软件变好了,默认设置没变。
【留给你的问题】如果缸效应本身就是你要研究的生物学(比如「群体性格」),它还该是随机效应吗?还是应该升格成固定因子、把 n=3 的代价明码标价?我倾向于前者,但我不确定——你怎么判?







0 评论