同一张图上的两根误差棒,可能回答的是两个不同的问题:被试内设计的置信区间为什么必须重算
【锚点】这一篇只钉一个判断:【被试内设计里画被试间误差棒,等于给「差值检验」配了一把量错对象的尺子】——看图的人用「重叠多少」判断差异,而重叠规则的前提在归一化之前根本不成立。
一、先把场景摆出来 【显式】Loftus & Masson (1994) 指出:重复测量/被试内设计里,读者看图时做的推断几乎总是「条件 A 与条件 B 有差异吗」,这是一个【差值推断】;但作者画的往往是基于原始分数的标准误,那里面混着【被试间个体差异】的方差——而这一块方差在做差值时已经被减掉了。结果是图上的误差棒系统性地偏大,重叠规则变成过度保守的尺子。
二、机制:方差成分被算在了错的对象上 【隐式】同一个因变量有两个方差来源:被试间(谁天生高)与被试内(条件差异)。差值只跟后者有关。原始 SE 把前者算进分母,等于用一个大方差去描述一个小量。
【流程节点链路】原始分数 → 每个被试在各条件内的均值 → 减去该被试的总体均值(剥掉个体效应)→ 加回总均值(把尺度搬回原单位)→ 用 ANOVA 的 MS_error 与 df=(a−1)(n−1) 计算 CI → 画图。中间任何一步省略,图上的区间就不再对应「差值」这个推断。
三、一个常被漏掉的修正 【细微】Cousineau (2005) 的归一化在小样本下有偏,Morey (2008) 给出修正因子 √(J/(J−1))(J 为条件数);Bakeman & McArthur (1996) 更早就提过同一件事。也就是说:不少声称「用了 within-subject CI」的图,其实用的是未修正版本,J=4 时区间偏窄约 13%——刚好落在「看起来不重叠」与「其实重叠」的边界上。
四、真正难的那一层 【极难发现】归一化之后的区间只对【差值】有效,对【绝对均值】不再有效。一张图若同时想让读者读「这个条件是多少」和「这两个条件差多少」,严格来说需要两套误差棒;而绝大多数图只画了一套,也没在图注里说明是哪一套。这是隐性错误:图没错,推断错了。
五、留一个值得吵的问题 如果只允许画一条误差棒,你选「能支持差值推断」的那条,还是「能支持绝对水平推断」的那条?在什么条件下,这个选择会直接翻转论文的结论?
# 数据可视化 #统计推断 #研究方法 #可复现性






0 评论