{
  "id": "standardized-mean-difference",
  "title": "标准化均值差",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "标准化均值差以标准差为单位表示两个均值之差，便于比较采用不同测量尺度的结果。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "标准化均数差",
    "标准化平均差",
    "SMD"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/standardized-mean-difference/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/standardized-mean-difference/",
      "json": "https://aiwiki.page/en/standardized-mean-difference.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "标准化均值差（SMD）是一类效应量指标，用于表示两个均值之差相对于所选标准差的大小。与原始均值差不同，它没有物理测量单位。在统计学中，标准化均值差广泛用于描述组间差异、合并采用不同尺度测量的研究结果，以及评估比较组之间的协变量平衡。常见形式包括 Cohen's \\(d\\)、Hedges' \\(g\\) 和 Glass's \\(\\Delta\\)，它们的主要区别在于标准化所用的分母，以及对小样本偏差的处理方式。"
    },
    {
      "heading": "定义与解释",
      "text": "对于均值分别为 \\(\\mu_1\\) 和 \\(\\mu_0\\) 的两个总体，总体标准化均值差可写为\n\n\\[\\delta=\\frac{\\mu_1-\\mu_0}{\\sigma_{\\mathrm{ref}}},\\]\n\n其中，\\(\\sigma_{\\mathrm{ref}}>0\\) 是指定的参照标准差。总体均值是期望值；参照标准差描述一个或两个总体的变异程度。\n\n\\(\\sigma_{\\mathrm{ref}}\\) 的选择是定义的一部分，而不只是计算细节。如果两个总体具有相同的标准差 \\(\\sigma\\)，自然的定义是\n\n\\[\\delta=\\frac{\\mu_1-\\mu_0}{\\sigma}.\\]\n\n当两个总体的方差不同时，可以选用多种合理的标准化分母，而它们得出的效应量未必相同。\n\nSMD 为 \\(0.5\\)，表示第一个均值比第二个均值高出所选参照标准差的一半。这并不意味着第一个均值高出 50%，也不意味着第一组中的每个人得分都更高。零表示均值相等，而不表示概率分布相同。\n\n正负号取决于相减的顺序和测量尺度的方向。例如，正差值既可能表示表现较好，也可能表示表现较差，这取决于高分代表成功还是困难。"
    },
    {
      "heading": "主要估计量",
      "text": "Cohen's \\(d\\)\n\n对于两个独立样本，设 \\(\\bar{x}_1,\\bar{x}_0\\) 为样本均值，\\(s_1,s_0\\) 为样本标准差，\\(n_1,n_0\\) 为样本量。Cohen's \\(d\\) 的一种常见定义为\n\n\\[d=\\frac{\\bar{x}_1-\\bar{x}_0}{s_p},\\]\n\n其中\n\n\\[s_p= \\sqrt{ \\frac{(n_1-1)s_1^2+(n_0-1)s_0^2} {n_1+n_0-2} }.\\]\n\n这里，\\(s_p^2\\) 是共同总体方差的合并估计值，其自由度为\n\n\\[\\nu=n_1+n_0-2\\]\n\n。\n\n这个分母按照各样本的自由度对样本方差加权。它不是把所有观测值合在一起计算的标准差：后者还会反映组间均值的差异。\n\n“Cohen's \\(d\\)”这一名称有时也用于采用其他标准化约定的指标。因此，在比较报告中的数值时，应明确所用公式或分母。\n\nHedges' \\(g\\)\n\n从方差相等的正态分布总体中独立抽样时，\\(d\\) 存在偏离零方向的小样本估计量的偏差。Hedges' \\(g\\) 对此进行校正：\n\n\\[g=J(\\nu)d,\\]\n\n其中\n\n\\[J(\\nu)= \\frac{\\Gamma(\\nu/2)} {\\sqrt{\\nu/2}\\,\\Gamma((\\nu-1)/2)}.\\]\n\n这里，\\(\\Gamma\\) 为伽马函数。一种广泛使用的近似为\n\n\\[J(\\nu)\\approx 1-\\frac{3}{4\\nu-1}.\\]\n\n在正态、等方差模型下，对于采用合并标准差的估计量，只要相关期望存在，这一精确校正就能使 \\(g\\) 成为 \\(\\delta\\) 的无偏估计量。校正在小样本中影响最为明显，校正因子则随样本量增加而趋近于一。\n\nHedges' \\(g\\) 在元分析中尤为常见，因为系统性的小样本偏差可能在多项研究中累积。\n\nGlass's \\(\\Delta\\)\n\nGlass's \\(\\Delta\\) 使用指定参照组或对照组的标准差进行标准化：\n\n\\[\\Delta=\\frac{\\bar{x}_1-\\bar{x}_0}{s_0}.\\]\n\n当干预不仅可能改变均值，还可能改变变异程度，从而使合并分母难以解释时，这一定义很有用。它所估计的总体目标量为\n\n\\[\\frac{\\mu_1-\\mu_0}{\\sigma_0},\\]\n\n而不是以共同标准差或平均标准差进行标准化的差值。\n\nGlass's \\(\\Delta\\) 也可能存在有限样本偏差；使用对照组标准差作为分母，本身并不能校正偏差。"
    },
    {
      "heading": "示例",
      "text": "假设两个独立组各有 50 个观测值，样本均值分别为 75 和 70，样本标准差均为 10。那么\n\n\\[s_p=10,\\qquad d=\\frac{75-70}{10}=0.5.\\]\n\n当 \\(\\nu=98\\) 时，\n\n\\[g\\approx \\left(1-\\frac{3}{391}\\right)0.5 \\approx 0.496.\\]\n\n因此，估计的差异约为半个标准差。由于总样本量较大，校正幅度很小。\n\n如果两组得分都按 \\(y=a+bx\\) 进行变换，且 \\(b>0\\)，则均值差和标准差都会乘以 \\(b\\)，因此 SMD 不变。若 \\(b\\) 为负，其正负号就会反转。非线性变换通常会改变其大小。"
    },
    {
      "heading": "抽样不确定性与假设检验",
      "text": "SMD 是一个具有抽样不确定性的估计值。其精确程度取决于样本量、各组样本的分配、潜在分布以及所用的分母。\n\n对于等方差模型下的独立组，一种常用的大样本近似为\n\n\\[\\widehat{\\operatorname{Var}}(d) \\approx \\frac{n_1+n_0}{n_1n_0} + \\frac{d^2}{2(n_1+n_0-2)}.\\]\n\n将该表达式乘以 \\(J(\\nu)^2\\)，即可得到相应 \\(g\\) 的近似方差。更精细的估计量会采用不同的有限样本调整。\n\n标准误是估计抽样方差的平方根。基于正态近似的置信区间形式为\n\n\\[g\\pm z_{1-\\alpha/2}\\operatorname{SE}(g),\\]\n\n其中，\\(z_{1-\\alpha/2}\\) 是相应的标准正态分位数。\n\n对于通常采用合并方差的双样本 \\(t\\) 检验，\n\n\\[t=\\frac{d}{\\sqrt{1/n_1+1/n_0}}.\\]\n\n在观测值相互独立、服从正态分布且方差相等的条件下，当总体均值差不为零时，该统计量服从非中心学生t分布。其非中心参数为\n\n\\[\\lambda=\\frac{\\delta}{\\sqrt{1/n_1+1/n_0}}.\\]\n\n通过反演该分布，可以得到 \\(\\delta\\) 的置信区间；这类区间不一定关于效应估计值对称。\n\nSMD 与统计假设检验中的显著性回答的是不同问题。大样本可以精确地估计一个很小的效应，而小样本中即使效应估计值较大，也可能仍有较大的不确定性。因此，P值不能替代效应量及其不确定性的报告。"
    },
    {
      "heading": "配对与重复测量数据",
      "text": "对于配对观测值，例如干预前后的测量结果，选择分母时需要格外谨慎。\n\n设 \\(D_i=X_{i,\\mathrm{post}}-X_{i,\\mathrm{pre}}\\)。一种标准化变化指标为\n\n\\[d_z=\\frac{\\bar{D}}{s_D},\\]\n\n其中，\\(s_D\\) 是个体差值的标准差。由于\n\n\\[s_D^2 = s_{\\mathrm{pre}}^2+s_{\\mathrm{post}}^2 - 2r\\,s_{\\mathrm{pre}}s_{\\mathrm{post}},\\]\n\n两次测量之间的相关关系（以 \\(r\\) 表示）会影响 \\(d_z\\) 的大小。\n\n其他指标则使用基线标准差，或由前后测量方差的平均值计算出的标准差，对平均变化量进行标准化。这些指标估计的是不同的量。以变化分数的变异程度进行标准化的配对样本 SMD，不能与以个体间变异程度进行标准化的独立组 SMD 直接互换。\n\n因此，在比较或合并标准化效应时，必须明确标准化分母和实验设计。此外，组内变化本身并不能证明干预效应的存在。"
    },
    {
      "heading": "在元分析中的应用",
      "text": "当不同研究使用不同工具测量足够相似的构念时，SMD 可以用于合并这些研究，例如合并旨在评估同一技能的不同测验结果。合并之前，必须统一得分方向，使正值和负值具有一致的含义。\n\n一种常见的逆方差加权合并估计值为\n\n\\[\\hat{\\theta} = \\frac{\\sum_i w_i g_i}{\\sum_i w_i}.\\]\n\n在共同效应模型中，\\(w_i=1/v_i\\)，其中 \\(v_i\\) 是估计的抽样方差。在随机效应模型中，权重通常采用以下形式：\n\n\\[w_i=\\frac{1}{v_i+\\tau^2},\\]\n\n其中，\\(\\tau^2\\) 表示研究间效应的异质性。\n\n标准化消除了测量单位，但并不保证实质上的可比性。不同工具可能测量不同的构念，也可能具有不同的测量信度。不同总体的变异程度也可能不同：同样的原始均值差，在更同质的总体中会产生更大的 SMD。\n\n如果多项研究共用参与者、比较组或结局指标，其效应估计值在统计上就具有依赖性。合成这些结果时必须考虑这种依赖性，而不能把所有估计值都视为相互独立。"
    },
    {
      "heading": "在协变量平衡评估中的应用",
      "text": "在因果推断中，标准化差异用于比较匹配或加权前后各组之间的协变量。对于连续协变量，一种常见定义为\n\n\\[\\operatorname{SMD}_{\\mathrm{bal}} = \\frac{\\bar{x}_1-\\bar{x}_0} {\\sqrt{(s_1^2+s_0^2)/2}}.\\]\n\n与通常的 Cohen's \\(d\\) 所用的按自由度加权的分母不同，这个分母赋予两组方差相同的权重。其他约定则使用基线标准差或参照组标准差。\n\n对于二元协变量，一种约定是用比例替代均值，用 \\(p(1-p)\\) 替代方差：\n\n\\[\\operatorname{SMD}_{\\mathrm{binary}} = \\frac{p_1-p_0} {\\sqrt{\\{p_1(1-p_1)+p_0(1-p_0)\\}/2}}.\\]\n\n标准化差异的绝对值通常用作描述性的平衡诊断指标，而不是显著性检验。\\(0.1\\) 之类的阈值只是一种惯例，并不能证明混杂已被消除。均值相等时，方差、分布形态或协变量之间的关系仍可能不同；已测量变量上的平衡也不能证明未测量变量同样平衡。"
    },
    {
      "heading": "解释与局限",
      "text": "与 Cohen 相关的惯用基准将绝对值约为 \\(0.2\\)、\\(0.5\\) 和 \\(0.8\\) 的效应分别称为小、中和大效应。这些只是粗略的惯例，而非普遍适用的标准。实际重要性取决于结局、总体、成本和具体研究背景。\n\n以下几项局限尤其重要：\n\n- 依赖变异程度。 分母反映总体异质性和测量特性，而不仅仅是均值差的大小。\n- 方差不等。 当总体方差不同时，以共同标准差为基础的解释可能不适用。合并分母还可能取决于各组样本量的相对大小。\n- 对极端观测值敏感。 均值和标准差都可能受到离群值的强烈影响。稳健的替代方法通常定义的是不同的效应指标。\n- 提供的分布信息有限。 SMD 描述的是标准化后的均值差异；若不作额外假设，它并不能描述分布之间的所有差异，也不能给出一个观测值大于另一个观测值的概率。\n- 不自动具有因果含义。 对差异进行标准化，并不能消除选择效应、混杂或其他偏差来源。\n- 分母可能无定义或不稳定。 参照标准差为零时，该指标无定义；分母估计不佳时，估计值可能不稳定。\n\n报告原始均值、标准差、样本量、相减方向、标准化约定和不确定性区间，有助于使 SMD 的解释清晰、计算可复现。"
    }
  ],
  "links": [
    "effect-size",
    "standard-deviation",
    "statistics",
    "expected-value",
    "probability-distribution",
    "sample-mean",
    "variance",
    "degrees-of-freedom",
    "normal-distribution",
    "estimator-bias",
    "gamma-function",
    "meta-analysis",
    "sample-size",
    "standard-error",
    "confidence-interval",
    "students-t-distribution",
    "statistical-hypothesis-testing",
    "p-value",
    "correlation",
    "experimental-design",
    "causal-inference",
    "confounding"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}