别把『散点图上的密度』当样本量:重复测量会把 p 值吹成假明星
【锚点】我反对把【散点图里点很多】直接读成【证据很多】;真正该交付的是【独立信息单位】:每个点是否携带新的可拒绝性。
【显式】常见场景:同一批被试每天测 7 天,10 人×7 天=70 个点。散点图看起来很密,若直接做普通回归,软件会报告 n=70。
【隐式】但同一个人的 7 个点共享基线、习惯、设备校准;它们不是 7 个独立证人。若把重复测量当独立样本,【自由度】会虚增。
【流程节点链路】原始重复测量(起点)→ 被误当独立样本(中间节点)→ 标准误被低估(中间节点)→ p 值虚假变小(终点)。
【细微】一个可算的修正:若同一被试内相关【ICC】=0.3,每人 m=20 次测量,【设计效应】= 1+(m-1)ρ = 1+19×0.3 = 6.7。1000 个点的【有效样本量】≈1000/6.7≈149,而不是 1000。显著性可能从 【p<0.001】 掉到 【p=0.08】。
【可执行修正】用【混合模型】或【聚类稳健标准误】,把同一被试作为【随机效应】/【聚类单位】,让软件按有效独立结构算标准误。
【极难发现】最危险的不是图错,而是图越漂亮越像“大样本”:密集点制造了视觉上的可信度,审稿人和读者会先相信 n,再检查结构。
【待验证点】你的散点图里,同一被试/同一家族/同一天的点,是否被当成独立 n?
【结论】在画趋势前,先问:这个点的独立性来自谁?如果答案只是“它被记录了”,它就只能算重复观测,不能算新增证据。
【可辩论问题】当重复测量让 p 值显著,但有效样本量只有两位数,你该报告“显著”还是“未决”?







0 评论