報表：
（8）相信第一次在解讀間接效果的報表時，一定非常不習慣，首先在左邊的目錄中選擇「Estimates」à「Matrices」à「Indirect Effect」，此時下方預設為「Estimates」，這裡即是間接效果的估計值，也是我們可以透過「自變項à中介變項」與「中介變項à依變項」的交乘積所計算出來，若想得到標準化的間接效果估計值，則上方必須選到「Standardized Indirect Effect」。
- 8月 18 週一 202508:53
結構方程中介分析-透過AMOS採拔靴法(Bootstrap法)（下）
報表：
（8）相信第一次在解讀間接效果的報表時，一定非常不習慣，首先在左邊的目錄中選擇「Estimates」à「Matrices」à「Indirect Effect」，此時下方預設為「Estimates」，這裡即是間接效果的估計值，也是我們可以透過「自變項à中介變項」與「中介變項à依變項」的交乘積所計算出來，若想得到標準化的間接效果估計值，則上方必須選到「Standardized Indirect Effect」。
- 8月 04 週一 202509:14
結構方程中介分析-透過AMOS採拔靴法(Bootstrap法)（上）
傳統的中介迴歸，是採用迴歸分析，透過Baron and Kenny（1986）提出的四個條件進行檢驗，包含：（條件1）自變項需能影響中介變項；（條件2）自變項需能影響依變項；（條件3）在自變項與中介變項聯合影響依變項之下，中介變項的影響效果要達顯著；（條件4）當放入中介變項時，自變項影響依變項的迴歸係數需要降低，為了檢驗此四個條件，在迴歸分析中必須分別進行建立三個迴歸模型分別說明條件的成立與否。但在結構方程模式中只會建立一個中介模型，因此較不適合透過上述四個條件來說明中介結果，取而代之的是，直接利用拔靴法(Bootstrap法)對於中介路徑的效果進行估計及檢驗，所謂的中介路徑，指的是兩條路徑的串聯，包含自變項影響中介變項的路徑，以及中介變項影響依變項的路徑，而中介效果（亦或稱間接效果）即是這兩條路徑係數的相乘積，最後利用拔靴法(Bootstrap法)對相乘積求得信賴區間，以檢驗中介效果的成立與否。
- 1月 08 週一 202408:53
利用SPSS透過迴歸分析對新進樣本進行預測
多數論文的研究問題，都會討論到變項之間的影響或預測，此時會利用迴歸模型，分析多個自變項（X）對於依變項（Y）的預測結果，除了知道每個自變項（X）對於依變項（Y）的影預測是否顯著之外，還可以知道其預測的方向性及強度，最後，我們可以根據此迴歸結果，建立迴歸預測的方程式，針對後續新進的樣本，可以迴歸方程式中需要的自變項代入，用來得到依變項（Y）的預測結果。
- 3月 07 週一 202209:04
護理領域還有什麼統計方法可以做??不如試試用AMOS做結構方程SEM
每當評估一個新的案件，當然是直接翻到第三章的研究方法，除了看看研究架構與假設之外，還要看一下使用的統計方法，關於護理領域的研究，根據多年的經驗，主要的設計有兩種，一種是實驗研究，近期最多人使用的，就是利用廣義估計方程（Generalized estimating equation, GEE）探討介入的效果，另一種是關聯性研究，瞭解變項之間的關係，統計方法不外乎就是卡方、獨立t、ANOVA，最後再迴歸分析為主軸作為收尾，固定的統計方法卻能讓論文一直不斷被產出，除了因為樣本的多樣性與特殊性之外，另一個極大的優勢，就是有非常多已經發展具有信效度的研究量表，這將為護理研究人員省下許多的時間與精力。
- 3月 22 週一 202109:06
SPSS操作探索性因素分析EFA（二）：有預設因素
上篇介紹完關於無預設因素的EFA，不過實務上研究者在設計量表題目時，大多數都是根據文獻並設定好所有題項的因素歸類（如下圖），因此會希望因素分析的分類結果能夠與自己設定的因素一樣，但這樣的結果可遇不可求，因為根據筆者過去的經驗，結果好一點的話刪除個2~4題，還能維持原有的預設因素及分類狀況；若狀況不理想，那結果整個大走鐘（台語），再來就得看是否堅持一定要維持原來的因素結構，而採取較不正規的作法，或是改用無預設因素的方式繼續往下進行。
- 3月 08 週一 202108:51
經驗分享－該怎麼做好迴歸分析
只要論文提到影響或預測，就會讓人直覺聯想到要進行迴歸分析，去年年底有發表過一篇文章『該選什麼迴歸分析』，現在想想覺得不夠深入，因此這篇將分享個人的習慣作法，給有需要的人參考，就如同之前說的，線性迴歸的比例仍佔大多數，因此這篇就以線性迴歸為例來跟大家討論（不過好像沒差XDDDD）。
當拿到客戶的第三章研究方法，就會知道有沒有需要做迴歸，不過除非客戶在統計方法的章節交代很清楚，否則我們只能知道要做迴歸或不用做迴歸，那我們要做怎樣的迴歸呢?站在客戶的立場，結果一定是越顯著越好，所以就會有幾種的組合來做嘗試，分為兩個面向（1）自變項全部放入 or 挑選單變量有顯著（或p<某個標準值，如0.2）的變項；（2）要選全部進入法（Enter） or 逐步法（Stepwise），形成以下交叉表
- 6月 08 週一 202009:04
諮詢最常遇到的問題（五）：要怎麼做好探索性因素分析（EFA）
最近跑因素分析真的跑到昏天暗地，因為跑出來的結果跟原先預想的不一樣，就得跟指導教授確認哪些題目需要刪除，或是構面要如何建立，真的花費了不少時間，但如果論文有做因素分析的必要時，這一步絕對不能馬虎，時間要花就是得花，結果要確認就是得確認，才能確保後續不會走冤枉路。
其實我們公司部落格過去寫過蠻多篇因素分析的文章，大家應該也都略知一二，如果是碩士論文，大概都會用探索性因素分析去分析量表的建構效度。探索性因素分析，顧名思義，應該是要用來探索量表的因素結構，所以一開始並不會預設量表包含幾個因素，以及每個因素下包含哪些題目，不過實務上，每個量表的因素結構都會事先被設計好，因此當因素分析的結果不符合預期，此時就得開始進行修正。不論研究是否有預設結構，因素分析的最後結果，就是要能夠判斷每個題目的最後歸屬，如下表所示。
- 6月 01 週一 202009:11
SPSS進行迴歸多元共線性診斷
繼上篇分享了進行迴歸分析時所做的殘差診斷後，這一篇來講一下另一個做迴歸分析時老闆們更愛的東西－多元共線性診斷。無論進行線性迴歸或是羅吉斯迴歸，當自變項個數在2個以上時，而自變項之間的相關性比較高的時間，就有可能存在共線性的問題，而當共線性問題很嚴重時，我自己的經驗就容易出現以下幾種現象：
（1）多自變項與依變項的相關性非常顯著，但迴歸分析出來的所有結果都不顯著。
- 5月 18 週一 202009:00
SPSS進行迴歸殘差診斷分析之操作
每個統計分析背後總是存在一些假設，當這些假設違反時，就有可能產生偏誤的結果，而在實務的應用上，您應該會發現每篇文章在這些假設性的檢驗都很少出現，不過偶爾還是會遇到客戶的老師要求，在2016年時曾經介紹過「迴歸分析之殘差基本假設-以SPSS為例」，這一篇將以此為例來說明操作步驟，包含常態性、變異數同質性、獨立性。
（1）點選「分析」→「迴歸」→「線性」
- 12月 02 週一 201909:02
諮詢最常遇到的問題（一）：該選什麼迴歸分析
有關統計方法的諮詢，迴歸分析是最常被詢問的統計方法之一，如何操作軟體、如何解讀報表、如何呈現結果，這些相信在坊間教科書或是上網就可以找到一堆教學資料，前提是要輸入對的關鍵字，因此我們這篇就來討論『該選什麼迴歸分析』。
