Q1.03.2Quantitative estimation and uncertainty研究
定量回答多少与是否显著
别名: 定量研究 · 效应估计 · quantitative inference
概念解释
定量推断（quantitative inference）把构念映射为变量，用数值模型估计频率、差异、关联、趋势或预测误差，并表达估计的不确定性。“多少”是核心；“是否显著”只是其中一种检验语言，不应取代效应大小。一个结果可以统计显著但实际影响极小，也可以因样本不精确而未显著，却仍与重要效应相容。研究应首先回答估计了什么、单位是什么、误差有多大。
机制
样本统计量同时受总体信号、随机变异、测量过程和模型选择影响，但常规标准误、置信区间或后验区间通常条件于选定模型及其假设，只刻画被模型纳入的随机不确定性。测量偏差、选择偏差和模型错设不会因为区间较窄就消失，必须通过误差模型、敏感性分析、替代操作化或外部验证单独处理。随机分配帮助解释因果，概率抽样帮助推广总体；二者解决的问题不同。p 值是在零假设与统计模型成立时，检验统计量取得当前值或更极端值的概率；它不是零假设为真的概率，也不说明效应是否值得行动。
怎么研究
先定义目标量，例如平均任务时间差、成功概率比、留存曲线差或个体内评分变化，再确定观察单位、分母和时间窗。依据决策所需的最小重要差异规划样本与精度，而不是只追求越过显著阈值。分析应展示原始分布、效应量和不确定区间，检查缺失、离群、聚类和多重比较；重复测量需在模型中处理个体相关。若目标是因果推断，还需说明分配、依从、污染和估计对象。
边界
定量数据不会自动客观：题目措辞、埋点触发和成功编码都包含判断。大样本能缩小抽样误差，却不能修复构念偏差或系统性缺失。统计模型也可以研究“为什么”，如中介、异质效应和纵向过程，但解释依赖更强假设；它不会替代对意义和情境的理解。显著性阈值不应成为结果二分器，尤其在多重分析和可选停止存在时。