这不是一本统计学课本(对此你感到心中窃喜吧),但人际关系学家整理数据的一些统计技术,仍是明智的读者应该掌握的。许多人际关系研究要对所获得的数据进行统计分析以确定结果是否具有统计学上的“显著性”。这是一种计算研究结果(如观察到的相关或实验中操纵变量所得的效应)偶然发生的概率有多大的方法。如果结果偶发的可能性很低,那么结果就是“显著的”。本书所有的研究结果都是显著的。你也可以放心,得到这些结果的研究都经过了其他科学家严格的审查。然而,这并不意味着我们提及的每一个结果都是完全正确的：有些结果可能是偶然发生的,反映了有偏样本特殊人群的影响或各种没有预计到的失误。如果心理学、社会学或传播学研究的结果具有统计学上的显著性,就表明这种结果不太可能随机发生,但并非完全不可能随机发生。还请牢记,我们碰到的结果通常描述了普通人群明显的行为模式,但因为存在个体差异(参看第1章),这些模式适合特定个体的程度存在差别。请不要太天真,幼稚地以为实际上的确符合大多数人的研究结果是错误的,只因为该结果似乎并不适合你认识的某个人。我希望你能成熟点,辩证思考,富有理性。

此外,我们还要注意,人际关系研究所得到的数据也会表现出独特的挑战性和复杂性。以下是三个例子。

配对的相互影响的数据。多数统计程序都假定不同参与者的分数是各自独立的,不会发生任何的联系(也就是说,一个参与者的反应不会受到任何其他参与者的影响)。但是,如果夫妇双方都参加研究,情况就不同了。妻子对夫妻关系的满意度非常有可能受到丈夫是否快乐的影响,所以妻子的满意程度并不独立于丈夫。从人际关系伴侣所取得的数据常常会相互影响,明智的做法是用特殊的统计程序来分析这类数据(如Kashyetal.,2006)。

不同的分析水平。人际关系研究者还必须在两个完全不同的分析水平上做出选择,一种水平是构成夫妇的个体,另一种水平是夫妇两人一起(Kashyetal.,2006)。例如,研究者要考察个体的依恋类型对他(她)自己社会交往的影响,或者要考察两个伴侣的依恋类型组合如何影响他们之间的人际关系质量。第一个问题是在个体水平上进行分析,第二个问题则是在成对的数据水平上分析。研究者必须小心确保所使用的统计程序适合数据的不同分析水平。

影响人际关系的三个根源。而且,人际关系来自各个伙伴的单独贡献和他们组成一对的独特组合。比如,假设梁山伯和祝英台拥有幸福的婚姻。原因之一或许是梁山伯是一个特别令人愉快的家伙,他能和任何人很好地相处,包括祝英台。又或者(也可能同时)祝英台是个很容易生活在一起的人。然而,梁祝比梁与其他女性或祝与其他男性有更好的亲密关系,也可能是因为他们两人个人特质独特组合的结果：整体大于部分之和。人际关系研究者常常会遇到这三种影响因素结合起来的现象,即两个单个伴侣和他们共有的独特伴侣关系。同时一起分析所有这些成分需要高级的统计分析方法(Kenny&Ledermann,2010),这是人际关系科学复杂性的又一证明。

那么我的观点究竟是什么呢?我已经指出研究亲密关系要处理的问题的复杂性,也提到统计显著性检验针对的是可能性而不是确定性。你就应该怀疑每一个研究结果,怀疑每一种观点和理论吗?答案既是肯定的又是否定的。我希望你能慎思而不盲信,也希望你了解你要学习的内容的复杂性。记住要像科学家那样思考：没有一项研究是完美无缺的,但真理就在前方。我更相信不同的科学家采用不同的参与者样本进行研究得出的结果。如果研究结果用不同的方法得到重复,我们就更有信心。

由于这些原因,科学家现在做了很多元分析(meta-analyses)研究,即把先前许多不同的研究得出的结果结合在一起进行统计分析(Robertsetal.,2007)。在元分析中,研究者把针对某一特定现象的所有现存研究汇编到一起,分析整合它们的结果以识别它们包含的共同规律。如果所有的先前研究都得出基本相同的结果,元分析使这一结果一目了然;如果存在不一致,元分析有可能揭示出原因。

由于有了这一称心如意的分析工具,尽管人际关系学历史短暂,研究内容复杂,却仍取得了巨大进步。虽然前面我不时提出警告,但本书提到的大多数结论都是可靠的,如果你重复研究者的工作也将得出同样的结果。不可思议的是,大部分人际关系的研究结果在你父母出生时都还没有发现呢。