心理学研究方法

心理学的可信度不来自权威与直觉，而来自一套自我纠错的研究逻辑：操纵与随机分配确立因果，效度与功效框架暴露漏洞，复制危机则逼出更透明的科学实践。

从直觉到证伪：知识从哪里来

心理学总论把心理学界定为一门实证科学，与常识和伪心理学划清边界——但这条边界靠什么维持？答案是可证伪性（falsifiability）：一个主张必须指明”什么观察会推翻它”，才有资格被检验。常识做不到这一点——后见之明偏差（hindsight bias）让任何结果事后都显得”我早就知道”，思维与决策系统梳理的各类启发式偏差中，这是最直接侵蚀直觉可信度的一个。事后解释永远正确，因而毫无预测力。

科学方法以循环代替直觉：理论 → 可检验假设 → 数据 → 修正理论。Ebbinghaus 用无意义音节和节省法对自己做记忆实验，是最早把心理现象带进实验室的范例，其曲线与推论展开于遗忘与间隔学习。这个循环的承重结构在于：数据有资格反驳理论，理论因此被迫进化。

实验设计：随机分配如何买到因果

真实验（true experiment）用三个动作同时封死上述两条漏洞：操纵自变量（independent variable, IV）、测量因变量（dependent variable, DV）、随机分配（random assignment）。核心是随机分配——它不消除个体差异，而是把智力、动机、人格等一切已知与未知的第三变量均摊到各组，使组间差异在理论上只剩一个来源：操纵本身。

控制组同样不可省略：不接受处理的对照组排除历史事件、自然成熟、重复测验练习这些替代解释；当预期本身就能改变行为（安慰剂效应）时，还需双盲设计（double-blind）——被试与主试都不知道谁在接受处理。

现实约束常使随机分配不可行：不能随机把儿童分给”经历创伤”。此时退而求其次用准实验（quasi-experiment），拿现成分组比较，代价是因果推断强度回落，混淆威胁重新进场。

效度威胁：实验可能在哪里失效

随机分配买到了因果，但不保证这条因果站得住、推得开、测得对。三类效度分别审查这三个层面：

效度类型	审查的问题	典型威胁
内部效度 internal validity	因果推断本身成立吗	选择偏差、被试流失、历史事件
外部效度 external validity	能推广到其他人群与情境吗	WEIRD 样本、实验室生态效度低
构念效度 construct validity	操纵与测量真对应理论概念吗	操作化偏差、社会赞许性反应

构念效度的逻辑与测验学中的信度、效度同源，智力与心理测量有更系统的展开。外部效度最著名的批评是心理学过度依赖 WEIRD 样本（Western, Educated, Industrialized, Rich, Democratic）——视觉错觉、公平观念等被当作”人类普遍”的结论大多来自这类人群，推广前应先问：对谁成立？

效应量与统计功效：显著之外要看什么

设计无懈可击，统计推断仍可能误导。 $p < .05$ 只说明”零假设为真时这组数据不太可能出现”，它不等于效应很大、不等于可复制、更不等于实践意义——足够大的样本能让微不足道的差异也显著。两个互补指标补上这块短板：

效应量（effect size）： $d$ （标准化均值差）或 $r$ （关联强度），Cohen 粗略基准为小 $0.2$ 、中 $0.5$ 、大 $0.8$ ；
统计功效（power）： $1 - β$ ，真实效应存在时检出它的概率，惯例目标 $0.8$ 。

小样本加低功效还有一种隐蔽代价：只有当随机误差恰好把效应推偏大时，结果才跨过显著线——于是显著的结果系统性地夸大真实效应（winner’s curse）。下面的模拟同时展示功效不足与效应量膨胀：

import numpy as np
 
rng = np.random.default_rng(42)
d_true, reps = 0.3, 2000          # 真实效应量 d=0.3，模拟 2000 次实验
 
def run(n):
    """一次两组比较实验：返回是否显著(p<.05)与观测效应量"""
    a = rng.normal(0, 1, n)       # 控制组
    b = rng.normal(d_true, 1, n)  # 实验组
    pooled = np.sqrt((a.var() + b.var()) / 2)
    d_obs = (b.mean() - a.mean()) / pooled   # Cohen's d
    se = pooled * np.sqrt(2 / n)
    t = (b.mean() - a.mean()) / se
    return abs(t) > 1.96, d_obs             # 正态近似显著性检验
 
for n in (20, 200):
    res = [run(n) for _ in range(reps)]
    sig = [d for s, d in res if s]
    print(f"n={n:>3}: 功效={len(sig)/reps:.1%}, "
          f"显著时平均d={np.mean(sig):.2f}")  # 与真实 0.3 对比膨胀程度

实际输出： $n = 20$ 时功效不足两成，显著结果的平均效应量 $d$ 膨胀到 $0.8$ ——真实值的近三倍； $n = 200$ 时功效约 $85%$ ，平均效应量回落到 $0.33$ ，紧贴真值。低功效研究的”显著结论”先天偏胖。

复制危机：系统层面的失效与修复

前面所有漏洞若只靠研究者自律，会被激励结构系统性利用。2011 年前后集中爆发：Bem 用标准流程发表了”预感”这种不可能的结论，Stapel 直接造假，Open Science Collaboration（2015）大规模重复 100 项已发表研究，仅约 36% 得到方向一致且显著的复制。问题不在个别害群之马，而在可疑研究实践（questionable research practices, QRPs）：

p-hacking：多测几个因变量、删几个”异常值”、看数据达到显著就停止收集；
HARKing：结果出来后再倒编一个”假设”；
发表偏倚（publication bias）：期刊偏爱阳性结果，失败的实验躺在文件抽屉里，文献系统性地报喜不报忧。

方法论改革逐条对应：preregistration（预注册假设与分析计划，掐断 p-hacking 与 HARKing）、开放数据与分析代码、registered reports（结果出来前就决定是否发表）、Many Labs 式多实验室大样本协作。这场危机没有证明心理学”不可信”——能暴露并修理自身缺陷的学科才配称科学。

落到读者一侧，评估任何心理学主张时问四个问题就够了：是相关还是实验？样本多大、功效如何？报告了效应量吗？被独立复制过吗？这四个问题也是识破巴纳姆效应 Barnum Effect 类笼统描述的通用工具——可证伪、可复制、标明效应量的主张，才值得放进自己的知识库。

知识花园

探索

心理学研究方法

心理学研究方法

从直觉到证伪：知识从哪里来

相关不等于因果：观察的极限

实验设计：随机分配如何买到因果

效度威胁：实验可能在哪里失效

效应量与统计功效：显著之外要看什么

复制危机：系统层面的失效与修复

关系图谱

目录

反向链接