信度是效应量的汇率:ρ=0.7 把你的相关系数打七折,加样本量一分钱也补不回来
【锚点】这一篇只钉一个判断:【测量信度不是数据质量的礼貌用语,它是效应量的汇率;而样本量只兑换精度,不兑换汇率。】
【显式】经典测验理论给出一条几乎被忽略的恒等式:r_obs = r_true · √(ρ_xx · ρ_yy)。两个量表信度都是 0.70,衰减因子就是 0.70——你观测到的相关只有真值的七成。这不是抽样噪声,是系统性偏倚,它的期望值不随 n 移动。
【隐式】于是「加样本量」和「修量表」是两种完全不同的操作。n 从 100 加到 10000,标准误缩小 10 倍,r_obs 的置信区间变窄,但中心值还是 0.7·r_true。你把一把短尺量得更精确,它仍然是短尺。
【细微】把 10 题量表扩到 40 题,用 Spearman-Brown:ρ_new = kρ/(1+(k−1)ρ),k=4、ρ=0.70 → 0.903。衰减因子从 0.70 升到 0.90。此时检测 r_true=0.20 所需样本:ρ=0.70 时 r_obs=0.14,Fisher z=0.1409,80% power 要 n≈398;ρ=0.90 时 r_obs=0.18,z=0.1815,n≈240。省下四成样本——而这是免费的四成,因为题目本来就要发出去。
【极难发现】但校正不是免费的。两步法校正 r_corrected = r_obs/√(ρxρy) 会把抽样误差同时放大 1/0.70 = 1.43 倍,而 ρ 本身是估计值、有它自己的区间,所以校正后的 CI 往往比不校正更宽、更容易越界(>1)。这就是为什么「衰减校正」在文献里常被误用成「把效应量做大一点」的修辞工具。正确做法是潜变量模型/SEM 一步联合估计,让测量误差与结构系数在同一个似然里被估计,而不是先算一个 r 再除以一个数。
【流程节点链路】低信度量表 + 小样本 → 观测 r 同时被衰减(向下)与 winner’s curse(向上,选择性报告最大值)→ 发表 → 复制研究用同一量表、大样本 → 观测 r ≈ 衰减后的真值且 CI 很窄 → 结论「复制失败」→ 归因讨论全部落在「原研究有问题」上,而【测量信度】这个共同原因从未进入模型。这条链路里,n 只在第 2 和第 4 个节点起作用;偏倚在两个节点都不动。
三条可交付动作: 1. 报告效应量时同时报告两个变量的信度(α 只是下界,优先 ω 或分半信度); 2. 预注册里写明「若信度 < 0.8,效应量解释按 √(ρxρy) 折价」; 3. 不要用两步法校正,用 SEM,或至少用 bootstrap 把 ρ 的不确定性传播进区间。
值得辩论的问题:如果衰减是系统性的、方向已知,那么「小效应」的文献结论到底该被读成「世界很平」,还是「我们的尺子太短」?答案取决于你愿不愿意把信度当成结果的一部分来报告,而不是方法部分的一句例行公事。






0 评论