80小说网

手机浏览器扫描二维码访问

第7章 从预试验到持续监测（第3页）

但这显然是不可能发生的——我付不起寄这75亿封信的费用！

因此，我们会把信件发给一部分人（这就是我们的样本，“样本量”

里的“样本”

），并尝试推测其他未收到信件的人可能会如何行动。

发给越多的人，我们对统计的结果就越有信心，这个统计结果也会越接近把信件发给每个人的结果。

在预试验时，我们可以选取200个人，给其中100个人（实验组）寄信件，对另外100个人（对照组）什么也不做，运用两组统计数据测试寄信件能否有效地改变行为。

首先是在实验组内部进行比较：只测试收到信件的人，看看有多少人在收到信件前的一个月里注射了疫苗，有多少人在收到信件后的一个月里注射了疫苗。

如果有更多的人在收到信件后注射疫苗，那就证明发送信件的方法有效。

且慢，还有一个可能：流感高发季节来得越晚，注射流感疫苗的人就越多，注射疫苗人数增多可能与这封信无关。

因此还需要做实验组与对照组之间的对比，看看有多少收到信件的人及没收到信件的人在接下来的一个月里注射了流感疫苗。

如果有更多的收到信件的人接受了疫苗注射，那么这也证明发送信件的方法有效。

这两种比较均有共同的指向：收到信件的人更有可能注射流感疫苗。

不是完全有可能（记住，这仅仅适用于那些行为可以被预测的人），但与什么都不做相比，信件提升了注射流感疫苗的可能性。

这就引出了两个重要的问题：信件让人注射疫苗的可能性有多大？这一结果是否适用于那200个人之外的更广泛的人群？这就是定量研究里的两个数值：效应量和P值。

“效应量”

回答了第一个问题：这封信是真的非常有效地改变了人们的行为，还是只是在很有限的程度上改变了人们的行为？理解“效应量”

非常简单，数量越多，就意味着干预越有效。

虽然“效应量”

的具体意义无法立刻得到体现（这在很大程度上取决于你所衡量的内容），但是定量研究人员可以很容易地将其转化为描述性的陈述，比如，收到信件后，注射流感疫苗的人会增加20%。

“P值”

回答了第二个问题：你在多大程度上可以确定信件产生了效果？这个值有点令人感到困惑，其数值越低，说明干预越有效，因为P值的意义是：在多大程度上，试验的结果是偶然因素所致，而非你的干预措施所致。

例如，发送让人注射流感疫苗的信件，如果P值是0.2，这就意味着有20%的概率是错的（这封信没有效果），80%的概率是对的（这封信改变了行为）。

请注意，错了并不意味着这封信有负面影响，会阻止人们注射疫苗，而只是意味着信件没起作用，我们称之为零结果。

如果你不得不和一个统计学团队一起工作，而他们并不了解行为改变科学，你很有可能会为这个P值跟他们起争执。

在传统意义上“正确”

的P值小于0.05（错的概率是5%或120）。

这种惯例来自学术界，在学术界只有正确的结果（P0.05）可能会使后来的研究失去意义。

我们关注的是改变行为，而不是诺斯底式地追求知识，所以我们只要大体上正确就行。

想象一下，有一项P=0.2的干预措施，如果你告诉普通的统计学家，他们会说P=0.2相当于干预措施没有效果。

天哪，伙计！

事实上，这个数值只是表示你的结论有误的可能性为20%而已。

可恶！

可恶！

可恶！

我们关注的是干预效果！

P=0.2像是一种容易吞咽的小药丸，它除了让你的魅力增加20%，没有任何其他副作用，所以完全可以接受。

它尝起来像棉花糖并且味道多种多样，价格却只要1美分，而且它能治愈癌症。

即使我有15的概率是错的，它不能治愈癌症，但是我们是不是也应该尝试一下？因为所有的预试验验证都是为了确定是否应该进行更大规模的测试。

一般而言，对于被罗列出来的干预措施，很少有结果被证明产生了负面效果，更多的结果仅仅是没有产生预期中的正面效果而造成了资源的浪费。

因此，如果干预措施不会造成明显的负面影响，那么45的正确率并不可怕，这才是数据统计的意义所在。