面向教师的教育研究与统计分析研修—

今天学习了关于总体和样本的内容。

明天有皮革工艺课，所以非常忙，但多亏了妻子帮忙让孩子们早点睡，我还是学习了1小时。

觉得自己需要更努力地学习。

1. 总体 vs 样本

理解总体和样本之间的差异，对研究结果的效度非常重要。

假设有研究者提出了以下主张。

对就读于京畿道的初中生而言，吃早饭并不能帮助提高成绩。

这位研究者想表达的是，对所有初中生，或者至少对京畿道的初中生来说，吃早饭对成绩提升没有帮助。

然而在实际研究中，相对于全部初中生，被选中的初中生数量只是很小一部分。

这里就产生了一个重要的概念性差异。

研究者想讨论的是对全部学生而言早餐的效果，但实际分析的只是其中的一部分。

在这里，基于被选中初中生的数据，将结论扩展到全部初中生，就要用到统计推断。

为了让被抽样（sampling）的样本能够代表总体，需要什么条件呢？

如果选中的初中生在家庭收入、性别等方面存在偏倚，那么基于此得出的推论结论还具有效度吗？

如果样本不能代表总体，两者之间存在较大差异，那么通过研究形成的推论就是无效的。

关键在于如何进行抽样。

采用随机抽样（무선추출，random sampling）时，总体的特征能够被较为均匀地反映出来。

但即使随机抽样做得很好，从样本得出的结论也未必与总体的真实结果完全一致。

在样本中，为应对偶然性（非系统性偏差）而进行的统计处理努力，就称为统计显著性。

假设从总体中抽取多个样本。

在总体中，早餐并没有效果。

在样本中，分析得到的数值可能会因为偶然性而不同。

在这样抽取多个样本后，把各个样本的估计值都汇集起来，那么出现比中间值 0.358 更大的值的概率，就是显著性概率（p-value）。

论文中会证明：在“早餐没有效果”这一前提下，在随机抽取的样本中偶然观察到 0.358 这一效果值的概率小于 0.001。

因此，可以认为在总体中几乎不可能得到 0.358 这样的数值，从而证明总体上是没有效果的。

在论文写作中，逻辑上的有效性似乎非常重要。

某种意义上，细致而执着地深挖问题的人，也许就是适合写论文的人。

需要不断把自己的思考切分得很细，并且不停检查这些想法之间搭起的桥梁是否指向正确的方向。

该着手规划论文了，感觉需要思考的问题在不断增加。