A.2 常用术语对照

本节目标

遇到英文术语、缩写或审稿意见时，你能先用一句话判断它在研究流程中的作用，再跳回对应正文页做决定。表格是检索入口，不是脱离问题的“定义背诵”；同一个词在不同模型中可能有更窄的技术含义。

怎样使用这张表？

先找到你正在做的动作（提问、测量、分析、报告或开放），再看“下一步”一列。若术语涉及因果、测量不变性、缺失机制、复杂依赖结构或模型诊断，不要只凭一句定义作结论，打开链接并保留原始输出。

贯穿示例仍是“手机通知静音是否改变本科生短时学习正确率”。例如，estimand 先固定你要估计的比较，observation unit 再说明每一行数据代表试次还是被试；两者都没写清时，任何 p 值都无法解释。

1. 从问题到设计：我到底在估计什么？

中文	English	一句话说明	下一步 / 易混淆
构念	construct	理论中的目标属性，如“注意力切换负担”，不能直接从一个题目读出。	写出边界和指标；不要与单个 measure（测量工具）混为一谈。
操作化	operationalization	把构念转成可执行的操纵、题目、行为指标和计分规则。	在 2.2 测量留版本与授权记录。
估计目标	estimand	预先规定“对谁、在什么处理/时间下、以什么量尺比较”的目标量。	与 estimator（用数据计算它的规则）区分。
观测单位	observation unit	一行资料代表的实体，如一个人、一次试次或一个二元组。	先画数据字典；不要把观测数自动当成独立样本量。
独立单位	independent unit	在抽样或随机化后可视为相互独立的最小单位；重复试次通常不是它。	与 3.6 多层模型的嵌套层级核对。
随机化单位	randomization unit	实际被随机分配处理的实体，可能是个人、班级或地点。	与独立单位不一致时，按聚类设计规划功效。
混杂	confounding	一个同时影响处理/暴露和结果的变量，使比较不再只反映目标路径。	画因果图并在 2.3 实验设计记录控制理由；不要把中介当混杂调整。
干扰	interference	一个单位的处理改变另一个单位的结果，例如同班学生互相看到通知设置。	明确 SUTVA/网络边界；必要时改随机化或分析单位。

2. 测量与资料质量：这个数字可信到什么程度？

中文	English	一句话说明	下一步 / 易混淆
信度	reliability	在指定条件下测量结果的稳定性或一致性；高信度不等于测到了目标构念。	报告估计方法与不确定性；不要把 α 阈值当作效度证据。
效度	validity	分数能否支持你对构念或结果的具体解释，是证据链而非一次“通过”。	分开内容、结构、与外部变量关系和后果证据。
测量不变性	measurement invariance	不同组/时间的分数是否具有可比的测量关系。	先检验可比性再比较潜变量均值；见 2.2 测量。
操纵检查	manipulation check	检查参与者是否经历了预定操纵的辅助指标。	它不是主要结果，也不能单独证明因果机制。
缺失机制	missingness mechanism	缺失与已观测/未观测资料的关系（常用 MCAR、MAR、MNAR 作为模型假设标签）。	记录缺失原因和模式，做敏感性分析；不要把删除缺失当默认无害。
选择偏差	selection bias	进入样本、完成测量或留在分析中的机会与研究变量有关，导致目标人群不再可代表。	比较纳入与退出流程；增加样本量不能自动修复。
最小关注效应	smallest effect of interest (SESOI)	研究者认为在理论或实践上值得区分的最小差异。	在功效/精度和区间解释中预先写出，不要用事后显著性代替。
预试	pilot / feasibility study	先检查流程、招募、测量和程序是否可行的研究，不自动提供确认性效应证据。	标明目的和停止规则；不要把预试估计当正式样本量效果。

3. 推断与效应：结果应该怎样读？

中文	English	一句话说明	下一步 / 易混淆
参数	parameter	总体或模型中定义的目标量，如总体平均处理效应或回归斜率。	报告估计值和区间；不要把样本统计量写成总体事实。
估计量 / 估计值	estimator / estimate	估计量是计算规则，估计值是本次资料算出的数。	与 estimand（目标量）配对写，见 3.0 基础概念。
标准误	standard error (SE)	估计量在重复抽样下的典型波动尺度，不是个体分数的标准差。	与置信区间和模型假设一起报告；不要把 SE 当测量信度。
置信区间	confidence interval (CI)	在重复抽样的覆盖率解释下构造的参数区间；不是“参数有某概率在此区间”。	写明置信水平、模型和区间方法；与 Bayesian credible interval 区分。
p 值	p value	在零假设及模型条件下，观察到同样或更极端数据的尾部概率。	不能表示零假设为真的概率，也不能表示效应大小。
效应量	effect size	把差异、关联或模型参数按原始或标准化量尺表达的大小。	同时给方向、量尺和不确定性；不要脱离情境套“小/中/大”标签。
实际重要性	practical significance	效应是否超过 SESOI、成本或决策阈值，而不只看统计显著。	在研究开始前写阈值来源，避免把“显著”改写成“有用”。
多重比较	multiplicity / multiple comparisons	同时检验多个结果、时间点或子组会改变至少一次误报的机会。	预先列主要对比，说明控制或探索性策略；见 3.1 描述性统计。
敏感性分析	sensitivity analysis	在合理的替代假设、模型或缺失处理下重算，检查结论是否依赖一个选择。	报告改变了什么和没改变什么；不是挑选“最好看”的结果。

4. 模型与结构：为什么不能只换一个按钮？

中文	English	一句话说明	下一步 / 易混淆
重复测量	repeated measures	同一单位在多个时间/条件被观测，行与行相关。	用配对、重复测量或混合模型；不要把行数当独立 N。
嵌套数据	nested / clustered data	低层观测属于更高层群组，如试次—被试、学生—班级。	识别聚类和随机化层级，检查 ICC/设计效应。
固定效应	fixed effect	对一组已定义水平或总体平均关系进行估计的模型项。	解释系数对应的对比和参考组；不要把“固定”理解成无不确定性。
随机效应	random effect	描述群组间截距/斜率变异的模型部分，通常需要明确其分布假设。	查看收敛和奇异拟合；与“随机分配”不是同一个词。
交互 / 调节	interaction / moderation	一个变量的效应随另一个变量水平而改变。	画条件效应和区间，避免只读交互 p；见 3.5 中介与调节。
中介	mediation	用中间变量描述处理/暴露与结果之间的一条统计路径。	需要时间顺序和识别假设才能作机制解释；显著间接效应不自动证明机制。
异质性	heterogeneity	不同研究、群组或单位的真实效应存在差异。	在元分析/多层模型中报告其估计和来源，不要把差异平均抹掉。

5. 贝叶斯与开放科学：如何让推断可追踪？

中文	English	一句话说明	下一步 / 易混淆
先验	prior	在看到当前资料前，对参数可能值的概率描述。	说明来源并做先验敏感性；不是“主观所以不科学”。
似然	likelihood	在给定参数下，资料出现的相对支持程度。	与先验结合得到后验；不要把似然当参数的概率。
后验	posterior	结合先验与资料后对参数的更新分布。	报告区间、预测检验和诊断；见 3.9 贝叶斯。
可信区间	credible interval	后验分布中包含指定概率质量的参数区间。	解释依赖模型与先验；不要与频率学派 CI 互换说法。
预注册	preregistration	在看结果前公开研究问题、设计、主要结果和分析计划的时间戳记录。	偏离要列理由；预注册不是保证研究正确。
注册报告	Registered Report	先评审问题和方法，原则性接收后再收集/分析数据的出版流程。	与普通预注册和事后开放数据区分；查期刊当前政策。
确认性 / 探索性	confirmatory / exploratory	前者检验预先指定的问题，后者生成待复制的假设；两者都可有价值。	在方案、脚本和论文中分开标记，不用标签掩盖灵活分析。
可复现性	reproducibility	另一位研究者能用同一材料、代码和版本得到相同或可解释的结果。	保存数据字典、环境锁定和运行日志；与 replicability（新资料重做）区分。
去标识化	de-identification	移除或转换直接/间接识别线索以降低重新识别风险。	做风险评估、访问控制和数据使用协议；不等于绝对匿名。