心理学统计分析助手#

一个专为心理学研究设计的全面统计分析工具，特别关注社会认知和实验心理学研究。

功能介绍#

提供从描述统计到假设检验再到效应量计算的完整数据分析工具包。适用于实验心理学、社会认知研究、隐性学习研究等各类定量心理学工作。

主要功能#

假设检验#

• t检验：独立样本t检验、配对t检验、单样本t检验
• 方差分析（ANOVA）：单因素方差分析、多因素设计
• 相关与回归：皮尔逊相关、线性回归
• 卡方检验：分类数据分析
• 正态性与方差齐性检验：数据验证

描述统计#

• 均值、标准差、标准误
• 中位数、四分位数、四分位距
• 置信区间
• 分布特征摘要

效应量计算#

• Cohen's d（t检验的效应量）
• η²（方差分析的效应量）
• 相关强度解释
• 效应量大小分类

统计功效分析#

• 样本量估计
• 统计功效计算
• 研究设计优化与规划

使用方法#

基础用法#

python

from psychology_stats import PsychologyAnalyzer

analyzer = PsychologyAnalyzer()

# 描述统计
stats = analyzer.descriptive_stats(数据)

# 独立样本t检验
result = analyzer.independent_t_test(组1, 组2)

# 单因素方差分析
anova_result = analyzer.one_way_anova(组1, 组2, 组3)

凝视线索实验（Gaze-Cueing）#

python

# 分析同余和不同余条件下的反应时差异
同余凝视_rt = [450, 460, 455, ...]  # 凝视线索同向条件
不同余凝视_rt = [480, 495, 490, ...]  # 凝视线索反向条件

result = analyzer.independent_t_test(
    np.array(同余凝视_rt),
    np.array(不同余凝视_rt)
)
# 返回: t值、p值、Cohen's d、效应量解释

隐性学习与启动效应研究#

python

# 比较不同条件下的启动效应
害怕面孔_正确率 = [0.65, 0.72, 0.68, ...]
中性面孔_正确率 = [0.58, 0.61, 0.59, ...]

result = analyzer.paired_t_test(害怕面孔_正确率, 中性面孔_正确率)
# 获得效应量和统计显著性

功效分析示例#

python

# 规划所需样本量
所需样本量 = analyzer.power_analysis_ttest(
    effect_size=0.5,  # 预期的Cohen's d
    alpha=0.05,       # 第I类错误率
    power=0.8         # 期望的统计功效
)
# 返回每组推荐样本量和总样本量

应用场景#

• 凝视线索与注意研究：分析线索化效应和反应时模式
• 社会认知研究：检验心理理论、视角采择、归因等假设
• 隐性学习与启动：量化隐性记忆和启动效应
• 实验心理学：分析阶乘设计和复杂交互作用
• 快速数据检查：在进行推论统计前验证假设前提

系统要求#

• Python 3.8 或更高版本
• numpy、scipy、pandas、matplotlib

输出格式#

所有函数返回包含以下内容的字典：

• 检验统计量（t、F、r、χ²）
• p值和显著性阈值
• 效应量（Cohen's d、η²、r²）
• 人性化的结果解释
• 样本量和自由度

输出示例#

json

{
  "t_statistic": 2.45,
  "p_value": 0.024,
  "significant": true,
  "cohens_d": 0.95,
  "effect_size_interpretation": "large",
  "mean_difference": 28.5,
  "note": "发现显著差异，效应量为大"
}

使用建议#

• 进行参数检验前务必检查正态性和方差齐性假设
• 同时报告原始统计量和效应量
• 在研究设计阶段使用功效分析
• 如可能，在结果中包含置信区间
• 记录数据预处理和排斥标准

关于本工具#

为社会认知、实验心理学和行为科学研究人员创建。旨在使统计分析更加易于理解和应用。

作者: @zhan599

所属机构: 华南师范大学 应用心理学系

研究方向: 社会认知、凝视线索、隐性学习