forked from hcp4715/R4PsyBook
-
Notifications
You must be signed in to change notification settings - Fork 2
/
1008-lesson8_2024.Rmd
2927 lines (2558 loc) · 79.9 KB
/
1008-lesson8_2024.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
editor_options:
markdown:
wrap: 72
# 以下是课堂语音转文字
我们前面学的
就是相当于
一方面能学习r的一些基本的知识
对吧另一方面
是用r代码
来帮助我们解决我们统计
课本当中那个描述性的统计
那大家知道我们在做数据分析的时候
或者我们在研究当中
更多的是用r语言
帮助我们去做统计推断
对吧
啊大家如果还记得的话
在学心理统计的时候
有一部分叫描述统计
另一方面叫做推断统计对吧
我们利用我们的数据去做统计推断
那么更多的时候
我们是利用阿源来帮助我们做推断
那么从这这节开始的话
我们就开始呃
使用啊里面的一些工具
帮我们去实现我们的统计推断
应用我们的一些统计知识
那么在这个过程中
大家会发现两点
一个就是r语言的话
他是能够更灵活的
帮助我们实现各种安全方法
那这个灵活呢
他有好处也有坏处
我们可能会在看到这个Lova的时候
会发现好处就是有有很多选择
坏处也是你有很多选择
你不知道怎么选对吧
呃
但是如果说
我们经过了
刚开始那个不知道怎么选的
这个阶段之后
后面可能就是能够更多的呃
使用更
下面是把统计知识
能够更好的进行一个实现
那么另外一个呢
我们会在接下来几节课当中
如果大家还记得我们大纲的话
我们都是说回归模型对吧
回归模型一回归模型2回归模型3
那么为什么是回归模型呢
因为呃
我们也想趁这个阿克的这个机
会呢就是把大家平时呃
在我们心理学好社会科学中呃
这个研究当中也好
我们使用到的一些常用的统计检验
把它统一到这个回归的框架之下
那么这个呢
也是最近呃一些这个研究者
他们所推荐的一种做法
就是实际上
我们心理学使用的这些统计方法
他跟其他学科使用的统计方法
并没有本质上的区别
对吧只不过大家的偏好的问题
那么我们心理学当中使用最多的啊
就是各种各样的
这个回归模型的一个特例
那么我们还是以研究问题作为一个呃
开始那么我们之前对吧
在一开始的时候
介绍我们的数据的时候
我们说到那个人类企鹅计划
在这个人类企鹅计划当中
有几个关键的变量
一个呢是这个恋爱状态对吧
那么还有一个呢
就是核心温度
还有一个呢
是呃这个社交的复杂程度
还有一个是这个赤道的距离对吧
那么有可能
我们刚开始做这个数据分析的时候
我们并没有特别明确的一个假设
那么我们想要知道
假如说社会关系
它有助于我们进行体温调节的话
那么像亲密关系这样的一个很明显的
对成年人来说很重要的一个
这个这个呃社会关系对吧
他会不会影响我们的体温
会不会呃
就是说
能够帮助我们去调节这个核心的温度
那我们可以就是说做一些探索对吧
用我们所知道的一种方法
那么另外就是
这个恋爱状态
他会不会和赤道的距离之间有这个交
互作用
那么为什么我们要
讲这个对吧
那么这有一个图片啊
呃没有更新上
呃
大家还记得那个一个中介模型对吧
这边是呃社交的复杂程度
最左边的
然后右边的是这个核心温度对吧
它中间就有一个跟赤道之间的距离
对不对
呃这三个变量
也就说呃
我们呃应该是最左边的
是距赤道的距离对吧
呃就是你隔赤道越近的话
你的核心体温应该是越高的
因为你在热带嘛
那么你在寒带的话呢
这个时候呃
你的体温
应该来说就是相对来说比较低一点
那么呃house们他的那个研究的就发现
呃社会交往的这个复杂的程度对吧
他会调节这两者之间的关系
他还接那个中介模型对吧
而那个调节模型
然后呢他又发现
在呃不同的这个
这个亲密关系的这个群体当中呢
这三个变量之间的关系是不一样的
对吧所以我们在前面几节课的时候
有两个这种三个变量之间的关系图
大家如果还还记得的话
所以呢
我们就回到这个比较关键的这些概念
然后呢
呃做一些我们常用的一些统计
这个就包括t test和Lova
对吧方在分析
然后呢我们也会介绍test和LOGO
为什么
他们实际上是限时回归的一个呃特例
那么这里研究问题的话
呃
这里因为下载的这个有一点问题啊
那么我们这个第一个人的问题
title
实际上就是我们这里说的在恋爱状态
在这个判断这个数据当中恋
爱的状态
会不会影响我们这个核心的体温
也就是我们会比较两组不同的人对吧
他们的核心体温是不是一样的
呃
因为我们下面这个恋爱状况的话
基本上就是我们可以把它分成两种
一个就是处于恋爱状态之中
或亲密关系之中
对吧另外一个呢
就是不处于这个亲密关系之中
所以我们就把它把所有的数据呢
分成两组
分成两组之后的话
我们要比较他们之间是不是有差异
的话那么很明显
大家都会想到独立亚的t检验对吧
这个都是我们学过的吧
那么我们比较两组数据
他们在某一个硬币量上是不是有区别
的时候我们通常采用的是t检验
对吧
这个应该态度没什么问题啊
当然
我们这里会有一些基础的知识对吧
比方说呃独立亚门体检验
那你需要满足这个正态性
我们可以假定
两个数据都是来自于正态的总体
对吧那么我们也知道
如果说样本量足够大的话
即便他不严格的服从正常分布呢
结果也是呃用体检也是没有问题的
然后另外一个就是方差的这个同质性
对吧啊
他这两个样本的方差应该是呃内饰的
然后两个样本应该是独立的等等等等
然后我们的零假设呢
就是说这两个独立的样本
他们在某一个背面上的均值
是没有差异的
MU1等于MU2
那么我们的背则假设就说
他们的这个呃
群体的均值是有差异的
对吧然后就是MU1不等于MU2 然
后这里是t值
我们做t检验的时候通常的一个公式
这个为什么不能隐藏
那么我们
如果说要做t检验的话
在r里面如何实现
首先我们要做我们之前的呃
在之前的课上学到的那些知识点对吧
就是把数据进行一个预处理那么
这里的这个数据预处理
应该是我们之前都已经学过的代码
对吧就是用Bruce r去import
然后我们这个pumping data
然后呢呃
这里我们就因为原来的数据里面
可能没有背时编号
对吧
我们就随机的生成一个背时编号
然后呢
我们选择自己在本次分析当中
比较关心的问题
比方说我们就像之前选择了对吧
用DPR YR的这个函数
选择了一些我们感兴趣的变量
然后呢
这里就是我们可能有的时候
大家如果不注意的话
会出出错的一个地方
呃
如果说你对某几个呃数据感兴趣的话
你可能要去查看他的缺失值的情况
对吧我们上节课
在讲这个数据的探索的时候
我们讲的这个缺失值
那么作为一个初步的分析的话
你可能就是
我就不管这些确实是什么情况对吧
我先把它去掉了再说
这样的话
能够让我快速的看查看这个结果
然后呢我们可以把这个romantics这个
这个变量对吧
就是呃是否处于亲密关系之中
我们把它变成一个呃fat
变成一个因子
然后呢给他有两个呃有两个水平
一个是恋爱
一个是单身
然后我们这个
时候要感我们感兴趣的音变量是什么
是呃背时的这个温度对吧
就核心的体温
是不是在两组之间有区别
那么怎么得到两组
这两组被是他的一个核心体温呢
我们知道在那个原始数据当中
是有两次测量体温对吧
所以我们这个时候呢
做了一个很简单的处理
就是每个背式的皮核心体温
实际上就是他两次测量的一个呃
一个得分呃的均值
所以我们这里之前也用过对吧
我们用mutate
然后呢生成一个新的变量
这个新的变量呢
是等于呃
以temperature这个字符串开头的这些列
对吧这些columns
那么这些columns实际上就是两列对吧
一个是temperature one
呃temperature t one
一个是temperature t two对吧
然后呢把它们求一个均值
那么这个时候
就得到了我们这个温度的一个均值
对吧那实际上后面的
好像暂时跟我们的目前的分析
没有关系
我们可以先不管他
那这就是我们之前的数据
预处理的一些呃代码
对吧
然后如果说要说t test的话
那么大家可以简单的去问一下
搜索一下
或者问一下大约模型对吧
大约模型很快就会推荐
最常用的这个呃
t test的一个函数
那就是呃t test
t点test那么t点test它是啊
安装的时候你就自带的一个包
叫States啊
就统计这个包里面它带了一个函数
那么这个时候我们就可以
比方说第一个argument
第一个参数对吧就
是我们data等于这个
我们之前的这个
经过筛选的这个数据框
然后temperage啊
就是我们感兴趣的一个自变量对吧
然后romantic就是这个分组的变量
然后这个地方
假定他们的这个方差是相等的对吧
然后我们输出一个结果
那么这个时候我们看到他的这个呃
结果是这样的
t等于0.34
呃664对吧
d f等于142
呃1425 非常大
然后p值呢
是不显著的
然后这个时候我们也可以看到
恋爱状态
对吧恋爱组的和非恋爱组的
他们的这个体温的一个差异
均子差异
确实好像差别不大对吧
那当然
这个大家可可以很快的就用这个呃
就比方说
大家收入大大模型也能够解决
对吧那么为什么我们说它是一个呃
特殊的线性回归的模型呢
那么我们主要是大家可以看这个代码
那么我们在这里是采用这种方式
来去写这个代码
对吧就是把字变量放在前面
把呃因变量放到后面
那么这种方式
实际上跟我们在阿里面写
这个回归模型
是非常像的
那么既然我们说
这个体检
也是一个特殊的回归模型的话
那我们肯定要简单的说一下
回归模型到底是什么对吧
那这个
我相信大家都都应该在考研的时候
都已经学过了
那么在心理统计学里面也都学过了
一般来说的话
我们就是用回归分析的话
呃用用来研究一个或者多个变量对吧
他能不能预测或者解释另一个音变量
对吧
呃我们把这个一个
用来预测另外一个变量
叫做预测变量或自变量
对吧那个被预测的就叫做音变量
或叫做响音变量
在不同的学科可能有不同的叫法
那么线性回归的话
它的核心就是说
我们通过啊
在这两个数据之间对吧
我们拟合一条曲
一条直线
那么这个直线尽可能的能能够
它和每个点之间的这个距离
都是最小的
对吧那么这样的话
能够帮助我们啊完成这么一个预测
当线性回归如果要讲的话
展开讲的话是非常多的
我相信就是说
大家是对一些基本的线性回归的知识
是有的
比方说当我们看到这个y等于杯的0
对吧加上杯的1X1加上杯的2X2
然后最后加上一个x龙对吧
一个误差项的时候
基本上
我们很多时候用这样的一个方程
或一个等式
来表达这个回顾模型
对吧这里面的y就是我们关心的
或说我们把它放在这个等号右边
左边的这个自变量
呃因变量
然后后面的X1 X2一直到n对吧
它都是这个自变量
那么
我们以前在学这个回归模型的时候呢
我们都是学的是叫什么
连续变量之间的关系对吧
就是h呢
它是一个连续的变量
然后y呢
它也是一个连续的变量对吧
它这里跟我们的这个t test
好像不太一样
对不对我们t test好像外是
比方说我们回到这个体温的这个
这个情况
对吧在我们数据清理的时候
我们可以看到
哎
大家可以看到体温
这里它是表示两次体温的一个均值
的话
它应该也是在表示3637左右的一个数值
对吧
我们可以把它视为一个连续变量
因为小数点后面会变化
但是对于我们这里的这个质变量
是不是属于亲密关系
它很明显不是一个
不是一个
这个呃连续的变量对吧
所以它好像跟我们的这个回归模型
有一点区别
但实际上呢
呃这个独立亚门体检
就是我们刚提到这种体检对吧
它实际上就是
这个线性模型的一个特殊的形式
就当我们自变量是二分变量的时候
我们其实也可以把用它来做这个呃
回归
那么他的这个回归呢
呃
有点像是这样啊
因为我们这个图片有点问题啊
这个好像
这好像没有
没有粉笔吗
我们通常看到这个线上的
听可乐就不好意思了
然后我们这里边有一个
呃
这个就是亲密关系
就比方说是处于亲密关系中的
对吧
这个属于不处于亲密关系当中的
单身的状态
那么我们看到的这个体温可能是
比方说是这样的一堆点
对吧
那么这里可能也是一堆点
那我们在做这个线性回归的时候
实际上我们画一条线
实际上是在这两个之间
画一条一条回归线
那么去对他们进行预测
就是当x等于一的时候
对吧我们预测他是他的
他的数值是什么状态
那么当x等于2的时候
我们预测他的这个数值是
这一堆数据的人的均值
是什么状态
那么我们以前的话
现在是我们以前在做回归
回归的时候对吧
我们可能有很多点对不对
那么都在x o上面
然后有一条有一条
这个有一条直线穿过上面对吧
然后我们说x等于这个这个值的时候
那么它预测的y是多少对吧
啊
可以在他附近有另外一个x对吧
他也会对应一个y的预设值
那么也就是说
在我们以前的学习的这个连续数据
做回归的时候
x都可以有很多值对吧
y也有很多值
这是我们所熟悉的
那么在t这个状态之下呢
x它就只有两种取值了
一个就是一
一个就是2对吧
或者一个是零
一个是一
大家可以这么理解
那么我们所做的预示就是
当x等于一的时候
就是当倍式
它属于某一个亲密关系状态的时候
对吧他所对的体温是多少
那么当他处于另外一个速度的时候
他的体温是多少
我们也是在用回归去做预测对吧
所以这个时候
我们的这个独立样本体检验
它就是我们的
这个线性模型的一个非常特殊的形式
就是当我们的这个呃自变量
它是一个二分变量的时候
那么这个
呃
我想想啊
在啊里面的话
实际上对于这个
我们如果说用代码来看的话
我们一会直接直接跑代码了
就是这个
这个就不看了
我们发现不管是我们用这个t test
还是用限制回归
它的结果应该都是一模一样的
我看下
我这边同步好了没有啊
这边还是有稍微有点问题啊
我们把前面的这个代码稍微跑一下
大家应该能够看到呃
我们这里的结果它是完全一样的
神经预数据的预处理
这个大家应该都没有什么问题
然后我们直接看这个t test
假如说我们不看这个
对他的结果进行整理之后呢
我们只看他原
比较原生态的一个输出的话
他是这么一个状态
他会输出这个t等于多少
然后d f值等于多少
p值等于多少对吧
然后我们刚刚说它是一种特殊的回归
那么回归模型的话
在r里面呢
它是有一个很常用的一个函数
如果大家在大大模型里面问这个做
怎么做回归
对吧
那么最常用的这个回归模型就是LM
我们现在看一下这里t值和DF值
还有p值对吧
然后我们可以看一下在这个回归里面
它是不是一模一样的
我们这个地方大家可以看到
我们用的是spacelm这个这个代码
那么这个代码的话呢
它呃指的就是这个线性回归Limi model
然后我们这
这里数据还是采用这个Panga的数据
对吧
然后formula就是回归模型的这个formula
那么这里的话
temper就是我们的前面讲的
一个回归公式里面的y
对吧然后相对是y等于呃背带0
然后加romantics就是我们的x对吧
那么这个x它是一个因子啊
它是一个因子
对吧我们请把它变成一个因子
我们实际上写了这么一个公式之后
只要是把前面的这个因变量
加上一个波浪号
对吧然后加上一个自变量
然后呢
这个LM或者r里面
它就会自动帮我们来处理
解决对因子怎么进行回归分析的
这些后续的一些处理
那么它就会给给我们一个结果
那我们可以看到它这里就是会呃
把这个代码对吧
会给出来
然后呢会把一些v z 9对吧
长插的这个给一些值
然后更重要的可能是
我们这里的这个值
对吧大家可以看到
这个t值跟跟我们刚才的
另外
我们主要是看单身的一个影响对吧
所以呢这个地方的t值0.3十七对吧
p值是0.729
那么跟我们上面的
基本上是一模一样的
对吧 0:37他有一个四舍五入
然后呢0.729
然后我们看回归的
可能前面还有一个intercept对吧
intercept我们一般不会管
那么也就是说对于我们这种情况
对于我们现在看到的这种情况
在t test里面我们看到的是一个值对吧
我们会会说哎
这个呃分组有没有影响对吧
两组之间有没有差异啊
但是在这个呃回归模型里面呢
他这个时候是不太一样
回归模型
我们假如说只有一个自变量的话
我们他我们会看到他有一个intercept
对吧有一个slope
那就我们在这里看到的
假如说我们把这个地方呃
变成一个x和y什么的话
这个intercept类似于就
是它和外层的一个交界点对吧
slope就是这个呃这个斜率对吧
这个斜率怎么理解
它就是当x变化一个单位的时候
那么我们的外会发生多少变化对吧
那对于我们这种
只有2分变量的这种自变量
这种情况来说
我们自变量x
从一个单位变到另从变化一个单位
对吧
它首先就是从一一组跳到另一组
那么我们从一组跳到另一组的时候
我们对应的y的变化
它是不是实际上就是两组之间的差异
对吧
因为我们这里只有两个取值嘛
x只有两个取值
从一组变成另一组对吧
我们这里的这个stop表示
就是我们从一组到另一组基因
当我们的x从对吧
变成一和变成2的时候
它增加一个单位
那么这个时候y值对应变化多少对吧
它首先就是这个
这个地方对吧
那么这个地方就是slow
它实际上就是两者之间的差异对吧
所以比如说我们二分变量这个t test
它对的回归模型
就是关注的是这个回归系数对吧
这个回归系数
它的这个统计简易值
跟我们的t test是完全一模一样的
这也是我们希望展示的这么一个结果
所以我们以前看到的
我们常用的
心理学生常用的这个t test对吧
它实际上就是一个呃
就是一个线性回归
的一个非常特殊的情况
那当然这里会设计了一个知识点啊
我没有仔细的展开讲
但大家以后感兴趣的话
可以去看
就是说呃
我怎么去编码这两个水平对吧
因为我这里有两个值
我们肯定有几种编码的办法
至少
比方说一个是把它把这个编为0对吧
这个编为1
那么比方说y等于这个倍的0
加上倍的一
乘以X1 对吧
那么这个X1的话
它实际上就有两种取值
一个是0一个是一对吧
那它等于0的时候呢就
比方说x等于0的时候
Y3就等于背了0背了0了对吧
然后
y x等于一的时候呢
它就等于背了0加上背了一对吧
所以这个时候大家可以看到
背了一就是两组之间的区别对吧
当然这是一种我们方便
我们理解的一种方式
那么另外一种常用的方式
去怎么编码呢
就是比方说我把S1编码为0
负的0.5和正的0.5
那么这个时候的话
呃对这个杯鸟的解读他又不一样了
大家可以同样把他带入之后
自己去看一下
我们这里就不细致展开了
因为我们呃
主要想跟大家去提示这么一个概念
那么大家可以在啊里面去呃
多探索探索
那么同理的话呢
一系列的整个t test的这个系列
它基本上都可以认为是回归模型的
特例
比方说我们说的这个单样的t结对吧
呃单样的体检我们很平时很少做啊
对不对但有的时候我们也会用
就比方说我们说这个某一个某一组
对吧它是不是某一个数据对吧
比方说我们说这个呃某一半的成绩
它是不是属于呃跟
全校的这个
这个成绩是属于同一个总体对吧
那么我们就相当于是认为
这个班的这个数据
他的均值是不是等于我们
比方说
全校的这个总体的这个均值成绩
对吧
那么我们现在就是把这个班的数据
均值和另外一个均值
一个固定的数值进行比较
因为全校的成绩
我们不可能把数据全部拿来
我们只有一个均值对吧
那么这个时候
我们其实就是做在做单样的体检验
那么在单样的体检验当中的话
比方说我们这里就是呃
全体背式的这个核心温度
它是不是等于一个特定的值
比方说正常人的一个温度对吧
那么它当然这是t值的一些计算公式
我们可以不用不用管它了
那么在单MT键的时候
我们实际上呃就是看这一群数据的值
它是不是
它的均值
是不是等于某一个特定的值
这个时候我们其实就没有描图
大家后面
大家在自己电脑上
应该可以看到这个更好的图啊
我这里应该是有个图的
大家如果在DJ上下下载了
我这个特定的话
应该在电脑上能看到我们这里有个图
那么这个图就是说我们这里有一群点
对吧
那么比方说这个时候我们想比较这个
这个值它是一条线对吧
那么这一群点它的这个均值
比方说我们这里是一个菱形的话
这个菱形它是不是就是跟这个
这里的这个线
是有显著性的差异
或说这个菱形和这个线
它是不是来自同一个总体对吧
那么这个时候的话
我们在他是属于一种什么样的
特定的一个回归模型呢
啊就是只有一个
只有一个背带0的一个回归模型
比如说我们前面讲的是说呃
y等于背带0加背带零一加背带2对吧
那么他
当我们没有这个单样的体检的时候
我们就没有这个东西了
我们就只有YS的一个来历对吧
然后你也可以去做这么一个呃
回归的分析
那这里的话我们也有这个代码
那当然这个时候
我们做做统计检验的时候
用回归模型做统计检验的时候
我们稍微有一点点
这公式稍微有一点点变化
就是说我们这个temperature
就是我们这个呃应变量
对吧它减去30
减去这个我们想要比较的这个值之后
它它的均值实际上就是说是不是属于
我们可以这么认为
就是他的这个这个剪掉了之后对吧
他是不是属于一个正态
一个正态分布
以宁为君子的一个正态分布
那么后面这个一的话
表示我们这个回归模型加了一个洁具
我们做t test的首单
我们就可以直接用x和Miu对吧
和特定的一个字进行比较
那么配置样本体检的话呢
我们其实是把它还原成了一个单
样本体检
如果大家在学统计的时候有印象的话
因为配的样本体检
它是一一对一对的对吧
所以我们可以做一个比较简单操作
就是我们可以把两个数据相减
把两列配对数据相减了之后
我们得到一列数据对吧
然后
我们再把这一列数据当作一个呃
当作一个
就是单样本体检验来进行检验
这个前提的条件啊什么的
我们在这里就都不说了
所以一个简单的办法就
就就说对配置样本体检
一个简单的办法是
我们先用两个
就是两个值相减对吧
减完了之后
他们这个差值是不是呃
比方说跟0是不是相同的
如果说跟0是相同的话
那么我们就认为呃
他们之间是没有差异的对吧
如果说他们的这个差值的分布
很明显跟0不一样的话
那么我们就可以认为呃
他两者之间的这个差异是显著的
那么我们之所以能够这么相减的话
是因为就相当于每一个倍数
它有两个数据点对吧
它完全是配对的这种数据情况
但是我们一般
对于这个独立样本体检的话
因为呃他没有形成一个配对的关系
所以我们不会用直接相减的方式
因为我们不知道谁跟谁是配对的关系
对吧但是对配对样本体检的话
我们可以这么去减
那么同样对于配的MT键的话
大家可以看到
就是我们这个又回归的做法
是很简单的啊
跟刚才的独立MT键也是一样对吧
就是用啊对
就很类似吧
也不能说完全一样
就他们是1T1减去T2对吧
因为它和T1和T2之间的一个关系
它是完全配对的
所以它最后剪完了之后
就形成了一列数据
那么最后这一列数据
它的均值是不是等于0
呃然后对于这个playdmt型在r里面实
现的话呢
呃我们一般还是用这个t点test
就可以实现
呃我们直接就是把两列数据分别用x
y输入进来对吧
然后把这个Pad等于two
就是说他们之间是配对的关系啊
这么写一下就可以解决这个问题
当然
我们前面讲的是说通过这个我们嗯
就是说感兴趣的一个小的问题
亲密关系
和不在亲密关系中的这两群人
对吧
他们在身体温度上是不是有区别的
在总体上面
然后呢我们可以用佩利亚的体检
对他进行来进行检验
然后我们发现
就是说配比MT检验它是一个特定
它是一个很特殊的一个回归模型
对吧那么我们也可以同样可以发现
对于所有的其他的这个test来说
它们也是特定的一些回归模型
但是呢
我们可能有的时候在自己做研究中
我们还是大部分情况下吧
对吧我们还是在使用这个
我们心理学习惯的这种体检
对吧那么这个时候呢
如果说前面讲的是
为了方便大家去理解
t test和线性模型
它本质上是一样的
那么这里我们讲方便大家使用
就是使用这个Bruce r的t test
呃这里面应该是有一个主
关于布鲁萨的t test
里面的
各种各样的这个参数的介介绍啊啊
大家如果下载了我们这个科技的话
可以看到布鲁萨的这个呃
它基本上涵盖了我们所有的t test
然后它的输出呢
也是非常方便的呃
它输出的应该是
直接是一个三线表
那么我们所有的结果跟
就是说不管是独立am提前
还是配立am提前
还是Diam提前对吧
在这个fruits r里面
我们都可以发现
它跟这个r base里面的这个自带的包
titas是一模一样的
也就是说
它跟现行回归模型
得到结果是一模一样的
对吧
那么最后做一个小的总结
对于这个t test的话那么
它对于这个r字带的函数来说
都是这个t test对吧
我们用的稍微
就是说这个语法稍微有点不一样
那么线性模型的话呢
单m t结就是y对吧
然后这个公式是直接是只有结句
然后独立
要么提前的话
就是结句加上一个旋律对吧
就是然后呢
对于这个呃配置样本体检呢
就是Y1减去Y2对吧
它们嗯在这个差值只有一个结句
所以它可以可以理解
它是一个仅有结局的一个回合模型
那么独立样本体检呢
也是一个仅有结局的回合模型
那么对独立样本体检呢
就是自变量为2
分变量的一个回合模型
嗯
那这里要把这个
就是说
仅有洁具的回归模型是一个什么东西
对吧要讲清楚的话
可能还要回到这个正态分布啊
这些东西
好了抽样分布这些东西
呃就是为什么这个抽样分布
或者为什么我们用这个t
t字这个分布
对吧可以来做这个事情
呃但是我们没有时间去展开啊
那么大家后面感兴趣的话
可以去仔细看一
下啊我们先休息一下
好
我们继续
好
现在基本上可以看到这个图片了
嗯
然后关于这个test的使用
blue啥我们也可以推荐大家看一下呃
8号无双老师的这个专栏啊
他还是比较活跃的
然后呃
鲍老师最近
应该已经入职
华东师大心理系心理学院了
OK那我们刚才讲的是test
它是一个一个
我们就是在数据分析当中
常会碰到一种情境
对吧不同的主
他的某一在某一个变量上
君子是不是一样的
以这种情景讲解了一下
如何在r里面升t
test
然后呢以及他跟这个
这个线型模型之间的一个关系
是什么样的
对吧
我们可以看到他基本上对于所有TikTok
然后
我们都可以从采用这个线型模型
来进行实现
这个代码呢
也可能也不止一种写法
对吧而且有不止一个r
呃这个r的包来提供这个函数
所以我们已经能够看到这种灵活性了
对吧呃
对于数学者来说
有的时候
这种灵活性
可能是就是比较令人害怕的
因为你不知道选哪个
不知道选哪个是对的
对吧那么我们在这个方法分析中
我们更能够看到这种情况啊
方法分析
基本上也是我们心理学常用的
一种非常常见的一个统计方法
对吧
我们基本上在学新统计的时候
有很大一部分的这个内容呢
就是学呃
如何进行方差分解
心理学同学都应该有这个体验吧
就是你手中的如何去分解这个方差
对吧
那假如说
我们在以这个判给这个数据的一个呃
一个数据呃
一个假想的一个问题为例吧
就是说
对于我们刚才看的这个恋爱状态
对吧
它好像对个体的体温没有太大的影响
那我们进一步想看
它是不是跟这个呃与刺刀的呃
这个距离会有一个交互作用
那因为大家知道