📘 SPSS 基礎入門教室
SPSS 統計分析小教室:從入門到結果解讀
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。」
🎓 進階 SPSS 統計小教室
ANCOVA 共變數分析:從邏輯觀念到 SPSS 實作指引
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:
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)。
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。
🎓 高階統計實戰教室
SEM 結構方程模型小教室:從理論架構到路徑分析
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)
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。
四、 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。」
AMOS 統計分析小教室:驗證性因子分析與模型配適
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。」
SmartPLS 統計分析小教室:PLS-SEM 建模與解讀
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。」

「您的數據問題,就是下一課的主題。」 統計方法日新月異,如果您在分析過程中遇到特殊的報錯、或是不確定的模型架構,歡迎直接聯絡我。李老師與夥伴們會將常見的實務難題整理成教學,與您一起在學術路上精進。