欢迎来到数据记录、分析与呈现！
在这一章，我们将学习心理学家如何将研究中收集到的“混乱”信息转化为清晰、科学的结果。试想一下：如果研究员直接塞给你 500 份填好的问卷，你一定会不知所措。我们需要工具来整理、总结这些数据，并判断它们的实际意义。如果数学看起来有点吓人，别担心——我们会一步一步来拆解！
1. 原始数据 (Raw Data)：起点
原始数据是指你在进行任何运算之前，收集到的“未经处理”信息。为了保持井然有序，心理学家会使用原始数据记录表 (Raw data recording tables)。这基本上就是一个表格，让你可以在收集到每个受试者的数据时，随即记录下来。
数字与精确度
记录数据时，必须保持精确。你需要了解以下概念：
- 标准式 (Standard Form)：一种用 10 的幂次来书写极大或极小数字的方法。例如，\( 5,000 \) 会变为 \( 5 \times 10^3 \)。
- 小数形式 (Decimal Form)：使用小数点来表示整体的零碎部分（例如 \( 0.75 \)）。
- 有效数字 (Significant Figures)：数字中具有意义的位数。如果你被要求以 2 位有效数字作答，\( 12.34 \) 就会变成 \( 12 \)。
- 估算 (Estimations)：在计算精确答案之前，先做出一个“最佳猜测”，以检查最终结果是否合理。
快速温习：一定要在开始研究之前设计好你的表格，这样才不会漏掉任何数据！
2. 数据的层次与类型
并非所有数据都是一样的！我们会根据数据的性质及其“详细程度”进行分类。请记住助记词 N.O.I.R. 来掌握测量层次。
“NOIR”测量层次
- 名义数据 (Nominal)：分为独立类别的数据（名称）。例子：你是吸烟者还是非吸烟者？
- 顺序数据 (Ordinal)：可以排序或分级，但级别之间的差距不相等的数据。例子：比赛获得第 1、2、3 名。你知道谁跑得快，但不知道快了几秒。
- 等距数据 (Interval)：在具有相等间距的刻度上测量的数据。例子：摄氏温度或智商测试分数。
数据类型
- 定量数据 (Quantitative)：涉及数字的数据（例如：“花了多少秒？”）。
- 定性数据 (Qualitative)：涉及文字与描述的数据（例如：“你在任务期间感觉如何？”）。
- 初级数据 (Primary)：你自己为研究亲自收集的数据。
- 次级数据 (Secondary)：你所使用的由他人收集的数据（例如：政府统计数据）。
重点总结：等距数据是最“科学”且详细的，而名义数据则是最简单的。
3. 描述性统计：总结数据
描述性统计 (Descriptive statistics) 用于描述数据的基本特征。它们不会告诉我们假设是否“正确”，只会呈现数据看起来的样子。
集中趋势测量（平均值）
- 平均数 (Mean)：将所有分数相加后除以总人数。（最敏感，但会受极值影响）。
- 中位数 (Median)：按顺序排列后的中间数值。（适合顺序数据）。
- 众数 (Mode)：出现频率最高的分数。（唯一适用于名义数据的指标）。
离散程度测量（分散性）
这些数据告诉我们分数是集中在一起，还是分散得很开。
- 全距 (Range)：最高分与最低分之间的差异（最大值 - 最小值 + 1）。
- 变异数与标准差 (Variance & Standard Deviation)：这些衡量分数平均偏离平均数的程度。标准差较大意味着数据分布非常广泛。
你知道吗？心理学家也会使用比率 (ratios)、百分比 (percentages) 和分数 (fractions) 来简化比较（例如：“60% 的受试者表示同意”）。
4. 数据呈现（图表）
我们会根据数据类型使用不同的图表。记住：图表必须永远拥有清晰的标题和坐标轴标签！
- 频数表 (Frequency Table)：显示事件发生频率的统计表。
- 条形图 (Bar Chart)：用于名义数据。条形之间不相连，因为类别是独立的。
- 直方图 (Histogram)：用于等距/连续数据。条形会相连，因为数据是在连续刻度上。
- 折线图 (Line Graph)：显示数据随时间或条件变化的趋势。
- 饼图 (Pie Chart)：显示群体如何被划分为各个部分。
- 散点图 (Scatter Diagram)：用于相关性研究，显示两个变量之间的关系。
常见错误：不要将相关性数据画成条形图！请改用散点图。
5. 推论统计：进行决策
这一步是为了判断我们的结果是否真正具有显著性 (significant)（发生了真实的效应？），还是纯粹归因于运气/偶然 (luck/chance)。
概率与显著性
心理学家通常使用 \( p \le 0.05 \) 作为显著性水平 (significance level)。这意味着我们的结果纯属巧合的可能性只有 5%（或更低）。如果 \( p \le 0.05 \)，我们就称结果具有统计显著性。
常态分布与偏态分布
- 常态分布 (Normal Distribution)：呈“钟形曲线”，平均数、中位数和众数都在中间。
- 偏态分布 (Skewed Distribution)：当数据向一侧偏移时。正偏态在右侧有长尾巴；负偏态在左侧有长尾巴。
两类错误
- 第一型错误 (Type 1 Error)：“伪阳性”。当结果纯属偶然时，你却宣称结果具有显著性。（你错误地拒绝了虚无假设）。
- 第二型错误 (Type 2 Error)：“伪阴性”。当确实存在真实效应时，你却宣称结果是偶然造成的。（你错误地接受了虚无假设）。
避坑小撇步：为避免第一型错误，可以使用更严格的显著性水平（例如 \( p \le 0.01 \)）。
6. 该用哪种统计检定？
在考试中你不需要亲手计算这些复杂的数学，但你必须知道如何选择！要使用参数检定 (parametric test)，数据必须是等距层次且符合常态分布。如果不符合，我们则使用非参数检定 (non-parametric tests)。
你必须知道的非参数检定：
- 曼-惠特尼 U 检定 (Mann-Whitney U)：测试两个独立组别之间的差异（独立样本设计）。
- 威尔科克森符号秩检定 (Wilcoxon Signed Ranks)：测试同一群人在两个条件下的差异（重复测量设计）。
- 卡方检定 (Chi-square)：测试名义数据之间的差异或关系。
- 二项符号检定 (Binomial Sign Test)：用于名义数据和重复测量设计的差异测试。
- 斯皮尔曼等级相关系数 (Spearman’s Rho)：用于找出两个变量之间的关系/相关性。
必学符号：
\( = \) (等于)
\( < \) (小于)
\( << \) (远小于)
\( > \) (大于)
\( \propto \) (正比于)
\( \sim \) (大约)
重点总结：选择正确的检定就像为工作选择正确的工具。如果你有名义数据并正在寻找相关性，你必须使用卡方检定！