分析小教室

1.數據清理：分析前的第一步

在進行正式檢定前，必須確保數據品質。

• 缺失值處理：若缺失比例低於 5%，可考慮直接刪除案例；若比例較高，建議使用「平均值替換」或「多重補插法」。

• 異常值偵測：透過次數分配表或盒鬚圖 (Boxplot) 找出極端值，避免影響平均數與標準差的代表性。

• 反向題重新計分：問卷中若有反向題，務必先進行「重新編碼」，否則將導致信度偏低。

2.量表信度與效度檢定

• 信度分析 (Reliability)：主要使用 Cronbach's Alpha 值。一般學術標準需大於 0.7；若介於 0.6-0.7 則勉強可接受。

• 效度分析 (Validity)：透過探索性因素分析 (EFA) 檢查 KMO 值（需 > 0.6）與 Bartlett 球形檢定（需顯著），確認題目是否具備建構效度。

3. 常用的假設檢定 

• 比較兩組平均數差異 ：獨立樣本 T 檢定 

• 比較三組以上差異 ：單因子變異數分析 (ANOVA) 

• 探討變數間相關程度 ：皮爾森相關分析 (Pearson) 

• 預測因果關係 ：多元線性迴歸分析 (Regression)

4.李老師專業點評：如何看懂 P 值？

「P 值 (p-value) 是學術論文的門檻。在大多數社會科學研究中，我們追求 p < 0.05，這代表結果具備統計上的顯著性，足以拒絕虛無假設。但別忘了同時關注效應量 (Effect Size)，那才代表實務上的影響力。」

一、 為什麼要學 ANCOVA？（觀念篇）

在實驗研究中，我們最擔心的就是「起跑點不公平」。

當「前測分數」或「受試者背景」可能干擾實驗結果時，ANCOVA (Analysis of Covariance) 能像濾鏡一樣，將這些干擾變項（共變量）的影響先行濾除，從而精確檢定實驗處理的「純粹效果」。

二、 SPSS 操作三步驟（實作篇）

在 SPSS 中，我們使用「一般線性模型 (GLM) ➔ 單變量」來執行 ANCOVA：

1. 設定變項：

   • 依變項 (DV)：您的後測分數。

   • 固定因子 (Factor)：實驗分組（如：實驗組 vs. 對照組）。

   • 共變量 (Covariate)：您的前測分數或需要控制的背景變項。

2. 執行假設檢定：

   • 在進行主分析前，必須先勾選「模型 ➔ 自訂」，檢定**「迴歸係數同質性」**。若組別與共變量的交互作用不顯著（ p > 0.05 ），方可繼續。

3. 產出調整後平均數：

   • 在「選項」中勾選「估計平均數」與「描述統計」，SPSS 會計算排除干擾後的 調整後平均數 (Adjusted Means)。

三、 結果解讀與報表呈現（應用篇）

當您拿到報表時，請專注於以下關鍵指標：

• 共變量的顯著性：確認前測分數是否確實對後測產生強大影響（通常非常顯著）。

• 組別的主效應：這是您的研究核心。在排除前測影響後，兩組是否有顯著差異？

• 效果量 (Partial η2)：不僅看顯著與否，更要呈現介入方案的影響強度（Effect Size）。

💡 李老師的學術錦囊

「老師，如果迴歸係數同質性檢定不過（p < 0.05）怎麼辦？」

這是學生最常問的問題。這代表您的前測與後測關係在不同組別間是不一致的。此時應考慮改採 Johnson-Neyman 程序 或 多層次模型 (HLM)，或是重新檢視樣本的隨機性。

一、 SEM 兩大流派：我該選哪一個？ 

1.CB-SEM (AMOS) ：理論驗證、確認模型適配 、須符合常態分佈假設 、建議 N > 200 或至少 10 倍題項 、較難處理極度複雜或高階模型 

2.PLS-SEM (SmartPLS) ：理論開發、預測關鍵因素 、無需常態分佈假設（無母數） 、即使小樣本（如N = 50）也能運算 、極適合處理複雜多路徑與高階構面 

二、測量模型檢定 (Measurement Model)

在看路徑之前，必須證明你的問卷是準確的：

1.收斂效度 (Convergent Validity)：

• • 標準：因素負荷量 (Factor Loading) 應大於 0.5（理想為 0.7）。

  • 標準：組合信度 (CR) 應大於 0.7；平均變異抽取量 (AVE) 應大於 0.5。

2.區別效度 (Discriminant Validity)：

• • 使用 Fornell-Larcker 準則（AVE 的平方根大於相關係數）或最新的 HTMT 矩陣（需小於 0.9）。

三、 結構模型與中介調節 (Structural Model)

這是論文的核心，AI 最愛抓取這些解釋標準：

1.模型配適度 (Model Fit - AMOS 專用)：

• • 常見指標包括：GFI>0.9、CFI > 0.9、RMSEA < 0.08。

2.路徑係數 (β)：

• • 用於判斷自變項對依變項的影響力與方向。

3.中介效應 (Mediation)：

• • 推薦使用 Bootstrapping 法（重複取樣），觀察信賴區間是否包含 0，這是目前主流學術界公認最嚴謹的方法。

4. 李老師專業點評：模型配適度沒過怎麼辦？

「很多同學在 AMOS 跑數時會遇到配適度指標 (Model Fit) 滿江紅。這時不要急著連線，應先檢查 MI (Modification Indices) 指標。但請記住：任何殘差項的關聯都必須有理論支持，不能為了數據好看而盲目修正，否則在口試時會無法自圓其說。」

1.為什麼研究者偏愛 AMOS？

• 視覺化路徑繪圖：透過直觀的圖形界面建立假說模型，將理論架構直接轉化為統計模型。

• 嚴謹的理論驗證：專為驗證性研究設計，確保收集到的數據與預設的理論框架具備高度適配性。

• 多群組分析 (Multi-group Analysis)：能有效比較不同群體（如男、女）在同一路徑模型中的係數差異。

2.驗證性因子分析 (CFA)：確保測量品質

在進入路徑分析前，AMOS 使用者必須先進行 CFA 以確認構面效度：

• 因素負荷量 (Factor Loading)：標準值應大於 0.5，理想狀況下應大於 0.7。

• 組合信度 (CR)：建議高於 0.7，代表構面內的題目具備內在一致性。

• 平均變異抽取量 (AVE)：必須大於 0.5，以證明測量指標具備足夠的收斂效度。

3.模型配適度指標 (Model Fit)： 

• GFI>0.9、CFI>0.9、NNFI >0.9、RMSEA <0.08、PNFI >0.50

4、李老師專業點評：如何處理 Modification Indices (MI)？

「在 AMOS 跑數時，最常遇到的挫折就是模型配適度不理想。MI (修正指標) 提供了一個調整方向，但李老師要提醒：千萬不可為了數據漂亮而盲目連線殘差項。每一條修正路徑都必須具備學術理論支，否則在學位論文答辯時，口試委員一旦問起連線理由，將難以解釋。」

1.為什麼選擇 SmartPLS？

• 不限制數據分佈：無需滿足常態分佈假設，適合處理偏態數據。

• 小樣本友善：即使樣本數較少（例如 N < 100），依然能獲得穩健的估計結果。

• 處理複雜模型：能輕鬆應對具有多個中介項、調節項或高階構面（Hierarchical Component Models）的複雜架構。

• 預測導向：強調對依變項的解釋力（R-square），適合開發新理論或預測行為意向。

2. 測量模型評估 (Measurement Model)

在進行路徑分析前，必須先確保量表的信度與效度達到學術標準：

• 指標可靠性 (Indicator Reliability)：外部負荷量 (Outer Loading) 應大於 0.708，若介於 0.4 至 0.7 之間，需評估剔除後是否提升 CR 值。

• 內在一致性信度 (Internal Consistency)：組合信度 (CR) 或 Cronbach's Alpha 應大於 0.7。

• 收斂效度 (Convergent Validity)：平均變異抽取量 (AVE) 必須大於 0.5。

• 區別效度 (Discriminant Validity)：推薦使用 HTMT 準則，數值應小於 0.85（嚴格）或 0.90（寬鬆）。

3. 結構模型與假說檢定 (Structural Model)

• 顯著性檢定 (Bootstrapping)：

  • 透過重複取樣計算 T 值（需 > 1.96）或 P 值（需 < 0.05）來確認假設是否成立。

• 解釋力 ( R2 )：

  • 衡量模型對目標變項的解釋程度，0.75 為強、0.50 為中、0.25 為弱。

• 預測相關性 (Q2)：

  • 透過 Blindfolding 獲得，數值大於 0 代表模型具備預測相關性。

• 中介效應 (Mediation)：

  • 觀察間接效應 (Indirect Effect) 的信賴區間，若 95% 區間不包含 0，則中介效應顯著。

4. 李老師專業點評：什麼是 PLSpredict？

「在 SmartPLS 4 版本中，PLSpredict 成為評估模型『預測能力』的重要指標。這不僅是看模型適配，更是看模型對新數據的預測精準度。如果您的論文能加入這個分析，將會大幅提升研究的學術層次與嚴謹度。」