多因素完全随机实验设计.docx
《多因素完全随机实验设计.docx》由会员分享，可在线阅读，更多相关《多因素完全随机实验设计.docx（25页珍藏版）》请在冰豆网上搜索。
多因素完全随机实验设计
第二节多因素完全随机实验设计
对于单因素完全随机实验设计来说，实验的处理数就是自变量的水平数，将被试随机分配到各个处理组上就可以了。
多因素完全随机实验设计则是多个因素的多种水平相互结合，构成多个处理的结合，如二因素二水平，就是有两个自变量，每个自变量有两个水平，则处理的结合共有四个，这种实验设计称为是2×2实验设计；如果一个自变量两个水平，另一个变量是三个水平，则共有6个实验处理，这种实验设计就是2×3实验设计。
如果有三个自变量，其中两个自变量是2个水平，另一个变量有3个水平，则这种实验设计有12个实验处理，叫做2×2×3设计。
这里需要重申以下几点：
第一，自变量是研究者操纵的变量，在实验过程中必须是变化了的，也就是说自变量的水平数至少为2。
如果自变量的水平数为1，那就等于说该变量在实验过程中始终保持在一个水平上，它就不是“变”量了。
比方说，一个2×3×1×2实验设计中，实际上只有三个自变量，它们的水平数分别为2、3、2。
第二，实验处理就是自变量在各种水平上结合而成的各种实验条件，实验处理数等于所有自变量水平数的乘积。
如一个2×3×3实验设计，其实验处理数是18，等于说这一实验过程中出现18种实验条件。
第三，对于完全随机实验设计来说，有多少种实验处理就要有多少组实验被试，因为一组被试只参加一种实验条件下的实验。
现在，我们以下面这个假想的实验研究为例来说明多因素完全随机实验设计的模式。
假设某研究者想考察缪勒错觉受箭头方向和箭头张开角度的影响。
研究中的自变量有两个，一个是箭头方向（标记为A），分为向内和向外两个水平；另一个是箭头张开角度（标记为B），设置为15度和45度两个水平，因此这是一个2×2实验设计，构成了4种实验处理，如表2-1所示。
研究者从某大学文学院本科二年级一60人的班级随机抽取了20名男生，再将20名男生随机分成相等的四个组，每组5人，每一个组接受一种实验处理，所以，这是一个二因素完全随机实验设计。
假设其实验得到了表2-1的数据，那么如何分析这些数据呢？
表2-1箭头方向与箭头张开角度对缪勒错觉量的影响
箭头方向向外（A1）箭头方向向内（A2）
箭头张开15度（B1）箭头张开45度（B2）箭头张开15度（B1）箭头张开45度（B2）
6
5
7
6
7
4
3
5
4
5
8
7
9
8
9
7
6
7
6
8
Σ31
21
41
34
这一数据分析的目的就是要考察自变量的变化是否引起了因变量的变化。
具体地说，就是箭头方向的改变是否导致了缪勒错觉量的不同、箭头张开角度的改变是否导致了缪勒错觉量的不同、这两个自变量对因变量的影响是相互独立的还是相互依赖的呢？
根据统计学方法，拟采用完全随机实验设计的方差分析来确定是否存在上述效应。
这一方差分析的过程如下：
第一步：
计算数据总变异量并对之进行分解
表2-1中数据变化的原因大致可以划分为四个方面：
（1）自变量A的独立作用，叫做A的主效应；
（2）自变量B的独立作用，叫做B的主效应；（3）自变量A和自变量B的交互作用，叫做A和B的交互效应；（4）来自被试间差异及其它随机变量的影响，我们将之称为误差效应，或残差。
就本例来说，其各项计算如下：
数据总的变异平方和：
SST＝所有数据的离差平方和＝52.55
则SSA＝[（31＋21）2/10＋（41＋34）2/10]－806.45＝26.45
SSB＝[（31＋41）2/10＋（21＋34）2/10]－806.45＝14.45
SSAB＝（312/5+212/5+412/5+342/5）-SSA-SSB-806.45＝0.45
SSE＝SST-SSA-SSB-SSAB＝52.55-26.45-14.45-0.45＝11.2
第二步：
计算各种效应引起数据变异的自由度（即数据发生变异的机会数）
共进行了20次观测，所以总的数据变异自由度是N＝20－1＝19。
然后将自由度分解：
A的主效应引起数据变异的自由度是：
dfA＝a－1＝1（a是自变量A的水平数）
B的主效应引起数据变异的自由度是：
dfB＝b－1＝1（b是自变量B的水平数）
A和B交互效应引起数据变异的自由度是：
dfAB＝（a－1）（b－1）＝1
残差引起数据变异的自由度等于总的自由度减去上述三项：
dfE＝19－3＝16
第三步：
计算各变异源引起数据变异的方差MS
因为方差等于变异平方和除以自由度，于是：
MSA＝SSA/dfA＝26.45
MSB＝SSB/dfB＝14.45
MSAB＝SSAB/dfAB＝0.45
MSE＝SSE/dfE＝11.2/16＝0.7
第四步：
计算各效应是否显著的检验统计量F比率
也就是计算各效应方差与残差方差的比值：
FA＝MSA/MSE＝26.45/0.7＝37.786分子与分母的自由度为（1，16）
FB＝MSB/MSE＝14.45/0.7＝20.643分子与分母的自由度为（1，16）
FAB＝MSAB/MSE＝0.45/0.7＝0.643分子与分母的自由度为（1，16）
第五步：
给出方差分析表和分析结果，如表2-2所示
查F表确定各效应F比率达到统计学上的显著性水平所需的临界值，得到：
F（1，16）|α=0.05＝6.20F（1，16）|α=0.01＝10.80
将上述F比率与临界值比较，就可以确定各效应的F比率是否达到显著性水平的要求。
从比较的结果知道：
FA和FB均大于F（1，16）|α=0.01，但FAB小于临界值F（1，16）|α=0.05和F（1，16）|α=0.01。
将上述分析的结果汇总，如表2-2所示。
表2－2箭头方向与张开角度对缪勒错觉量影响的方差分析表
变异源
离差平方和
自由度
均方
F
P
A的主效应
B的主效应
AB的交互效应
误差
26.45
14.45
0.45
11.20
1
1
1
16
26.45
14.45
0.45
0.70
37.786
20.643
0.543
<0.01
<0.01
>0.05
合计
52.55
19
从方差分析表可以看出，自变量A和自变量B的主效应达到了显著性水平（p<0.01），A和B的交互效应没有达到显著性水平（p>0.05）。
因此，可以得到结论：
箭头的方向和张开角度对缪勒错觉量有显著性影响，且二者对错觉量的影响是相互独立的。
虽然，我们所举例子是最简单的多因素完全随机实验设计，但它能够说明完全随机实验设计的所有特征，包括如何评估自变量的主效应和交互效应。
如果我们遇到自变量或自变量的水平数更多的实验设计时，其实验的原理和数据分析的程序都与这里所展示的相同。
比如，对于一个2×3×2×4完全随机实验设计来说，其自变量是4个，实验处理数是48，那么实验就需要48组被试。
在数据分析中，需要分析4个自变量的主效应、两两变量间的交互效应、三个变量间的交互效应、四个变量间的交互效应等，这里需要考察的交互效应有11个。
显然，随着自变量数和变量的水平数的增加，特别是被试数量的增加，会给方差分析带来非常繁琐的计算，不过，这一点不用担心，因为在实际研究中，研究者都是使用统计软件进行数据分析，一切都变得相当快捷了。
可还是存在另一个问题，随着变量数和变量水平数的增加，实验处理数急剧增加，这就意味着被试组数的大幅增加。
对于上面这个例子来说，需要48组被试，如果再考虑每一种实验处理下要有一定量的被试（比如每一组被试是20人，就需要960人），实验操作简直不敢想象。
这就是实际研究中，真正使用多因素完全随机实验设计的研究者很少。
查阅近几年国内发表的研究报告，你就会发现《心理学报》、《心理科学》等刊物上难得找到几篇完全随机实验设计的研究，大部分使用的是多因素重复实验设计，其次是混合实验设计。
第三节多因素重复实验设计
多因素重复实验设计中，所有实验处理都由一组被试来完成，每个被试都参加所有实验处理或实验处理的结合，比如有三个自变量，其水平数分别是p、q、r，则其结合处理数是三者乘积p×q×r，乘积得到的数字就是每个被试要接受的实验处理数。
很显然，这种实验设计使用的被试数是最少的，因此带进实验的被试间的个体差异也最少。
当实验中的自变量都适合于做被试内变量，且实验任务较简单，每次实验不花费很多时间时，就可以使用多因素重复实验设计。
这种实验设计在实际研究中使用最多，我们可以很容易地从《心理学报》和《心理科学》上找到这种实验设计的例子。
如陈燕丽等采用4×4的重复实验设计对阅读四字成语时最佳的注视位置进行了实验研究。
其研究是这样进行的：
研究者从《成语大辞典》中选择了32个4类成语，其中A型成语是前面两个字一样，后面两个字一样，如“轰轰烈烈”；B型成语是前面两个字不一样，后面两个字一样，如“目光炯炯”；C型成语是前面两个字一样，后面两个字不一样，如“津津有味”；D型成语是第一和第三个字一样，第二和第四个字不一样，如“古色古香”。
然后编造了32个假成语，共构成了64个实验材料。
在电脑屏幕上呈现这些真假成语，让被试判断其“是”成语或“否”成语。
在每次呈现刺激材料前都要在屏幕上呈现一个注视点“＋”300ms，“＋”出现的位置对应于成语的四个字中的一个字，每次出现的位置是随机的，而且在每个字位置上出现的次数相等。
然后在出现成语或假成语，要求被试通过按键作出“是”或“否”的回答，记录其反应时间和正确性。
实验结束后分析成语类型不同、材料呈现前被试注视点位置不同对其判断速度和正确率有无影响。
因为每个被试都完成上述所有的实验任务，其属于典型的4×4重复实验设计，自变量为两个（成语类型和刺激呈现前被试注视点的位置）。
研究中虽然只使用了33名大学生，但因为每个被试完成了所有实验处理的实验任务，保证了每种实验操作条件下一组数据的样本容量，提高了研究的准确性。
为了说明重复实验设计数据的分析过程，我们现在假定上一节谈到的错觉研究实验采用的是重复实验设计：
如表2-3所示，研究者从某大学文学院本科二年级一60人的班级随机抽取了5名男生，每一被试接受全部四种实验处理，那么如何分析这些数据呢？
这一数据分析的目的也是要考察两个自变量及其交互效应对缪勒错觉量的影响。
根据统计学方法，拟采用多因素重复实验设计的方差分析来确定自变量的效应。
这一方差分析的过程如下：
第一步：
计算数据总变异量并对之进行分解
表2-3中数据变化的原因大致可以划分为五个方面：
（1）自变量A的主效应；
（2）自变量B的主效应；（3）A和B的交互效应；（4）来自被试间差异；（5）其它随机变量的影响，我们将之称为误差效应，或残差。
就本例来说，其各项计算如下：
表2-3箭头方向与箭头张开角度对缪勒错觉量的影响
被试
箭头方向向外（A1）箭头方向向内（A2）
箭头张开15度（B1）箭头张开45度（B2）箭头张开15度（B1）箭头张开45度（B2）
Σ
1
2
3
4
5
6
5
7
6
7
4
3
5
4
5
8
7
9
8
9
7
6
7
6
8
25
21
28
24
29
Σ
31
21
41
34
127
数据总的变异平方和：
SST＝所有数据的离差平方和＝52.55
则SSA＝[（31＋21）2/10＋（41＋34）2/10]－806.45＝26.45
SSB＝[（31＋41）2/10＋（21＋34）2/10]－806.45＝14.45
SSAB＝（312/5+212/5+412/5+342/5）-SSA-SSB-806.45＝0.45
SSS＝（252/4+212/4+282/4+242/4+292/4）-806.45＝10.30
SSE＝SST-SSA-SSB-SSAB＝52.55-26.45-14.45-0.45-10.30＝0.90
第二步：
计算各种效应引起数据变异的自由度（即数据发生变异的机会数）
共进行了20次观测，所以总的数据变异自由度是N＝20－1＝19。
然后将自由度分解：
A的主效应引起数据变异的自由度是：
dfA＝a－1＝1（a是自变量A的水平数）
B的主效应引起数据变异的自由度是：
dfB＝b－1＝1（b是自变量B的水平数）
A和B交互效应引起数据变异的自由度是：
dfAB＝（a－1）（b－1）＝1
被试差异引起数据变异的自由度是：
dfS＝n-1＝4
残差引起数据变异的自由度等于总的自由度减去上述四项：
dfE＝19－7＝12
第三步：
计算各变异源引起数据变异的方差MS
因为方差等于变异平方和除以自由度，于是：
MSA＝SSA/dfA＝26.45
MSB＝SSB/dfB＝14.45
MSAB＝SSAB/dfAB＝0.45
MSS＝SSS/dfS＝2.575
MSE＝SSE/dfE＝0.90/12＝0.075
第四步：
计算各效应是否显著的检验统计量F比率
也就是计算各效应方差与残差方差的比值：
FA＝MSA/MSE＝26.45/0.075＝352.667分子与分母的自由度为（1，12）
FB＝MSB/MSE＝14.45/0.075＝192.667分子与分母的自由度为（1，12）
FAB＝MSAB/MSE＝0.45/0.075＝6.000分子与分母的自由度为（1，12）
第五步：
给出方差分析表和分析结论，如表2-4所示
查F表确定各效应F比率达到统计学上的显著性水平所需的临界值，得到：
F（1，12）|α=0.05＝6.55F（1，12）|α=0.01＝11.75
将上述F比率与临界值比较，就可以确定各效应的F比率是否达到显著性水平的要求。
从比较的结果知道：
FA和FB均大于F（1，12）|α=0.01，但FAB小于临界值F（1，12）|α=0.05和F（1，12）|α=0.01。
将上述分析的结果汇总，如表2-4所示。
表2－4箭头方向与张开角度对缪勒错觉量影响的方差分析表
变异来源
平方和
自由度
均方
F
P
A的主效应
B的主效应
AB的交互效应
被试间效应
误差
26.45
14.45
0.45
10.30
0.90
1
1
1
4
12
26.45
14.45
0.45
2.575
0.075
352.667
192.667
6.000
<0.01
<0.01
>0.05
合计
52.55
19
从方差分析表可以看出，自变量A和自变量B的主效应达到了显著性水平（p<0.01），A和B的交互效应没有达到显著性水平（p>0.05）。
因此，也可以得到结论：
箭头的方向和张开角度对缪勒错觉量有显著性影响，且二者对错觉量的影响是相互独立的。
很明显，重复实验设计的方差分析中，可以将被试差异带来的数据变异从误差项中分离出来，使自变量的效应更容易显示出来，再加上该种实验设计非常节省被试，成为最常用的实验设计方法就不为怪了。
但是，当实验的顺序效应比较明显，实验任务较大以致于形成被试的负担时，都会在实验进程中出现新的混淆变量，造成研究内部效度的降低，就不能采用重复实验设计了。
第四节混合实验设计
在多因素研究中，研究者经常会遇到这样的情况：
一个或多个因子适合于用被试间设计，另一个或几个因子适合于用被试内设计。
比如说，研究者更喜欢用被试内设计，以便使用较少的被试。
但如果有一个因子可能会存在较大的顺序效应，那最好还是采用被试间设计。
这样，就需要构成一个混合设计，设计中同时包含被试间因子和被试内因子，用矩阵表示的话，则可以用被试间因子构成行，被试内因子构成列，每一行对应的一组被试必须接受列的所有不同处理。
混合设计（Mixeddesign），“是一种将两种不同的研究策略结合在一起的因素型研究方法，如将被试间设计和被试内设计结合，或将一个实验因子与一个非实验因子结合。
”在一个二因素实验设计中，如果一个自变量采用组间设计，另一个自变量采用组内设计，就构成了最简单的混合设计。
如图2-3所示的就是一个最简单的二因素混合设计。
图2-3显示的是一个考察情绪与记忆之间关系的混合实验设计。
在这一课题领域中，最具代表性的研究结果表明：
人们倾向于回忆那些与他们当前的情绪一致的信息。
因此，心情愉快时，人们就容易回忆出快乐的事情，心情沮丧时人们就容易回忆出悲伤的事情。
在一项如图2-3所示的研究中，蒂斯代尔等（1979）通过两种方式操纵情绪，其中一组被试读一系列越来越悲伤沉闷的陈述（例如“回首我的生命历程，我怀疑是否获得过任何真正有价值的东西”）；另一组被试读一系列越来越轻松、高兴的陈述（例如“生活是如此的充实、有趣，活着真是太棒了”）。
这样，研究者就创设了一个被试间因子，包括情绪高兴组和情绪沮丧组，这两个组分别对应于矩阵中的两行。
然后向所有被试呈现一些词语，其中包括一些积极的、令人愉快的词汇，也包括一些消极的、令人沮丧的词汇。
最后，研究者分别记下每位被试能回忆的正向情绪词数和负向情绪词数。
这里，研究者又创设出一个被试内因子，包括正向情绪词和负向情绪词，它对应于矩阵中的两列。
当然，混合实验设计的含义不仅仅是指被试间设计与被试内设计的混合，它也包括实验的与准实验的混合、实验的与非实验的混合、准实验的与非实验的混合。
在行为科学研究中，采用由一个实验因子和一个非实验因子构成的析因设计是非常常见的。
混合设计中的一个因子是真正的自变量，它包括一系列可被操纵的实验条件；另一个因子是准自变量，主要有两类：
1.现成的被试特征，如年龄或性别等。
如研究者想考察实验处理条件对男性和女性是否会产生同样的效应，或者想知道实验处理的效应是否会随着年龄的变化而变化。
现成被试特征将被试自然分成两组，因此它是一个准实验因子。
2.第二个因子是时间。
如研究者关注不同实验处理的效应会持续多长时间。
比如，两种不同治疗技术在治疗结束后会立即产生相同的作用，但经过一段时间后，其中一种治疗能继续产生效应，而另一种治疗的效应随着时间推移而逐渐消失。
实验中，时间不受研究者控制或操纵，因此它是一个准实验因子。
Shrauge（1972）考察了有无观众时人们的行为。
在概念形成实验任务中，一半被试独自工作（无观众），另一半被试在有观众的情境中工作，当然观众必须有兴趣观察这个实验。
有无观众是由研究者控制的。
第二个因子是自尊水平，根据测量将被被划分成高自尊组和低自尊组。
自尊是预先存在于被试身上的特征，因此它是一个非实验因子。
如图2-4所示，实验产生的结果非常接近Shrauge的真实数据，两个因子间有明显的交互效应。
具体地说，观众在场对低自尊的被试有明显作用，但对于高自尊的被试来说几乎没有什么影响。
我们在前文已经指出，在国内心理学家的研究中，除重复实验设计之外，就数混合设计的使用频率高了。
有兴趣的读者可以在《心理学报》、《心理科学》等刊物上查阅一些混合设计的研究实例。
第五节随机区组设计与拉丁方设计
我们已经学习过完全随机实验设计，也就是将被试随机分成相等的多组，各组被试各自完成一种实验处理，然后比较各组被试因变量观测值的差异。
我们可以使用t检验（两个小样本组）、Z检验（两个大样本组）或方差分析对平均数显著性水平进行检验，方差分析是最能体现差异检验的逻辑的。
方差分析是将所有观测值的总体变异分解成：
自变量的主效应、自变量的交互效应（当自变量不止一个时）、误差效应（包括组内被试的差异和其它因素导致的变异，可以统称为是残差），然后将自变量效应、交互效应的方差与误差效应方差比较求得F比率。
F比率越大，表明自变量或自变量的交互效应越明显。
但在计算F比率时，误差效应方差是作为分母出现的，也就是说误差项越小，F比率就会越大，对自变量效应的检验就越敏感。
上述分析，启发我们，残差部分越大越是不能显示出自变量的影响效应。
如果在实验设计中能减少未知因素带来的误差项即残差，方差分析就更灵敏地将自变量的效应显示出来。
由此，我们介绍随机区组实验设计和拉丁方实验设计及其数据的分析过程。
一、单因素随机区组实验设计
在行为科学研究中，接受处理的实验单位一般都是一个人、一只老鼠或一个其它动物。
几乎可以肯定地说，对于我们想要测量的任何变量来说，个体之间总会存在差异性，而未经选择的一组被试之间的差异就更大。
比如，他们在反应时间、问题解决能力、学习能力、记忆能力等方面都会有所不同，因此，实验中的个体差异必然带来因变量的变异。
这里所讨论的随机区组设计（randomizedblockdesign）就是要按照某种个体特征将被试划分成若干区组，并将他们因变量的观测值分开记录，这样就可以计算不同区组之间因变量的变异量，从而将由于个体差异带来的数据变异从残差项中分离出来，达到降低残差项的目的。
现在，我们先以单因素随机区组实验设计为例来说明。
假如某研究者想考察不同箭头张开角度对缪勒错觉的影响，从大学生中抽取了一些被试参加实验，但这些学生分别来自数学系、化学系、中文系和考古系。
考虑到这些学生所接受的不同专业训练可能会造成其缪勒错觉测量有较大的个体差异，于是他决定采用单因素随机区组实验设计方法完成这一研究，将接受的不同专业训练作为一个区组变量。
现有36名被试参加缪勒错觉实验，自变量为箭头张开角度，有三个水平，分别为300、450和600。
考虑到教育训练的可能影响，36名被试中9人来自数学系、9人来自化学系、9人来自中文系、9人来自考古系，每个专业的学生均分到自变量的三个水平上。
这样的设计不仅考虑了自变量的影响，而且也考虑了被试本身的某一方面特征的影响，将被试间的差异作为一个区组变量，这样就可以至少部分地把被试间差异引起的反应变异从残差中分离出来。
不过，需要注意的是，一般作为区组变量的额外变量与自变量之间不存在交互作用。
如果存在交互作用，则其就不能作为区组变量来对待了。
我们假设上述实验设计得到的观测数据如表2-5所示。
表2-5箭头张合角度与缪勒错觉量的关系
区组
300
450
600
Σ
数学系
6
5
3
40
考古系
5
5
7
7
6
4
5
6
5
4
4
3
4
5
3
47
化学系
7
7
4
59
中文系
9
8
8
7
6
7
7
6
6
5
4
5
60
8
8
7
Σ
83
70
53
206
对于这一实验设计模型，其数据如何处理呢？
很显然，如果我们不去关注不同专业学生（区组）之间的差异，这一实验就是一个单因素实验设计，对其进行单因素方差分析来考察自变量（缪勒错觉实验中角度的张开度数），这时不同专业的差异带来的数据变异就与其它随机变量带来的变异混在一起，作为残差项。
如果我们把一个专业的学生作为一个区组，我们就可以计算一个区组变量对测量错觉量所带来的变异平方和，将其从残差项平方和中分离出来，使残差项方差降低。
残差项的方差降低，自变量的效应就更容易显示出来了。
完全随机区组实验设计的数据分析与完全随机实验设计的数据分析相比，就是要多计算一个变异平方和——区组变量引起因变量变异的变异平方和。
当然，区组变异的自由度也可以计算出来，它等于区组数减1。
在将区组变量引起的变异从残差中剔除时，也要将区组变量的自由度从残差项自由度中减除。
实际上，这里可以检验区组变量的效应是否显著，方法类似于自变量效应的检验。
有时，区组变量与自变量存在一定的交互效应，但是由于区组变量与自变量的交互效应的讨论会引出其它许多更复杂的问题，我们此处就略而不谈，这里的方差分析中的误差平方和就是总变异平方和减去自变量变异方平和、自变量交互效应变异平方和、区组变量变异平方和。
有些时候，每个区组中的被试只分配到每种实验处理水平上
升级会员 