#!/usr/bin/env python3 """ GRIM 测试 (Granularity-Related Inconsistency of Means) ======================================================== 原理：对于整数取值的数据（如李克特量表1-5、年龄等）， 给定样本量 n，合法的平均值只能取有限集合中的值。 如果报告的平均值不在合法集合中，则数据存在不一致性。 例：n=25，数据取值为整数，则平均值只能是 k/25 的形式， 小数部分只能是 .00, .04, .08, .12, ..., .96 参考：Brown & Heathers (2017). The GRIM Test. SPPS. 致敬"耿同学讲故事" — 用数据说话，让造假无所遁形。 """ import argparse import sys import json import math from decimal import Decimal, ROUND_HALF_UP def grim_test_single(mean, n, decimals=2, scale_min=None, scale_max=None): """ 对单个均值执行 GRIM 测试 Parameters ---------- mean : float or str 报告的平均值 n : int 样本量 decimals : int 报告的小数位数 scale_min : int, optional 量表最小值（用于范围检查） scale_max : int, optional 量表最大值（用于范围检查） Returns ------- dict : 检测结果 """ try: mean_val = Decimal(str(mean)) n = int(n) except (ValueError, TypeError) as e: return {'status': 'error', 'message': f'无效输入: {e}'} if n <= 0: return {'status': 'error', 'message': '样本量必须大于0'} # 范围检查 if scale_min is not None and scale_max is not None: if float(mean_val) < scale_min or float(mean_val) > scale_max: return { 'status': 'range_error', 'message': f'均值 {mean} 超出量表范围 [{scale_min}, {scale_max}]', 'consistent': False } # 计算总和 = mean * n total = mean_val * n # 对于整数取值数据，总和必须是整数 # 考虑四舍五入误差：检查 total 是否足够接近某个整数 granularity = Decimal(1) / Decimal(10 ** decimals) # 在四舍五入精度范围内检查 # mean 可能是真实值四舍五入到 decimals 位的结果 # 真实 mean 在 [mean - 0.5*granularity, mean + 0.5*granularity) 范围内 lower_total = (mean_val - granularity / 2) * n upper_total = (mean_val + granularity / 2) * n # 检查这个范围内是否包含整数 lower_int = math.ceil(float(lower_total)) upper_int = math.floor(float(upper_total)) consistent = lower_int <= upper_int # 计算最近的合法均值 nearest_total = round(float(mean_val * n)) nearest_mean = nearest_total / n # 格式化到指定小数位 fmt = f"%.{decimals}f" nearest_mean_str = fmt % nearest_mean reported_mean_str = fmt % float(mean_val) result = { 'reported_mean': str(mean), 'sample_size': n, 'decimals': decimals, 'consistent': consistent, 'computed_sum': float(mean_val * n), 'nearest_valid_mean': nearest_mean_str, 'difference': round(abs(float(mean_val) - nearest_mean), decimals + 2) } if scale_min is not None and scale_max is not None: result['scale_range'] = f"[{scale_min}, {scale_max}]" return result def grim_test_batch(items): """ 批量 GRIM 测试 Parameters ---------- items : list of dict 每个字典包含 'mean', 'n', 可选 'decimals', 'label' Returns ------- dict : 批量检测结果 """ results = [] n_inconsistent = 0 for i, item in enumerate(items): mean = item.get('mean') n = item.get('n') decimals = item.get('decimals', 2) label = item.get('label', f'Item {i+1}') scale_min = item.get('scale_min') scale_max = item.get('scale_max') res = grim_test_single(mean, n, decimals, scale_min, scale_max) res['label'] = label results.append(res) if not res.get('consistent', True): n_inconsistent += 1 # 整体评估 total = len(results) inconsistency_rate = n_inconsistent / total if total > 0 else 0 # 风险评分 if inconsistency_rate > 0.5: risk_level = 'high' risk_score = 70 + inconsistency_rate * 30 elif inconsistency_rate > 0.25: risk_level = 'medium-high' risk_score = 50 + inconsistency_rate * 40 elif inconsistency_rate > 0: risk_level = 'medium' risk_score = 30 + inconsistency_rate * 40 else: risk_level = 'low' risk_score = 0 summary = { 'test_name': 'GRIM Test (均值粒度一致性检验)', 'status': 'completed', 'total_items': total, 'inconsistent_items': n_inconsistent, 'inconsistency_rate': round(inconsistency_rate, 4), 'risk_level': risk_level, 'risk_score': round(float(risk_score), 1), 'details': results, 'interpretation': _interpret_grim(n_inconsistent, total, inconsistency_rate) } return summary def _interpret_grim(n_inconsistent, total, rate): """生成可读的解释""" if n_inconsistent == 0: return f"✅ 全部 {total} 个均值通过 GRIM 检验，未发现数值不一致。" elif rate > 0.5: return ( f"⚠️ {total} 个均值中有 {n_inconsistent} 个（{rate:.0%}）未通过 GRIM 检验。" f"超过半数均值与样本量不兼容，这是严重的数据不一致信号。" f"强烈建议核查原始数据。" ) elif rate > 0.25: return ( f"⚠️ {total} 个均值中有 {n_inconsistent} 个（{rate:.0%}）未通过 GRIM 检验。" f"建议仔细核查这些不一致的数据点。" ) else: return ( f"⚡ {total} 个均值中有 {n_inconsistent} 个（{rate:.0%}）未通过 GRIM 检验。" f"少量不一致可能是四舍五入方式不同导致，建议结合其他检测综合判断。" ) def main(): parser = argparse.ArgumentParser( description='GRIM测试 - 检测报告均值与样本量的一致性' ) parser.add_argument('--mean', type=str, help='报告的平均值') parser.add_argument('--n', type=int, help='样本量') parser.add_argument('--decimals', type=int, default=2, help='小数位数') parser.add_argument('--scale', type=str, help='量表范围，如 "1-5"') parser.add_argument('--input', '-i', help='输入JSON文件（批量测试）') parser.add_argument('--output', '-o', help='输出JSON文件路径') args = parser.parse_args() scale_min, scale_max = None, None if args.scale: parts = args.scale.split('-') if len(parts) == 2: scale_min, scale_max = int(parts[0]), int(parts[1]) if args.input: # 批量模式 with open(args.input, 'r', encoding='utf-8') as f: items = json.load(f) result = grim_test_batch(items) elif args.mean and args.n: # 单项模式 res = grim_test_single(args.mean, args.n, args.decimals, scale_min, scale_max) result = { 'test_name': 'GRIM Test (均值粒度一致性检验)', 'status': 'completed', 'result': res, 'interpretation': ( f"✅ 均值 {args.mean} 与样本量 {args.n} 一致" if res.get('consistent') else f"⚠️ 均值 {args.mean} 与样本量 {args.n} 不一致！最近合法均值为 {res.get('nearest_valid_mean')}" ) } else: parser.print_help() sys.exit(1) output_json = json.dumps(result, ensure_ascii=False, indent=2) if args.output: with open(args.output, 'w', encoding='utf-8') as f: f.write(output_json) print(f"结果已保存至: {args.output}") else: print(output_json) if __name__ == '__main__': main()