量到的是「那個東西」嗎？測量、檢定力與機制推論的進階紀律

你的問卷量到的，真的是「那個東西」嗎？

入門篇教過你一條鐵律：相關不等於因果。但假設今天你的實驗設計無懈可擊——隨機分派、雙盲、控制組一應俱全——卻有一個更隱蔽的問題從一開始就埋伏在那裡：你用來測量「快樂」的那五道問卷題目，量到的真的是快樂嗎？還是其實量到了「願意對陌生研究者承認自己快樂的程度」？又或者，你宣稱「正念訓練降低了焦慮」，但如果你的焦慮量表在訓練前後的意義根本不一樣（受試者經過訓練後重新理解了「緊張」這個詞），那前後分數的下降究竟代表什麼？

入門篇把測量壓縮成「信度與效度」一句話帶過。但在真實研究裡，測量本身就是一整套理論——心理學測量的不是長度或重量，而是看不見的潛在構念（latent construct）。這篇進階文章要把「信度與效度」這個黑盒子打開，再往前推進到效果量、統計檢定力，以及中介與調節這些讓你的假設「長出機制」的工具。讀完之後，你看一篇論文的眼光會從「他們有沒有做實驗」升級到「他們的推論鏈每一節到底站不站得住」。

測量理論：分數從哪裡來

入門篇說「信度是一致、效度是準確」，這個比喻很好用，但它隱藏了一個關鍵問題：我們從來沒有直接測到焦慮、智力或態度。我們測到的永遠是某種可觀測指標（observed indicator）——量表得分、反應時間、皮膚電導——再從這些指標推論背後的構念。這個推論的合法性，就是測量理論要處理的核心。

古典測驗理論（Classical Test Theory, CTT） 用一條簡潔的方程式描述這件事：

觀測分數（X） = 真分數（T） + 誤差（E）

「真分數」是同一個人在無限次重複測量下的理論平均值，「誤差」則是隨機波動。信度在這個框架下有了精確定義：真分數變異佔總變異的比例（reliability = σ²_T / σ²_X）。當誤差越小，觀測分數就越貼近真分數，信度越高。你常在論文裡看到的 Cronbach's α，估計的正是這個比例——但要注意，α 高並不單純等於「題目都很好」，它同時受到題數與題目間相關的影響，題目一多 α 就容易虛高，這是初學者常踩的雷。

效度則遠比信度複雜。 現代效度觀（以 Messick 為代表）主張效度不是測驗的固有屬性，而是對「分數詮釋」的整體論證。一份憂鬱量表本身無所謂有效或無效；有效的是「用它的得分來推論臨床憂鬱程度」這個特定用途。心理計量學把效度拆成幾個面向：

• 內容效度（content validity）：題目是否涵蓋了構念的完整內涵？一份只問「失眠」的憂鬱量表漏掉了情緒低落與興趣喪失，內容效度就不足。
• 效標關聯效度（criterion-related validity）：分數能否預測一個外部標準？例如入學測驗能否預測大一成績。
• 建構效度（construct validity）：這是最根本的一層。分數是否與「理論上該相關的東西」相關（收斂效度，convergent validity），又與「理論上該無關的東西」無關（區辨效度，discriminant validity）？

Campbell 與 Fiske（1959）提出的多特質多方法矩陣（multitrait-multimethod matrix, MTMM）正是檢驗收斂與區辨效度的經典工具：用多種方法測量多個特質，理想情況下「同一特質、不同方法」的相關應該高（收斂），而「不同特質、同一方法」的相關不應該被方法本身撐高（否則就是共同方法變異，common method variance 在作怪）。

為什麼「顯著」不等於「重要」：效果量與檢定力

入門篇的研究所視角提過 p-hacking，但要真正理解可重複性危機，你得先看懂兩個被忽視太久的量：效果量（effect size）與統計檢定力（statistical power）。

p 值回答的問題其實很窄。 它只回答：「假設虛無假設為真，觀察到這麼極端（或更極端）資料的機率有多大？」它不告訴你效應有多大、也不告訴你假設為真的機率。一個極微小、毫無實務意義的差異，只要樣本夠大，照樣可以得到 p < 0.001。這正是為什麼光看 p 值會嚴重誤導。

效果量補上了 p 值缺的那一塊：差異的「大小」。 常見的有比較兩組平均數的 Cohen's d（以標準差為單位的差異），以及表示變異解釋比例的 r²／η²。Cohen 給過粗略的參考錨點（d ≈ 0.2 小、0.5 中、0.8 大），但他本人再三強調這只是沒有領域知識時的權宜，不該僵化套用——在某些高風險領域，d = 0.1 都可能極具意義。

統計檢定力則是另一個長期被低估的概念。 檢定力（power, 1 − β）是「當效應真實存在時，研究能成功偵測到它的機率」。它由三件事共同決定：效果量、樣本數、顯著水準 α。Cohen 早在 1962 年就警告，心理學研究的平均檢定力低得驚人——許多研究即使假設為真，也只有四五成機會發現它。

低檢定力的後果遠比「容易漏掉真效應」更糟糕。它會製造一個惡性循環：在低檢定力下，那些「僥倖達到顯著」的研究，其估計的效果量會被系統性高估（這稱為 winner's curse 或 Type M error，誤差幅度錯誤），甚至連效應的方向都可能搞反（Type S error，符號錯誤）。配合發表偏誤，文獻於是被一堆灌水的效應量填滿——這才是複製失敗的深層機制之一。

動手試試：用檢定力反推樣本數

假設你預期某個介入的真實效果量是 Cohen's d = 0.4（中小程度），想用獨立樣本 t 檢定、雙尾 α = 0.05，達到慣例上可接受的檢定力 0.80。

不需要背公式，重點是理解這個推理的方向：先決定你想偵測的最小效應，再回推需要多少人，而不是先收一收手邊湊得到的樣本、事後再看顯著沒。對 d = 0.4、power = 0.80 的設定，每組大約需要 100 人（合計約 200 人）。如果你只找得到每組 25 人，那麼即使效應真的存在，你也只有大約三成的機會偵測到它——這種研究在開始之前，命運就已經注定大半。

這就是事前檢定力分析（a priori power analysis）的價值：它逼你在花一分錢、找一個受試者之前，就誠實面對「我這個設計到底有沒有機會回答我的問題」。順帶一提，事後檢定力（post hoc power，用觀察到的效果量回算的檢定力）幾乎沒有資訊價值，因為它和 p 值是一對一的數學變換，請不要在論文裡這樣做。

讓假設長出機制：中介與調節

入門篇的假設都很「扁平」：A 影響 B。但成熟的心理學理論幾乎都在問更細的問題——A 是透過什麼影響 B 的？A 的效果在什麼條件下比較強？這兩個問題分別對應兩個常被混淆的概念：中介（mediation）與調節（moderation）。

中介回答「如何／為什麼」（機制問題）。 中介變項是因果鏈上的中間環節：自變項 X 先影響中介變項 M，M 再影響依變項 Y（X → M → Y）。例如「社經地位影響學業成就」可能是透過「家庭學習資源」這個中介——社經地位高 → 學習資源多 → 成就高。Baron 與 Kenny（1986）的經典四步驟曾主導這個領域數十年，但現代取向已轉向直接檢定間接效果（indirect effect，即 a × b 路徑的乘積）的顯著性，常用 bootstrap 法建立其信賴區間，因為間接效果的抽樣分布通常不對稱，不適合用傳統的常態近似。

調節回答「何時／對誰」（條件問題）。 調節變項改變的是 X 與 Y 之間關係的強度或方向，在統計上表現為 X 與調節變項 W 的交互作用項（interaction term）。例如「壓力對表現的影響」會被「經驗」調節：對新手而言壓力可能是負面的，對老手卻可能無妨甚至有益。請務必區分：中介說的是「中間經過誰」，調節說的是「在誰身上、什麼情況下不一樣」——把調節變項誤稱為中介，是論文寫作裡最常見的概念錯誤之一。

看一個例子：同一個變項，中介還是調節？

設想一個研究問題：運動如何影響睡眠品質？

• 如果你的理論是：運動 → 降低當日皮質醇（cortisol）→ 改善睡眠，那麼「皮質醇」是中介。它站在因果鏈的中間，是運動發揮作用的管道。要支持這條路徑，你得證明運動確實壓低了皮質醇，而皮質醇的下降又確實連到睡眠改善。

• 如果你的問題是：運動對睡眠的好處，是不是在「平常壓力大的人」身上特別明顯？那麼「壓力程度」是調節。它不在因果鏈上，而是站在旁邊調整這條鏈的強弱——對高壓族群，運動 → 睡眠的斜率較陡；對低壓族群較平。

同一個情境，換個問法，變項的角色就完全不同。判準很單純：問「它是經過的站」還是「它是改變斜率的旋鈕」。值得一提的是，這兩者可以結合成更複雜的模型，例如有調節的中介（moderated mediation）——間接效果本身的大小又隨第三變項而變，這類模型在當代社會與健康心理學中已是標準配備。

設計的進階選擇：受試者內與多層次

入門篇預設的是最單純的受試者間設計（between-subjects design）：每個人只進一組。但研究者手上還有更精巧的選項。

受試者內設計（within-subjects design） 讓同一個人接受所有條件。它最大的好處是控制了個體差異——既然是同一個人在不同條件下被比較，年齡、智商、人格這些穩定特質自動被抵銷掉了，於是檢定力大幅提升，需要的人數也更少。代價是引入了順序效應（order effect）：先做 A 條件可能因為練習而讓 B 做得更好（練習效應），或因為疲勞而讓 B 做得更差（疲勞效應）。對策是對抗平衡（counterbalancing）——讓不同受試者以不同順序經歷各條件（例如一半先 A 後 B，一半先 B 後 A），把順序效應從系統性偏誤打散成隨機噪音。

多層次／巢套資料（multilevel / nested data） 則是當代心理學與教育研究繞不開的結構。學生巢套於班級，班級巢套於學校；同一個人的多次測量巢套於這個人之內。這類資料違反了傳統統計檢定的一個核心假設——觀測值彼此獨立。同一班的學生因為共享老師與環境而彼此相似，把他們當成獨立樣本會嚴重低估標準誤、灌水出假的顯著性。多層次模型（multilevel model，又稱階層線性模型 HLM 或混合效應模型 mixed-effects model）正是為此而生：它明確把變異拆解成「層內」（學生之間）與「層間」（班級之間），既誠實處理了非獨立性，也讓你能同時提問「個人特質的效果」與「環境脈絡的效果」。當你日後在 Uedu 這類平台分析「學生—課程—學校」三層巢套的學習資料時，這正是必備的工具。

重點回顧

• 測量是一套理論，不是一個數字：我們永遠在用可觀測指標推論看不見的構念。古典測驗理論把信度定義為真分數變異佔總變異的比例；現代效度觀（Messick）則把效度看成對「分數詮釋」的整體論證，核心是收斂效度與區辨效度。
• 顯著 ≠ 重要：p 值不告訴你效應多大。一定要報告效果量（Cohen's d、η²）與信賴區間，並理解 Cohen 的錨點只是權宜參考。
• 檢定力決定研究的命運：低檢定力不只讓你漏掉真效應，還會系統性高估效果量（winner's curse）甚至弄錯方向（Type S/M error）。請做事前檢定力分析、別碰事後檢定力。
• 中介問「如何」、調節問「何時」：中介是因果鏈上經過的站（X→M→Y），調節是改變關係斜率的旋鈕（X×W 交互作用）。混淆兩者是論文常見硬傷。
• 設計有進階選項：受試者內設計提升檢定力但需對抗平衡來壓制順序效應；多層次模型則誠實處理巢套資料的非獨立性。

深入探討（研究所視角）

進到這一層，「測量」與「推論」會合流成一個更統一、也更嚴格的框架。

從 CTT 到潛在變項模型。 古典測驗理論有個根本限制：信度與題目難度都依賴於特定樣本，換一群人就變了。試題反應理論（Item Response Theory, IRT）把焦點從「總分」轉移到「個別題目與潛在特質的關係」，用試題特徵曲線（item characteristic curve）刻畫某道題在不同能力水準下被答對的機率，並估計題目的難度（difficulty）與鑑別度（discrimination）參數。IRT 的威力在於它讓「能力估計」與「樣本」脫鉤，是現代電腦化適性測驗（CAT）的數學基礎。更上一層，驗證性因素分析（Confirmatory Factor Analysis, CFA）與結構方程模型（Structural Equation Modeling, SEM）把測量模型（潛在構念如何由指標反映）與結構模型（構念之間的因果路徑）整合在同一個框架裡，讓你能在「扣除測量誤差」之後估計構念間的真實關係——這也是為什麼 SEM 報告裡的路徑係數，往往比直接拿總分跑迴歸更乾淨。

測量不變性：跨組比較的隱形前提。 當你說「男性的某特質高於女性」或「介入後焦慮下降」，你其實偷偷假設了量表在兩組／兩個時間點測的是同一個東西、用同一把尺。這個假設叫測量不變性（measurement invariance），可在多群組 CFA 中分層檢驗：因素結構相同（形態不變性, configural）、因素負荷量相同（度量不變性, metric）、截距相同（純量不變性, scalar）。若連純量不變性都不成立，那麼比較組間平均數就可能是在比較蘋果與橘子——許多看似驚人的跨文化或性別差異，一旦做了不變性檢定就站不住腳。這是入門篇「效度」一句話完全藏不住的深水區。

估計取向與貝氏視角。 入門篇結尾提到從 NHST 轉向估計取向。更進一步說，整個方法學正從「二分的判決」（顯著／不顯著）轉向「連續的證據刻畫」。貝氏因子（Bayes factor）能量化「資料對 H1 相對於 H0 的支持程度」，而且——不同於 p 值——它允許你蒐集證據去支持虛無假設（例如證明某介入「確實沒效」，這在 NHST 框架下是做不到的）。配合序貫分析（sequential analysis）與預先註冊的停止規則，研究者得以在控制偽陽性的前提下邊收資料邊看證據，既省樣本又透明。

回到根本：方法學是一種知識倫理。 從 IRT 到測量不變性、從檢定力分析到貝氏推論，這些工具表面上是統計技術，骨子裡卻是同一種紀律——對自己的不確定性誠實。一個成熟的研究者不是手握最炫模型的人，而是能清楚說出「我這把尺量的是什麼、量得準不準、我的設計有多大機會看見真相、我又有多少把握下這個結論」的人。當你日後在多模態學習分析、生理感知建模這類前沿題目上工作時，正是這份對測量與推論的雙重清醒，讓你的研究真正禁得起別人重做一遍。