非均匀群体下重复测量与分布比较：McNemar检验的局限性

当前方法的偏差问题 #

你用的McNemar检验存在两个核心偏差，根源是你的数据属于聚类嵌套结构（16名儿童产出不同数量的名词/代词实例），而McNemar假设所有观测独立：

• 第一类错误率膨胀：同一个儿童的多个发音实例是相关的（比如某个儿童可能整体更倾向于转化[s]音），但McNemar会把这些当作独立观测，导致标准误被低估，p值偏小，更容易错误得出“词类影响[s]音转化”的结论。
• 权重失衡偏差：名词实例数（459）远多于代词（53），McNemar检验会被数量占优的名词组主导，完全忽略个体层面的差异——比如有的儿童在代词上的转化率远高于名词，但因为这类儿童贡献的实例少，会被大量名词数据掩盖。

更合适的分析方法 #

1. 广义线性混合模型（GLMM）——最推荐 #

这是处理嵌套聚类数据的标准方法，能把儿童作为随机效应纳入模型，控制个体间的发音差异，同时直接检验词类对[s]音转化的影响。需要你有个体水平的原始数据（每个[s]音实例对应儿童ID、词类、是否转化）：

# 加载依赖包
library(lme4)

# 假设你的数据框phon_data包含：
# child_id：儿童编号，word_class：词类（nom/pron），transformed：是否转化（0=准确，1=转化）
glmm_model <- glmer(transformed ~ word_class + (1 | child_id), 
                    data = phon_data, 
                    family = binomial(link = "logit"))

# 查看模型结果，重点看word_class的系数和p值
summary(glmm_model)

如果只有汇总到儿童层面的数据（每个儿童的名词/代词准确/转化数），可以用glmmTMB处理成组水平的二项模型：

library(glmmTMB)
library(tidyr)

# 假设child_summary包含child_id, nom_total, nom_trans, pro_total, pro_trans
# 整理成长格式
long_data <- child_summary %>%
  pivot_longer(cols = c(nom_total, pro_total), names_to = "word_class", values_to = "total") %>%
  pivot_longer(cols = c(nom_trans, pro_trans), names_to = "trans_col", values_to = "trans") %>%
  filter(str_remove(word_class, "_total") == str_remove(trans_col, "_trans")) %>%
  select(child_id, word_class = str_remove(word_class, "_total"), total, trans)

# 构建模型
glmm_group <- glmmTMB(cbind(trans, total - trans) ~ word_class + (1 | child_id),
                      data = long_data,
                      family = binomial)
summary(glmm_group)

2. 个体层面的配对检验 #

如果不想用混合模型，可以先计算每个儿童的名词/代词[s]音转化比例，再用配对检验比较个体内的差异：

library(dplyr)

# 假设child_summary是儿童层面的汇总数据
child_summary <- child_summary %>%
  mutate(nom_trans_prop = nom_trans / (nom_acc + nom_trans),
         pro_trans_prop = pro_trans / (pro_acc + pro_trans)) %>%
  filter(!is.na(nom_trans_prop) & !is.na(pro_trans_prop)) # 过滤没有某类词实例的儿童

# 配对t检验（若转化比例近似正态）
t.test(child_summary$nom_trans_prop, child_summary$pro_trans_prop, paired = TRUE)

# 符号检验（非参数，适合样本量小的情况）
# 统计名词转化比例高于代词的儿童数
higher_nom <- sum(child_summary$nom_trans_prop > child_summary$pro_trans_prop)
# 总有效儿童数
n <- nrow(child_summary)
binom.test(higher_nom, n)

这种方法直接聚焦个体内的词类差异，避免了总实例数不均衡的问题，但缺点是丢失了实例数量的信息（比如某个儿童有100个名词实例和1个代词实例，比例的权重和只有1个名词1个代词的儿童一样）。

3. 聚类调整的McNemar检验 #

可以通过计算聚类调整的标准误来修正原检验，但实现起来不如前两种方法直观，且要求数据为配对结构（每个儿童的名词和代词观测一一对应），你的数据不均衡，适用性有限：

library(survey)
# 假设原始数据phon_data包含child_id和配对的名词/代词观测
# 定义聚类设计
design <- svydesign(id = ~child_id, data = phon_data)
# 执行调整的McNemar检验
svymcnemar(transformed ~ word_class, design = design)

内容的提问来源于stack exchange，提问作者SarahLing