欢迎来到数据的世界！
你已经设计好实验、召集了参与者，也完成了研究。现在该怎么办？你手上有一堆“线索”（数据），但它们还没能说出一个完整的故事。在本章中，我们将学习如何整理、分析并呈现这些数据，让我们能真正理解人类心智运作的奥秘。将自己想象成一名翻译官，把混乱的数字和文字转化为清晰、科学的真相。
别担心如果你自认不是“数学挂”——我们会把所有内容拆解，一步一步带你搞定！
1. 处理原始数据
原始数据 (Raw data) 就是你在研究过程中收集到、未经任何处理的“原始信息”。就像做蛋糕的原料一样——在搅拌混合之前，你是看不见成品长什么样的。
原始数据记录表
在进行实验或观察时，你需要一张原始数据记录表 (raw data recording table)。这是一个简单的表格，让你可以在观察到结果的当下，即时记录分数或行为。 例子：一个表格，其中一栏是“参与者姓名”，另一栏是“解开谜题所需的时间”。
数据处理的数学技巧
心理学家会用一些数学小撇步来让数据保持整齐：
标准式 (Standard Form)： 用于处理极大或极小的数字，格式为 \( A \times 10^n \)。例如，500 可以写成 \( 5 \times 10^2 \)。
有效数字 (Significant Figures)： 指的是将数字四舍五入到有意义的位数。如果计算器算出 12.345678，你可以将其简化为 12.3（3 位有效数字），让数据更易读。
估算 (Estimations)： 有时候，在进行大规模计算前先进行“预估”很有帮助，看看最终答案是否合理。如果你计算 10、12 和 14 的平均值，结果却算出 50，你就知道自己肯定哪里算错了！
快速回顾： 原始数据是你研究结果的“初稿”。从一开始就使用表格来保持整洁吧！
2. 数据的层次与类型
数据并非生而平等！心理学家会对数据进行分类，以便之后判断该使用哪种统计检验。
定量数据 vs. 定性数据
定量数据 (Quantitative Data)： 以数字形式呈现的数据（例如：“记忆测验的分数”）。容易分析，但缺乏细节。
定性数据 (Qualitative Data)： 以文字形式呈现的数据（例如：“参与者对测试感受的描述”）。细节丰富，但较难归纳总结。
初级数据 vs. 次级数据
初级数据 (Primary Data)： 你为了自己的研究亲自收集的数据。
次级数据 (Secondary Data)： 已经存在的数据，由他人收集（例如：使用政府的犯罪统计资料）。
数据的三个层次
这是 OCR 课程中非常重要的部分。要记住它们，请记住 NOI 这个词：
1. 名义层次 (Nominal Level)： 由类别或名称组成的数据。你只是在“数人头”。（例子：计算有多少人喜欢猫，多少人喜欢狗）。
2. 次序层次 (Ordinal Level)： 可以排序或“分等级”的数据，但级别之间的差距并不相等。（例子：比赛获得第 1、2、3 名。你知道谁比较快，但不知道具体快了几秒）。
3. 等距层次 (Interval Level)： 使用固定且相等间隔的刻度来测量的数据。（例子：摄氏温度或秒数）。 这是最“科学”的数据层次。
重点总结： 识别你的数据层次（名义、次序或等距）是决定使用哪种统计检验的第一步。
3. 描述性统计
描述性统计用于总结你的数据，让你一眼就能看懂重点。
集中趋势测量（中间值）
平均数 (Mean)： 即平均值。将所有分数相加后除以总数。（非常敏感；一个极端分数就可能毁掉它！）
中位数 (Median)： 当所有分数依序排列时，位于中间的分数。（如果有极端高分或极端低分，用中位数最好）。
众数 (Mode)： 出现频率最高的分数。（适用于名义数据）。
离散程度测量（分散度）
这些测量告诉我们分数是聚在一起，还是分散得很开。
全距 (Range)： 最高分与最低分之间的差异。（计算公式：最高分 - 最低分 + 1）。
变异数与标准差 (Variance and Standard Deviation)： 这些较为复杂。它们告诉我们每个分数平均偏离平均数的程度。标准差小代表大家的分数都差不多；标准差大则代表结果非常分散。
数据可视化（图表）
条形图 (Bar Charts)： 用于名义数据（类别）。条形之间不能相连。
直方图 (Histograms)： 用于等距数据（连续数字）。条形必须相连。
散点图 (Scatter Diagrams)： 用于相关性研究，显示两个变量之间的关系。
饼图 (Pie Charts)： 用于显示整体中的比例或百分比。
常见错误： 条形图的条形千万别连在一起！那只有直方图才行。把条形图想成是各类别之间的“社交距离”吧。
4. 推论统计
这听起来很吓人，但其实只是在回答一个问题：“我的结果纯属巧合，还是真的发现了什么？”
概率与显著性
心理学家使用 \( p < 0.05 \) 作为显著性水平 (significance level)。这意味着结果纯属偶然发生的概率小于 5%。我们希望至少有 95% 的把握确认我们的发现是真实的！
正态分布曲线 (Normal Distribution Curve)
如果你测量大群体身高，大多数人会处于平均值，极高和极矮的只有少数。这会形成一个对称、钟形的曲线，称为正态分布。
如果曲线偏向一边，则称为偏态 (Skewed)。（例子：如果考试太容易，大多数人得分很高，会形成负偏态）。
选择统计检验
课程要求你知道何时使用特定的非参数检验 (non-parametric tests)。不用担心数学公式，只要知道怎么选择就行！
1. 卡方检验 (Chi-square)： 用于名义数据和独立测量。
2. 二项式符号检验 (Binomial Sign Test)： 用于名义数据和重复测量。
3. 曼-惠特尼 U 检验 (Mann-Whitney U)： 用于次序数据和独立测量。
4. 威尔科克森符号秩检验 (Wilcoxon Signed Ranks)： 用于次序数据和重复测量。
5. 斯皮尔曼等级相关系数 (Spearman’s Rho)： 当你想探讨两个变量之间的相关性时使用。
第一类与第二类错误
第一类错误 (Type 1 Error，即“伪阳性”)： 你宣称有显著结果，但其实没有。你太乐观了！（通常发生在显著性水平太宽松时，如 10%）。
第二类错误 (Type 2 Error，即“伪阴性”)： 你宣称没有结果，但事实上有！你太保守了。（通常发生在显著性水平太严格时，如 1%）。
你知道吗？ 第一类错误就像没火灾却响起火灾警报；第二类错误则是真有火灾，警报却没响！
5. 方法论问题
在分析数据时，我们必须检查研究是否真的是好的“科学”。
信度 (Reliability)： 研究是否具一致性？如果再做一次，会得到同样的结果吗？
检查方式：重测信度 (Test-retest)（再次进行测试）或 评分者信度 (Inter-rater)（两名观察者的记录是否一致？）。
效度 (Validity)： 研究测量的是否真的是它宣称要测量的东西？
检查方式：生态效度 (Ecological validity)（是否像现实生活？）或 表面效度 (Face validity)（一眼看上去是否合理？）。
偏差 (Bias)： 小心社会期许偏差 (Social Desirability)（参与者表现得比实际更好）以及研究者偏差 (Researcher Bias)（心理学家只看到他们想看的）。
伦理考量： 请务必记住 BPS 伦理准则。你必须确保尊重 (Respect)（知情同意）、胜任能力 (Competence)、责任 (Responsibility)（事后说明）以及诚信 (Integrity)（除非必要，否则避免欺骗）。
最后小撇步： 当你撰写关于数据的报告时，一定要诚实说明其局限性。没有研究是完美的，承认这一点才是一位优秀心理学家的标志！