SEM 實作路線圖／入口橋樑文

為什麼很多人一學 SEM 就迷路？

很多研究生學 SEM（結構方程模型）最大的坑，就是一上來就打開 Amos 或 Mplus，然後被滿畫面的圓圈、方塊和滿天飛的數字淹沒。

他們會急著問：「CFI 要多少才算好？」「RMSEA 超過 0.08 怎麼辦？」「為什麼我的模型跑不出來？」

但這些問題背後，往往是更根本的困惑：我到底現在卡在哪裡？

不要試圖一次「學完」SEM。SEM 是一個龐大的工具箱，你不需要每個工具都會用。在卡關焦慮之前，你應該先確定自己現在處於學習地圖的哪一個位置。

這篇文章是一份給新手的 SEM 實作路線圖，幫你判斷自己目前卡在哪裡、下一步應該先學什麼。

—

第一關：釐清心法——SEM ≠ 因果

最常見的誤區：把路徑圖當成因果證明

初學者常有一個錯覺：只要我在 Amos 或 Mplus 裡畫了一個單向箭頭，跑出來顯著，我就「證明」了因果關係。

錯了。

箭頭是你畫的，理論是你定的，軟體只負責告訴你「這組資料跟你的理論架構配不配」。

如果你的研究設計本身不是實驗操弄、不是縱貫性資料（追蹤同一群人在不同時間點），SEM 無法無中生有地為你創造出因果。它只能在「你的理論是對的」這個前提下，檢驗資料是否支持這套架構。

心法建議

在開啟任何 SEM 軟體之前，先把你的理論邏輯理清楚：

• 為什麼 A 會影響 B？
• 中間的機制是什麼？
• 有沒有替代解釋？

軟體只是檢驗工具，不能幫你想清楚研究問題。

—

第二關：測量模型——先看 CFA，再看路徑

常見錯誤：急著看假設顯不顯著

很多研究生把資料丟進 SEM 後，第一個動作是看「假設 H1 有沒有顯著」。這是致命的順序錯誤。

在檢驗任何結構路徑之前，你必須先確認你的測量模型是穩固的。

測量模型的關鍵指標

CFA（驗證性因素分析）是 SEM 的第一步。你必須確認：

• CFI（比較適配指數）：通常建議 0.90，愈高愈好
• RMSEA（近似誤差均方根）：通常建議 < 0.08，< 0.05 更佳
• SRMR：通常建議 < 0.08

如果你的 CFI 連 0.9 都不到，RMSEA 飆高，這代表你的「測量工具」本身就有問題——可能是題項設計不良、信度不足，或因素結構不如預期。

這時候後面的路徑係數再怎麼顯著，都是建立在沙地上的樓閣。測量都測不準，後面的推論毫無意義。

進階閱讀

如果你對 CFA 還不熟悉，建議先看完這篇入門：

• CFA 實作入門：驗證性因素分析步驟與常見錯誤

—

第三關：結構模型與複雜路徑

測量過關後，才進入結構模型

當你的 CFA 配適度及格、組合信度與變異數萃取量都達標，才可以進到正式的「結構模型」階段，檢驗你的研究假設。

這裡你會遇到各種複雜的路徑問題：

• 單純的相關或迴歸路徑？
• 中介效果（X 透過 M 影響 Y）？
• 調節效果（W 改變 X→Y 的強弱）？
• 還是更複雜的「調節中介（Moderated Mediation）」？

SEM 一次做，還是 PROCESS 分開做？

這是許多研究生的選擇難題：

用 SEM（Amos/Mplus/R lavaan）：

• 優點：可以一次估計整個模型、處理潛在變數、處理多個中介或調節的組合
• 缺點：學習曲線較陡、軟體操作較複雜

用 PROCESS macro（在 SPSS 中）：

• 優點：入門門檻低、 Hayes 的文件與範本非常完整
• 缺點：只能處理觀察變數（總分）、複雜模型需要分段跑

判斷原則

• 如果你的變數是「總分」（而非潛在因素），且模型相對簡單 → PROCESS 可能更快速
• 如果你的模型有潛在變數、多個中介鏈、或需要同時估計測量與結構 → SEM 更全面

關於 PROCESS 的使用時機，可以參考這篇：

• Bootstrap 中介效果：用 PROCESS macro 跑比 Baron & Kenny 更準

—

常見卡點分類：你現在卡在哪？

根據過去指導學生的經驗，學習 SEM 的人通常會卡在以下四種情境：

卡點一：把工具當答案

症狀：「我學會了 Amos 怎麼按按鈕，但我不知道我的研究問題適不適合用 SEM。」

解方：回到研究問題。SEM 適合檢驗「理論架構」，但不適合探索「我不知道變數之間有什麼關係」。探索性分析請用 EFA、相關分析或質化研究。

卡點二：只看 fit 不看理論

症狀：「我的 CFI 0.95，RMSEA 0.06，所以可以發表了？」

解方：Fit indices 只是「必要條件」而非「充分條件」。好的配適度只代表「你的模型架構跟資料不矛盾」，不代表你的理論是對的。還是要回到文獻、邏輯、與實務意義來解釋。

卡點三：把路徑圖誤認為因果證明

症狀：「我的模型顯著，所以我證明了 A 導致 B。」

解方：重申一次：SEM 是檢驗「你的理論架構是否與資料一致」，而不是發明因果。因果推論需要研究設計的配合（實驗、縱貫、工具變數等）。即使是縱貫 SEM，也只能提供較強的證據，而非因果的充分條件。

卡點四：太早追進階模型

症狀：「我想直接跑調節中介的完整 SEM，但我連基本的 CFA 都還不確定自己做對沒有。」

解方：複雜模型是建立在簡單模型的基礎上。如果你的基本中介都跑不穩，貿然進入調節中介只會讓錯誤更難排查。先確認你能獨立完成簡單中介或單純路徑，再考慮進階模型。

—

延伸閱讀

Shadish, W.…

這幾年幫學生看論文或審查期刊文章時，我最常給出的審稿意見之一就是：「文獻回顧（Literature Review）缺乏批判性，只是把讀過的文章像流水帳一樣羅列出來。」

很多研究生在寫碩博士論文第二章，或是初期研究者第一次準備投稿時，都會遇到這個瓶頸。你們可能很認真地讀了幾十篇paper，然後在寫作時，一段寫A學者說了什麼，下一段寫B學者發現了什麼，最後變成了一份厚重的「讀書報告」，而不是一篇真正的文獻綜述。

真正的 Literature Review，不只要呈現前人做了什麼，更重要的是「組織」與「對話」。你要告訴讀者：這些研究彼此之間有什麼關聯？目前學界的共識是什麼？還有哪些未解之謎（缺口）？今天我想和大家分享一個從「讀」到「寫」的系統化流程，幫你跳出逐篇摘要的泥淖。

第一步：捨棄流水帳，改用「概念矩陣」做閱讀筆記

要避免寫出流水帳，問題往往出在「做筆記」的階段。如果你習慣以「單篇文章」為單位做摘要，寫作時自然會被單篇文章綁架。

我強烈建議大家改用「概念矩陣（Synthesis Matrix）」來整理文獻。你可以在 Excel 或筆記軟體中建一個表格：

• 橫軸（欄）： 填上你關心的研究變項、核心概念、研究方法或理論視角。
• 縱軸（列）： 填上各篇文獻的作者與年份。

每讀完一篇 paper，不要只寫長篇大論的摘要，而是把該文獻對應到各個「概念」欄位中。這樣一來，當你要開始寫作時，你不是看著「這篇 paper 說了什麼」，而是看著「關於某個核心概念，這幾篇 paper 有什麼不同觀點」。這種橫向比較，就是產生批判性思考的第一步。如果你已經在使用 Zotero + Obsidian 的研究工作流，這種矩陣化整理會更加得心應手。

第二步：從矩陣中辨識主題與研究缺口

有了概念矩陣後，下一步是「找規律」。

請仔細觀察矩陣中的資訊，問自己幾個問題：

1. 共識在哪裡？ 哪些觀點是大家一致同意的？這可以作為你文獻回顧的基礎背景。
2. 分歧在哪裡？ 學者們在哪些議題上有不同的看法或矛盾的研究結果？這就是文獻回顧中最精彩的「對話」部分。
3. 空白在哪裡？ 矩陣中有哪些欄位是大家很少觸及的？是某個特定的研究對象沒被討論？還是某個變項間的關係尚未被驗證？這就是你這篇論文要填補的「研究缺口（Research Gap）」。

找出這些規律後，你就能夠依據「主題（Themes）」而不是「作者」來安排文獻回顧的架構。每一段落的主題句，應該是一個總結性的學術論點，而不是「A學者在2020年做了一個研究」。

第三步：組織成有論點的段落（MEAL 架構）

當你進入實際寫作階段，我建議採用 MEAL 架構來組織每個段落，確保論述清晰且具備批判性：

• M (Main Idea)： 第一句話直接點出該段落的核心論點。例如：「過去文獻對於X與Y的關係存在兩種截然不同的觀點。」
• E (Evidence)： 接著引入文獻作為證據。這時候你就可以把矩陣中支持不同觀點的幾篇文章綜合起來敘述。
• A (Analysis)： 分析這些證據。為什麼會有不同的觀點？是因為研究方法不同？還是樣本特性差異？（這部分就是展現你批判性思考的關鍵，現在你也可以借助 AI 工具來輔助文獻的交叉比對與分析）。
• L (Link)： 最後，把這段落的結論連結回你自己的研究。這討論如何引導出你的研究問題或假設？

結語：你是這場學術晚宴的主人

寫 Literature Review 就像是你主辦了一場學術晚宴。你的任務不是讓每位來賓（文獻）輪流站起來自我介紹（這太無聊了！），而是你要負責引導話題，指出哪幾位學者的看法相似，哪幾位在辯論，然後在最後告訴大家：「基於以上的討論，接下來我想探討的是…」

試著用這個「概念矩陣 ➔ 辨識主題 ➔ MEAL架構」的系統化流程來重寫你的文獻回顧吧。當你不再被單篇文獻牽著鼻子走，你就能真正掌握文獻回顧的主導權，寫出有深度、有批判性的精彩章節。

延伸閱讀

如果有問題，歡迎留言。…

「老師，我到底要訪談幾個人？」：打破理論飽和（Theoretical Saturation）的迷思

這是我在指導研究生時，最常被問到的問題之一：「老師，我這篇質性研究到底要收多少樣本才夠？十個可以嗎？還是要二十個？」很多同學以為這是一個數字遊戲，好像達到了某個神聖的數字，研究就可以順利過關。

每次遇到這種問題，我都會反問他們一個核心概念：「你達到『理論飽和』（Theoretical Saturation）了嗎？」

這句話一出，很多學生的表情就會變得有些迷惘。他們可能在研究方法的課堂上聽過這個詞，甚至在自己的論文計畫書裡寫過，但如果要具體解釋它是什麼，以及如何判斷，往往說不清楚。

今天，我們就來好好談談「理論飽和」，打破關於質性研究樣本數的常見迷思，告訴你如何判斷你的資料到底「夠了沒」。

什麼是理論飽和？它不是一個數字，是一個狀態

「理論飽和」這個概念，最早源自 Glaser 和 Strauss（1967）提出的紮根理論（Grounded Theory）。簡單來說，理論飽和指的是：當你繼續收集新的資料、進行新的訪談時，已經無法再產生新的洞見、新的主題或新的類別，且現有理論框架的屬性與維度都已經被充分發展時，你的資料就達到了飽和。

把這件事想像成你在拼一幅拼圖。一開始，你拿到很多邊緣的碎片，慢慢拼湊出一個輪廓；接著，你開始填補中間的區塊，圖案越來越清晰。到了一個時間點，你再拿到新的拼圖碎片，你發現它們只是重複現有的圖案，對整幅畫的理解沒有任何新的貢獻。這個時候，你的「拼圖」就飽和了。

所以，理論飽和不是看你訪談了「多少人」，而是看你「問出了什麼」。這是一種對資料深度的評估，而不是對數量的執著。

關於理論飽和的常見誤解

在實務上，許多研究者對理論飽和有著錯誤的期待與操作方式。以下是幾個最常見的盲點：

誤解一：把「資料飽和」等同於「理論飽和」

很多學生會說：「老師，我訪談到第十二個人，他們講的東西都跟前面的人一樣了，所以我達到理論飽和了！」

這是一個很常見的盲點。受訪者說了相同的話，叫做「資料飽和」（Data Saturation）或是「資訊冗餘」（Informational Redundancy）。但「理論飽和」要求的是更高層次的分析：你是否已經將這些資料提升到了概念的層次？你的理論模型是否已經足夠厚實，能夠解釋這些現象？如果你的訪談問題本來就很淺薄，那當然很快就會聽到重複的答案，但這並不代表你的理論已經完整了。

誤解二：先預設一個樣本數，然後宣稱飽和

有些學生會在計畫書裡寫：「本研究預計訪談 15 人，以達到理論飽和。」這在邏輯上是不通的。理論飽和是「做出來」的，不是「預測出來」的。你無法在收集資料之前，就知道何時會再也找不到新的概念。真正的理論飽和，是透過資料收集與資料分析的「來回交替」（Iterative Process）逐步確認的。

誤解三：把飽和當作偷懶的藉口

「老師，我訪談五個人就飽和了，可以不用再做了吧？」

如果你的研究對象非常同質，且研究問題極度聚焦，五個人或許有可能。但在多數情況下，過早宣稱飽和，往往是因為研究者缺乏理論敏感度（Theoretical Sensitivity），看不出資料中潛藏的細微差異，或是因為不想再辛苦找受訪者了。記住，審查委員（Reviewers）都是身經百戰的，你是不是真的飽和，他們從你的分析深度一眼就看穿了。

實務建議：如何判斷並證明你已經達到了理論飽和？

了解了迷思之後，身為研究生，你該如何在論文中具體展現你已經達到了理論飽和？這裡有幾個務實的建議：

1.

…

前陣子在幫一本期刊審稿時，又看到了一個非常典型、許多研究生都會踩到的統計地雷。

這篇研究用了一份自編的知識測驗量表，所有的題目都是「對/錯」的二元計分（0或1）。然而，在信度分析的部分，作者洋洋灑灑地報出了「Cronbach’s α = .85」。

當下我的第一個反應是：數值看起來不錯，但指標用錯了。

如果你也是正在處理問卷數據的碩博士生，或者你設計的量表包含是非題、檢核表、選擇題（答對給 1 分、答錯給 0 分），這篇文章就是為你寫的。我們來聊聊為什麼在這種情況下，你不該報 Cronbach’s α，而應該改用 KR-20 (Kuder-Richardson Formula 20)。

為什麼 0/1 計分不能直接用 Cronbach’s α？

在社會科學研究中，Cronbach’s α 幾乎成了內部一致性信度（internal consistency reliability）的代名詞。許多同學跑統計時，不管三七二十一，直接把所有題目丟進軟體裡算 α 值。就像我在之前文章《Cronbach’s α 信度夠高就好嗎？》裡提過的，信度分析不能只看數字高低，還要看你的資料性質。

Cronbach’s α 的設計初衷，是針對「連續變項」或至少是「多點量表的類別變項」（例如典型的 5 點或 7 點李克特量表，Likert scale）。它考慮了題目得分的變異數。

但是，當你的題目是 0 和 1 的二元計分（dichotomous data）時，資料本身是不連續的。這時候，計算連續變異數的數學邏輯就不完全適用了。強行用 SPSS 或其他軟體跑 Cronbach’s α，雖然軟體還是會吐出一個數字給你，但這在統計學理上是不夠嚴謹的。

KR-20 是什麼？它和 Cronbach’s α 有什麼關係？

這時候，我們需要搬出 KR-20。

KR-20（Kuder-Richardson Formula 20）是專門用來計算「二元計分」題目內部一致性的信度係數。有趣的是，從數學推導來看，KR-20 其實是 Cronbach’s α 在二元資料下的特例。

如果你把 0/1 的資料丟進公式去算，得出來的 KR-20 數值，往往會跟軟體硬算出來的 Cronbach’s α 數值一模一樣，或者極度接近。

你可能會問：「既然數字一樣，那報 Cronbach’s α 錯在哪裡？」

問題出在「專業度」與「對資料性質的理解」。當你在論文裡寫下「本研究以 KR-20 檢驗二元計分題目的信度」時，你是在向審稿人（或口試委員）傳遞一個明確的訊息：我清楚我的資料是類別變項，而且我知道針對這類資料該用什麼統計方法。

相反地，如果你報 Cronbach’s α，審稿人心裡可能會打個問號：「這個作者是不是只會按軟體預設的按鈕，連資料尺度都沒搞清楚？」在競爭激烈的學術期刊審查中，這種小細節往往會影響審稿人對你整體研究嚴謹度的第一印象。

實務上的建議與做法

那麼，如果你現在的手邊正好有這類資料，該怎麼辦呢？我給碩博士生們三個實務上的建議：

第一，檢視你的量表計分方式。
在跑信度之前，先確認每一題的計分尺度。如果是 1-5 分的同意度量表，放心用 Cronbach’s α。如果是對錯題、有/無、是/否這種只有 0 和 1 的計分，請把 KR-20 寫進你的分析計畫裡。

第二，不要被軟體的介面綁架。
很多同學會說：「可是 SPSS 的 Reliability Analysis 預設只有 Alpha 可以選啊！」沒錯，在許多軟體中，如果你硬跑 Alpha，它跑出來的數字其實就是 KR-20 的等效值。但在寫作時，你必須在文字描述和表格標題中，將其正確標示為 KR-20。這是寫作上的嚴謹，與軟體介面無關。

第三，混合題型的量表要分開處理。
這是我最常看到的另一個誤區：同一份問卷裡，前半部是 1-5 分的態度題，後半部是 0/1 的知識題，然後作者把它們全部混在一起跑一個總信度。這在統計上是災難。你應該把李克特量表的部分獨立跑 Cronbach’s α，二元計分的部分獨立跑 KR-20，然後分別在報告中呈現。

結語：魔鬼藏在細節裡

學術研究的價值，很大一部分建立在方法論的嚴謹度上。信度分析只是資料處理的第一步，但這一步走得穩不穩，往往決定了後續分析的基礎。

下次遇到 0/1 計分的量表，別再習慣性地敲下 Cronbach’s α 的按鈕了。換成 KR-20，讓你的論文在細節處展現出真正的學術專業度。這不僅能幫你避開像我這種挑剔的審稿人的法眼，更是對你自己研究資料的一種尊重。

相關文章

References

Cronbach, L.…

很多研究生以為質性研究「找越多人越好」。這篇文章告訴你，數字不是重點，設計才是。

---

你可能聽過這個問題

「老師，我的論文只訪談了六個人，這樣夠嗎？」

這是我在指導學生時最常被問到的問題之一。通常伴隨著一臉焦慮。

我的回答永遠是：「先告訴我你的研究問題是什麼。」

因為「幾個人夠」這個問題，根本問錯了方向。

最近我讀到一篇論文，是今年剛發表在 System（SSCI，Applied Linguistics）的文章。研究者 Li 和 Ding 只訪談了 4 位參與者——四位在抖音拍英文 vlog 的中國大學生——卻通過了嚴格的同儕審查，發表在頂尖期刊。

我用這篇論文作為案例，帶你看懂質性研究「人數邏輯」的真正本質。

---

這篇論文做了什麼

Li & Ding (2026) 研究的是：中國大學生在抖音上拍英文 vlog，這個行為為他們的英語學習帶來了什麼？背後有什麼機制在運作？

他們的理論框架是生態學視角（ecological perspective），聚焦在 affordance（可供性）和 learner agency（學習者主動性）兩個概念。研究發現了四種 affordances（語言的、數位的、社交的、情感的）以及兩種 agency（個人主動發起的、透過與他人互動共同建構的）。

這篇的方法論設計相當完整，值得拆開來看。

---

為什麼四個人就夠：質性研究的人數邏輯

在量化研究裡，樣本數是真的有「夠不夠」的問題，因為你需要足夠的統計力（power）來偵測效果。

但質性研究的目標不是「推論到更大的母群體」（關於個案研究的樣本數邏輯，可參考這篇文章），而是「深入理解特定現象的機制與意義」。

這兩種目標，需要完全不同的樣本邏輯。

質性研究問的是：在什麼條件下，這個現象是如何發生的？

要回答這個問題，你需要的是「夠深的理解」，不是「夠大的樣本」。

Lincoln 和 Guba（1985）提出的概念是「資訊飽和」（informational redundancy）——當你繼續訪談新的參與者，再也得不到新的主題或新的洞察，這時候樣本就足夠了。

四個人可以達到這個標準嗎？在某些研究問題下，可以。特別是當：

• 研究問題聚焦在特定情境或特定群體的深層經驗
• 每位參與者提供了豐富、深入的資料
• 多份資料來源互相支撐
• 研究者有清晰的理論框架引導分析

Li & Ding (2026) 全部符合。

---

這篇做對了什麼：五個關鍵設計決定

1.

…