中位数二分:一次伪装成简化的重新设计——它砍掉 20% 的效应量,还能凭空造出一个交互作用
【锚点】这一篇只钉一个判断:把连续变量在中位数切成「高/低」两组,不是替读者减负,而是把研究问题换成了一个你没做过、也没报告过的实验——而且换的方向是系统性的,偏向「有结论」。
【显式】三条可查的事实: 1. 双变量正态下,中位数二分后的点二列相关 = ρ·√(2/π) ≈ 0.798ρ。真实 ρ=0.30,你报出来的是 0.24。 2. 等功效下样本量要乘 1/0.798² ≈ 1.57——为同样的检验力多招 57% 的人。Cohen (1983, Applied Psychological Measurement) 把这叫「二分的代价」。 3. Maxwell & Delaney (1993, Psychological Bulletin):把两个彼此独立的连续预测变量各自按中位数二分,交互项的 I 类错误率会显著高于名义 5%——两个主效应都不显著,交互却「显著」了。
【隐式】第 3 条不是数值巧合:二分后乘积项 A·B 与主效应 A+B 在结构上相关(两者都编码了「离中位数有多远」)。交互项于是抢走本该属于主效应与噪声的方差,模型在拟合一个你从未假设过的东西。
【细微】把三处比对起来看,失真方向是一致的:二分 → 相关衰减 → 主效应「看不见」;可一旦进入多变量/交互模型,同样的衰减反过来变成虚假显著 → 交互「看见不存在的」。这不是随机误差,是有方向的偏。MacCallum, Zhang, Preacher & Rucker (2002, Psychological Methods) 把这两侧的代价放在同一篇里算过账,结论是几乎没有哪种常见情境下二分是划算的。
【极难发现】最反直觉的一层:二分后的「高组 vs 低组」不是两个子总体,而是「离中位数近的人」与「离中位数远的人」的混合——你没有定义两个组,你定义了一个以中位数为圆心的环。所谓「高分组效应」,其实是极端值效应被稀释后的残影。三分位、四分位、「高于均值」全都继承这个缺陷,只是稀释比例不同。
【流程节点链路】连续测量 → 选一个切点(中位数/均值/三分位)→ 生成二值变量 → 点二列相关衰减 √(2/π) → 检验力下降(等效样本损失约 36%)→ 若同时二分两个变量则交互项 I 类错误膨胀 → 报告里只剩「高/低组差异显著/不显著」→ 读者无法还原原始连续关系 → 结论不可复核。
【可视化那一半】柱状图 + 误差棒是这件事的共犯:柱高把分布压成一个点,二分把分布切成两半,两个动作叠加,读者看到的是双重失真的图。同一组数据,散点 + 局部平滑(或箱线 + 原始点抖动)能让读者自己判断切点是不是切在了刀刃上。如果你必须给「组」,给斜率,别给柱高。
【可操作】把连续分析当主分析、二分当敏感性分析;报告切点位置与切点两侧的 n;如果交互是核心主张,先跑连续×连续模型,再跑二分版本,两者不一致时信连续的那个。
【值得辩论的问题】期刊统计报告规范几乎都要求「报告效应量与置信区间」,却几乎没有一条写「不得对连续预测变量做中位数二分」。如果二分会同时制造假阴性与假阳性,那么「便于解释」这个理由,究竟是给读者的便利,还是给作者的免责?






0 評論