五南官網-統計效果值的估計與應用（附光碟）

財經、商管、統計-統計-統計軟體應用
統計效果值的估計與應用（附光碟）

作　　者：李茂能
出版社別：五南
出版日期：2022/08/05(1版1刷)
ＩＳＢＮ：978-626-343-108-9
E I S B N：9786263431232 ( PDF )
書　　號：1H3G
頁　　數：472
開　　數：16K
定　　價：560元
優惠價格：504元

投影片(請電洽，僅供老師索取)

⊙涵蓋單變項與多變項統計方法的效果值指標，適合作為應用統計學課程主要教材及量化研究課程輔助教材。
⊙為研究者進行整合分析的必備查考寶典。
⊙隨書附贈多套Excel VBA & VB程式（如：Cohen’s d增益集、非中心性信賴區間估計增益集、GES對比分析估計軟體、集群分析效果值估計軟體），以便利效果值的估計。


本書主要目的有二：
一、探討及推廣各類效果值指標的估計與選用，以彌補統計顯著性考驗之不足。
二、建構橫跨各類效果值間的橋接關係，使其具有可比較性，便於進行整合分析。

李茂能

現職
國立嘉義大學名譽教授、兼任教授

學歷
美國喬治亞大學博士

經歷
國立嘉義大學教授

Chapter01 效果值簡介

一、效果值的意義與重要性
　　效果值（effect size），簡單地說，就是實驗效果大小或雙變項關係強度的量化指標，其值愈大，常代表著組平均數間之差異愈大，或雙變項間之關係愈強，前者來自因果性實驗研究，後者來自觀察性相關研究。效果值是描述統計，而p值（p-value）是推論統計，兩者之影響因素不同，效果值不易受樣本大小影響，而p值易受樣本大小影響。效果值反映了(1) 變項相關性的強弱、(2) 變項差異性的多寡、(3) 勝算比、(4) 迴歸係數及(5) 適配度的大小，最常見的效果值就是組平均數差異或標準化平均數差異值（standardized mean difference）。過去量化研究中，接納或拒絕虛無假設的顯著性考驗模式（Fisher 氏的significance testing 或Neyman-Pearson 氏的hypothesis testing），似乎已成為量化研究不可或缺的下決策工具。不過，此種二分法之顯著性考驗，並無法回答差異有多大或關係有多強（Gliner, Vaske, & Morgan, 2001），因而研究者常只關心虛無假設的考驗結果或p 值是否小於既定的α，而忽略了效果值的分析（Rojewski, 1999;Thompson, 1996, 1998; 李茂能，2010）。此外，許多研究者錯把p值當作效果值大小的指標，例如：他們常認為p < .05比p < .01來得不重要。因此，常導致把虛無假設考驗的結果，視為研究價值的唯一指標及誤把p值大小看成效果值大小的迷思。
　　一個研究達到統計的既定顯著水準，可能係樣本過大所致，只要樣本過大，微小的處理效果，即使沒有臨床上的應用價值，也會推翻虛無假設；反之，未達到統計的既定顯著水準，可能係樣本過小所致，很大的處理效果也可能無法推翻虛無假設，亦即重要的效果卻出現不顯著之統計結論（李茂能，2002）。
　　表1-1 SPSS摘要表之依變項為最高受教年限，自變項為性別。t考驗結果顯示男女受教育的年限差為.602，達到.05的顯著水準（p = .000）。如果從該筆資料（N = 1509），隨機抽樣12%的受試者，其分析結果如表1-2之SPSS 摘要表所示，t 考驗結果顯示男女受教育的年限差為.778，未達到.05的顯著水準（p=.072）。由此觀之，p值乃是樣本大小的函數。相同的研究問題會因樣本大小的顯著差異，使得統計上的顯著結果變成不顯著，而導致重要效果的研究結論變成不重要。
　　由前述實例也凸顯出，研究之前樣本規劃的重要性，如果樣本規劃不可行，不管結果有無達到統計上的既定顯著水準，研究者均需報告效果值，以利評估最後結論的有效性。因此，身為一個量化的研究者不僅要問資料分析結果在統計上的顯著性與否，尚需考慮本質上其效果值有多大，才能正確評估其在臨床上或應用上的價值。統計上的顯著性，並不一定等於實務上具有應用價值。為彌補顯著性考驗之缺失（p值設計上的缺陷），不少國際期刊已要求作者報告效果值，Grisson & Kim（2012）及Warne（2017）就指出很多不同領域的學術團體或期刊已要求作者提供效果值資訊；例如：AERA、British Psychological Society、APA、Communication Monographs、Educational and Psychological Measurement & Human Communication Research 等。

二、效果值的類別
　　基本上，效果值可分為兩類：(1)仍保留原變項測量單位的未標準化效果值與(2)去除測量單位的標準化效果值（standardized effect sizes）。未標準化效果值的優點是容易計算、不受變異量之影響及保留更多資料情境的資訊。未標準化效果值如已具跨研究之可比較性（例如：具有共同測量單位的度、量、衡與貨幣），這些測量單位為眾人所熟悉，就不需再進行標準化了。有些效果值本身已無測量單位（unit-free of measurement），如Pearson 積差相關（本身即為標準化的指標）、勝算比（odds ratio, OR）、相對風險（relative risk, RR）也不需再進行標準化，可以直接進行研究間效果值的比較與整合。有些效果值指標（如樣本平均數間差異量）係來自於不同測量量尺或植基於武斷的測量單位，若想在研究間具有可比較性與可整合性，就須經標準化過程（目的使其具有共同量尺），以去除特定量尺的依賴性。經標準化的分數才具有無測量單位的特性，方能進行跨研究的比較與整合分析。例如：測量相同英文能力的IELTS & TOEFL 的成績，因使用不同量尺根本無法直接比較兩者分數的高低，如欲直接進行比較，需將原始分數轉換成常態化標準分數。傳統上，最常見的標準化方法是轉換成z分數或t分數。
　　如果依照估計參數的來源，效果值可分為潛在效果值（latent effect size）與樣本效果值（sample effect size）。利用HLM 分析之母群參數（如μ & σ），計算而得的效果值稱為母群效果值；利用SEM 分析所得的母群參數（或經信度偏差、全距減縮之校正過），估計出來的效果值也稱為母群效果值或潛在效果值，常以希臘字母δ表示之；而利用樣本統計量（如x & sd）計算而得的效果值，稱為樣本效果值（Enzmann, 2015）。其實，潛在效果估計值因考慮到測量誤差，通常比樣本效果估計值來得高（Leonhart, Wirtz, & Bengel, 2008）。

法律/政治

財經/商管/觀光

文/史/哲/期刊

理工/醫護

教育/心理/傳播

小五南/中等教育