行为科学统计精要读后感1000字

《行为科学统计精要》是一本由弗雷德里克·J·格雷维特 (Gravetter F.J.) / 著作，中国人民大学出版社出版的平装图书，本书定价：CNY 62.00，页数：380，特精心收集的读后感，希望对大家能有帮助。

《行为科学统计精要》读后感(一)：一本让人看得感动的统计书

从本科到研究生，我正儿八经上过两轮统计课，但中间因为备考和数据分析，又查过几本不同的教材。从以黑白猪举例的生物统计到以精神病人举例的心理学统计，研究生期间不停的分析了几波数据，来回折腾了六七年，才敢说真的入了一点统计的门。

很多小朋友都觉得统计可怕，其实可怕的根本不是这门课，是一些不负责任的教材和漫不经心的老师们。像我本科第一次学统计时，特么的满本书都是公式，然后下面附一个让你算黑白猪体重或快慢羽鸡仔发育的差异，整本书就是做题做题，算F值，算相关系数，再做做线性回归。考完试根本不知道这门课到底干嘛的，满满的疑惑：咦，我怎么还在学数学。学完就忘了。

考研时看过甘怡群的书，这本书的最大好处是简单，轻薄，公式好记。能让人梳理一遍统计理论的流程。看完记得几个方差公式，也能正确用起来。

至于大家都推崇的张奶奶的书，我实在不敢恭维。只能说张奶奶人比书好看。

研究生时又看过帕加诺的还有舒华的，还有一堆看怎么用SPSS跑数据顺便讲统计原理的教材。我真是深深的不明白，明明很直白的东西，为什么大家都搞得这么复杂。

只有这本书，是数学弱鸡们的福音。作者掏心掏肺的给你讲，什么是差异，差异怎么衡量，一个公式，附带几种不同的演示形式，从描述统计到推论统计再到最后的非参，不用歇一口气。仔仔细细的教怎么分析怎么理解公式怎么写报告：不是算完F值就完事啊。

类似情况也发生在国人编的实验心理学、认知心理学的教材里，有时我甚至想，作者压根没打算让人懂这些内容，满满的都是汉字，却看不进去。彭聃龄的《普通心理学》除外。

这本书在参数统计部分讲的非常好，把有些统计书里根本懒得说的效应量的计算也讲得清清楚楚，这在APA报告里是必须的。但到了非参就太简单了，只介绍了一下卡方，实际上，不少数据分布是做不了参数检验的，多介绍一下非常也很重要。此外，还有一些小的例题和印刷错误。

瑕不掩瑜。看的过程常常觉得，这本书才不是教做题，教的是统计的精神。如果我看的第一本教材就是这本，也不用痛苦那么多年了。

《行为科学统计精要》读后感(二)：【分享】统计的组成结构

自己买了两本，一本是《行为科学统计精要第八版》一本是影印版的《行为科学统计第七版》

读完了后，发现《行为科学统计第七版》附录里的统计的组成结构的决策图，做的很棒啊，各种统计方法就像一块块散落的拼图，而决策图就是一张相当完整的图画。

尤其是在非参数检验这一块，第七版讲的很清楚啦。

分享大家哦，两个书的都有~

《行为科学统计第七版》

《行为科学统计精要第八版》

《行为科学统计精要》读后感(三)：优秀教材，有翻译欠缺和排版错误，但瑕不掩瑜

2019年6月27日添加更新：

已读完。好书。有些翻译欠缺和印刷错误，但瑕不掩瑜。

边读边做书中的例题和习题，以及SPSS操作，几乎无理解障碍。愉悦的一次阅读学习经历，你会沉浸在轻松学到新知识的喜悦中。作者以实际案例来介绍和解释每一个新统计概念和统计方法，深入浅出。作者对统计学有深刻的理解，又深知普通菜鸟学生的思维方式和盲点、困难在何处，循循善诱，会给出善解人意的提醒和举例说明。

感恩作者和译者，收获很大。感觉是自己面前打开了另一扇了解世界和社会窗口。

建议对照英文原版一起看。因为本书中文翻译还有提升空间，中文看不懂时通常是翻译的问题，查看英文原版就明白了。也有不少小的印刷错误，比如小数点点错、数字位置调换，本来一开始我还做记录，但后来发现小错误太多，放弃记录列表，顺手在书上直接更改而已。

中文翻译版中有一个比较严重的印刷排版错误，我认为有必要提出来让读者们留意：

第99页的正态分布等式，其中自然数e的指数部分排版错误，成了一个错误的公式（见下图）。

中译版第99页，正态分布公式，自然数e的指数部分排版错误

英文原版 page 156 中的正态分布公式才是正确的。

—————————————分界线 以下为2019年5月28日原评论——————————————

翻译只能给3星，英文原版给5颗星。

page 5中最基本术语“样本”的定义翻译遗漏了重要限定词，造成概念性错误。做为统计学初学者和自学者，学的中译版，越读越困惑，因为后面内容谈到样本，和前面的定义无法吻合。直到看了英文原文才豁然开朗。（见下图）

中译版第5页，样本的定义翻译为“从总体中选出的个体……”

英文原版page 6, 原文为“a set of individuals selected from a population…”, 翻译为“从总体中选出的一组个体……”才比较严谨。样本不是一个“个体”，样本是指“一组个体”的集合。

数学是思维严谨的学科，少了一个词汇，含义差别非常大。误导初学者，造成不必要的困惑和阻碍。

其他内容也是有翻译的欠缺。中文是我的第一语言，英文只有半桶水，但是读这本书的中译本，就是没有读英文版简单明了，容易理解！

英文版的语言非常好，用最简单的语言解释得非常明了，言简意赅。作者知道自己在做什么，对这一学科有深刻的理解，语言表达能力也很强，是真正的学者，是我们为学的表率。

做学问要淡泊宁静，潜心笃志，孜孜不倦。正在写毕业论文，由于自身资质和功底不够，面临不少困难和挑战，这本书的中英文译者和著者，给了我这样的警醒和感悟。

无论如何，仍然感谢翻译者们的辛劳付出，把国外优秀教材介绍了给大家。

《行为科学统计精要》读后感(四)：标准差与标准误的差别

读一本好书，是一场精神上惬意的旅行。

读《行为科学统计精要》这本书，就如同开启了一场收获颇丰的旅行，带我去的地方，比我想要去的地方还要好。

初识这本书，是因去年准备考研，需学习统计学。

先说下自己的数学基础，小学初中，数学都是听课做题，不费心费力，老师说啥干啥，高中理科，刚开始在高一的时候数学还可以考班级前几，后面换了数学老师（新的老师不注重基础，加上偏爱难题，每次上课都讲数学最后的两道大题，于是自己基础不会，难题更不会）加上谈恋爱，对数学的不重视（自己不知道学），以至于高考数学考了90多分，刚及格而已。

大学后，专业文理兼收，大学还是偏文科，数学学的是“文科数学”且开卷考试。所以相当于没有学习。以至于连高中本就不扎实的基础都忘的差不多了。

面对统计，难免心生恐惧，但仔细思考，自己从头到尾对数学都没有发挥过主观能动性，属于算盘珠子，拨一下动一下，对数学说不上讨厌，甚至可以说有点喜欢，但对数学的认识，还属于感性认识，并未付诸实践。

从大学听闻一位老师推荐说人人都该学习一下《概率论》，自己很认同，但并未付诸实践，还是每天晃悠依旧。

而真的开始心理学考研的学习了，数学依旧是重要的基础。

刚开始自己是这样学习的，先上心理统计学的网课，然后读书，读的是心理学312统考的张厚粲老师的《现代心理与教育统计学》这本书，并做书上例题，（做例题的时候十分辛苦，数据大多未经处理，计算需要花费很长时间）但依旧不太容易理解，不理解，加上练习不够，超级容易遗忘。同时还看了甘怡群老师的《心理与行为科学统计》，这本书的例题，数据经过了处理，计算起来比较方便些。

但读书读了一轮后，依旧迷迷糊糊，看网上的言论说，所谓心理学的统计学，就是工具，我们会用即可，又不用推导公式，把公式背住，并且分清楚运用的情境，会用即可。

哇，会用即可。这四字，说来轻巧，自己也感到轻巧，但用的时，总“不小心用错”，因未理解，死记硬背罢了。

到考研初试的时候，实统测的计算题，自己算是全蒙（自己懒啊，不理解背公式，容易忘，用得少了，也与实际所用情景无法匹配），最后凭运气选，凭实力没考上。

但我没放弃统计，在读《行为科学研究方法》这本书时，对如何做心理学研究有了一个宏观的“先行组织者”，也就是大框架。继而读的《行为科学统计精要》这本书，就像一位学识渊博的学者，深入浅出循序渐进的讲解，解答了我许久未明的疑惑。

统计必不可少，是有力的工具。我们用普发教社的理论为指导，现实生活也好，原先的文献研究也好提出问题与假设，用实验的方法，经过测量得到数据，再经过描述统计组织，整理数据，推论统计，用样本的数据回答总体的问题，验证假设。科学的研究，是可证伪的，可重复的，以理论为起点，通过研究又回到理论，充实或者验证理论。在此基础上，心理学生生不息在发展，一点一点的站在前人的肩膀上，将心理学的研究向前推一点，再推一点。

很多时候，我们无法获得研究的总体，只能获得总体的一个代表性的样本，若我们要研究青少年的自我同一性获得的情况，我们研究的是某中学300名随机抽取的青少年自我同一性的获得情况，总体是所有的青少年的自我同一性的获得的情况，我们要研究总体，颇费功夫，且难以开展。而我们实际研究的某中学300名青少年自我同一性的获得情况。就是总体的一个代表性样本。

那么问题来了，我们如何确定这个样本代表总体的准确性呢？我们可以从总体获得的样本如此之多，比如我们还可以研究其他另一个中学的300个青少年，亦或者，在同一所中学，每次抽取的青少年的组成也是不同的。我们如何知道这些样本在多大程度上代表总体呢？

这就需要标准误这个概念了。

而说起标准误，我们需要先了解下标准差是啥。

标准差，是数据到平均数的标准距离，能够说明一组数据的变异情况。标准差大，一组数据到平均数的标准距离大，这组数据的分布就比较分散，标准差小，则说明一组数据到平均数的标准距离小，数据较为集中。举个极端点的例子，标准差为0，也就是一组数据中，到平均数的标准距离为0，那这组数据，就是平均数，也就是相同的数据，没有产生任何变异。

标准误则是一组数据的均值与总体均值的变异情况的衡量。一组数据的均值，是通过一组数据（我们得到的原始数据）的计算得出，叫做样本统计量。换言之，标准误就是样本在多大程度上代表总体的指标。

我们都知道，总体作为青少年，一个青少年的代表性，要弱于10个青少年的代表性，而100个青少年，就有更强的代表性。（随机抽样哇，青少年的自我同一性的获得），也就是说，我们样本容量越大，获得的统计量的代表性就越强。

而如果总体本就分布离散，变异较大，那样本统计量的代表性也会减小。就如总体为中国人的自我同一性的获得，总体本身比起之前研究总体，青少年的自我同一性的获得变异要大，获得的样本统计量的代表性也会相应变小。

那，标准差和标准误的差别在哪里呢？

标准差描述的是一组数据到平均数的标准距离。也就是一个数在多大程度上能代表这组数。

标准误描述的是一个样本均值到总体均值的标准距离，也就是样本能在多大程度上代表总体，样本越大，代表性越强，样本均值的分布越集中在总体均值附近。一个极端情况，如果样本中，数据为一，也就是一个数据，就是一个样本，那么样本均值，就是这个数本身，样本均值的分布，等同于总体分布。

所以，标准误的最大值，是标准差，也就是一个数据当做一个“样本”，让其代表总体，那样本中的数据到总体均值的距离，等同于总体中的数据到总体均值的距离。随着样本量的增大，样本均值的代表性也增大，样本均值的分布，总是围绕总体均值，变异减小。（1个数的平均数的代表性与100个数的平均数的代表性相比，后者更具代表性）

所以，我们可以把标准差当作样本量为1的样本到总体均值的标准距离。

在行为科学的研究中，知道样本多大程度代表总体，是一个怎样也绕不过的课题。

《行为科学统计精要》读后感(五)：*行为科学统计精要*读书笔记

第一部分 入门与描述统计第1章 统计学入门

1.1 统计、科学与观察 统计学是一套组织、整合和解释信息的数学过程。

1.2 总体和样本 总体是在特定研究中所关注的所有个体的集合；描述总体的数值叫总体参数； 样本是那些从总体中选出的个体，在研究中用来代表总体；描述样本的数值叫样本统计量。 抽样误差是存在于样本统计量与相应的总体参数间的误差。 描述统计组织、整合和简化数据； 推论统计基于样本对总体做出推论。

1.3 数据结构、研究方法和统计方法 相关研究：测量两个变量，评估两个变量是否相关；通常使用相关和卡方检验的统计分析方法来评估。 因果研究：操纵一个变量（用自变量定义组别），控制其他变量（被试变量/环境变量），测量一个变量（用因变量进行比较），评估因变量的改变是否由自变量的改变引起；通常使用描述统计组织和整合每组分数，使用推论统计把样本结论推及总体。 因果研究可分为实验法和非实验法：实验包括真实操纵和严格控制；非实验使用一个既有的被试特征（例如男/女-非等效组研究）或时间变化（之前/之后-前后测研究）产生比较的组。 实验研究通常会含有控制组，这样做的目的是通过考察处理情况下的分数与无处理情况下的分数的显著不同来证明处理效应存在；被试在控制组不接受实验处理，但会接受一个中性的或安慰剂处理。 当测量过程产生数值数据，一般会计算和比较均值；当测量过程产生非数值数据，一般会计算和比较比例（卡方检验）。

1.4 变量和测量 假设建构：不能被直接观察到的内部特质； 操作定义：通过一系列操作测量外部行为，并根据结果定义构建。 离散变量：由分离的数值组成，任何两个数值之间的数值数量是有限的； 连续变量：由连续的片段组成，任何两个数值之间的数值数量是无限的； 测量连续变量时，每个测量种类必须是一个由边界定义的间隔，这个间隔的边界就是精确界限。 测量量表包括：称名量表（种类只在名称上不同）、顺序量表（种类根据方向区别）、等距量表（种类根据方向和数量或距离区别）、等比量表（有绝对零点的等距量表）。

1.5 统计符号 N代表总体中的分数数量；n代表样本中的分数数量。 ∑代表求和；∑X表示对变量X的所有分数的求和。

2.1 概述 描述统计的目的是简化数据的组织和呈现形式，其中一个技术就是将数据转化为频数分布表或分布图，它们可以精确地测量数据或范围的数目。

2.2 频数分布表 简单频数分布表：一列列出测量数据范围（X值），一列列出频数（f）；比例＝p＝f/n；百分比＝p（100）＝f/n（100）。 分组频数分布表：10个左右的分组区间最佳；组距最好是简单的数字；区间下限值最好是组距倍数；所有区间应该有相同组距。

2.3 频数分布图 频数分布图：X轴是分数，Y轴是频数。 等距或等比数据：使用直方图或多边形图；称名或顺序数据：使用条形图。 总体分布图往往有两个特征：相对频数和平滑曲线。

2.4 频数分布图的形状 形状常用来描述分数分布特征，分布形态多为对称或偏态。 尾端位于右侧的偏态分布叫正偏态分布，尾端位于左侧的偏态分布叫负偏态分布。

3.1 集中趋势的定义 对集中趋势进行测量的目标就是找到一个分布中最具代表性的值，以最好地描述整个分布的情况。 集中趋势的三种测量方法：均值、中数和众数。

3.2 均值 均值：将所有数据总和除以数据个数所得的值； 总体均值μ=∑X/N；样本均值M=∑X/n。

3.3 中数 中数：将分布恰好等分为两部分的数据。

3.4 众数 众数：数据分布中出现频率最高的数据。

3.5 选择测量集中趋势的方法 使用均值：等距或等比数据； 使用中数：极端值或偏态分布/不确定值/空端分布/顺序数据； 使用众数：称名数据/离散变量。

3.6 集中趋势和分布的形态 对于对称分布：均值和中数相等；正态分布众数在中间，双峰分布众数在两边，矩形分布无众数； 对于偏态分布：众数位于峰点，平均数位于靠近尾部极端值处，中数位于二者之间。

4.1 概述 对变异性进行测量的目标就是描述分数在分布中的分散或聚集的程度。 变异性的三种测量方法：全距、方差和标准差。

4.2 全距 全距：分布中全部分数覆盖的距离；最大分数(精确上限)-最小分数(精确下限)。

4.3-4.4 标准差和方差 方差：离均差的平方的平均数； 标准差：到平均数的标准距离，方差的平方根。 计算总体标准差σ的方法：找出每个分数的离均差（X-μ）；给每个离均差取平方；求出各离均差的平方和SS【SS=∑X²－(∑X)²/N】；除以分数个数得到总体方差（SS/N）；给方差开平方根得到总体标准差σ。 计算样本标准差s的方法：找出每个分数的离均差（X-M）；给每个离均差取平方；求出各离均差的平方和SS【SS=∑X²－(∑X)²/n】；除以样本变异的自由度（df=n-1）得到样本方差（SS/n-1）；给方差开平方根得到样本标准差s。

5.1-5.5 z分数的位置及标准化分布 每个X值都可被转换成z分数，z分数可以描述X值在分布中的精确位置，也可以使整个分数分布标准化。 z分数包括符号和数字：符号（+/-）表示该分数位于平均数之上或之下；数字表示该分数到平均数的距离等于几个标准差；总体：z=（X-μ）/σ；样本：z=（X-M）/s。 z分数分布与原分布形状相同，且总是平均数为0，标准差为1。 任一分布都可以进行标准化，先把原始分数转换成z分数，再把z分数转换成新的具有确定的平均数和标准差的分布。

5.6 推论统计展望 在推论统计中，z分数给特定分数在多大程度上代表它的总体提供了一个客观的判断方法：z分数接近于0表明该分数靠近平均数，具有代表性；z分数大于或小于2.00表明该分数是极端值，明显不同于分布中其它分数。

6.1 概率简介 一个特定事件A的概率被定义为一个比例：p（A）=分类为A的事件的数量/所有可能结果的数量； 这个定义只对随机样本（总体中的个体有相等的机会被选择；当多于一个个体被选择时概率保持不变）成立。

6.2-6.3 概率和正态分布 对于正态分布，可以先用z分数公式实现X值和z分数的转换，再使用单位正态分布表中查找与每个z分数值相联系的概率（比例）或者与每个概率相联系的z分数值。

6.4 推论统计展望 z分数大于或小于2.00的选择是武断的，通过概率来确定边界的具体位置更为客观。

7.1-7.4 样本均值的分布 样本均值的分布被定义为一个总体中可能得到的大小为n的所有随机样本的一系列M。 根据中心极限定理，样本均值分布的参数如下： a 形状 - 如果以下任意一个条件被满足，样本均值的分布将是正态的：样本来自的总体是正态的/样本量相对较大（n=30或更大）； b 集中趋势 - 样本均值分布的均值（M的期望值）将等同于样本来自的总体的均值； c 变异性 - 样本均值分布的标准差（M的标准误）等于σ/√n，标准误测量了样本均值（M）和总体均值（μ）之间的标准距离。 每个M在样本均值分布中的位置能用z分数定义：z=（M-μ）/标准误； 因为样本均值的分布趋近于正态，所以能用z分数和单位正态分布表找到特定样本均值的概率。

7.5 推论统计展望 标准误测量了样本统计量和总体参数间的差异量的期望值，是推论过程中的重要元素。

8.1-8.3 假设检验的逻辑 假设检验是一个推论的过程，它使用来自样本的数据得出（检验）关于总体的结论（假设）。 假设检验（用样本均值来检验一个关于未知总体均值的假设）的步骤： a 提出假设，设定α水平 - 虚无假设提出不存在效应或者改变，备择假设与之相反，α水平通常是0.05、0.01或0.001； b 定位拒绝域 - 拒绝域被定义为虚无假设为真时极不可能出现的样本结果； c 收集数据，计算检验统计量 - 用z分数定义统计量：z=（M-μ）/标准误； d 做出关于虚无假设的决定 - 若z分数在拒绝域，拒绝虚无假设，存在处理效应；若z分数不在拒绝域，不能拒绝虚无假设，没有足够证据证明存在处理效应。 当假设检验作出一个决定时，可能犯两种错误：错误地拒绝虚无假设；没有拒绝错误的虚无假设。

8.4 有方向的假设检验（单侧检验） 当研究者希望一个处理在特定的方向上改变分数（增加／减小）时，可以做一个单侧检验，这个过程的第一步是在假设中加入有方向的预测，若预测是处理将会增加分数，虚无假设指出没有增加，备择假设指出存在增加。

8.5 测量效应大小 一个显著的处理效应并不意味着是一个大的处理效应，测量效应大小最直接的方法是Cohen's d系数。 Cohen's d系数是对均值差异的标准测量，计算公式为：d=均值差异／标准差。 d=0.2时为小效应；d=0.5时为中等效应；d=0.8时为大效应。

8.6 测量检验力 假设检验的检验力：当处理效应存在时，检验正确拒绝虚无假设的概率； 随着处理效应的增加，检验力也增加。