具体描述
Understanding and applying research methods and statistics in psychology is one of the corner stones of study at undergraduate level. To enable all undergraduate psychology students to carry out their own investigations, the textbook covers basic and advanced qualitative and quantitative methods and follows a sequential structure starting from first principles to more advanced techniques. Accompanied by a companion website, the textbook: grounds all techniques to psychological theory relating each topic under discussion to well established pieces of research. It can be used by the student at beginning and more advanced undergraduate level - therefore a 'one-stop' shop. It includes a creative and practical selection of heuristic devices that cement knowledge of the techniques and skills covered in the textbook.
深入探索心理学研究的基石：《心理学实验设计与数据分析实务指南》 书籍简介 本书旨在为心理学领域的研究者、学生以及对科学方法论有浓厚兴趣的读者提供一套全面、深入且高度实用的指导。不同于侧重于基础概念罗列的教科书，《心理学实验设计与数据分析实务指南》将研究过程的每一个关键环节——从最初的问题构建到最终的理论阐释——视为一个相互关联的、动态的实践过程。我们致力于弥合理论知识与实际操作之间的鸿沟，确保读者不仅理解“为什么”要采取某种方法，更能掌握“如何”高效、严谨地实施这些方法。 第一部分：研究范式的构建与理论基础 第一章：心理学研究的哲学基石与伦理框架 本章首先探讨心理学作为一门科学的本体论和认识论基础，深入分析实证主义、解释主义、批判实在论等主要范式如何塑造我们的研究问题和解释框架。重点解析了操作主义的精髓及其在心理学变量测量中的应用。 伦理考量是贯穿所有研究的红线。本章详细阐述了APA（美国心理学会）的伦理准则，特别是关于知情同意、保密性、去污名化以及特殊人群（如儿童、有认知障碍者）保护的最新规定。通过分析多个经典的伦理困境案例，引导读者形成审慎的职业道德观。 第二章：从兴趣点到可检验的假设 高效的研究始于精准的问题界定。本章教授如何将模糊的、宏大的兴趣领域转化为具体、可操作、可量化的研究问题（Research Questions）。我们将引入“理论-命题-假设”的逻辑链条构建方法，强调假设必须具备可证伪性。 我们详尽讨论了理论饱和度、概念操作化（Operationalization）的艺术与科学。读者将学习如何跨越抽象概念（如“焦虑”、“智力”）与可观测指标之间的鸿沟，包括使用反应时间、生理指标、问卷评分等多种形式的操作性定义。 第三章：研究设计的结构与逻辑 本章是全书的核心结构部分之一。我们系统地比较和对比了主要的实验设计类型： 真实验设计（True Experiments）：重点分析随机分组、控制组、干预强度等核心要素，讲解前测/后测设计、因子设计（Factorial Designs）的优势。 类实验设计（Quasi-Experiments）：深入探讨时间序列设计、不相等控制组设计，以及在自然情境下如何最大程度地提高因果推论的效力。 非实验性研究（Non-Experimental Designs）：包括描述性研究、相关性研究、横断面与纵向研究的适用场景和局限性。 特别强调了“内部效度”和“外部效度”的权衡艺术，并提供了应对常见威胁（如历史事件、成熟效应、回归均值）的具体策略。 第二部分：精确的测量、抽样与数据采集 第四章：测量理论与心理计量学基础 本章深入讲解了测量的四大尺度（定类、定序、定距、定比）及其对后续数据分析方法的决定性影响。随后，我们详细阐述了经典测量理论（Classical Test Theory, CTT）的核心公式，包括真实分数、误差方差的分解。 信度（Reliability）的评估是重中之重。我们不仅涵盖了重测信度、内部一致性（如Cronbach’s Alpha的正确计算与解读），还引入了更先进的准则，如最优测量模型（Generalizability Theory, G理论）的简介。 效度（Validity）的构建是一个多维过程。本章区分并提供了构建证据的实用方法：内容效度（专家评审）、结构效度（探索性与验证性因子分析的初步应用）、以及效标关联效度（预测性与同期性）。 第五章：抽样方法论的精细化 本章着眼于如何确保样本能够代表目标总体。我们详细区分了概率抽样（简单随机、系统、分层、整群抽样）和非概率抽样（目的性、方便性、滚雪球抽样）的适用情境。 针对因研究限制无法进行完全随机抽样的心理学研究，我们引入了匹配抽样（Matching）和倾向得分匹配（Propensity Score Matching, PSM）的基础概念，指导读者如何在非随机样本中增强组间可比性。同时，本章讨论了样本量确定的科学方法，包括基于效应量和所需统计功效（Power）的计算。 第六章：数据采集的技术与规范 本章聚焦于一手数据的收集过程，强调实践操作的严谨性。 问卷设计实务：如何撰写清晰、无偏见的题目，如何设计有效的李克特量表，以及如何进行预测试（Pilot Testing）来优化问卷结构和流程。 行为与反应测量：详细介绍精确记录反应时间（RT）和准确率的技术，包括计时器的校准、数据清理的早期步骤（如剔除极端值）。 实验环境的标准化控制：讲解如何通过物理环境、实验员效应（Experimenter Effects）的控制（如双盲、标准化指导语）来最小化系统误差。 第三部分：严谨的数据处理与推断性统计 第七章：数据准备与探索性数据分析（EDA） 高质量的统计分析建立在高质量的数据之上。本章详细指导数据输入、编码和清理的步骤。我们强调识别和处理缺失值（Missing Data）的策略，包括完全随机缺失（MCAR）、随机缺失（MAR）的判断及处理方法（如均值插补的局限性，多重插补的原理介绍）。 探索性数据分析（EDA）是发现数据潜在结构的关键。本章教授如何利用直方图、箱线图、散点图矩阵来可视化数据的分布、偏度、峰度和异常值。在此阶段，读者将学习如何通过可视化初步判断数据是否满足后续参数检验的要求。 第八章：参数检验的逻辑与应用深度 本章是统计推断的核心。我们深入剖析了零假设显著性检验（NHST）的逻辑基础，强调了P值的正确解读及其局限性。 重点讲解了参数检验的适用条件（正态性、方差齐性）及如何使用Shapiro-Wilk检验、Levene检验进行检验。对于核心的t检验（独立样本、配对样本）和方差分析（ANOVA，单因素、多因素、重复测量），本书提供了从理论假设到SPSS/R等软件操作的完整流程，并详细阐述了事后检验（Post-hoc Tests）的选择依据。 第九章：非参数统计方法的必要性与实施 当数据不满足参数检验的严格假设时，非参数检验成为必要的替代方案。本章系统地介绍了与参数检验对应的非参数方法： 秩检验：如Mann-Whitney U检验（对应独立t检验）、Wilcoxon符号秩检验（对应配对t检验）。 方差分析的替代：克拉斯卡尔-沃利斯检验（Kruskal-Wallis H Test）和弗里德曼检验（Friedman Test）。 更重要的是，本章阐述了何时选择非参数方法，以及非参数方法的“统计功效损失”是如何量化和理解的。 第十章：效应量、统计功效与前瞻性研究设计 仅仅获得“显著性”结果是远远不够的。本章将重点转向现代心理学研究的更高标准：效应量（Effect Size）。详细介绍了Cohen’s $d$、$eta^2$（Eta-squared）、相关系数$r$等效应量指标的计算、解释及其在跨研究比较中的重要性。 本章的核心价值在于功效分析（Power Analysis）。读者将学习如何利用GPower等工具进行先验（A Priori）功效分析，以确定进行实验所需的最小样本量，从而避免“功效不足”的研究，从源头上提高研究的质量和可重复性。 第四部分：高级分析技术与报告规范 第十一章：相关性、回归与预测模型 本章将相关分析提升到预测模型的层面。我们不仅讲解皮尔逊$r$和斯皮尔曼$
ho$，更聚焦于多元线性回归。读者将学习如何构建理论驱动的回归模型，如何解释回归系数、$R^2$的修正值，以及如何进行多重共线性诊断（VIF）。 进一步，本章探讨了中介效应（Mediation）和调节效应（Moderation）的统计检验方法，特别是Hayes的PROCESS宏的应用框架，指导读者如何科学地检验一个变量是否充当了中介角色或调节了关系强度。 第十二章：方差分析的进阶：混合模型与重复测量 对于涉及多层次或复杂时间点的研究设计，本章引入了重复测量方差分析（Repeated Measures ANOVA），并详细讲解了其前提假设——球形性（Sphericity）的检验与矫正（Greenhouse-Geisser, Huynh-Feldt）。 更进一步，我们介绍了线性混合效应模型（Linear Mixed Models, LMM）的基础概念。LMM是处理嵌套数据（如学生嵌套在班级中）和非平衡纵向数据的主流方法，本章旨在为读者构建LMM分析的逻辑框架。 第十三章：研究报告的规范与透明度 一份优秀的研究成果不仅在于分析的精妙，更在于报告的清晰与透明。本章严格遵循APA出版手册（第七版）的最新要求，指导读者撰写研究报告的各个部分： 方法部分：如何精确描述参与者、材料和程序，确保研究的可重复性。 结果部分：如何清晰地陈述统计检验的名称、自由度、检验值、P值以及效应量，并用规范的统计符号呈现。 讨论部分：如何将统计结果与研究假设、现有理论进行有机结合，并坦诚讨论研究的局限性。 我们还加入了关于开放科学实践（Open Science Practices）的讨论，包括数据共享、材料公开（如使用OSF平台）以及预注册（Preregistration）对研究诚信的积极作用。 总结 《心理学实验设计与数据分析实务指南》提供了一条从研究构思到学术发表的完整路径。本书的特色在于其对实践细节的关注、对统计背后的逻辑的深入剖析，以及对现代心理学研究透明度要求的全面覆盖。它不仅仅是一本工具书，更是一本致力于培养读者批判性思维和科学严谨性的实践手册。
作者简介
目录信息
读后感
评分
评分
评分
评分
评分
用户评价
评分
评分
评分
评分
评分
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 qciss.net All Rights Reserved. 小哈图书下载中心 版权所有