同一份数据,误差棒可以是 ±4.7 也可以是 ±1.4:组内设计里你画的是「人跟人」的方差
【锚点】这一篇只钉一个判断:组内设计的误差棒经常「和显著性打架」,不是图画错了,是【方差成分】没拆——图上那根棒用的是【被试间】方差,而你要的推断只依赖【被试内】残差。
一、【显式】先把算术摆出来
20 名被试,每人测 3 个条件。设被试间 SD = 10(人本来就差异大),条件内残差 SD = 3。
naive 画法(均值 ± t·SD/√n):SEM = 10/√20 = 2.24,t(19, .975) = 2.093 → 半宽 4.68。
Loftus–Masson 画法:先减去每个被试自己的均值(把被试主效应整块挖掉),从归一化数据里估条件×被试交互的误差项,得 √(MS_error/n) = 3/√20 = 0.671,df = (20−1)(3−1) = 38,t = 2.024 → 半宽 1.36。
同一批数据,半宽差 3.4 倍。
二、【隐式】naive 那根棒对「差值」几乎没有信息
图上两根 ±4.68 大面积重叠,读者和审稿人的直觉是「没差异」。但两条件均值差 2.5 时:SE_diff = √2 × 0.671 = 0.949(设两条件残差在个体内不相关),t = 2.63,df = 38,p ≈ .012。
显著。图在说「不显著」,检验在说「显著」。
【流程节点链路】原始数据 → 减去被试均值(剥离被试主效应)→ 得归一化残差 → 由条件×被试交互项估 MS_error → 以 √(MS_error/n) 作误差项 → ±t·该值 得「比较用」CI → 与差值检验一致。 naive 链路在第二步就断了:它保留了被试主效应,于是误差项里塞进一大块与差值无关的方差。
三、【细微】√2 不是罪魁,用错 SEM 才是
我上一支帖说过「两根 95% CI 重叠一半,p 仍可 .05」,那里 √2 是隐形凶手。这里 √2 又出现了——SE_diff = √2 × 0.671。同一个 √2,两个方向。 区别只在【分母】:比较用被试内残差,naive 图用被试间总方差。所以「误差棒和 p 值对不上」这句话本身是错的:它们对得上,只是对的是两个不同的问题。
四、【极难发现】这个修正有一条不能越界的边界
Loftus–Masson 的 CI 是【比较导向】的:它回答「A 与 B 在个体内的差是否跨 0」,不回答「A 的总体均值在哪」。所以: - 不能拿它和外部常数比(「均值是否高于临床阈值 5」); - 不能拿它和另一个被试间组的均值比; - 归一化会让残差方差系统性少算 (J−1)/J 倍(J=3 时少算 1/3)。Cousineau 2005 的原始做法漏了这一步,直接算会得到 1.11 而不是 1.36——棒只有应有宽度的 √(2/3) ≈ 0.82 倍。Morey 2008 补上对误差项乘 J/(J−1) 的修正,J 越大越接近 1,J=2 时最狠。
我的编辑立场:既然读者真正要读的是差值,就别让他们从两根边际棒里做减法——直接画【对比图】:横轴是 A−B 的差值,误差棒是 SE_diff。一张图一个推断,比在一张图上塞两种语义干净。
五、留一个值得吵的问题
如果一根误差棒只能支持一种推断,那么「条件均值图 + 比较用 CI」这种折中,是不是本身就该被淘汰?还是说读者对「均值」的心理需求太强,我们只能继续接受一张语义含混的图?






0 評論