01 / 導讀
導讀
引用
Field, A. (2024). Discovering Statistics Using IBM SPSS Statistics (6th ed.). SAGE Publications.
章節概要
第六版共22章，全書1,144頁。SAGE 介紹說，本書把幽默與循序漸進的指導結合起來，從最初的理論一直講到回歸、因子分析和多層次建模，用作者那些出人意料的例子和活動讓統計和 SPSS 變得生動。列出的特色包括：覆蓋面靈活、可跨學科使用，分析真實資料，突出常見的誤解和錯誤，以及由影片、案例研究、資料集和題庫組成的全新線上資源。本書覆蓋多個版本的 IBM SPSS Statistics。內容分為五個階段：基礎、軟體、線性模型與均值比較、多變數與分類方法，以及多層次模型。
第1–3章：Why is my evil lecturer forcing me to learn statistics?（為什麼我那個邪惡的講師非要逼我學統計？）；The SPINE of statistics（統計學的脊梁）；The phoenix of statistics（統計學的鳳凰）
第1章講研究過程：最初的觀察、理論與假設、測量、研究設計和資料包告。第2章圍繞 SPINE 這一助記詞搭建統計模型：標準誤、引數、（置信）區間、零假設顯著性檢驗，以及估計。第3章討論零假設顯著性檢驗存在的問題，並把它們放在科學中更廣泛的問題之中。題為「A phoenix from the EMBERS」的小節引出關於判斷力（sense）、預註冊與開放科學、效應量和貝葉斯方法的各節。
第4–6章：The IBM SPSS Statistics environment（IBM SPSS Statistics 環境）；Data Visualisation（資料視覺化）；The beast of bias（偏差這頭野獸）
第4章介紹軟體：版本、資料編輯器、匯入資料、檢視器、語法編輯器和擴充套件。第5章教用圖表構建器作圖，從直方圖、箱線圖到誤差條和散點圖。第6章講偏差、離群值、線性模型的假設，以及如何發現和減輕違反假設的情況。
第7–9章：Non-parametric models（非引數模型）；Correlation（相關）；The Linear Model (Regression)（線性模型（回歸））
第7章介紹針對兩組或多組獨立或相關樣本的基於秩的檢驗。第8章講雙變數相關、偏相關和半偏相關，第9章引入含一個和多個預測變數的線性模型，並有關於樣本量、穩健回歸和貝葉斯回歸的小節。線性模型是後面各章的基礎。
第10–11章：Comparing two means（比較兩個均值）；Moderation and Mediation（調節與中介）
第10章引入線性模型中的分類預測變數，接著講針對獨立和相關均值的 t 檢驗。第11章用 PROCESS 工具講互動作用和中介。
第12–16章：GLM 1 至 GLM 5
五章把模型擴充套件到分類預測變數：比較多個獨立均值（包括對比和事後檢驗）、協方差分析、析因設計、重複測量設計和混合設計。其中若干章包含穩健和貝葉斯的替代方法，大多數章都講效應量和結果報告。
第17–18章：Multivariate analysis of variance (MANOVA)（多元方差分析）；Exploratory factor analysis（探索性因子分析）
第17章介紹矩陣、MANOVA 的理論，以及後續的判別分析。第18章講因子分析，也包括信度分析。
第19–22章：Categorical outcomes: chi-square and loglinear analysis（分類結果：卡方與對數線性分析）；Categorical outcomes: logistic regression（分類結果：邏輯回歸）；Multilevel linear models（多層線性模型）；Epilogue（尾聲）
第19、20章處理分類結果，從卡方和對數線性分析到二元和多項邏輯回歸。第21章講層級資料、多層次模型和增長模型。第22章是尾聲。
核心概念
第1–3章：基礎
- 統計學的 SPINE：標準誤、引數、區間和零假設顯著性檢驗，是基於模型的推斷的核心。
- NHST 的問題：催生效應量、開放科學和貝葉斯方法的各種批評。
- 效應量與貝葉斯因子：與顯著性檢驗一起或代替顯著性檢驗來報告。
第4–9章：軟體、假設與線性模型
- 偏差與假設：離群值、正態性、線性、方差齊性和獨立性。
- 非引數檢驗：假設不成立時的替代方法。
- 線性模型：含一個或多個預測變數的回歸，被當作後面各章的基礎來講授。
第10–22章：均值比較、多變數方法與多層次模型
- 一般線性模型：t 檢驗、方差分析、協方差分析和重複測量設計，被呈現為同一模型的不同變體。
- 調節與中介：互動作用與間接效應。
- 多變數與分類方法：MANOVA、因子分析、卡方、對數線性和邏輯模型。
- 多層次模型：層級資料和增長的分析。
評析
優點
- 對線性模型的統一看法。 第9章講回歸，第10章轉向比較兩個均值，題為 GLM 1 至 GLM 5 的第12至16章把同一思路擴充套件到方差分析的各種設計，使眾多檢驗顯得像同一模型的變體，而不是一堆互不相干的程式。
- 坦率對待顯著性檢驗的局限。 用一整章討論 NHST 的問題、效應量、預註冊和貝葉斯方法，加上後面各章的穩健和貝葉斯小節，使學生為當前的實踐做好準備。
- 實用的報告指導。 多數分析章節都有如何報告結果的小節，對實驗報告和學位論文有幫助。
- 一冊涵蓋面廣。 本書從基本的研究設計一直講到 MANOVA、因子分析和多層次建模，一本書可服務於多門課程。出版社強調覆蓋靈活、真實資料以及常見的誤解和錯誤。
局限
- 與 SPSS 繫結。 軟體出現在書名裡，也出現在許多小節標題中；使用 R、jamovi 等其他軟體的學生可以用概念，卻用不上操作步驟。
- 篇幅。 1,144頁遠超一門課的需要，讀者應選擇路線閱讀。
- 未涉及的方法。 目錄中沒有結構方程模型、時間序列或生存分析的章節，某些領域的學生需要另找資料。
在課程中的定位
Field 的書是這份清單中注重實踐、以軟體為基礎的統計教材。Reidy 與 Dancey 的 Statistics without Maths for Psychology 同樣使用 SPSS，並用文字和圖表而不是公式來解釋邏輯，適合想走最平緩路線的學生；Field 的目錄涉及因子分析、邏輯回歸和多層次模型，而另一本書的介紹中沒有列出這些內容。
在研究設計方面，Jhangiani 等人的免費教材 Research Methods in Psychology 和 Morling 的 Research Methods in Psychology 講授如何設計和解讀研究，可與 Field 的第1至3章配合。Maxwell、Delaney 與 Kelley 的 Designing Experiments and Analyzing Data 以模型比較的方式處理方差分析，是研究生水平的著作，適合在第12至16章之後閱讀。McElreath 的 Statistical Rethinking 是使用 R 和 Stan 的貝葉斯課程，與 Field 第3章介紹的貝葉斯方法自然銜接。
如何使用本書
本書面向需要在 SPSS 中執行並報告分析的心理學和社會科學學生，從大學部學生到研究生。出版社沒有列出先修要求。
一條合理的路線是：用第1至6章學習基礎、軟體和假設，接著用第8至10章學習相關、回歸和比較兩個均值。第12至14章涵蓋大部分本科階段的方差分析內容，遇到重複測量和混合設計時再加上第15、16章。第11章以及第17至21章適合高階課程和專案，按需選讀。
要動手操作：使用資料集和全新的線上資源，重複分析，並按報告小節寫出每個結果。至於思想而不是點選步驟，SPINE 和 EMBERS 這些章節值得再讀一遍。