整合数据分析方法在心理学研究中的应用

　　1 前言 

　　任何学科的发展和完善都是建立在已有研究知识累积的基础上。在心理学研究中，可通过量化和质化的方法来对某一专题相关的研究进行综合分析，以达到研究知识累积的目的，促进心理科学的巩固和发展（崔智敏，宁泽逵，2010）。描述性文献综述法是综合分析方法中定性研究方法的主要代表，不仅可对前人研究进行回顾性评论，同时也通过比较分析阐述论题研究的创新之处，在心理学发展中占有重要的地位。但是描述性综述分析方法在应用过程中没有统一的标准，也没有对所综述研究的数据进行统计分析，结果具有主观性，对不同研究的差异性结果，也不能找出确信的原因。元分析方法则是在传统描述性文献综述局限的基础上提出来，结合了描述性文献综述和系统的量化统计方法的一种综合分析方法。 

　　元分析（mata-analysis）方法最早由glass（1976）提出，是对某一专题已有的研究进行研究的方法。它根据一套明确的文献选择标准，就特定研究专题收集大量相关或相近的研究成果，采用一套系统的统计分析技术对这些研究的统计结果进行分析，总结出该论题的主要结论，是一种量化的综合分析方法。元分析在心理学中广泛应用，是促进累积心理科学（cumulative psychological science）建设的重要方法（hunter  schmidt，1996）。但元分析只对研究的统计结果进行再分析，不可避免地丢失许多原始数据的信息。随着社会科学各领域研究的发展，研究数据共享成为必要，而计算机技术的发展，为数据永久存储、数据转换和数据共享提供技术上的支持。若能同时对某专题的多个研究的原始数据集进行分析，不但可充分利用多个研究数据的信息，克服元分析的一些局限，而且对研究结果有更深的理解，在心理学研究中有重要作用，因此，有学者提出了基于原始数据集的整合分析方法（integrative data analysis，简称ida）（curran  hussong，2009；cooper  patall，2009；park，2004）。本文将对ida方法的基本概念、原理和分析过程进行阐述，分析了ida方法在心理学应用的优势和挑战，阐述了ida方法中异质性的分析策略，讨论ida方法在心理学研究中应用的现状和应用的前景。2 ida方法概述 

　　2.1 什么是ida方法 

　　整合分析（integrative data analysis，ida），也叫同时数据分析（simultaneous analysis of data）、合并数据分析（pooling data analysis）、或大型数据分析（maga-analysis），是一类对多个研究的原始数据的合并数据集（data set）进行综合统计分析的方法（curran，2009；curran  hussong，2009；hofer  piccinin，2009）。这种方法的基本思路是，确定进行整合分析的主题，收集与该主题相关具有原始数据的研究，把这些研究的原始数据合并成一个数据集，然后采用一套系统的统计分析策略对数据集进行综合分析，对原始的研究结果进行比较或者整合，获得单个研究所不能得到的信息。 

　　综上所述，虽然在方法定位和命名上有所不同，但关于整合分析的基本思想是一致的，即是把同一主题相关的多个研究的原始数据合并成一个数据集，然后采用系统的统计分析策略对这个数据集进行统计分析，获得研究知识的综合累积，促进专题研究的发展。本文将用整合数据分析（ida）来命名这种统计分析方法，把ida定位为与元分析、描述综述分析相并列的三种综合分析方法。 

　　2.2 ida方法在心理学研究中应用的优越性 

　　ida方法充分利用已有的数据资料，对多个研究进行整合分析，可对原有的研究进行整合或比较，解决单一研究不能解决的问题，在心理学研究应用中表现出许多优越性（curran  husson，2009；cooper  patall，2009；simmonds et al.，2005）。

　　2.2.1 重复验证研究假设 

　　ida方法通过建构不同研究的异质性（heterogeneity）对结果的影响模型来对多个研究的原始数据进行再分析，为检验原始研究的结果是否可复制提供直接的检验方法。当这些原始研究的结果存在冲突时，关于研究间异质性的模型可对各研究在抽样、测量方法等方面的异质性进行等价性分析，确定不同研究的异质性对研究结果差异的影响情况，一方面可尝试调和不同研究结果的冲突，另一方面，也可通过综合分析验证新的研究假设。由此可见，即使不建立新的研究设计，ida方法不但可以对原始研究的假设进行验证，对不同研究间冲突的结果进行调和或分析原因，也可验证原始研究中没有出现的新假设，减少创建新研究的必要。 

　　2.2.2 增加行为的基数，提高统计功效 

　　在心理学应用研究中，许多研究结果常存在统计功效不足的情况，其中一个重要的原因是样本量不足。而ida方法把多个研究的数据合并成大样本进行分析，使低基数率的行为的绝对基数增加（如某一个行为有5%的样本量，合并数据后，可能比例保持不变，但这种行为的总体绝对数量增多），提高模型估计的稳定性，在一定程度上改进和提高统计检验功效，使一些相对较弱的效应也显现出来，从而提高了结论的论证强度和效应的评估力度。  

　　2.2.3 增加样本的异质性，提高研究的外在效度 

　　由于各种原因，心理学的许多研究采用随机抽样或者方便抽样等方法进行，这就导致了所要研究的样本中重要的子群体人数的不足，影响研究质量，使不同研究的结果存在分歧。ida方法则汇聚了多个研究的样本，增大了研究中重要子群体的人数，增大样本的异质性，并在合并数据集中直接分析研究间的异质性对研究结果的影响，揭示单个研究中的不确定性。同时采取特定的方法尝试调整或控制这些差异，减小异质性对研究结果的影响，提高ida研究的外部效度。 

　　2.2.4 构建广泛的心理评估，提高对心理结构的评估力 

　　心理学研究中，研究者通常根据年龄、性别和种族等特征选择心理测评工具对特定的心理结构进行评估，因此，不同研究常采用不同的测量工具来评估同一心理结构，单个研究采用单一的测量，获得对心理结构的相对单一的理解。而ida则把多个的研究进行合并，运用合适的模型对这些研究中采用的不同的测量工具进行协调分析和等值处理，把这些不同的测量工具等值到相同的量尺上，然后进行综合分析，这就使心理结构的测量和评估更加广泛、严谨，加强和提高对心理结构的评估性能，提高研究的结构效度。 

　　2.2.5 扩展发展研究的时间段 

　　在心理研究中，不同研究的时间有所不同，且研究的时间跨度有，即使是纵向研究中，追踪研究的时间跨度也因各种原因受到。ida可综合分析不同研究时间差异性对研究结果的影响，扩展研究的时间段，不但在横断研究中有明显优势，在纵向研究中尤为突出。在纵向研究中，ida采用特定的模型和统计方法同时对多个纵向研究进行整合分析，可扩展心理发展轨迹研究的时间段，提高纵向研究的效率和速度。如，a研究的被试年龄范围是2～24岁，b研究的被试年龄是10～34岁，c研究对象的年龄是17～40岁，则ida可建构纵贯2～40岁被试的心理发展轨迹。 

　　另外，ida同时对多个研究的数据集进行综合分析，促进心理学研究知识的累积应用，满足实现数据资源共享和资源最大化利用的需要。 

　　3 ida方法对异质性的分析策略 

　　由于不同研究在研究设计、抽样方法、测量工具、研究时间等方面的异质性，使ida过程不能对数据简单合并后进行分析，而要采用特定的统计分析方法对异质性进行分析（curran  husson，2009；cooper  patall，2009），这是ida过程中必须解决的核心问题。 

　　3.1 ida方法对异质性分析的一般策略 

　　根据对合并数据集的定义不同，可分为随机效应的ida和固定效应的ida。 

　　3.1.1 随机效应ida 

　　随机效应（random-effect）的ida采用随机抽样的思想，把ida的对象看成由两层抽样而来，一是研究层面（study-level）的抽样，每个研究是从一个大的研究总体中随机抽取的研究层面的样本；第二层是被试层面的抽样，单个研究的样本则是从该研究假设的总体中随机抽取而来，即随机样本的样本（random sample of random samples），这两层抽样产生了由研究抽样所产生的变异和由被试抽样所产生的变异。这种定义类似于阶层模型的嵌套思想，因此，可采用阶层模型对数据集进行分析。随机效应ida最大的优点是引入研究层面的预测变量以对研究之间的变异进行建模，把研究变异分解为被试水平效应、研究水平效应以及被试水平与研究水平的交互作用（bauer  curran，2005；raghunathan et al.，2003），并在分析过程中同时估计这三种效应。  

　　随机效应ida的运用有两个重要的条件：一是要将这些研究的数据集看作是从一个同质的数据集总体中随机抽取；二是必须有足够的研究样本，才足以对研究之间和研究内的变异进行可靠测量。若是以上条件难以满足，则需考虑固定效应ida策略。 

　　3.1.2 固定效应ida 

　　固定效应（fixed effects）ida中，把各研究成员属性（study membership）看作是嵌套于研究中的被试的固定特征（fixed characteristics），采用某种编码方式（如虚拟编码、效应编码）描述这些固定特征（如对被试的性别、种族等变量进行编码），这些虚拟或效应编码变量将作为预测变量直接进入模型进行分析。固定效应ida的主要优点是可以估计被试特点（性别、种族）和研究群组属性（study group membership）之间的交互作用，即允许不同研究下被试特征对结果的不同影响。另外，一旦研究成员变量纳入模型，研究层面的特征变量则无法再纳入模型，这就使研究层面的差异得到控制，排除了研究间过多的潜在变异的影响，固定效应的ida把研究层面的变异排除于模型之外，这既是固定效应ida的优点，也是它的（curran  husson，2009；bauer  curran，2005）。