107 地方特考四等 教育行政 教育測驗與統計概要 考古題詳解

核心觀念

本題評量多元迴歸分析（Multiple Regression Analysis）的報表判讀與實務應用能力，涵蓋下列統計核心定義與公式：

1. 多元迴歸模式檢定（整體模式顯著性）： 使用變異數分析（ANOVA）的 $F$ 檢定評估整體迴歸方程式的統計顯著性。

• 虛無假設 $H_0: \beta_1 = \beta_2 = \cdots = \beta_k = 0$（所有自變項皆無法有效預測依變項）。
• 對立假設 $H_1:$ 至少有一個 $\beta_j \ne 0$。
• 當 $p < \alpha$（如 $p < .01$ 或 $p < .05$）時，拒絕 $H_0$，代表整體迴歸方程式具顯著預測力。

2. 個別迴歸係數檢定與虛擬變項（Dummy Variable）判讀：

• 未達顯著水準（$p \ge \alpha$）代表在控制其他自變項後，無充分統計證據支持該變項對依變項有獨立淨貢獻（無法拒絕母體迴歸係數為 0）。
• 當自變項為類別變項並以虛擬變項編碼時，以參照組為基準（編碼為 0），比較組編碼為 1。係數正負代表相較於參照組的增減趨勢。

3. 預測重要性比較：

• 未標準化迴歸係數（$b$）受原始測量單位大小影響，無法跨變項直接比較相對影響力。
• 比較各自變項對依變項的相對重要性時，必須依據標準化迴歸係數（$\beta$ 值）之絕對值 $|\beta|$ 大小依序排序（前提是該係數已達統計顯著水準）。

4. 整體預測力指標：

• 判定係數（$R^2$）或調整後判定係數（Adjusted $R^2$, $adj\text{-}R^2$），表示所有自變項聯合起來能解釋依變項總變異量的百分比。

5. 多元共線性診斷（Multicollinearity）：

• 變異數膨脹因素（Variance Inflation Factor, VIF）公式為： $VIF_k = \frac{1}{1 - R_k^2} = \frac{1}{\text{Tolerance}}$ 其中 $R_k^2$ 為自變項 $X_k$ 對其餘自變項進行輔助迴歸所得的判定係數。VIF 用於檢定自變項之間是否因高度線性相關而膨脹估計值的標準誤。

---

解題方法

（一）樣本數、自變項數與迴歸方程式顯著性判斷

1. 樣本數（$n$）：

• 報表標題清楚註明 $n = 3{,}134$，故陳老師納入分析的樣本數共有 $3{,}134$ 人。

2. 自變項數（$k$）：

• 檢視報表變項清單：常數（Constant）為截距項，不計入自變項。
• 預測變項包含：①國籍、②男生（性別）、③父親教育程度、④家庭文化資本、⑤校園安全、⑥自我教育期望、⑦寫回家作業時間、⑧數學學習動機、⑨數學學習自信，共有 9 個自變項。

3. 迴歸方程式統計顯著性判斷：

• 判斷指標：觀察整體模式的 $F$ 檢定值及其關聯的顯著性機率（$p$ 值）。
• 判斷結果：表末呈現整體模式之 $F = 235.14^{**}$，右上角標註 $^{**}$ 依表末附註代表 $p < .01$。因 $p < .01$（遠小於常用的顯著水準 $\alpha = .05$ 或 $.01$），故拒絕虛無假設，代表此一多元迴歸方程式達到統計顯著水準，這 9 個自變項聯合起來能顯著預測臺灣國二生的數學成就。

---

（二）未達顯著水準之意義與性別成就高低比較

1. 未達統計顯著水準之意義：

• 統計意義：在控制迴歸模式中其他自變項的條件下，無足夠統計證據拒絕虛無假設（$H_0: \beta = 0$）。
• 實質意義：該變項對依變項（數學成就）的「獨立淨預測力」不顯著，其在樣本中所呈現的數值差異很可能僅來自抽樣誤差（Sampling Error），不能推論母體中該變項與數學成就具顯著關聯。本模式中未達顯著的變項為「國籍」（$\beta = .02$，無星號）。

2. 性別比較：男生的數學成就較高，還是女生較高？

• 判斷依據：
• 題幹設定「性別以女生為參照組」，代表虛擬變項編碼為：女生 $= 0$、男生 $= 1$。
• 觀察統計顯著性：表格中未標準化係數 $b = 10.87$（無星號，未達顯著）；但標準化係數 $\beta = -.04^{**}$（$p < .01$，達到統計顯著）。
• 統計推論必須以達到統計顯著的迴歸係數為準。$\beta$ 值為負值（$-.04$），表示在控制其他變項後，性別由 0（女生）轉變為 1（男生）時，數學成就標準化分數下降 0.04 個標準差。
• 結論：女生的數學成就較高（或男生的數學成就顯著低於女生）。

---

（三）前三項重要預測變項、整體預測力與 VIF 意義

核心觀念

本題的核心觀念為相依樣本（配對資料／重複量測）的類別資料分析與態度改變之顯著性檢定。

1. 相依樣本的本質：研究對象為「連續二年相同的 120 名學生」，屬於同一群受試者在不同時間點的前後測重複量測，各細格人數彼此相關，絕不能採用獨立樣本的皮爾森卡方獨立性／同質性檢定。
2. 麥內瑪檢定之擴展（鮑克對稱性檢定，Bowker's Test of Symmetry）：

• 傳統的麥內瑪檢定（McNemar Test）僅適用於二分變項的 $2 \times 2$ 配對列聯表。
• 當變項類別數 $k > 2$（本題為 $k = 3$：有幫助、有妨礙、無關連）時，檢定受試者前後態度是否改變，須採用麥內瑪檢定之擴展型式——鮑克對稱性檢定。
• 該檢定以「非對角線各對稱細格之轉移機率相等」為虛無假設，檢驗兩時間點的轉變方向是否具有對稱性。

3. 檢定統計量與公式： $\chi^2 = \sum_{i < j} \frac{(f_{ij} - f_{ji})^2}{f_{ij} + f_{ji}}$ 其中 $f_{ij}$ 代表前一年態度為第 $i$ 類、後一年轉變為第 $j$ 類的學生人數。對角線細格（$f_{ii}$）代表態度未改變者，不納入計算。
4. 自由度公式： $df = \frac{k(k - 1)}{2}$ 本題 $k = 3$，故 $df = \frac{3(3 - 1)}{2} = 3$。

---

解題方法

步驟一：建立研究假設

• 虛無假設（$H_0$）：學生在連續兩年對騎腳踏車上學對學習表現的態度轉變具有對稱性，即前後兩年態度無顯著改變（$P_{ij} = P_{ji}$，對所有 $i \neq j$）。
• 對立假設（$H_1$）：學生在連續兩年對騎腳踏車上學對學習表現的態度轉變不具對稱性，即前後兩年態度有顯著改變（至少存在一對 $i \neq j$ 使得 $P_{ij} \neq P_{ji}$）。

步驟二：選用統計方法

因研究設計為同一組受試者（$N = 120$）之前後兩次名義變項（三類別：有幫助、有妨礙、無關連）之重複量測，故選用麥內瑪對稱性卡方檢定（鮑克對稱性檢定）。

步驟三：整理數據並計算檢定統計量

將態度依序編號：$1$ 為「有幫助」、$2$ 為「有妨礙」、$3$ 為「無關連」。 檢定僅計算非對角線上態度發生改變的對稱組別（$i < j$）：

1. 類別 1 與類別 2（有幫助 $\leftrightarrow$ 有妨礙）：

• 前一年有幫助、後一年有妨礙：$f_{12} = 3$
• 前一年有妨礙、後一年有幫助：$f_{21} = 5$ $\chi^2_{12} = \frac{(f_{12} - f_{21})^2}{f_{12} + f_{21}} = \frac{(3 - 5)^2}{3 + 5} = \frac{(-2)^2}{8} = \frac{4}{8} = 0.500$

2. 類別 1 與類別 3（有幫助 $\leftrightarrow$ 無關連）：

• 前一年有幫助、後一年無關連：$f_{13} = 10$
• 前一年無關連、後一年有幫助：$f_{31} = 18$ $\chi^2_{13} = \frac{(f_{13} - f_{31})^2}{f_{13} + f_{31}} = \frac{(10 - 18)^2}{10 + 18} = \frac{(-8)^2}{28} = \frac{64}{28} = \frac{16}{7} \approx 2.286$

3. 類別 2 與類別 3（有妨礙 $\leftrightarrow$ 無關連）：

• 前一年有妨礙、後一年無關連：$f_{23} = 2$
• 前一年無關連、後一年有妨礙：$f_{32} = 6$ $\chi^2_{23} = \frac{(f_{23} - f_{32})^2}{f_{23} + f_{32}} = \frac{(2 - 6)^2}{2 + 6} = \frac{(-4)^2}{8} = \frac{16}{8} = 2.000$

4. 合計卡方值： $\chi^2 = \chi^2_{12} + \chi^2_{13} + \chi^2_{23} = 0.500 + \frac{16}{7} + 2.000 = 2.500 + 2.286 = 4.786 \approx 4.79$

核心觀念

1. 皮爾遜積差相關係數（Pearson Product-Moment Correlation Coefficient, $r$）： 用於測量兩組連續變項間線性相關強度與方向的統計指標。其計算公式為： $r_{xy} = \frac{\sum (X - \bar{X})(Y - \bar{Y})}{\sqrt{\sum (X - \bar{X})^2 \sum (Y - \bar{Y})^2}} = \frac{S_{xy}}{S_x S_y}$
2. 古典測驗理論（Classical Test Theory, CTT）之信度定義： 受試者的實得分數（Observed score, $X$）由真實分數（True score, $T$）與測量誤差（Error, $E$）組成，即 $X = T + E$。 信度係數（Reliability coefficient, $r_{xx'}$）定義為「真實分數變異佔實得分數變異的比例」： $r_{xx'} = \frac{S_T^2}{S_X^2}$ 在測驗實務中，真實分數無法直接測得，因此古典測驗理論將信度操作化為「兩份平行測驗（Parallel tests）實得分數之間的積差相關係數」：$r_{xx'} = r_{X_1 X_2}$。

---

解題方法

本題為典型的教育測驗申論題，評分關鍵在於能否將「統計工具（積差相關係數）」與「測驗學理論（四種古典信度類型）」精確對接。解題應掌握三大層次：

1. 理論基礎：先破題點出積差相關係數如何成為信度估計的操作定義（平行測驗兩次得分的相關）。
2. 具體應用（骨幹）：逐一列出以積差相關係數為核心的四種信度估計方法，並詳述其「施測方式」、「估計係數名稱」、「所反映的信度意涵」及「主要誤差來源」：

• 重測信度（穩定係數）
• 複本信度（等值係數／穩定與等值係數）
• 折半信度（內部一致性，需結合斯布公式校正）
• 評分者信度（兩位評分者間評分之客觀性）

3. 應用限制與技術延伸：補充說明積差相關係數受樣本變異性（團體同質／異質）影響，以及其在多評分者或個別題項分析時的局限，展現論述完整度。

---

選項分析

本題為申論題，無選項設計。考生應特別釐清題意聚焦於「積差相關係數在信度上的直接應用」，因此評估工具時應區分「適用」與「不直接適用」積差相關的信度類型：

• 適用積差相關者：重測信度、複本信度、折半信度、雙人評分者信度。
• 不直接以總分積差相關計算者：克隆巴赫 $\alpha$ 係數（Cronbach's $\alpha$）、庫李信度（KR-20, KR-21）、多元評分者之 Kendall 和諧係數或等級相關。答題時可適度對比，避免誤將 $\alpha$ 係數當成直接計算兩個總分的積差相關。

---

解題技巧

1. 破題公式化：開頭直接寫出古典測驗理論對信度的數學定義與平行測驗相關假設，建立高度專業性。
2. 結構化答題骨架（背誦口訣：重、複、折、評）：

• 重：重測信度（跨時間）
• 複：複本信度（跨形式）
• 折：折半信度（跨折半，必寫 Spearman-Brown 公式）
• 評：評分者信度（跨評分者）

3. 防踩雷提醒：

• 寫「折半信度」時，千萬不可只寫算兩半的積差相關，務必寫出斯布公式（Spearman-Brown Formula）進行長度還原，否則必然被扣分。
• 評分者信度必須限定在「兩位評分者」且分數為「連續變項（等距或比率尺度）」；若是三位以上評分者，應使用和諧係數或組內相關係數（ICC）。

---

【答案】

擬答範本

一、積差相關係數應用於信度的理論基礎 在古典測驗理論（Classical Test Theory, CTT）中，實得分數 $X$ 係由真實分數 $T$ 與測量誤差 $E$ 相加而成（$X = T + E$）。

核心觀念

本題為教育測驗與統計之重要基礎觀念整合題，涵蓋五個核心概念，分別歸屬於教育統計學（雙因子變異數分析、多元迴歸）與教育測驗評量（認知與非認知測驗、測驗編製效度）：

1. 無次序性交互作用（Disordinal Interaction）：屬於雙因子變異數分析（Two-way ANOVA）範疇。探討兩自變項之組合效果，著重於平均數折線圖之「交錯（cross-over）」走勢，以及自變項主要效果（Main Effect）詮釋受限時的「單純主效果（Simple Main Effect）」分析。
2. 概念構圖（Concept Mapping）：屬於認知教學與教育評量範疇。以奧斯貝（D. P. Ausubel）的「有意義學習論」為根基，由諾瓦克（J. D. Novak）發展，透過節點、連結線與命題，將個體內在認知架構予以視覺化表徵的實作評量技術。
3. 投射技術（Projective Techniques）：屬於非認知性人格評量範疇。奠基於佛洛伊德（S. Freud）精神分析學派之潛意識投射機制，利用模糊、未結構化之刺激誘發受試者內在動機、情緒與衝突。
4. 探索性因素分析（Exploratory Factor Analysis, EFA）：屬於多變量統計與測驗編製範疇。在無先驗理論架構下，從觀察變項的相關或共變矩陣中進行資料縮減（Data Reduction），萃取潛在因素（Latent Factors）以確立測驗的內部結構與建構效度。
5. 調節變項（Moderator Variable）：屬於研究設計與迴歸分析範疇。探討第三方變項（$Z$）如何改變自變項（$X$）對依變項（$Y$）之影響方向（正負）或強度（大小），在統計上本質即為交互作用效應（Interaction Effect）。

---

解題方法

名詞解釋題每小題各占 5 分，宜採「黃金三段式」結構作答，精準呈現定義、機制與應用，以達到國家考試之得分標準：

1. 第一段：界定學理定義與理論淵源（約 2 分）：直接破題，寫出該名詞的核心定義、提出學者或對應之統計／心理學理論模型。
2. 第二段：闡析核心特徵、數學模型或運作歷程（約 2 分）：

• 統計題（無次序性交互作用、調節變項、EFA）：列出圖形特徵、迴歸方程式（如 $\hat{Y} = b_0 + b_1 X + b_2 Z + b_3(X \times Z)$）或統計分析步驟。
• 測驗題（概念構圖、投射技術）：點出組成要素（概念、命題、階層）或刺激特性（模糊性、低防衛性）。

3. 第三段：教育實務意涵、實例或限制（約 1 分）：舉出典型測驗名稱或研究應用注意事項，展現回答的實務深度。

---

選項分析

本題為申論名詞解釋題，非選擇題，無選項之區分。各小題之給分權重均等（每小題 5 分，共 25 分），閱卷時各小題的核心配分落點與檢驗向度如下：

• （一）無次序性交互作用：評分關鍵在於能否精準指出「兩折線交叉」、「自變項處理效果之優劣次序顛倒」，以及「不可直接單獨解釋主要效果，必須進行單純主效果檢定」。若僅回答「兩線不平行」，只能得到基本分（未能區辨有次序性交互作用）。
• （二）概念構圖：評分關鍵在於寫出理論基礎（Ausubel）、發展者（Novak），並完整列舉「概念節點、連結線詞、命題、階層架構」等四大核心要素，兼顧教學與評量功能。
• （三）投射技術：評分關鍵在於說明精神分析之「潛意識」假定、「非結構化/模糊刺激」如何降低受試者防衛心理與社會讚許偏誤，並能舉出經典測驗（如墨漬測驗、TAT）與其計分主觀之局限。
• （四）探索性因素分析：評分關鍵在於點出「無先驗假設之資料縮減」、「因素萃取與旋轉歷程（追求單純結構）」，以及於測驗編製中檢驗「建構效度」之目的。
• （五）調節變項：評分關鍵在於闡明其影響自變項與依變項關係的「方向」或「強度」（條件效果），列出迴歸交互作用乘積項模型，並精準與「中介變項（Mediator）」進行概念區隔。

---

解題技巧

1. 善用對比凸顯觀念清晰度：

• 解釋「無次序性交互作用」時，宜對比「有次序性交互作用（Ordinal Interaction）」，凸顯其主要效果被遮蔽之致命性。
• 解釋「探索性因素分析」時，宜對比「驗證性因素分析（CFA）」，強調其探索性與無先驗假設。
• 解釋「調節變項」時，宜對比「中介變項（Mediator）」，說明調節變項回答「何時／何條件下發生（When）」，中介變項回答「如何／何種機制發生（How/Why）」。

2. 常見陷阱防範：

• 勿將「無次序性交互作用」誤寫為「無交互作用」。無交互作用是兩條線平行，而無次序性是交互作用極為顯著且產生交錯反轉。
• 投射技術作答時，避免只列舉測驗名稱而忽略其核心心理機制（潛意識、防衛機制的降低）。

---

【答案】

（一）無次序性交互作用（Disordinal Interaction）

1. 定義與意涵： 在多因子變異數分析（Factorial ANOVA）中，當兩自變項之平均數折線圖呈現「線段交叉（Cross-over）」狀態時，即稱為無次序性交互作用（或稱交錯型交互作用）。代表一個自變項（因子 A）對依變項所產生的效應大小與方向，會隨著另一個自變項（因子 B）的水準改變而產生優劣順序上的「反轉（Reversal）」。
2. 統計特徵： 舉例而言，若在因子水準 $B_1$ 下，實驗處理效果為 $A_1 > A_2$；但在水準 $B_2$ 下，效果反轉為 $A_2 > A_1$。此時兩條線段必在圖形中相交。