犯罪人格

人格与犯罪：对国内罪犯人格特征研究的元分析

宫火良1,2

（1 华南师范大学心理学系，广州，510631）（2 河南大学教育科学学院，开封，475004）摘要：目的：综合国内关于罪犯人格特征的研究（以EPQ为测量工具）。方法：对已有研究进行元分析。结果：P、E、N、L各维度的综合效应量依次为0.62、0.06、0.61、-0.14结论：与正常人相比，罪犯具有高精神质和高神经质的人格特征，而内外倾维度并未达到显著性水平。犯罪案由的不同可能是内外倾维度预测失败的一个理由。

关键词：罪犯，犯罪性，人格，元分析，效应量

1 问题的提出

根据Eysenck（1964）提出的犯罪性理论（criminality theory）[1]，人格与犯罪之间存在着密切的关系，对于同时具备高外倾性、高神经质和高精神质倾向的人而言，由于不能很好地适应社会和控制自己的行为，往往会成为犯罪的高危人群。在此基础上，有的研究者将P －E－N称为犯罪人格组合。艾森克的工作激起了人们探讨人格特征与犯罪间关系的兴趣，并迅速成为当前犯罪心理学的研究热点之一。在已有的研究中，有些支持了艾森克的理论，有些得到了不一致的结果。应该如何有效地整合这些研究，为犯罪预防和罪犯干预提供更为科学有力的理论支持是当前有待解决的问题。

在对某一课题已有研究结果进行综述时，传统的做法（也被称为投票计数法，vote-counting）是计算出某一类统计结果下的研究数，当各统计结果下的研究数存在明显差异时，即可从整体上作出结论，如果差异不明显时，该方法就无能为力。而且投票计数法的一个潜在前提是各研究结果具有相同或相似的准确性与灵敏性，但事实并非总是如此。为了克服传统的投票计数法的缺点，当前国际上采用较多的是元分析（meta-analysis）——一种对多个同类研究结果进行合并汇总的分析方法。从统计学的角度，该方法的目的表现在三个方面：增大统计功效；解决各研究结果间的不一致性；可以回答单个研究无法解决的问题[2]。自1976年Glass首次提出至今[3]，该方法得到了不断的完善，形成了较为完整的量化体系。一般而言，元分析过程包括以下几个环节：材料收集、研究质量评估、确定各研究效应量（effect size）、同质性检验（homogeneity test）、综合效应量、发表性偏倚（publication bias）评价和敏感性分析（sensitivity analysis）。本研究旨在采用元分析的方法对国内已有研究材料进行客观地综合分析，从整体上考察罪犯的人格特征。

2 材料与数据处理

2.1 材料

研究材料的来源：中国期刊网、维普中文期刊网、人大复印资料、学位论文数据库、会议论文数据库、超星数字期刊。

研究材料的选取标准：剔除重复发表的研究；以EPQ为人格特征测量工具；根据元分析的数据要求，考察所提供数据的完整程度，至少应包括研究组和对照组各自的样本量、均值、标准差；研究组和对照组在一些基本特征（如性别、年龄）上的同质性程度；研究中前后数据的一致性；研究组对象为在押罪犯。最终共获得有效研究材料33份。

材料基本情况如下：覆盖时间为1992年——2004年；涉及案由包括盗窃、抢劫、杀人、性犯罪、赌博、吸毒贩毒、职务犯罪等；多数材料中对罪犯年龄特征的描述较为模糊，涉及跨度较大，部分材料调查对象年龄之间有交叉；大部分研究材料未对研究对象的犯罪案由加以区分，较少研究探讨了单一案由的罪犯人格特征（约占总数的39％）；调查对象均为男性的材料23项，调查对象均为女性的材料7项，男女混合的材料3项。

2.2数据处理

全部数据采用由Ralf Schwarzer编写的meta-analysis5.3版和SPSS10.0进行处理。在对

各研究的效应量合并时，元分析方法提供了两种合并模型：固定效应模型（fixed effect model）和随机效应模型（random effect model）。当待合并的各效应量同质时，采用固定效应模型进行运算，若出现异质性则采用随机效应模型[4][5][6]。

3 结果

3.1对已有研究结果的元分析与投票计数分析

首先分别对各人格维度的效应量做同质性检验。结果表明，各维度效应量的同质性被拒绝，故选择随机效应模型进行各效应量的合并，元分析结果见表1。在精神质、神经质和掩饰性三个维度上，合并效应量均达到了显著性水平，在内外倾维度上，罪犯与正常人群之间的差异不显著。

注：**<0.01，*<0.05，下同。

采用传统的投票计数方法对33项研究结论进行综合（见表2），结果表明，精神质和神经质维度在“正向显著”下的研究数均明显高于其他统计结论下的研究数，而在内外向和掩饰性两个维度上就无法做出一定的结论。

发表性偏倚是指统计学上有意义的阳性研究结果较统计学上没有意义的阴性研究结果更容易发表[7][8][9]，而阴性研究结果更可能被搁置起来不予公开。当数量达到一定程度时，就会造成元分析的结论系统地偏离真实结果。元分析提供了多种方法对发表性偏倚进行评价，本研究中采用计算失安全数（fail-safe number，N fs）的方法加以识别，其含义为需要多少个阴性研究结果可能使结论出现逆转。

从表1可以看出，若使合并效应量降低到0.20（元分析中小效应量的临界水平[10]），对精神质维度而言，尚需70项阴性研究结果；对神经质维度而言，尚需67项阴性的研究结果。对于多维的研究而言，出现发表性偏倚的可能性要远远低于单一维度的研究。故此，我们认为，对本研究而言，发表性偏倚的影响较小。

3.3敏感性分析

敏感性分析是对一定条件下所获得的元分析结果稳定性进行评估。通常的做法是排除异常结果的研究，然后比较剩余研究的元分析结果与原结果。若未从实质上改变原结果，说明结论较为可信[11]。在本研究中，敏感性分析主要涉及以下几个方面：比较全部研究与剔除特殊样本量（单一研究组或对照组n<30或>1000）研究后剩余研究（I组）的元分析结果；比较全部研究与剔除女性被试研究后剩余研究（II组）的元分析结果；比较全部研究与剔除特殊群体研究后剩余研究（III组）的元分析结果。

根据上述剔除标准，首先对每组在各维度上的剩余研究结果进行了同质性检验，差异均达到显著性水平。采用随机效应模型对各研究效应量合并，结果见下表。三个组的元分析结