階層線性模式（hierarchical linear modeling，簡稱 HLM）或多層次分析（multilevel analysis）是近幾十年來在教育、社會學、心理學等領域廣泛使用的統計方法。它的核心問題很簡單：當你的資料有巢套結構（nested structure）——也就是「小單位嵌在大單位裡面」——普通的線性迴歸就不夠用了。

為什麼普通迴歸不夠用？

最典型的例子還是從教育研究來看。假設你要研究學生的學習成就，但你手上有來自 30 個班級的資料。問題來了：同一個班的學生共享同一位老師、同樣的教室氣氛、相似的背景環境，他們的學習成就之間自然會有關聯。這違反了普通迴歸的基本假設——觀察值必須彼此獨立。

如果你硬用普通迴歸，就等於忽略了「班級」這個層次的影響。你可以嘗試把班級人數、師生比、老師年資等變數全部丟進去當控制變數，但你永遠控制不完——每個班總有你沒測量到的差異。HLM 的解法是：直接把這種層次結構納入模型，讓資料的巢套性成為分析的一部分，而不是需要「消除」的麻煩。

第二個典型例子是重複測量（repeated measures）。如果你對同一批人進行三次前後測，每個人自己的三次測量就形成了巢套結構——三次觀察「嵌在」同一個人裡面。第一層是不同時間點的測量，第二層是個人本身。如果你不處理這個層次性，統計推論的可靠度就會受到影響。

什麼時候該用 HLM？ICC 是關鍵指標

判斷要不要用 HLM，最常用的標準是組內相關係數（Intraclass Correlation Coefficient，ICC）。ICC 反映的是「整體變異中，有多少比例是來自於上層單位（例如班級）之間的差異」。

一般來說，ICC > 0.05 就值得認真考慮使用 HLM；ICC > 0.10 則通常建議使用。如果你的 ICC 接近 0，代表學生之間的相似性主要不是來自班級效應，用普通迴歸或許還可以接受。

關於如何計算 ICC，可以參考這篇：Stata: 計算 Intraclass Correlation。

Random Intercept vs.

…

廖柏森老師的新書：英文寫作不求人，相信大家都已從研究生2.0 之前的文章【講座與贈書活動】英文論文寫作 得知。花了一點時間讀了這本書，這就來跟大家分享心得。

這本書無庸置疑是工具書，或者更準確地說，是幫你整理資源的書。換個角度來看，這本書或許你在讀的時候，你可能會發現你的英文知識並沒有增加，這是正常的，因為你得用了這些工具與資源，才能幫助你提昇英語能力。

廖教授所選的網站各個是英語學習中的精品，全書分成四大部分：學術英文寫作網站、線上語料庫網站、自建語料庫與語料庫檢索技巧。

第一部分學術英文寫作網站這部分所介紹的四個網站，幾乎是每個英語老師都會介紹給研究生作參考的。像本站文章如何寫 Cover Letter?…

與之前寫的文章：質化研究分析技巧(一)：Pattern matching、質化研究分析策略 不同，此篇質化分析步驟是 Merriam (2009) 所提供一步一步的指引，對於入門者來說挺有幫助的，所以在此記錄下來。

在分析之前，要先了解質化分析的目的。Merriam (2009) 認為「質化分析的目的是從資料中找出有意義的過程」(頁175) (Data analysis is the process of making sense out of the data)，而分析的主要方式不外乎是歸納 (inductive) 與比較 (comparative)。分析就是在眾多資料之中找出所有有意義的片段，而這些片段是可以回答你的研究問題的。

那如何作呢？Merriam (2009) 提出了五個步驟：category construction、sorting categories and data、naming the categories、how many categories、becoming more theoretical。

Category construction 類別建置

這個過程是在你閱讀第一份質化資料的時候開始。當你在閱讀的過程中，你會作些筆記和評論，這些有趣的地方可能就是你研究的重點。這個類別建置的過程，也有人稱為編碼 (coding)。因為是一開始分析，所以你會儘可能的為每段有用資料都編碼。因為你採取了一個較為開放的態度，這種編碼方式稱為開放性編碼 (open coding)。

在編碼的過程中，你可能會結合數個類別成為一個新的類別，這種方式稱為主軸性編碼 (axial coding) 或分析性編碼 (analytic coding)。當你編碼完第一份資料時，再進行到下一份資料。如果你不是用像 NVivo、HyperResearch 或 Atlas.ti…

NVivo 提供了多種編碼 (coding) 的方式，但基本概念都是用節點 (nodes) 的方式來達成。節點可以想成是一個類別 (category)，也就是你基本的編碼。NVivo 提供 free nodes 和 tree nodes 兩種模式，最大的區別就是前者沒有樹狀階層，而後者有。所以依照 Merriam (2009) 的建議，初步分析，也就 category construction 這個階段，我會使用 free nodes 來進行快速分類。如果分類底下的內容愈來愈多，我就會試著依照文獻和我的研究問題，將我的 free nodes 轉換成 tree nodes，更方便我組織想法。

Free nodes 沒什麼好說的，在你的資料裡，將你要 coding 的地方選起來，按右鍵選擇 code selection，之後看你的類別選取是已存在的 nodes 還是新 nodes。

所以整體畫面看起來就如下圖。

Tree nodes 比較麻煩，要先建立 nodes 或是從 free nodes 移過去才行。coding 的步驟與 free nodes 相同，便不再多說。

最後在跟大家分享一個我在 NVivo 的設置。在 NVivo 裡，如果你要用 tree nodes，常常會顯得空間不夠，要捲上捲下才能作 coding。此外，coding 是按右鍵來選 code 的方式也不是很有效率。

我的作法是將版面配置稍作修改，從 coding 在上、內容在下改變成 coding 在左、內容在右。這樣的好處有二：1) 儘可能顯現出較多的 codes；2) 在 coding 時，方便你用 drag and drop 的方式。

改成左右欄之後如下圖，我選取好要 coding 的部分，用拖放到 tree nodes，會比按右鍵選取來得省事。

如果有人有更好的方法，還請不吝分享~

參考書目

Merriam, S.…

質化研究之所以困難與可貴，就在於分析階段，沒有一個 formula 或是食譜，讓你照著說明就可以作出一篇好的研究。相反地，質化研究僅有一些指引而已，而這些指引往往都非常的模糊與隱晦，讓剛開始分析的人無所適從。

本系列整理 Yin (2009) 與 Patton (2002) 這兩本書與其它文章所提供的技巧。更詳細內容在書中和文章都有，我沒辦法全文翻譯和解讀。如果你有興趣，也可以參見下方的參考書目。

Pattern matching (類型比對)

類型比對 (pattern matching) 可說是質化研究中最常用到也是最值得用的技巧之一，這種分析方式的邏輯是：比較實際上你所搜集到的類型與你預測的類型 (可能是基於理論和rival explanation)。如果這兩者一致，這有助於強化質化研究的 internal validity。

如果你的研究是解釋型質化研究，你的 patterns 可能是與依變數有關，也可能是與自變數有關，也有可能是同時關注依變數和自變數。如果你的研究是解釋型質化研究，類型比對還是相關的，只要你在搜集資料之前定義你所預測的 patterns。

Yin (2009) 將 pattern matching 分成三大類，下面將分別簡介。

Nonequivalent dependent variables as a pattern (不對等依變項為類型)

要解釋 nonequivalent dependent variables as a pattern 之前，我們先來了解一下什麼是nonequivalent dependent variables (不對等依變項設計)。Nonequivalent dependent variables 不對等依變項設計是一種研究設計，但其內在效度 (internal validity) 非常弱。為何呢？在這種設計裡，只有一組人，有個 treatment 會影響到你的 outcome A，但應該不會影響到 outcome B。因為這設計裡沒有控制組，就只好用 outcome B 的前、後測作為比較，用此來看 outcome A 的增長。然而，其內在效度低的原因是 outcome A 與 outcome B 不完全一樣。

那什麼是 Nonequivalent dependent variables as a pattern 呢？在質化研究中，你也可以探索某個 treatment 是不是影響依變項 A 而沒有影響依變項 B。如果資料顯示依變項 A 受到影響而依變項 B 沒受到影響，那可增加內在效度。當然，你也可以有多個依變項來作研究。

Rival explanations as patterns (對立解釋為類型)

對立解釋不只可當作是分析策略，也可以用作是類型比對的方法。如果你知道你的 cases 有某個特定的結果，而你的研究著重 how and why，你可以採用將自變數 (也就是不同的對立解釋) 作類型比對。

舉例來說，你看到有一群人在 facebook 上有超過一千名朋友，你很好奇想知道為什麼他們有這麼多朋友和如何有這麼多好朋友，你可能有幾個解釋。1) 在現實生活中，他們就有許多好朋友。Facebook 上的朋友是他們生活中朋友 (的一部分)。2) 在現實生活中，他們沒有什麼朋友。所以他們花時間在網路上認識新的朋友。

假設有許多朋友只有這兩個原因 (當然還有其它原因，比如說 profile picture 放正妹照) ，而這兩個原因必須是互斥的 (1和2不會同時成立)。如果你的資料上上現 1 成立、2不成立，那你就可以證實你的理論。

Simpler patterns (較簡單的類型)

這種分析方式適用於你的依變數或因變數沒有太大的變化。在最簡單的情況下，你只有兩個依變數 (或因變數)，你根據這些變數找出不同的類型。

其實上述方式說穿了，就是 Merriam (2009) 所指的兩個最基礎的分析原則：歸納 (inductive) 和比較 (comparative)。

參考書目

Merriam, S.…