人口学研究方法：规范与发展(1)(4)
2016-12-21 01:00
导读：统计意义上的显著与差别的实际意义 在检验两个定距变量的均值差别是否具有统计上的显著性时，也存在相似的问题。由于样本量越大，样本均值分布的
统计意义上的显著与差别的实际意义 在检验两个定距变量的均值差别是否具有统计上的显著性时，也存在相似的问题。由于样本量越大，样本均值分布的方差就越小，因此常用的t检验结果就越可能显著，任何细微的差别都可能有统计上的显著性。但有时具有统计意义显著性的差异，在实际生活中可能意义并不大，如同在两个草堆之间找出一根草的差距，对判断两个草堆的大小没有实际意义。因此，对任何检验结果都应当有符合实际的解释和说明。
虚假相关问题 双变量分析中的虚假相关问题，几乎在所有关于社会科学研究方法的教科书中都会涉及到，在统计分析方法的教学中也被视为经典问题。但是多少年来，人们仍然在不断地重复着这个“经典的错误”，即认为可见的或统计检验结果显著的相关就是真正的相关；更为大胆的做法是把这种相关关系推向因果关系。我们知道，对于有的变量来说，即使是经过检验判定两者具有统计上显著的相关关系，也不一定存在实际意义上的关系，因为可能有未考虑到的变量或不可测量的变量在同时对两个研究变量起作用，有时甚至可能完全是偶然的巧合。例如，火灾的大小是以火灾损失来衡量的，而参加灭火的消防员人数是与火灾大小有关的，火灾越大，出动的消防员就越多，但凡是具有常识的人都不会根据出动消防员人数和火灾损失两个变量之间的高度相关，断定出动消防员越多火灾损失就越大，因为火灾的规模是决定因素（但很难直接衡量）。在有关人口科学研究中也有报告虚假相关的现象，如人口增长率的降低导致了经济增长的提法就是一例。因此，在分析相关关系时，应当根据 理论 、知识、经验、甚至常识来判断这种分析是否有意义、是否存在其他变量的作用（称为外在变量），避免得出有悖于常理的分析结果。有些虚假相关是可以通过统计分析方法判别的，如在控制了另外一些变量后观察两个变量的偏相关，或在双变量分析的基础上，进一步用多变量分析深入研究。
3 多变量分析
回归分析是多变量分析中应用最多的方法，尤其是逻辑斯蒂回归更是被广泛地应用。在众多应用中，比较明显的问题是使用方法是否得当和对结果的报告和解释是否规范、合理（见2002年第2期《人口研究》刘金塘文）。此外还有一些应当引起注意的问题。
分析框架的重要性 在社会科学研究中，各变量之间往往存在错综复杂的关系，如果在进行回归分析之前没有一个清晰合理的分析框架，那么回归的结果有可能会引起质疑。一般应在报告回归分析结果之前，介绍该分析的框架，如各变量的定义、各自变量与因变量的假设关系及其理由等，对建立的回归模型做出合理性论证。有一些变量可能是作为控制变量纳入回归模型的，如性别、年龄等，最好事先解释清楚。对假设因果关系的模型，应当至少能够说明：(1)该因果关系在理论上是正确的、在实践中是合理的；(2)从事件发生的时间上来说，应当是原因发生在先、结果发生在后。如有些回归分析中，未加说明即把所有与因变量显著相关的变量都囊括在自变量中，甚至有些自变量与因变量有明显的互为因果关系，显得分析逻辑混乱；还有的论文在简单介绍研究背景和数据来源之后，急于建立因果关系并推出回归分析结果，然后再根据各变量在回归模型中的显著性一一说明，这相当于事后解释；这些做法都是错误的。
在具备“奔4”微机和较易操作的软件的今天，转瞬间就可完成一次回归分析，但是在此之前，需要有大量的前期准备工作，包括 文献 检索和理论框架构建，才能确保统计分析的科学性。
分析方法应用的条件 每种多变量方法都有各自的前提条件或假设，如果这些条件不具备或者假设不成立，该方法的应用就成问题。如Pearson相关是考察线性相关关系，多元方差分析只能辨别线性相关因变量的多元差异，线性回归分析假设自变量与因变量之间为线性关系，因子分析方法也是建立在各变量具有一定的线性相关基础之上的；另外，在逻辑斯蒂回归中，每个分类都应保证有足够的频数，如果频数太少就会影响参数估计的稳定性；等等。尽管一般不在报告分析结果时说明各种假设是否成立或条件是否满足，但是在进行分析时应当自觉地进行考察。如果不能满足条件或假设不能成立，就对数据进行转换或调整后再分析，或者改变分析方法。
