[眼动技术] 眼动数据分析时Mr. P不显著怎么办

常见的眼动数据即因变量包括以下几类：连续数据，譬如注视时间/落点位置等；比例数据或分类数据，譬如选择的正确率的百分比，跳读的概率即0/1数据。这主要的两类分析方法有所不同，对连续数据来分析，通常重复测量方差分析是满足要求的，而对于分类数据，则需要卡方检验或者通用线性混合模型来分析。因为分类等数据已经不满足卡方的一些假设。

做科研的大多追逐显著的结果，一个不显著的结果很难发表文章，或很难得到公众的认可，这就是所谓的科学的可证伪吧。然而，当发现一些不显著的结果，尤其是作者就是要拿不显著说事，拿不显著来反驳别人的观点。这时候我们一般会做Bayes factor分析。

在R语言环境中，我们可以使用BayesFactor这个软件包。该软件包的作者对它不断的更新，以至于现在能够处理大多常见统计中的不显著现象。

在阅读领域，我们通常用线性混合模型（Lmer，再R环境下）进行分析数据，而针对于线性混合模型，该软件最近也增添了分析方法。譬如分析一个2x2的设计，可以分析混合模型中的不显著因素，通过模型的对比，一般是top-down的比较，可以自己设定。来得到包含某因素模型与不包含某因素模型的比值（自己可以设定比较的模型），即省略某个因素或者交互作用时，所得到的Bayes factor。一般来说，这个数值越大，越能说明某个因素没有效应或者没有交互作用。

当第一次使用BayesFactor中的函数，如果出现一些报错，譬如那些带matrix的XX不存在等，一般情况下是因为Matrix这个软件包版本过低，停止对它的使用，升级后问题即可解决。

在对Bayes factor进行报告时，在论文中可以这样说，The bayes factor was xxxx, suggesting that these data are xxxx morelikely to be observed under the null hypothesis。

如果对R语言不熟悉，可以直接在作者的实验室网页，在线计算一些简单的Bayes factor，譬如针对t检验不显著的Bates factor计算。网页如下：http://pcl.missouri.edu/bayesfactor。不过，强烈建议同学们学习R语言，这个语言是统计分析的强大工具，而且也可以将科研这个体力活逐步程序化，来节省宝贵的科研时间。

参考文献：

Rouder, J. N.,Speckman, P. L., Sun, D., Morey, R. D., & Iverson, G. (2009).     Bayesian ttests for accepting and rejecting the null hypothesis. Psychonomic Bulletin & Review, 16, 225–237

Morey, R. D., Rouder,J. N., & Jamil, T. (2015). Package “BayesFactor”. R package 0.9.12-2. Availableat URL http://bayesfactorpcl.r-forge.r-project.org/

[眼动技术] 历史文章回顾：

---