Author name: researcher20

學生交來初稿，我翻到方法段，看到一句話：「本研究刪除含有遺漏值的樣本，最終有效樣本為 N = 218。」

我問：「原始問卷收了多少份？」

他說：「251 份。」

我說：「你刪掉了 33 個人，占將近 13%。你有沒有想過，這 33 個人為什麼沒有填完？」

他沉默了一下。這個問題，很多學生沒有想過。

缺失值不是「髒資料」，是資訊

缺失值（missing data）在量化研究裡幾乎無可避免。問卷有人跳題、有人漏填、有人中途離開；追蹤研究有人失聯。問題不是「資料有缺失就不好」，而是：這些缺失是怎麼產生的？

Rubin（1976）把缺失值的機制分成三類，這個分類直接決定你應該用什麼方法處理：

1. MCAR（Missing Completely At Random，完全隨機缺失）
   缺失與任何變項的值完全無關。例如：問卷印刷有個版本漏印了一題，哪些人拿到這份問卷是隨機的。
   這是最理想的情況，但現實中很少見。
2. MAR（Missing At Random，隨機缺失）
   缺失與其他已觀察到的變項有關，但與遺漏的數值本身無關。例如：女性比男性更容易在薪資題跳過，但控制性別後，缺失就不再系統性地和薪資高低有關。
   這是最常見的假設，多重插補和 FIML 都以 MAR 為前提。
3. MNAR（Missing Not At Random，非隨機缺失）
   缺失和遺漏的數值本身有關。例如：憂鬱分數越高的人越可能跳過憂鬱相關題項。
   這是最棘手的情況，標準統計方法無法完全解決，需要特殊模型或明確說明限制。

Listwise Deletion 的問題

Listwise deletion（刪除含有缺失值的整筆資料）是最常用的做法，SPSS 的預設值也是這個。它只在 MCAR 的情況下不會造成偏誤——因為只有在缺失完全隨機時，刪掉這些人才不會讓留下來的樣本變得「特別」。

如果缺失是 MAR 或 MNAR，listwise deletion 會：

• 造成樣本偏誤：留下來的樣本不再能代表原始母群
• 損失統計力：樣本數減少，估計誤差增大
• 低估標準誤：某些情況下讓結果看起來比實際更顯著

⚠️ 容易犯錯的地方：學生在方法段只寫「刪除含有遺漏值的樣本」，但沒有說明缺失率、沒有檢驗缺失機制、也沒有討論這個做法對結論可能的影響。審稿人看到這裡，會直接問：你怎麼知道缺失是 MCAR？

現代處理方式：MI 和 FIML

當前方法學文獻推薦的兩種主流做法是多重插補（Multiple Imputation, MI）和完整資訊最大概似法（Full Information Maximum Likelihood, FIML）。兩者都在 MAR 假設下比 listwise deletion 表現更好。

多重插補（MI）

核心邏輯：不是用一個值去填補缺失，而是建立多個完整資料集（常見做法是 20 次以上，缺失比例較高時可增加插補次數），每次填補都反映填補的不確定性，最後合併分析結果。

操作工具：SPSS（Analyze → Multiple Imputation）、R mice 套件、Stata mi impute。

適合情況：缺失值分散在多個變項；想用不同軟體分開做插補和分析。

完整資訊最大概似法（FIML）

在 SEM 或 CFA 模型中，FIML 讓模型在估計時直接使用每個受試者提供的所有有效資訊，不需要預先填補缺失值。FIML 通常適用於以模型為基礎的分析（如 CFA、SEM、路徑分析），不是所有統計程序都能直接套用。

操作工具：AMOS（預設支援）、R lavaan（missing = "fiml"）、Mplus（DATA: LISTWISE = OFF）。

適合情況：跑 CFA 或 SEM，缺失值主要在觀察變項上。

⚠️ 容易犯錯的地方（一）：學生以為 FIML「自動處理了缺失值所以不用報告」。其實 FIML 也需要在方法段說明：使用 FIML 估計，假設缺失機制為 MAR。

⚠️ 容易犯錯的地方（二）：用 MI 時，插補模型包含的變項不夠完整。MI 的插補品質取決於插補模型有多少有效預測變項——把所有分析相關變項都納入插補模型，結果才可靠。

怎麼檢驗缺失機制？

在方法段說明缺失值處理之前，應該先報告你如何判斷缺失機制。

Little’s MCAR test：SPSS 有內建（Analyze → Missing Value Analysis → Little’s MCAR test）。若 p > .05，表示沒有足夠證據拒絕 MCAR 假設，常被視為與 MCAR 相容——但這不等於「確認是 MCAR」，統計檢驗只能提供線索，機制判斷仍需結合理論與資料情境。

輔助變項分析：建立「是否缺失」的虛擬變項，與其他變項做 t-test 或卡方檢定。如果缺失組和完整組在某些變項上有顯著差異，就有理由懷疑不是 MCAR。

⚠️ 容易犯錯的地方：MNAR 無法用標準統計方法驗證（因為你沒有缺失的數值）。遇到可能是 MNAR 的情況，誠實在討論段說明是更合適的做法，而不是假裝問題不存在。

如何在論文裡報告？

缺失值的報告應包含：

• 缺失率：整體缺失率（如：缺失佔全部資料格的 X%）；各關鍵變項的缺失情況
• 缺失機制：如何判斷（Little’s MCAR test 結果，或輔助分析結論）
• 處理方式：用了哪種方法（MI / FIML / listwise）以及選擇理由
• MI 的細節（若使用）：插補次數、插補模型包含哪些變項、軟體

範例寫法：「本研究資料缺失率為 4.3%，各變項缺失率均低於 10%。Little’s MCAR test 結果不顯著（χ² = 12.3, df = 14, p = .58），初步支持缺失隨機假設。採用多重插補法（R mice 套件，M = 20 次），插補模型包含所有分析變項。」

缺失率多高就不能用？

沒有絕對的門檻。常見的粗略參考是：

• 5% 以下：通常影響不大，listwise 或 MI 均可，但應說明。
• 5%–20%：建議用 MI 或 FIML，並報告缺失機制檢驗。
• 20% 以上：需要非常謹慎，MI 仍可嘗試，但解釋要保守，且需討論對結論的潛在影響。

這些只是經驗參考，不是硬性標準。更重要的判斷仍是：缺失是否系統性地影響估計結果？ 也需要交代缺失集中在哪些變項——是 outcome 缺失多？還是某個背景變項？是否集中在特定群體？ 5% 的 MNAR 可能比 15% 的 MCAR 更嚴重。

如果有問題，歡迎留言。

更新記錄：2026-03 首次發布。…

學生拿著跨組比較的結果來找我，說：「老師，我比較了男生和女生的 SEM 路徑係數，發現差異很大。」

我問了一個問題：「你有沒有先確認這個量表在男生和女生身上測的是同一個東西？」

他愣了一下。

這就是測量不變性（Measurement Invariance）要解決的問題——在跨組比較之前，你必須先驗證你的測量工具在不同群體裡的意義是否相同。如果沒有做這個檢驗，你的跨組比較在方法上是站不住腳的。

什麼是測量不變性？

假設你用一個動機量表同時測量男生和女生，然後比較兩組的動機分數差異。這個比較有一個前提：這個量表在男生和女生身上「測的是同一個東西」，而且測的方式相同。

如果量表裡的某道題，男生理解的方式和女生理解的方式不同，那你比較出來的「差異」，到底是真實的群體差異，還是量表本身的測量偏誤？你分不清楚。

測量不變性（Measurement Invariance），又稱測量等同性，就是用統計方式驗證：這個量表的因素結構、因素負荷量、截距，在不同群體之間是否相等。只有通過這個驗證，你的跨組比較才有意義。

測量不變性的四個層次

測量不變性的驗證分四個層次，由寬鬆到嚴格逐步限制，且每一層都建立在前一層成立之上：

1. 形態不變性（Configural Invariance）
   驗證：兩組的因素結構相同——哪些題目屬於哪個因素，模式一致。
   這是最基本的要求，也是後續所有層次的基礎。
   使用時機：確認兩組對量表的基本解讀架構相同，作為後續比較的前提。
2. 測量不變性（Metric Invariance）
   在 Configural 基礎上，限制兩組的因素負荷量相等。
   意義：題目和潛在因素之間的關係強度在兩組相同。
   使用時機：要比較兩組的相關係數或迴歸路徑係數。
   ⚠️ 達到 Metric 可以比較變項之間的關係，但尚不宜直接比較群體平均數。
3. 截距不變性（Scalar Invariance）
   在 Metric 基礎上，進一步限制兩組的題項截距相等。
   意義：相同的潛在因素分數，對應的觀察值在兩組相同。
   使用時機：要比較兩組的潛在平均數差異——這是最常見的跨組比較目標。
4. 嚴格不變性（Strict Invariance）
   在 Scalar 基礎上，進一步限制殘差變異量相等。
   意義：測量誤差在兩組也相同。
   社會科學研究通常不要求這個層次——達到 Scalar 即可支持多數跨組比較。

如何進行測量不變性檢驗？

測量不變性的驗證用多群組 CFA（Multi-group CFA）來進行，逐步加入約束條件並比較模型配適度。

步驟一：Configural Model（基準模型）
讓兩組各自自由估計所有參數，只限制因素結構相同，作為配適度的基準。

步驟二：Metric Model（限制負荷量相等）
限制兩組因素負荷量相等，比較與 Configural 的配適度變化。

步驟三：Scalar Model（限制截距相等）
進一步限制截距相等，再次比較配適度變化。

判斷標準（ΔCFI / ΔRMSEA 為主，Δχ² 為輔）：

• 常用判準：ΔCFI ≤ .010，且 ΔRMSEA ≤ .015
• 不建議只依賴 Δχ²——Δχ² 對樣本數敏感，大樣本時幾乎必然顯著，容易誤判。

工具：AMOS（多群組分析）、R semTools 套件（measurementInvariance()）、Mplus（MODEL = CONFIGURAL METRIC SCALAR）。

容易犯錯的地方

一、跨組比較前完全沒有做這個檢驗

最常見的問題。很多論文的方法段描述了 SEM 配適度，然後直接跳到「男女比較結果」，完全沒有提測量不變性。現在審稿人愈來愈熟悉這個議題，很容易被抓。

我在審稿時看到這種情況，都會要求作者補做不變性檢驗，或者說明為什麼可以假設不變性成立。

二、只用 Δχ² 判斷

Δχ² 的問題是，樣本大（N > 300）時，任何微小差異都會顯著，讓你以為不變性不成立。

⚠️ 學生常見的錯誤：看到 Δχ² 顯著就說「測量不變性不成立」然後放棄比較。其實根據 ΔCFI 可能完全符合不變性標準。現代標準是 ΔCFI 和 ΔRMSEA 為主，Δχ² 報告但不作唯一依據。

三、部分不變性（Partial Invariance）的處理不對

如果 Metric 成立，但 Scalar 不完全成立（只有部分截距相等），叫做部分截距不變性（Partial Scalar Invariance）。

這種情況下仍然可以做有限度的跨組比較，但需要：

• 確認哪些題項的截距不等（用 MI 找出），並說明原因
• 以不變的題項作為錨點（anchor）
• 在限制段說明部分不變性對結論的影響

⚠️ 學生常見的錯誤：發現兩個截距不等就放棄所有跨組比較。部分不變性不代表什麼都不能比，只是比較範圍和解釋要更謹慎。

四、不知道怎麼報告

測量不變性的報告要用表格呈現四個模型的配適度比較，包含：每個層次的 CFI、RMSEA、SRMR、ΔCFI、ΔRMSEA，以及哪個層次成立的結論。

不變性不成立怎麼辦？

如果連 Metric Invariance 都不成立，代表這個量表在兩個群體測的是不同的東西：

• 先找出哪些題項的負荷量不等（MI 定位），看看是否有文化或語言差異
• 考慮量表是否需要修改，或分組建立不同測量模型
• 在論文裡誠實說明：量表在兩個群體有不同的心理計量特性，跨組比較有限制

這不是失敗。很多跨文化研究正是靠測量不變性檢驗，發現了量表在不同群體之間的心理計量差異，進而深化對構念的理解。

如果有問題，歡迎留言。

更新記錄：2026-03 首次發布。…

我指導過不少論文，有一個問題學生最常問：「老師，我用 Baron & Kenny 四步驟做中介分析，夠嗎？」

我的回答通常是：「在教育、心理、管理等領域，bootstrap 間接效果檢驗已經非常普遍，很多期刊和審稿人會期待看到。如果你還只用四步驟，很可能被要求補做。」

這篇從為什麼要改、怎麼跑、怎麼報告，一步一步說清楚。

先釐清一個學生最常有的誤解：中介分析不是在問「X 對 Y 還有沒有影響」，而是在問「X 是否透過 M 影響 Y」。 這個方向搞清楚，後面的邏輯才會通。

Baron & Kenny 四步驟，問題出在哪？

Baron & Kenny（1986）的四步驟中介檢驗，被引用超過 40,000 次，是教科書裡最常見的方法：

1. X → Y 顯著（總效果 c path）
2. X → M 顯著（a path）
3. M → Y 顯著（b path，控制 X）
4. 加入 M 後，X → Y 的效果減小或不顯著（中介成立）

這個方法的根本限制是：它用逐步顯著性來推論中介，而不是直接測試間接效果（indirect effect = a × b）的大小。

問題在於：a 顯著、b 顯著，不代表 a × b 顯著。反過來，a 或 b 個別不顯著，但 a × b 可能仍然顯著。這不是邏輯問題，是統計問題。

Sobel test 試圖直接測試 a × b，但它假設間接效果的抽樣分佈是常態的。而現實中，間接效果的分配往往是偏斜的（skewed），因此 Sobel test 在小樣本或中等樣本下容易過於保守、統計力不足，導致本來存在的間接效果被漏掉（Type II error）。

⚠️ 容易犯錯的地方：很多學生看到「X → Y 不顯著」就直接放棄做中介分析。但現代中介分析的觀點是：total effect 不顯著，仍然可能存在顯著的間接效果。X 可能透過 M 正向影響 Y，同時又有另一條路徑直接負向影響 Y，兩者抵消讓總效果看起來不顯著，但中介機制確實存在。

Bootstrap 的邏輯是什麼？

Bootstrap 不依賴間接效果分配是常態的假設，而是直接從你的資料出發，用重複抽樣建立信賴區間。邏輯如下：

1. 從原始樣本中，重複有放回地隨機抽樣（通常 5000 次）
2. 每一次都計算間接效果 a × b
3. 把 5000 個 a × b 的值排序，取第 2.5 百分位和第 97.5 百分位，作為 95% 信賴區間（BootCI）
4. 如果 95% BootCI 不包含 0 → 間接效果顯著

相較於 Sobel test，bootstrap 不依賴間接效果常態分配假設，更適合處理偏斜的間接效果分配，通常也有較佳的統計力。方法學文獻普遍建議以 bootstrap 信賴區間作為間接效果的主要檢驗方式，許多期刊也明確期待看到這種做法。

⚠️ 一個細節：PROCESS macro 提供兩種 bootstrap CI：percentile CI（直接取百分位）和 bias-corrected and accelerated CI（BCa，修正偏誤）。一般情況下 percentile CI 已經夠用，但如果間接效果分配明顯偏斜，BCa 更準確。PROCESS 預設是 percentile，若要改成 BCa 可在選項中設定。在論文裡報告時，說明你用的是哪種。

用 PROCESS macro 跑 Bootstrap 中介

Hayes 的 PROCESS macro 是目前最廣泛使用的工具，免費，支援 SPSS 和 SAS。

安裝：到 processmacro.org…

學生拿著 EFA 的結果來找我，說：「老師，我因素分析跑完了，接下來要跑 CFA 嗎？」

我問：「你為什麼要跑 CFA？」

他愣了一下：「就是…驗證一下？」

這個回答讓我知道，他還沒弄清楚 CFA 是什麼。這也是我想寫這篇的原因——CFA 的概念不難，但實作起來每個步驟都有人反覆在同樣的地方摔倒。

先講一個核心提醒：CFA 不是在證明你的量表一定正確，而是在檢驗你的理論模型是否站得住。 學生最常錯的，不是不會跑，而是把統計決策和理論論證分開了——審稿人最常抓的，也正是這個斷裂。

CFA 是什麼？跟 EFA 有什麼不同？

探索性因素分析（EFA）是在「不確定結構」的情況下使用的——你不確定有幾個因素、哪些題目應該歸在一起，所以讓資料自己告訴你。

驗證性因素分析（CFA）完全相反。你已經有一個明確的理論模型，然後用資料去驗證這個結構跟實際資料的配適程度。

CFA 的前提是：你有理論依據。 最常見的誤用是先跑 EFA 找出因素結構，再用同一份資料跑 CFA「驗證」——你用資料找出一個結構，再用同一份資料確認它，這叫過度擬合，不叫驗證。我看過不少論文這樣做，審稿意見也常常在這裡被抓到。

CFA 實作五步驟

步驟一：建立理論模型

在正式跑分析之前，先把測量模型畫在紙上。你需要清楚指定：幾個潛在因素、每個因素對應哪些題項、因素之間是否允許相關、有沒有 cross-loading。

這個步驟很多學生跳過，直接打開 AMOS 開始畫。但跳過這步的學生，在後面遇到問題的時候，通常不知道問題出在模型設定還是資料本身。先把模型畫在紙上，思路會清楚很多。

在畫模型之前，我會要求學生逐題問自己：「這一題為什麼只能屬於這個因素，不屬於別的？」 這個問題問得清楚，後面很多麻煩就不會出現。

容易犯錯的地方：

• 每個因素的題項數不夠。 我常看到學生把一個因素只放兩題，說「文獻原版就是這樣」。問題是兩個題項的因素在統計上無法識別（just-identified），連配適度指標都算不出來。最少要三題，建議四題以上。如果原始量表某個分量表真的只有兩題，需要在方法段說明並討論限制。
• 跨文化量表直接套用原版因素結構。 學生拿英文量表翻成中文，就直接假設結構不變。翻譯後的題項語意可能已經不同，嚴格來說應該先用新的資料跑 EFA 確認結構，或至少在論文裡說明這個限制。
• 構念邊界不清。 審稿人最常抓的是：某些題項文字看起來同時可屬於兩個因素，前面不先處理，後面 MI 和 cross-loading 會一直爆。

步驟二：設定模型規格

在 AMOS 裡，你在圖形介面畫橢圓（潛在因素）和方框（題項），用箭頭連起來。在 R lavaan 裡，用 =~ 語法定義：

f1 =~ q1 + q2 + q3 + q4
f2 =~ q5 + q6 + q7 + q8
f3 =~ q9 + q10 + q11 + q12

模型畫完還有一件必須做的事：固定因子尺度。 潛在因素本身沒有測量單位，需要人為固定一個尺度，模型才能估計。兩種做法：

• 固定一個負荷量為 1（marker variable）： AMOS 和 lavaan 預設。每個因素的第一個題項路徑固定為 1。
• 固定潛在因素的變異量為 1： 讓所有負荷量都自由估計，適合要比較不同題項貢獻時。lavaan 語法：std.lv

…

我大概每年會審二十到三十篇論文。

大部分的時候，審稿是一件讓人又期待又沉重的事——期待是因為可以看到還沒發表的研究，沉重是因為你知道你的一份意見，可能影響一個人好幾個月的工作。

有時候，看完一篇稿子，我心裡第一個反應不是「這篇可以」或「這篇不行」，而是：「這篇如果早一年找人好好看過設計，現在就不用走到這一步。」

下面是三個真實的審稿故事。名字和細節已做模糊處理，但問題是真實存在的。

案例一：資料收集完了，才發現設計根本站不住腳

這篇研究想回答一個有意思的問題：AI 寫作工具是否提升了大學生的批判性思考？

設計是這樣的：一組學生用 AI 輔助寫作，另一組不用，學期末比較兩組的批判性思考評分。

問題不在問題本身，而在「誰決定哪個學生進哪組」這件事。

兩組是自選的——喜歡用 AI 的學生自然選了實驗組，習慣自己寫的選了控制組。這不是隨機分配，這是自我選擇偏誤（self-selection bias）——兩組學生在實驗開始之前，就已經不是同一群人了。

我在意見裡寫：「批判性思考的提升，可能來自本來就對科技更開放、學習動機更強的學生特質，而不是 AI 工具本身的效果。在目前的設計下，這兩個解釋無法被區分。」

作者回信說：「我們理解限制，但資料已經收完了，沒有辦法重做。」

我知道。這正是問題所在。

⚠️ 這類問題的本質：研究設計的缺陷，不是寫作問題，是在資料收集前就應該解決的問題。論文寫得再好，設計站不住，審稿人沒有辦法推薦接受。

案例二：測量的東西，跟理論說的不是同一件事

這篇的研究問題很清楚：探討教師的 AI 整合信念如何影響課堂實踐。

理論框架引用了 TAM（科技接受模型），並把「感知有用性」和「感知易用性」當作核心構念。

但問卷的題目是這樣的：「我認為 AI 工具可以節省備課時間」——這是一道行為意圖題，不是信念題。

整份問卷讀完，我發現：作者測量的是教師對 AI 的使用行為與意圖，但理論框架說的是信念結構。 這不是微小的落差，這是構念效度（construct validity）的根本問題。

更麻煩的是，討論部分的每一個結論，都是基於「信念影響實踐」這個前提展開的——但資料根本沒有測到信念。

我建議作者要嘛重新收資料，要嘛徹底修改理論框架，對齊現有的測量工具。兩條路都不短。

💡 實務提醒：在寫問卷之前，把每一道題放在理論構念旁邊比對——這道題測的，真的是那個構念嗎？是行為意圖、態度、信念、還是頻率？混用，是方法論最常見的問題之一。

案例三：資料說了 A，結論卻說了 B＋C＋D

這篇的資料其實相當紮實。研究對象清楚，測量工具有效度支撐，統計也跑對了。

在這種情況下，我通常會帶著期待往討論部分看。

然後我看到這樣一段：「本研究證明，AI 寫作支援能有效提升學習者的 L2 寫作能力，建議政策制定者在課程設計中全面推廣 AI 寫作工具。」

研究對象：某大學一個班，22 名學生，八週介入。

22 個人、一所學校、一種語言、八週——不是「全面推廣」的依據。

這不是謙虛的問題。這是研究結論必須待在資料能支撐的邊界內。「本研究在特定情境下的初步結果顯示……」和「建議全面推廣」，是兩個截然不同的表述，對應的是截然不同的研究規模與設計。

我的意見是：結論段必須重寫，所有超出樣本範圍的推論都必須加上明確的限制條件。

作者修改後再投，第二版好多了。這是三個案例裡唯一一篇後來過了的。

三個故事，一個共同點

回頭看這三篇，問題的本質其實不難歸納：

• 案例一：研究設計的問題——研究開始之前就應該解決
• 案例二：測量效度的問題——理論與工具必須對齊
• 案例三：結論邊界的問題——資料說什麼，結論就說什麼

前兩個，資料收完之後無法補救。第三個可以，但需要真的願意縮小結論。

📌 如果你想看更系統性的拒稿原因分析（有數據支撐），可以參考這篇文章，整理了 155 篇過了初審卻在外審被拒的論文的六大原因：外審後還是被拒：審稿人最常看到的 6 個問題

給正在準備投稿的你

我不是要嚇你。我自己的稿件也被拒過，不只一次。

但有一件事我越來越確定：讓論文被拒的問題，幾乎都不是在寫作階段才出現的。 它們大多在研究設計、測量工具選擇、或分析邏輯那個時候就已經埋下了。

投稿之前，找一個你信任的人，用審稿人的眼光把你的方法部分從頭讀一遍。不是看格式，是看邏輯。

這件事花的時間，遠比等三個月外審結果再重做要少。

如果有問題，歡迎留言。

這篇文章改寫自 Threads 系列貼文，你可以在這裡看到原版討論串：審稿人視角：三篇拒稿背後的真實原因

更新記錄：2026-03 新建，改寫自 Threads 系列「審稿人視角：三篇拒稿背後的真實原因」。…