Author name: researcher20

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」。…

「老師，我跑完前後測，用 paired t-test 對嗎？」

這是我最常聽到的一句話——不是因為學生懶，而是因為沒有人告訴他們，方法選擇其實有一個清楚的判斷邏輯。

選哪種方法？兩個關鍵問題

前後測的統計方法，取決於兩件事：

1. 你的資料是否符合常態分佈假設？
2. 你有幾個時間點要比較？

這兩個問題決定了一切。

四種情境與對應方法

✅ 常態 + 2個時間點（前測、後測）→ Paired t-test（配對樣本 t 檢定）

✅ 常態 + 3個以上時間點（前測、後測1、後測2……）→ Repeated-measures ANOVA（重複量數變異數分析）

✅ 非常態 + 2個時間點 → Wilcoxon signed-rank test

✅ 非常態 + 3個以上時間點 → Friedman test

怎麼確認常態假設？

很多人直接跑 Kolmogorov-Smirnov（K-S）檢定，但這是個常見錯誤：K-S 在樣本大的時候幾乎一定拒絕常態假設，讓你誤以為資料不符合常態分佈。

建議的做法：

• 樣本數 < 50：使用 Shapiro-Wilk 檢定
• 樣本數 ≥ 50：用 Q-Q Plot 加上 Skewness / Kurtosis 目視判斷

⚠️ 就算常態假設輕微違反，樣本數 > 30 時，t-test 仍然足夠穩健，不一定要換成非參數方法。

選定方法之後：怎麼呈現前後測的差異？

確定用哪種統計方法後，還有一個問題：你要用「差值」直接分析，還是用統計控制的方式？這涉及兩種常見的前後測分析策略：

• 進步分數（Gain scores）：後測分數 − 前測分數，直接拿差值去分析
• 殘餘改變分數（Residualized change score）：用迴歸控制前測後，取後測的殘差，更能排除前測水準的影響

這兩種做法各有適用情境，詳細說明請參考延伸閱讀。

延伸閱讀

如果有問題，歡迎留言。

更新記錄：2026-03 新建，整合常態假設判斷與方法選擇邏輯。…