晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

配對結果：

（15）分析結果的報表中，會看到羅吉斯迴歸的報表，這是因為傾向分數配對是透過羅吉斯迴歸所儲存的預測機率值進行配對的。不過要注意的是，自變項如有類別變項，必須自行先在資料中轉換為虛擬變數。

     之前晨晰統計的課程，有一堂透過SPSS進行傾向分數配對的教學，主要是利用SPSS安裝R Essentials，就可以透過R套件進行傾向分數配對分析，不過後來遇到一個問題，就是SPSS與R的版本之間會有相容性的問題，導致無法進行分析，當然您也可以透過其他軟體來進行分析，可以在我們部落格裡搜尋關鍵字”傾向分數配對”找到相關文章（如下圖），不過後來IBM SPSS有把這個功能收錄在SPSS的資料處理裡，這邊文章就來教大家如何使用。

晨晰在評估一個新案件時，可以透過論文的第三章「研究方法」進行報價，需要的重點內容包含「研究架構」、「研究假設」、「研究工具」、「資料分析方法」，另外搭配「問卷電子檔（如採用問卷收集資料時）」，當這些內容整理的越清楚，甚至可以在不需要討論的情況下，直接對案件進行報價或完成分析，本篇文章就針對這五個部分，說明如何準備這些項目。

研究架構

筆者之前有寫過一篇文章關於「1. Pubmed Impact Factor」擴充插件的說明(https://reurl.cc/rRyWe4)，此插件可以讓使用者在Pubmed(https://pubmed.ncbi.nlm.nih.gov/)搜尋文獻的時候根據impact factor做篩選，在搜尋文獻時可以快速知道impact factor以及文章的部分摘要說明。

有在進行學術研究的人應該都不陌生影響因子(Impact factor)這個指標，在搜尋論文的時候除了尋找與自己研究主題有關的外，有時候也會參考論文刊登的期刊在那個研究領域的重要性與排名，筆者之前有寫一篇關於推薦查詢網站的介紹(https://reurl.cc/zZNlNa)，雖然這個網站整理了SCI與SSCI期刊的影響因子以及相關的資訊，並透過一些簡單的視覺化呈現，讓讀者可以很快的了解不同期刊在其研究領域的重要性，以及歷年影響力的變化情形等，可給予研究者在搜尋文獻以及之後的投稿有很大的幫助。但畢竟實際上研究者在搜尋論文的方式，一般是透過搜尋引擎(例如：Google 學術搜尋、PubMed)藉由關鍵字來去搜尋論文，因此如果可以在搜尋論文的時候就可以馬上知道這篇文章impact factor是多少，並且可以針對impact factor做排序或篩選，這樣比事後才去查詢應該會更方便，因為一般使用者可能只需要知道impact factor幾分就好，至於一些額外的資訊不一定是使用者查詢文獻當下想知道的。
 

狀況一（題項負荷量都未達0.5）

（20）一般最常遇到的狀況，部分題目在任一因素的負荷量都未達所設定標準（此處設為0.5），如第10題與第19題。

這篇承接『諮詢最常遇到的問題（五）：要怎麼做好探索性因素分析（EFA）』，進行無預設因素的操作說明。此篇文章著重於題項刪題的過程，至於部分選項的設定，可依照研究者的喜好（應該說是指導教授的喜好進行調整），無預設的因素分析相對有預設的單純許多，大致上只要能透過因素負荷量進行題項的成功歸類即可，也就是說題項在任一個因素的負荷量只要能超過設定的標準就好。

（1）點選「分析」à「維度縮減」à「因子」。

有在進行學術研究的人應該都不陌生影響因子(Impact factor)這個指標，在搜尋論文的時候除了尋找與自己研究主題有關的外，有時候也會考慮論文刊登的期刊在那個研究領域的重要性與排名，筆者最近在搜尋論文的影響因子的時候發現到這個有用的網站(https://academic-accelerator.com/Review-Speed/zh)，想跟各位讀者分享，這個網站主要整理了SCI與SSCI期刊的影響因子以及相關的資訊，並透過一些簡單的視覺化呈現，讓讀者可以很快的了解不同期刊在其研究領域的重要性，以及歷年影響力的變化情形等，可給予研究者在搜尋文獻以及之後的投稿有很大的幫助。

以下內容為筆者實際的搜尋過程:

擔任統計顧問以來，我覺得最難的統計問題就是如何得到有顯著的結果，因為只要統計結果有顯著，客戶就會開心，若不顯著，顧問就會遭殃，看來統計顧問也算是要看天吃飯的一個職業了。在大環境的影響下，無論是學位論文或是期刊發表，結果顯著似乎論文被接受的必要條件，這也間接導致為什麼文獻都做出有顯著的結果，但我的卻沒有，進一步開始懷疑自己是不是資料分析有誤。

為了能夠正視P值不顯著的問題，我們必須先瞭解什麼是顯著性，於是google”顯著性”三個字，並在維基百科中，得到了顯著性的定義，嗯….想要認識顯著性P值，我覺得還是從它的故事起源聽起，最能夠瞭解顯著性P值的精髓。

做出有顯著的結果，一直以來都是研究生所嚮往的，為了達到這個目標，我們能做的只有日以繼夜的持續收案，大家應該有聽過，樣本數越大越容易顯著，這句話是真的，但還要加個條件，必須維持在相同的檢定力與效果量之下，下圖以相關分析為例，假設每次收案的結果，變項的相關係數能維持在0.3，以及0.8的檢定力，那樣本數與顯著性p值呈現了反比關係，符合我們的認知。考量到研究會有時間及預算的壓力，需要設定一個收案結束點，因此都會在研究設計的章節裡交代樣本數規劃，為此筆者也推出一系列的G-power的教學文章給需要的人參考。

在問卷調查的研究中，量表普遍被使用在問卷裡，其目的是用來收集研究對象在心理特質/能力/或態度...等抽象概念，此時在進行研究工具的介紹中，除了介紹量表的題目內容與計分規則外，關於信效度的介紹，Cronbach' alpha係數應該是論文中最常見的信度指標，甚至可以說是信度的代表，其主要目的是在衡量題目間的一致性，因此又稱為內部一致性係數，直接用來比較題目之間的同質性。

參、文獻排序

在多篇文獻的排序中（包含內文引用或後續的參考文獻），中文的文獻須排列在英文文獻之前，除此之外，中英文獻的排序規則並不完全相同，以下將分開說明，並依據規則的先決條件依序呈述。

貳、參考文獻

參考文獻是在本文之後，將有用到的文獻全部彙整，書寫樣式基本上以第一行靠左對齊，第二行以後為縮排兩字元。在呈現的部分，會因為文獻屬性差異而呈現不同內容，下面筆者將列出一些常用的文獻屬性來歸納。

正在進行研究或攻讀學位的您，一定常被要求以APA格式撰寫報告或論文，所謂的APA格式是指美國心理學會（American Psychological Association）出版的《美國心理協會刊物準則》，目前是一個為廣泛接受的研究論文撰寫格式，特別針對社會科學領域的研究，用來規範學術文獻的引用和參考文獻的撰寫方法。

由於中文與英文在撰寫上有一定的落差，所以真正的APA格式其實無法完全100%套用在中文的報告上，網路上可以找到最完整中文版的APA格式規範應該就屬於臺北市立教育大學前校長林天佑所整理的版本，最後一版為2010年所整理的第六版；至於書籍的部分則可以搜尋美國心理學會出版手冊：論文寫作格式（陳玉玲、王明傑，2011）或學術論文寫作：APA規範（張保隆、謝寶煖，2005）。

為了方便研究者進行縱貫型研究之樣本數估計，本篇文章將介紹Hedeker and Barlas所發展的軟體RMASS2，此軟體主要是用來計算兩組對象進行縱貫型研究的樣本數計算，另外也可以考量樣本的流失率，以及各時間點之間的共變數結構。

關於軟體及手冊的下載，可到『http://hedeker.people.uic.edu/ml.html』頁面下進行，捲動到網頁的下方即可看到連結，下載完後可以看到rmass2.exe應用程式，直接連點左鍵兩下即可執行此程式。

筆者前陣子分享過一篇（使用G-power計算RCT介入研究所需樣本數），此篇將繼續延伸此議題，若研究者在撰寫樣本數規劃時，希望在公式方面能夠有所依據的話，不妨參考此篇的介紹，也提供自己多一點選擇，這篇所參考的資料來源是Hedeker, Gibbons, & Waternaux (1999). Sample size estimation for ongitudinal designs with attrition. Journal of Educational and Behavioral Statistics, 24:70-93。

（8）分析完會先看到調節圖形，裡面目前有三調迴歸線，這是因為在第6點的設定，我們保持預設的三條迴歸線。

（9）針對圖型不滿意的部分，可透過左邊的選項即時調整。

調節分析係指在不同調節變項的水準之下，去探討自變項對於依變項的影響程度是否會不同，若以圖形方式來呈現，就是在不同調節變項的水準之下，去個別畫出X對Y的迴歸線，當個別迴歸線的斜率差異越大時，代表調節的效果越明顯。

Meta-analysis（後設分析/統合分析）是當代科學研究主流的一種方式，是將個別單獨研究的數據予以萃取並整合的一種量化方法。目前國內關於統合分析的程序與概念說明已有數本譯作，包括Meta-analysis始祖級人物Robert Rosenthal的著作（http://www.books.com.tw/products/0010002637）與同是大師的Harris Cooper的著作（http://www.books.com.tw/products/0010611820）。

以上兩本書皆著重在進行Meta-analysis的脈絡與程序，另外舉例及背景也偏重於社會科學領域。對於公共衛生（流行病學）或醫學領域的研究者而言，對於書中所舉的範例，無法生出熟悉之感。於2009年時，Michael Borenstein與其他幾位大師共同出版了「Introduction to Meta-Analysis」（http://as.wiley.com/WileyCDA/WileyTitle/productCd-EHEP002313.html），出版不久後，筆者剛好在設計Meta-analysis課程，細讀其中幾章重點之後受益良多。

【單因子獨立樣本變異數分析】

（1）Test family選擇「F tests」。