跳转到内容

随机误差

来自VeritasWiki 真理百科
随机误差
英文名 Random Error
学科归属 心理测量、统计推断
核心含义 方向不定、围绕真值波动的误差成分
特征 期望为零、可通过平均与增大样本压缩
度量 信度系数、测量标准误、标准误
相关条目 系统误差、测量误差、信度|}

随机误差指方向不定、围绕真值上下波动的误差成分:同一被试今天测得 62、下周测得 58,两次分数围绕真实水平的波动就是随机误差。它是测量误差中"不可预测"的那一半,也是统计推断与信度理论的主要处理对象。

随机误差的核心假定是:误差有正有负、期望为零、与真值无关。在这些假定下,误差成为可以用概率论描述的对象——信度系数、标准误、置信区间,全部建立在这一概率化之上。

随机误差的统计性质

随机误差的统计性质决定了处理它的基本策略。

期望为零:误差不系统偏向任何方向,因此观测分数是真分数的无偏估计——单次测量不偏但波动大。

可平均:n 次独立测量的平均,其随机误差缩小为单次的根号 n 分之一。多题测验的原理正在于此:二十道题的平均分比任何单题分数的误差都小得多。这也是"多题优于单题、多指标优于单指标"的全部数学依据。

与样本量平方根的反比:无论测量还是抽样,精度提升都遵循平方根规律——误差减半需要四倍的测量或样本。边际收益递减是所有随机误差处理策略的共同约束。

独立假定:误差之间、误差与真值之间相互独立。嵌套数据的组内相关(同一班级学生的误差共同成分)违反独立假定,是多层方法必须处理的问题。

这些性质的实践汇总:面对随机误差,研究者手中的武器是重复(多次测量、多题、多指标)、平均(合成分数)与增大样本,三者都以平方根规律换取精度。

信度对随机误差的度量

信度系数本质上是对随机误差占比的度量。

经典定义下,信度等于真分数方差占观测分数方差的比例;误差方差占比越大,信度越低。信度 0.80 意味着分数方差的 20% 来自随机波动。

由信度可以推出测量标准误:观测分数的误差波动的标准幅度。它与分数标准差相乘给出真分数的置信区间——"IQ 105、标准误 3"意味着真分数合理范围约在 99 到 111 之间。

信度的多种估计方式对应随机误差的不同来源:重测信度覆盖时间上的波动,内部一致性覆盖题目抽样的波动,评分者信度覆盖评分过程的波动。完整测量质量的评估需要多种信度并列,单一信度只覆盖一种误差来源。

需要再次强调的边界:信度对系统误差无感。一个带恒定偏差的量表可以同时拥有完美的内部一致性——它测得很"稳",但测错了。信度高是必要条件而非充分条件,这一提醒贯穿测量学的全部教学。

随机误差对研究的影响

随机误差对研究结论的影响有确定的量化规律,了解它们可以预防许多误判。

相关衰减:观测相关等于真实相关乘以两变量信度的平方根之积。低信度量表配对使用时,相关被显著压低——"效应偏弱"的部分印象来自测量而非效应本身。

检验力损失:误差方差挤占真实方差,同等样本量下效应更难检出。提升测量信度是比扩招样本更经济的检验力投资。

个体决策的误差放大:对个体做高风险决策(录用、诊断)时,单次测量的误差足以翻转结论——分数落在切线附近的人,其"高于"或"低于"很可能只是波动。规范做法是多次测量、多方法汇聚、把切线附近区域标记为不确定带。

重复研究的分数回归:极端分数(如前测中最高分)在重复测量中倾向于回落(向均值回归),这一现象纯粹源于随机误差,却在干预研究中被大量误读为"干预效果"——控制组的回归才是识别它的参照。

这四条规律的共同教训:随机误差不是"可以忽略的小麻烦",而是塑造研究结论形态的持续力量。设计中的每一步——多题、多测、对照组——都是对它的正面回应。

减少随机误差的实践

减少随机误差的实践清单在测量研究中高度标准化。

工具层面:足量题目(题目数与信度的关系由 Spearman-Brown 公式刻画,但边际收益递减,十题高质量优于三十题低质量);题目质量预试(区分度差的题目贡献噪声多于信号);清晰的指导语与适切的难度(防止猜测与放弃)。

施测层面:程序标准化(环境、时间、指令、主试行为);被试状态的控制(疲劳管理、动机维护);计分的双录入或自动化。

分析层面:合成分数而非单题分析;潜变量建模把误差显式化;信度校正的衰减校正(报告时说明其依赖信度估计精度);对个体决策使用多测汇聚与不确定带。

随机误差可以被压低但不能被消灭——测量的最终质量是它与系统误差、成本约束共同权衡的结果。方法学上的成熟标志,不是追求零误差的执念,而是知道每种误差的性质、来源与对症手段,并在给定资源下做出最优配置。

向均值回归

随机误差引出的一个重要现象值得单独说明:向均值回归。

前测中得分极端的被试,后测时分数倾向于回落到更接近均值的水平——这不是"极端者变好了",而是随机误差的必然结果:极端分数通常意味着真实水平偏高加误差正向,复测时误差重新随机化,分数自然回落。

这一现象在干预研究中制造大量伪效果:挑选"最焦虑的被试"做干预,后测焦虑自然下降——控制组若无此下降,才能把效应归于干预。方法学对策包括:设置随机对照组(回归效应两侧对称出现)、不用极端分数选择被试(或以多次测量的均值为选择依据)、在解释中把"向均值回归"列为备选解释。

向均值回归的历史教训丰富:早期驾校对事故多发司机的"再培训"、临床对重症患者的常规治疗,都曾把回归效应当作干预成效。它是随机误差从统计概念升级为科学推理议题的典型场景——理解误差性质的研究者,能识破一类广泛存在的伪因果叙事。

参见

参考资料