論文統計分析：SPSS、Amos與JASP的運用
作　　者╱
 陳寬裕
出版社別╱
 五南
書　　系╱
 研究&方法
出版日期╱
2025/09/05   (1版 1刷)
  
即日起五南舊官網僅提供書籍查詢，如欲購書，請至五南新官網 https://www.wunan.com.tw/
I  S  B  N ╱
 978-626-423-772-7
書　　號╱
 1H3U
頁　　數╱
 512
開　　數╱
 16K
定　　價╱
 680
教學資源╱
 ,題庫(隨書附送),教學影片(隨書附送)

陳寬裕

現職：
屏東科技大學休閒運動健康系特聘教授

榮譽：
2022∼2024年榮獲史丹佛大學遴選「全球前2%頂尖科學家」

學歷：
嘉義大學觀光休閒研究所博士班
長榮大學經營管理研究所博士
清華大學工業工程研究所碩士
臺灣大學大氣科學系學士

E-mail：
pf.kuan.yu.chen@gmail.com

第1章　SPSS、JASP簡介與學習速成
1-1　閱讀本書須知
1-2　SPSS簡介
1-3　SPSS學習速成
1-4　JASP軟體簡介
1-5　JASP學習速成
習題

第2章　李克特量表與範例問卷介紹
2-1　李克特量表簡介
2-2　運用李克特量表之格式設計問卷的步驟
2-3　範例問卷的結構
2-4　利用Google表單問卷蒐集資料
2-5　將Excel資料檔匯入至SPSS
習題

第3章　資料的轉換與計算
3-1　反向題重新計分
3-2　標準化值
3-3　主構面與子構面的得分
3-4　資料平減化
3-5　資料分組
習題

第4章　描述性統計
4-1　離群值檢測
4-2　資料常態性的檢測
4-3　製作受訪者基本資料分析表
4-4　描述性統計量
4-5　分組平均數
習題

第5章　信度分析
5-1　信度簡介
5-2　利用信度分析刪除冗題
5-3　評估測量工具的信度
5-4　組內相關係數
習題

第6章　效度與因素分析
6-1　效度的基本概念
6-2　效度的種類
6-3　因素分析的意義
6-4　因素分析過程中常見的統計量
6-5　因素分析的基本步驟
6-6　利用主成分分析法刪除冗題
6-7　以主成分分析簡化資料
6-8　探索性因素分析
6-9　驗證性因素分析
6-10　JASP之「驗證性因素分析」功能的介面說明
6-11　驗證性因素分析的範例
6-12　共同方法變異
習題

第7章　統計方法的選擇
7-1　變數的種類與型態
7-2　研究的類型
7-3　自變數的水準數或樣本的群組數

第8章　交叉表與卡方檢定
8-1　認識交叉表
8-2　假設檢定的基本概念
8-3　卡方檢定的種類
8-4　卡方檢定的決策製作
8-5　卡方獨立性檢定
8-6　卡方適合度檢定
8-7　無回應偏差—卡方同質性檢定的應用
習題

第9章　平均數的差異性比較—t檢定
9-1　參數之假設檢定簡介
9-2　參數之假設檢定的基本步驟
9-3　兩群體之平均數比較—t檢定
9-4　單一樣本t檢定
9-5　獨立樣本t檢定
9-6　成對（相依）樣本t檢定
習題

第10章　單因子變異數分析
10-1　變異數分析簡介
10-2　變異數分析的基本原理
10-3　單因子變異數分析的基本步驟
10-4　單因子變異數分析範例一
10-5　實務顯著性
10-6　單因子變異數分析之範例二
10-7　單因子相依樣本變異數分析
習題

第11章　項目分析
11-1　項目分析的執行策略
11-2　遺漏值數量評估法
11-3　描述性統計評估法
11-4　內部一致性效標法（極端組檢驗法）
11-5　項目分析彙整
習題

第12章　相關分析
12-1　相關分析簡介
12-2　皮爾森相關係數
12-3　相關分析的範例
12-4　偏相關分析
習題

第13章　迴歸分析
13-1　簡單與多元迴歸模型
13-2　建立迴歸模型的方法
13-3　多元迴歸模型的建模步驟
13-4　殘差分析
13-5　共線性問題和異常值問題
13-6　觀察變數的迴歸建模
13-7　潛在變數的迴歸建模
13-8　自變數含類別變數的迴歸分析
習題

第14章　觀察變數的中介效果
14-1　中介效果的基本概念
14-2　使用PROCESS模組檢驗中介效果
14-3　於JASP中使用Lavaan程式碼檢驗中介效果
14-4　Lavaan程式碼簡介
14-5　多重中介效果簡介
14-6　檢驗平行多重中介效果
14-7　檢驗序列多重中介效果
習題

第15章　觀察變數的干擾效果檢定
15-1　干擾效果簡介
15-2　連續型觀察變數之干擾效果檢定—使用PROCESS模組
15-3　數值型觀察變數之干擾效果檢定—使用Lavaan程式碼
15-4　類別型干擾效果的檢定—Lavaan語法
15-5　調節式中介效果檢定
習題

第16章　結構方程模型分析
16-1　結構方程模型的基本概念
16-2　結構方程模型的基本原理
16-3　結構方程模型的建模過程
16-4　模型的評鑑及配適指標
16-5　樣本數與觀察變數之數量的決定
16-6　Amos軟體簡介與快速學習
16-7　驗證性因素分析實作—使用Amos軟體
16-8　使用JASP軟體進行驗證性因素分析
16-9　結構模型分析實作—使用Amos軟體
16-10　使用JASP軟體進行結構模型分析
習題

第17章　潛在變數的中介與干擾效果檢定
17-1　中介效果的檢驗—Bootstrapping法
17-2　多重中介效果檢定
17-3　使用雙平減法之潛在交互作用項檢驗干擾效果
17-4　調節式中介效果檢定
習題

參考文獻

附錄一　旅遊動機、體驗價值與重遊意願關係之研究
附錄二　遊客體驗、旅遊意象與重遊意願關係之研究
附錄三　景觀餐廳意象、知覺價值與忠誠度：轉換成本的干擾效果
附錄四　電信業服務品質問卷（初稿問卷）
附錄五　電信業服務品質問卷（正式問卷）
附錄六　品牌形象、知覺價值與品牌忠誠度關係之研究（正式問卷）
附錄七　認真休閒特質與幸福感之研究：兼論配偶支持的干擾效果
附錄八　品牌形象、知覺價值對品牌忠誠度關係之進階研究
社會科學的文本
分析：R的應用
管理學質性與量
化混合研究方法
概論
如何撰寫文獻回
顧：給社會與行
為科學領域學生
的寫作指南
整合分析軟體C
MA：簡介與操
作實務
Python量
化研究實作：D
eepnote
雲端平台應用
SPSS操作與
應用：問卷統計
分析實務（附資
料檔）
,題庫(隨書附送),教學影片(隨書附送)

若要索取未隨書附送(外加)且未於此提供下載的教學資源，請詳洽業務人員(02-27055066#824)(僅提供教師使用)

3-1　反向題重新計分
　　反向題為問卷設計時的常用技術，其目的是為了偵測「受訪者於填寫問卷時是否草率作答」。以李克特七點量表為例，由於每個題項之選項從「極不同意」到「極為同意」分為七個等級，正向題分別給予1、2、3、4、5、6、7分，而反向題的題項計分時，便要給予7、6、5、4、3、2、1分，如表2-1。因此，研究者在進行統計分析前，必須要注意的是，須將所有題項的計分方式化為一致（同方向）。故以正向題為基準的話，則須將反向題反轉重新計分，否則其與正向題的分數會互相抵消。但若量表中沒有反向題時，則此操作可予以省略。
範例3-1
資料檔ex3-1.sav為附錄一論文〈旅遊動機、體驗價值與重遊意願關係之研究〉之問卷的原始資料檔，問卷第二部分「體驗價值」構面的第4、5、6與7題為反向題，試予以反向題重新計分，並計算量表總分。計算完成後，請存檔為「ex3-1_ok.sav」。
　　範例論文之原始問卷的第二部分「體驗價值」構面的第4、5、6與7題（ev2_1、ev2_2、ev2_3與ev2_4）為反向題，為求計分的一致性，因此須施以反向題重新計分，以利後續統計分析工作之進行。此外，反向題重新計分後，尚須計算「量表總分」，「量表總分」即代表所有屬「李克特量表」格式之題項的得分總和，在本範例中即為旅遊動機（7題）、體驗價值（10題）與重遊意願（3題）等三個主構面之各題項（共20題）的得分總和。
操作步驟
　　雖然對「李克特量表」格式之問卷而言，反向題重新計分的一般性公式為：「（選項數 + 1）– 原始得分」。但在此，將運用SPSS的「重新編碼成相同的變數」功能，來進行反向題重新計分的任務。使用「重新編碼成相同的變數」功能的好處是，反向題重新計分後，所產生的新值會在原始變數上直接覆蓋掉舊值，因此不會產生新的變數，以節省空間與減少資料集的複雜度。反向題重新計分之詳細的操作過程，請讀者自行參閱教學影音檔「ex3-1.mp4」（請掃描範例3-1題目旁的QR Code）。
執行結果
　　執行反向題重新計分後，結果如圖3-1所示。

3-2　標準化值
　　對於具有不同水準或不同單位的資料，在進行比較之前，往往需要進行預先處理，以使資料能在更一致的條件下進行比較。這些預處理工作，最常使用的方法大概就是將資料予以標準化（standardization）了。所謂標準化就是將樣本中的某個觀察值減去樣本平均數後再除以樣本標準差的過程，這個過程中，最終所得的值就稱為「標準化值」，也稱為「Z分數」（Z-score）。因此，白話一點，所謂的「標準化值」的真正意義為，不管樣本資料的水準或單位，某觀察值與平均數的距離有幾個標準差之意。因此，「標準化值」的計算公式如式3-1。
　　其中，xi為樣本資料的第i個觀察值， 為樣本資料的平均數，s為標準差。從式3-1的計算公式中不難理解，Z分數所代表的意義為：資料xi在整體資料中所在的相對位置。例如：如果在你所任職的公司中，你的「所得」的標準化值（Z分數）為2，這表示你的「所得」是在「全體員工平均所得」以上的兩個標準差之位置，所以若從近似鐘形分配資料或常態分配的經驗法則來看的話，你是一個高所得者（前2.5%）。因為根據常態分配的特性，約有5%的觀察值會落在正、負兩個標準差的範圍外。
　　此外，利用標準化值也可以輔助判斷離群值（outlier）。如果研究者已能確認某變數資料大致符合常態分配的話，那麼最常見的檢測離群值方法，則非「標準化值」莫屬了。根據常態分配的性質，約有99%的資料點，會落在平均數的正負3個標準差之內（即Z分數的絕對值小於等於3的範圍內），因此過往文獻中，學者常建議：可將Z分數「大於3」或「小於-3」的資料視為離群值（Shiffler, 1988）。
範例3-2
資料檔ex3-2.sav為附錄一論文〈旅遊動機、體驗價值與重遊意願關係之研究〉的原始資料檔（已反向題重新計分，且已計算量表總分）。請開啟ex3-2.sav，試計算「量表總分」的標準化值（Z分數），並請根據「標準化值」偵測樣本中的離群值，若真的存在離群值，建議刪除之，完成後請另存新檔為「ex3-2_ok.sav」。
　　「量表總分」已計算完成，並已儲存在「ex3-2.sav」中了。現在，我們將計算變數「量表總分」的標準化值。然後遵照Shiffler（1988）的建議，利用標準化值來偵測資料集中是否有離群值的存在，若有，則可「考慮」刪除這些具離群值的個案資料。
操作步驟
　　詳細的操作過程，請讀者自行參閱教學影音檔「ex3-2.mp4」（請掃描範例3-2題目旁的QR Code）。