態度對結果有顯著影響
態度與性別有交互作用
多因子變異數分析
樂觀者的成績在性別上差異不大,但悲觀者男性相較女性被影響大
蔡毓 從媛婷
13.12多因子變異數分析設計(Higher-Order Factorial Designs)
13.13 電腦計算的例子
三因子變異數分析(3 way factorial design)樣本數量不均質
實驗:游泳隊被要求游出最佳成績,但計時造假,故參與者被告知較差的成績,都很失望。而後實驗者要求再測一次。
實驗假設:樂觀者第二次的成績會好於第一次,悲觀者則反之。
參與者:被依照A態度(樂觀、悲觀,B性別,C喜好做分類。
依變項:Time1/Time2 若>1表示表現較好,<1則表示表現較差。
例如:開車能力實驗 2X3X2 因素分析
A開車經驗:無經驗(A1)、有經驗開車者(A2)
B道路種類:最佳(B1) 、次佳(B1) 、差(B2)
C情境:白天(C1) 、晚上(C2)
樣本總數4X(2x3x2) =48人
依變項:駕駛校正(steering corrections)
13.8 其他實驗設計─巢套設計(Nested design)
自變項對依變項所造成的影響,反應在自變項的各水準平均數差異上
多個自變項共同對於依變項產生影響,即個因子間具有彼此修正調整的調節作用
只看自變項一個因子中的一個水準和另一個因子做比較。
13.12多因子變異數分析設計(Higher-Order Factorial Designs)
簡單效果(simple effects)
舉例:Eysenck實驗
- 實驗設計:不同年齡受試者在不同情境下回想字詞的數量
由圖可知,開車情境對於無經驗者的影響遠大於有經驗駕駛
開車經驗(A)與情境(C)的交互作用達顯著
13.8 其他實驗設計─混合模型設計
13.9 測量相關與效果值
一個固定一個隨機變項:Case大小寫(固定變項),字母(隨機變項)
13.1
13.3交互作用
兩種方式看效果量(同單因子變異數分析)
一般,想整體的看F→r-family
著重在平均數的比較→d-family
前言
- 延伸變異數分析實驗處理的設計,觀察兩個或兩個以上的自變項對依變項的影響。
MScase/MSCsL
採用多因子的優點
1.推論性強
2.能探討自變項間的交互作用
3.較為經濟
13.9 r-family
判斷準則:
- 兩折線不平行,即表示兩自變項對於依變項具有交互作用。
- 次序性交互作用:兩條線沒有相交。
- 無次序性交互作用:兩條線相交。
13.9 r-family
ω2量數的特性
數值介於0到1之間,越接近1表示關聯越強
ω2量數值分佈為以.05到.06為眾數的正偏態分配,達到.1以上者,即屬於高強度的獨變項效果
一般期刊上所發表的實證論文的,也僅多在.06左右
Cohen(1988)建議下列的判斷準則
η2
最簡單,但偏誤最多的方法
良好的描述統計,但是不良的推論統計
可能無法測量到所欲測量的(後面會談)
ω2
偏誤比上者小,一般少用
可以比較固定、隨機、混合模型
η2是迴歸分析當中的R2,除了作為X對Y解釋強度的指標外,經常也被視為效果量的指標
根據Cohen(1988),η2的判斷標準與ω2相同
13.4 簡單/單純效果
- 當交互作用達顯著即進行簡單效果分析,能釐清交互作用的效果是如何作用。
- 簡單效果其實就是在一個給定好的實驗水準中進行單因子的分析。
13.5 變異數分析─抽菸效果之SPSS主要效果操作
Spilich、Renner和June (1992)調查抽菸如何影響表現。
自變項:不同認知作業流程*3、不同抽菸習慣*3
依變項:錯誤次數
SPSS操作流程:分析→一般線性模式→單變量
13.8 其他實驗設計
- 傳統上:傳統心理學實驗設計,集中在固定模型(fixed models)與獨立變項的交叉研究
- 特殊狀況:隨機變項、巢套現象,兩者常一起討論;當討論隨機和巢套設計,因誤差源不同,故需要一些調整。
13.11 不均等的樣本數量
13.5 變異數分析─抽菸效果之SPSS報表
2X2實驗:測量警戒程度,參與者在清醒與被酒精影響的狀態下的警戒程度
然因樣本數不同,導致看似有不同洲對於錯誤率有影響, 怎解決?
效果值
POWER
13.5 變異數分析─敘述統計、變異數同質假定
13.5 變異數分析─抽菸效果之交互作用圖
(14+20)/2=17
(10+24)/2=17
p值<.05達顯著水準
(14+10)/2=12
(20+24)/2=22
交互作用達顯著
Smoke Grp、Task
主要效果顯著