二、研究組間變異的新方法：增加結果正確性的策略

New Methods for Comparing Groups

Strategies for Increasing the Probability of Detecting True Differences

Rand R. Wilcox

University of Southern California

前言：目前一般用來檢測組間變異性的工具為Anova Table (Analysis of variance)，當檢驗結果為不拒絕虛無假設時，此時的效力是非常好的。但若結果為拒絕虛無假設時，有時候會遇到檢測效力不佳的狀況。因此，我們將介紹一些最近陸續被發表的測試，不但在檢驗結果為不拒絕虛無假設時，可以保持好的效力。且若結果為拒絕虛無假設時，仍可以保有相當的檢測效力。

一、造成ANOVA效力不佳的原因

Anova的先決條件為常態性、獨立性、變異數同值性;即母體一定要為常態分佈、樣本一定是簡單隨機抽樣、各樣本必須取自。然而我們發現，以下原因會造成Anova的檢測效力低落，無法分辨真正的差異性。

1.異常值、離群值（Outliers）：

通常為極大值或極小值，造成Anova容易對真正的變異性檢測錯誤。且根據現在的研究指出，離群值（Outliers）是很常見的，雖然並不會隨時都發生，但只要母體裡有離群值，通常會大大的降低Anova的檢測效力。

2.不對稱性（Skewness）：

影響Anova檢測效力的原因，並非組內數據的不對稱性（Skewness），而是在比較組與組之間的數據時，若有一組數據為不對稱時（例如右尾分配），那極可能造成Anova檢測效力低落。

3.組內的變異數（Variation among each group）：

若樣本來自於兩組變異量不相同的群體，那麼便會顛覆Anova的三樣假設前提，同時也會影響檢測效力與結果的正確性。

二、替代的檢測方法

1.檢測中位數（Medians）：

中位數（Medians）為把所有數按照大小依序排列，若樣本數為單數，中位數（Medians）則為數列正中間的數值，若樣本數為偶數，則中位數為最接近中間的兩數值之算術平均數。相較於Anova比較的是組間的平均數，中位數（Medians）較不受、離群值（Outliers）的影響。也因為只比較中位數的關係，減少了不對稱性（Skewness）對檢測結果的影響。

2.隱憂與解決辦法：

當檢測母體為常態分佈，且無離群值（Outliers）時，中位數檢測法的檢測效力會來得比Anova低。因此為了同時保持Anova的高檢測效力，並改善其低檢測效力時的情況，20%修飾法會是個好的檢測方式。（20% Trimming）

3.20%修飾法（20% Trimming）

20%修飾法（20% Trimming）是把數據依序排列，把最大的20%數值及最小的20%數值去除掉，再根據剩下的數據用來比較組間的平均數。根據資校顯示，當我們去除越多邊界值時，不對稱性（Skewness）造成的影響就越小，而當去除邊界值0-20%時，檢測效力有顯著的成長，而在20%之後其成長效果就趨緩。同時去除邊界值也可以避免離群值（Outliers）造成的影響，提高檢測效力。 Wu（2002）用了24篇論文的數據來比較許多檢測方法的效力。他發現並沒有任何一個檢測方法是最有效力的，有些時候比較平均數的效力甚至是好的。但所有使用的檢測方法中Anova的檢測效力是明顯很薄弱的，而使用20%修飾法的檢測效力是最佳的。

三、替代20%修飾法的檢測方法

雖然20%修飾法（20% Trimming）是個相當好的檢測方式，但仍有許多學者為此爭論，認為有許多更好的替代的檢測方式。例如非參數（nonparametric method）、排名（rank-based method）都在這幾年陸續被發表。另外還有許多像是只剔除離群值（Outliers）、或是為了避免不對稱性（Skewness）的影響而只剔除前20%大的數據。20%修飾法（20% Trimming）是個不錯的檢測方式，但總也有會出錯的時候，因此本段論述的其他檢測方式也各有其優點。以上探討的方式都皆為組與組之間的比較，但若今天面臨的問題是，A組高分群與B組高分群的比較、A組低分群與B組低分群的比較，用以上的方法做檢測是無法得到有效力的結果。這些問題可以被shiht function這種檢測方式解決，這個方法同時也是以上所述中，有潛力成為最具有檢測效力的檢測方式。

四、神經影像學作為心理學研究的新方法

１、前言

　　新的成像技術對各個科學領域都造成了很大的改變。以天文為例，哈伯望遠鏡的設置提供了我們更多數據之外，也讓人類對於宇宙有了新發現。然而，這些發現都必須影仗現存的理論和方法來進行支持。　　在最近15年中，神經影像學蓬勃的發展，讓科學家在研究人腦對於思緒的影響程度上有了更多的可能性。在此之前，與神經方面相關的心理學研究多半只能由動物、屍體檢驗等等著手。如今，神經影像學中的三維彩色圖像、以及能夠建立大腦運作時的數據特性，吸引了社會和科學界很大的目光。在研究資金充分支援之下，關於神經影像學方面的論文以及期刊在數量上都有非常顯著的成長。

２、神經影像學概況

　　在關於心理學路線的特刊中，總結了目前心理學各領域的領域進步主要源自使用神經影像技術最突出的功能性磁振造影(fMRI)。然而，更吸引人的是，這種神經影像學的實驗是建立在現有的理論基礎上運行。這種理論與研究收斂方法的研究方式，讓整個研究成果更加豐碩。　　在典型的神經影像學研究中，我們可以偵測到這些在不同的腦部區域中，被控制和激活的心理狀態。以 Poeppel and Monahan的研究為例， (2008, this issue)中研究語音信號是如何表示，以及語音信號在大腦中如何處理。除了以心理學中的神經影像學為研究工具之外，他們也使用了收斂方法、解釋競爭的藍圖等來進行研究。參與認知分佈式的網絡功能

３、神經影像學參與研究實例

　　神經心理學的研究可以追朔到幾十年前的建議結構的內側顳葉(如海馬)，參與了陳述記憶(Declarative memory)而非非陳述記憶的學習。而陳述記憶和非陳述記憶的差別，就是由神經影像學的研究所支持的。例如，由Knowlton and Foerde (2008, this issue)的研究就表明了當操作機率分類任務時，內側顳葉能基於陳述性記憶性能被激活；而當該任務性能基於非陳述性記憶性時，則能激活紋狀體。結論

４、結論

　　對於神經影像學，某些批評者認為他的成本太高而貢獻太小。然而就目前而言，當神經影像學以我們現在所理解的心理學為輔助，並透過收斂方法補充研究時，他是一個最有效的科學。而這個技術也會進一步透過建議功能的交涉和新的行為假設來推進心理學。

五、未來方向

隨著越來越多的檢測方式陸續發表與使用，在未來的檢測中有兩個大問題是我們需要討論的

1.替代方案所扮演的角色

如果我們只用一種檢測方式去做檢測，那我們可以很有效的避免Type I Error（當虛無假設為真時，卻拒絕虛無假設），但卻有可能會因為這個檢測的漏洞而無法察覺到真正的差異。但若同時用太多替代的檢測方式做檢驗，會大大提升Type I Error發生的機率，若要預防Type I Error，卻又有可能會造成檢測效力降低，因此在未來的檢驗方法的選擇上，必須經過詳細及審慎的評估。

2.結論的斷定

最新的研究顯示，當只運用某一種檢定方式時若結果為無法找出組間的差異，並不能真正斷定組間確實無差異。換句話說，最好的方式是依照組間變異的方式來選定檢測方式，但這是我們所不知的。或許比較起單一的檢測方法，一些檢測方法的組合或許是較合適的選擇，但這須經過審慎的研究與評估。雖然這比較費時費力，但也會比較能真正的斷定是否存在著組間差異。

最新研究

最新研究(架構)

一、利用神經成像技術研究對立色彩神經[1]

1.前言

2.色彩認知

3.實驗過程

▲上圖是以fMRI測量人腦對不同顏色、對比的刺激產生的腦波訊號。其中有低、中、高對比黑白，和低、中、高對比紅綠色(彩色)，隨著時間逐一給受試者觀看(由左至右)，縱軸則為腦部訊號。[2]

▲上圖是將可以使腦部皮質產生相同強度反應的特殊訊號。橫軸代表長波視錐細胞輸出訊號增加量，縱軸代表中波視錐細胞輸出訊號增加量。[3]