第4章心理学相关研究的
设计
领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计
强调要揭示心理现象及其规律，心理学主要通过研究变量与变量之间的关系来加以实现。心理学实证研究主要包括相关关系的研究与因果关系的研究。相关研究主要探讨存在变量之间的关系，并根据这种关系就研究对象的特征和行为作出解释和预测。相关研究（correlationalresearch）试图理解变量与变量间的关系。以数量的术语描述并揭示变量之间的关系。如：学生每天练习数学的时间与其数学成绩是否相关。相关系数（correlationcoefficientorcoefficientofcorrelation）介于-1与1之间相关系数的绝对值越大，则相关性越高。相关系数的强度大小与意义相关系数范围（绝对值）变量关连程度0.8以上很高相关0.60~0.79高相关0.40~0.59中相关0.20~0.39低相关0.19以下很低相关五种不同的相关程度完全正相关（perfectpositivecorrelation,r=1）正相关（positivecorrelation,0
方法
快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载
本研究对100名被试进行了人生认知量
表
关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf
的测查,并采用记录情绪日记的方法了解被试的日常情绪状况。结果 “追求功利”与“积极情绪”的各项指标均呈负相关,与“消极情绪”的各项指标呈正相关;而“自我完善”和“为社会和他人服务”这两个维度与“积极情绪”和“消极情绪”各项指标间关系则正好相反。结论 人生观中“人生目的”因子与个体的日常情绪有较为密切的关系例子美国相关研究报告：车上视讯设备可能对驾驶者产生相关影响:其视讯设备的范围包括：手机、导航系统、夜视系统、无线网络、信息和娱乐系统…根据美国国家高速公路局1995年的报告指出，因注意力分散而造成之事故占所有事故之19％。第一节研究两个变量相关关系的研究设计与统计思路一、相关研究的变量相关研究中的两个变量既可以是连续变量又可以是类型变量。连续变量：在一定区间内可以任意取值的变量,其数值是连续不断的。例如,人体测量的身高,体重,胸围等为连续变量。类型变量（名称变量）：用数字或字符表示个体在属性上的特征或类别上的不同，如性别（男和女），顺序（第一名，第二名）。例子：相关研究—建立双变量表性别总计工作满意度男女高527中224低145总计8816工作满意度与性别自变量：性别（栏）因变量：工作满意度（列）例子：相关研究—建立双变量表居住地总计自尊心乡村都市高300(60%)200(40%)500(100%)低100(50%)100(50%)200(100%)总计400300700居住地与自尊心判读解释：高自尊心组中，乡村占60%低自尊心组中，乡村占50%二、两变量相关关系的统计思路㈠连续变量与连续变量间的相关关系当相关研究中的两个变量都是连续变量时，通常采用皮尔逊积差相关或者一元回归对数据进行统计分析。负相关玩乐时间和学习成绩正相关的例子：--长的玩乐时间与GPA有关。学习小时数GPA学生1421.8学生2233.0学生3312.2学生4352.9学生5163.7学生6263.0学生7392.4学生8193.4关于皮尔逊积差相关皮尔逊积差相关（Pearsoncorrelation）是由英国统计学家皮尔逊提出的，又称积矩相关。一个典型的皮尔逊完全相关关于皮尔逊积差相关皮尔逊相关系数”数值在-1和+1之间，并且具有明确的暗示： 如果有两个变量，X、Y 当相关系数为0时，X和Y两变量无关系。 当X的值增大，Y也增大，正相关关系，相关系数在0.00与1.00之间 当X的值减小，Y也减小，正相关关系，相关系数在0.00与1.00之间 当X的值增大，Y减小，负相关关系，相关系数在-1.00与0.00之间 当X的值减小，Y增大，负相关关系，相关系数在-1.00与0.00之间 相关系数的绝对值越大，相关性越强，相关系数绝对值越接近于1，相关度越强，相关系数越接近于0，相关度越弱。 通常情况下认为： 相关系数0.8-1.0为极强相关0.6-0.8为强相关0.4-0.6为中等程度相关0.2-0.4为弱相关0.0-0.2为极弱相关或无相关㈡两水平类型变量与连续变量间的相关关系即一个自变量为连续变量，另一个为类型变量（2个水平）。通常采用t检验、点二列相关法对数据进行统计分析。关于t检验t检验可用于样本均数与总体均数的比较以及两样本均数的比较。例如若要检验两独立样本均数差异是否能推论至总体，要进行t检验。两样本(如某班男生和女生)某变量(如身高)的均数并不相同，但这差别是否能推论至总体，代表总体的情况也是存在著差异呢？会不会总体中男女生根本没有差别，只不过是恰巧抽到这两样本的数值不同？为此，要进行t检定，算出一个t检定值。点二列相关系数点二列相关系数就是当一列变量为连续变量时，另一列变量是值域为{0，1}情况下的Pearson积差相关系数。㈢三水平类型变量与连续变量间的相关关系即一个自变量为连续变量，另一个为类型变量（2个以上）：F检验、多列相关F检验当两个研究变量中一个是类型变量，有3个或3个以上水平，另一个是连续变量时，通常采用F检验。㈣类型变量与类型变量间的相关关系两个自变量均为类型变量：卡方检验即卡方检验，可检验两个双向无序分类变量是否存在关联。检验第二节研究多个变量相关关系的研究设计与统计思路一、探讨多个变量相关关系的统计思路多变量分析（multivariateanalysis）运用多变量统计技术可协助统计者测量与研究三个以上变量形成各种组合之间的相关程度可分析相关的资料及实验结果的资料。三种具体数据模式㈠多个连续变量之间的相关关系㈡多个类型变量与1个连续变量之间的相关关系㈢多个类型变量之间的相关关系多变量相关分析方法比较分析方法使用情况复回归分析分析数个预测变量(x)和一个效标变量(y)间的关系。区辨分析分析数个预测变量和一个效标变量(y)间的关系。典型相关分析数个预测变量和数个效标变量间的关系。净相关分析第三个变量的影响去除后，两个变量间的纯净关。因素分析认定许多变量中的因素结构，以减少变量的数目。路径分析考验三个以上变量因果关系之理论效度的技术多元回归（multipleregression）亦称复回归确定数个预测变项与效标变项间的关系多元回归分析在研究中的应用主要在于预测，且综合多个变项预测效标变项，其正确性较根据一个变项预测高。Ex：智力、动机、学习习惯、自我观念、社经地位等变项与学业成绩之相关。y=β0+β1x1+β2x2+β3x3关于回归分析 当多个变量x1，x2,…，xm（称为回归变量或自变量、独立变量）同时影响某个指标y（称为因变量）时，可进行回归分析，回归分析的第一个任务就是求回归变量对指标y的影响的统计规律性（也称回归关系）；第二个任务是寻找众多的回归变量中哪一些能对指标y产生影响（常称为因素分析或变量的筛选）；第三个任务(也称相关分析)是在固定（或称消除）其他变量的影响后，考察每一个回归变量对指标y的相关程度（称为偏相关系数）。上述三个任务常是相互联系，可以同时完成。区辨分析（判别分析）（discriminateanalysis）根据样本的某些指标来决定样本归属的类别。例如在心理诊断中，要确定一个人是否患有抑郁症，这就是一个判别问题。为了回答这一问题往往需要对其进行多项指标（变量）的检测，然后根据各项指标的观测值将其归入患有抑郁症或不患有抑郁症的类中。例如：根据不同的职业兴趣预测个人将来从事之职业类别。典型相关（canonicalcorrelation）典型相关是以组合的多个预测变项来预测组合的多个效标变项。主要目的：发现哪一组的预测变项最能够预测那一组的效标变项。Ex：学业性向、家庭社经地位、中学平均成绩、职业兴趣、中学后受教年限(x)vs.年薪、身心健康程度、对社区贡献程度(y)路径分析（pathanalysis）考验三个以上变项因果关系之理论效度的技术。较其他技术更易发现相关资料存有的因果关系。Ex.国家福利支出关系到四项变量：工业化、国民所得、种族、政党，各项相影响相关系数共有3×4=12种相关系数，可相互推断影响与因果关系。净相关与部分相关净相关（partialcorrelations）分析两个变项间的相关，在去除第三个变项，是否仍保持不变部分相关（partcorrelation）将变项A中移除变项B的影响，形成新的变项C，再探索C与依变项的关系因素分析（factoranalysis）没有自变项而有若干个依变项的多变项分析方法。主要目的在于认定一组依变项中的因素结构，使变项的数量减至最小限度，但仍不失原来代表性。主要用于编制问卷步骤计算相关矩阵，求出任两变项间的相关进行因素分析决定变项是否可以较少的因素予以描述
浙公网安备 33021202002483