晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

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」。

筆者過去曾經介紹關於線性迴歸分析、羅吉斯迴歸分析之樣本數規劃，為了讓這系列的文章更為完整，此次將補充有關獨立t、成對t、單因子變異數分析與相關分析關於G-power的樣本數計算操作，並包含效果量的解說。

在以下的操作中，型一誤差α皆設為0.05，而Power(1-β)皆設為0.8，雙尾檢定。

當遇到要用G-power來計算樣本數的問題時，最常遇到這兩種論文題目，一種是建立迴歸預測模型（http://dasanlin888.pixnet.net/blog/post/34469720），另外一種則是RCT的介入研究，是我們今天要介紹的內容。

當RCT的組別只分成實驗組與對照組兩組時，在公式的選擇上，會建議使用Diggle et al.（2002）【Diggle, P. J., Heagerty, P., Liang, K.-Y. and Zeger, S. L. (2002). Analysis of Longitudinal Data (2nd edition). Oxford University Press.】所提除的公式（如下），此公式常被研究者拿來使用，或被其他研究者加以延伸發展。