TL;DR：統計方法跟著研究問題走。「比較差異」用 t 檢定或 ANOVA、「看關聯」用相關分析、「做預測」用迴歸、「驗證量表」用信效度分析、「驗證因果模型」用 SEM。先把研究問題寫成一句話，方法自然浮現。
很多研究生卡在統計，不是因為數學不好，而是因為從一開始就把順序搞反了。他們先問「我要用什麼統計方法」，再回頭找一個問題塞進去。正確的順序剛好相反：先確定研究問題，方法只是回答問題的工具。這篇文章要做的，就是幫你把「研究問題的句型」翻譯成「該用哪個統計方法」，並且說清楚每個選擇背後的邏輯，讓你在口試時答得出「為什麼是這個方法」。
先問三個問題
在打開 SPSS 之前，先誠實回答這三題。這三題答完，後面的對照表你就能直接套用。
- 我的依變項是什麼尺度？ 是類別（如「有沒有通過」「哪一組」）還是連續（如分數、金額、次數）？依變項的尺度是決定方法家族的第一分岔點。連續依變項多半走 t 檢定、ANOVA、相關與迴歸這一系；類別依變項則走卡方檢定、邏輯斯迴歸這一系。
- 我要比較群組，還是看變項之間的關係？ 「男生和女生的分數有沒有差」是比較群組；「壓力越大是不是離職傾向越高」是看關係。同樣是連續依變項，這兩個方向會走向完全不同的方法。
- 我有幾個自變項、幾個依變項？ 一個自變項對一個依變項，跟多個自變項同時預測一個依變項，複雜度差很多。變項一多，單純的相關就不夠用，要進到多元迴歸甚至結構方程模型。
這三個問題看起來簡單，卻是九成方法選錯的根源。很多人跳過這一步，直接去問學長姐「你上一屆用什麼」，結果套進自己完全不同的架構裡，到口試才被抓出來。花十分鐘想清楚這三題，勝過之後重跑三次。
研究問題 → 統計方法對照表
把你的研究問題對進左欄的句型，右邊就是對應的方法與常用工具。這張表涵蓋社科、商管、教育類碩論最常見的八種情境。
| 你的研究問題長這樣 | 適用方法 | 常用工具 |
|---|---|---|
| 兩組平均數有沒有差？（男 vs 女） | 獨立樣本 t 檢定 | SPSS |
| 三組以上平均數有沒有差？ | 單因子 ANOVA（＋事後比較） | SPSS |
| 前測後測有沒有進步？ | 成對樣本 t 檢定 | SPSS |
| 兩個變項有沒有關聯？ | Pearson／Spearman 相關 | SPSS |
| 多個自變項能不能預測依變項？ | 多元迴歸 | SPSS |
| 我的問卷量表可不可信、可不可用？ | Cronbach’s α、因素分析 | SPSS／AMOS |
| 變項之間的因果模型成不成立？ | SEM 結構方程模型 | AMOS／SmartPLS |
| 中介或調節效果存不存在？ | SEM 或 PROCESS 巨集 | AMOS／SPSS PROCESS |
表只是入口，真正要理解的是每一格背後的判斷邏輯。下面把最常用的幾個方法家族拆開講。
比較差異：t 檢定與 ANOVA
當研究問題是「不同群組之間有沒有差異」，你要的是差異檢定。兩組之間比平均數，用 t 檢定；三組以上，用 ANOVA，因為對三組以上反覆做 t 檢定會膨脹型一錯誤（false positive）的機率。ANOVA 只告訴你「至少有兩組不一樣」，卻不告訴你是哪兩組，所以要接事後比較（post hoc，如 Scheffé、Tukey）把差異定位到具體組別。
差異檢定最容易被忽略的是前提假設：獨立性、常態性、變異數同質性。實務上輕微違反在大樣本下多半可接受，但如果你的資料嚴重偏態或組間變異數差很大，就要考慮無母數的替代方案，並在論文裡交代清楚為什麼換方法。
看關聯與做預測：相關與迴歸
「兩個變項有沒有一起變動」是相關；「一組變項能不能預測另一個變項」是迴歸。這兩者常被混用，但意義不同。相關只給你關聯的強度與方向（Pearson 用於連續且線性、Spearman 用於次序或非線性），不談誰影響誰。迴歸則帶有方向性，能算出「自變項每變動一個單位，依變項預期變動多少」，並能同時放進多個自變項控制彼此的影響。
多元迴歸最容易踩的坑是共線性（multicollinearity）：兩個自變項本身高度相關，會讓迴歸係數不穩定、正負號跳來跳去。跑迴歸時一定要看 VIF 指標，發現共線性再決定是合併變項還是拿掉一個。這一段的觀念如果想更完整地連回研究設計，可以搭配我們對量化與質性研究取向的比較一起看，先確認你的題目本質上適不適合走量化路線。
驗證量表：信度與效度
如果你的研究用了問卷量表，在跑任何假設檢定之前，得先證明這把「尺」是可靠的。信度看一致性，最常見的是 Cronbach’s α，衡量同一構面的題項是否測到同一件事；效度看正確性，探索性因素分析（EFA）用來檢查題項是否如預期地聚成幾個構面，驗證性因素分析（CFA）則用來確認理論上的構面結構在你的資料裡站得住。
這一步是很多論文的隱形地雷。量表沒驗證就直接拿去跑迴歸，等於用一把沒校準的尺量東西，後面所有數字都失去意義。口委很清楚這件事，所以信效度往往是第一個被質疑的地方。至於「α 要多高才算可信」「因素負荷量門檻該設多少」這類具體數值，請以你所屬領域的主流方法學文獻為準，別直接抄別人論文的數字當成通則。
驗證因果模型：SEM
當你的研究架構圖上有多個潛在變項、還畫了中介或多條路徑，簡單迴歸就撐不住了，這時要進到結構方程模型（SEM）。SEM 能同時處理測量模型（潛在變項與其觀察指標的關係）與結構模型（潛在變項之間的路徑），一次估計整個理論架構，並提供整體適配度指標讓你判斷模型好不好。
SEM 有兩條主流路線：以共變異數為基礎的 CB-SEM（常用 AMOS），適合驗證成熟理論、樣本較大；以及以偏最小平方為基礎的 PLS-SEM（常用 SmartPLS），對樣本數較寬容、適合探索性或預測導向的研究。選哪一條要看你的研究目的與樣本條件，不是看哪個軟體比較好按。
最常見的三個錯誤
同樣的錯誤，我們在接手的論文修改案裡一再看到。先認得它們，就能少走很多冤枉路。
- 方法跟研究架構對不上。 架構圖畫了中介變項，分析卻只跑了相關；假設寫了群組差異，方法卻是迴歸。口委翻到方法章，第一個對照的就是架構圖與分析方法一不一致。這是最致命也最常見的破口。
- 把顯著當成全部。 p < .05 只是門檻，不是結論。只報 p 值不報效果量，等於只說「有差」卻不說「差多少、有沒有意義」。現代報告標準會要求同時呈現效果量與信賴區間，這也是提升論文說服力最省力的一招。
- 量表沒驗證就直接用。 信度（α）與效度（因素分析）是使用量表的前提，不是可選加分項。跳過這一步，等於默認你的測量工具沒問題，而口委通常不會這麼好心地默認。
選錯方法的代價，遠比你想的高
統計方法選錯，最壞的情況不是分數難看，而是整個第四章要重跑。假設你用了錯的方法得到「顯著」的結果，寫進論文、做完討論、連結論都寫好了，口試時被指出方法不成立，那要付出的代價遠不止改幾個數字：資料要重新分析、結果要重寫、討論要重新詮釋，連帶研究貢獻的論述都得跟著動。這種連鎖返工，往往讓人白白多耗一到兩個月。
反過來說，方法選對、前提交代清楚、效果量與信賴區間都報齊，口委能問的點就少了一大半。與其把時間花在事後補救，不如在分析之前就把方法邏輯想透。這也是為什麼我們一再強調：統計不是論文的最後一關，而是從研究設計階段就該一起想的事。如果你連題目與變項都還沒定下來，建議先回到研究題目與架構的擬定方法，把架構釘穩了，方法選擇會順很多。
口試會怎麼問統計？先想好答案
口委問統計，很少問「這個公式怎麼推」，多半問三種問題，你可以事先準備。
- 「你為什麼選這個方法？」 這題考的是方法與研究問題的對應。答案要回到研究問題的句型：因為我要比較三組差異，所以用 ANOVA；因為要同時檢驗多條路徑，所以用 SEM。能講出這條邏輯，這題就穩了。
- 「你的前提假設檢查了嗎？」 常態性、變異數同質性、共線性這些，口委會抽一兩個問。你不必背數字，但要能說出「我檢查了、結果如何、如果違反我怎麼處理」。
- 「這個結果的實務意義是什麼？」 這題是把統計拉回研究脈絡。單看 p 值答不出來，要用效果量與研究情境去談「這個差異在現實裡重不重要」。
把這三類問題的答案先寫成小抄，反覆練到能自己說出口，口試當天的統計環節就不會慌。這部分的準備思路，跟我們整理的口試準備與防守重點是同一套邏輯：與其臨場硬答，不如把可預期的問題先想過一輪。
不用怕的觀念：統計是工具，不是門檻
最後想拆掉一個迷思：很多人把統計當成一道「聽不懂就過不了」的門檻，於是越怕越逃、越逃越不懂。但統計的角色其實很單純，它是把你的資料翻譯成證據的工具。你不需要成為統計學家，你需要的是「知道自己在做什麼、答得出為什麼」。
一個實用的檢驗標準是：如果你能對一個非本科的朋友，用白話把「我為什麼用這個方法、這個數字代表什麼」講清楚，你對口試的統計環節大概就準備好了。反過來，如果連你自己都只是照著教學影片按鈕、講不出所以然，那才是真正該補的地方，而不是再多跑幾個模型。想更系統地把方法章的證據鏈補齊，也可以參考我們對文獻回顧與研究缺口論證的整理，讓你的方法選擇有理論根據可以站。
需要有人陪你把統計走完？
統計是工具，研究邏輯才是核心。如果你已經對著 SPSS 輸出視窗發呆超過一星期，或是資料跑出來卻不知道怎麼解釋、更不知道口委會問什麼，比較有效率的做法，是找人把你論文用到的方法講到你能自己對口委說明。
豐道提供的統計協助有幾種層次：單純的統計代跑與整案分析，適合方法已定、只差把資料跑出正確報表的人；一對一諮詢則適合連「該用什麼方法」都還沒把握的人，我們會從研究問題出發，陪你把方法選對、把結果讀懂、把口試會問的點先演練過。所有服務的明碼價格都列在定價頁，你可以先看清楚再決定；有具體問題也歡迎直接來信說明你的狀況，我們會先聽你的研究架構，再給你務實的建議。
我們的目標從來不是替你交出一份你看不懂的漂亮報表，而是讓那些數字真正變成你的，讓你站上口試場能理直氣壯地說：這是我的研究，我知道每一個數字從哪裡來。
本文由豐道團隊撰寫。統計代跑、整案分析與一對一諮詢的明碼價格見定價頁。