歡迎學習研究方法：情境中的心理學（Paper 2，Section C）
歡迎來到整個 AQA A Level 心理學課程中最重要的一章！研究方法屬於 Paper 2（情境中的心理學）的 Section C，佔了足足 48 分（佔該卷的一半分數），並佔你整個 A Level 總分的 33.3%。此外，在全部三份考卷中，至少有 10% 的總分是用來考核你的數學運算及數據處理能力。
如果一開始覺得數學或科學術語有點令人卻步，千萬不要擔心！我們會將每一個概念拆解成清晰、易吸收的小知識點，配合生活化的比喻、明確的法則和實用範例，助你信心十足地奪取滿分。
---第 1 部分：科學過程與實驗方法
1. 實驗方法（Experimental Methods）
實驗是唯一能夠確立直接因果關係（Cause-and-effect relationship）的研究方法，研究人員透過操縱自變項（Independent Variable, IV）來觀察其對應變項（Dependent Variable, DV）的影響。
實驗主要分為四種類型：
1. 實驗室實驗（Laboratory Experiments）：在高度受控的人工環境中進行，研究人員直接操縱自變項（IV）。
• 優點：對無關變項（Extraneous variables）控制度高；內部效度（Internal validity）高；極易重複驗證（Replication）。
• 缺點：人工環境導致生態效度（Ecological validity）偏低，且日常現實度（Mundane realism）低（實驗任務無法反映現實生活）；容易產生需求特徵（Demand characteristics）的風險。
2. 實地實驗（Field Experiments）：在真實的自然環境中進行，但研究人員依然會刻意操縱自變項（IV）。
• 優點：比實驗室實驗擁有更高的日常現實度與生態效度。
• 缺點：對無關變項失去嚴密控制；較難精確重複驗證；可能涉及倫理問題（例如：若受試者不知道自己正參與研究，便無法取得知情同意）。
3. 自然實驗（Natural Experiments）：研究人員沒有操縱自變項；自變項的改變是自然發生的（例如：研究自然災害發生前後的心理健康狀況）。
• 優點：能夠研究那些在倫理上無法以人工方式構建的獨特真實情境。
• 缺點：自然發生的事件極為罕見；無法將受試者隨機分配（Random allocation）到不同組別。
4. 準實驗（Quasi-Experiments）：自變項是基於受試者本身既有的個別差異或特徵（例如：年齡、性別、神經多樣性），並非由任何人為操縱。
• 優點：能夠在受控條件下比較不同群體之間的特徵差異。
• 缺點：無法隨機分配受試者，意味著無法完全消除受試者變項（Participant variables）帶來的混淆。
常見考評陷阱：切勿混淆自然實驗與準實驗！在自然實驗中，自變項是自然發生的環境事件；而在準實驗中，自變項則是受試者固有的特質（如年齡或性別）。
2. 研究目的與假設（Aims and Hypotheses）
• 研究目的（Aim）：概括說明研究人員打算探討甚麼問題的總體陳述。
• 虛無假設（Null Hypothesis）：預測變項之間沒有顯著差異或沒有顯著關聯（任何觀察到的變化純粹是由機遇引起的）。
• 對立假設／實驗假設（Alternative / Experimental Hypothesis）：預測變項之間存在顯著差異或關聯。
實驗假設分為兩類：
方向性假設（單尾檢定，Directional / One-tailed Hypothesis）：明確指出結果的具體預期走向（例如：「飲用咖啡的受試者所回憶出的詞彙量，會顯著多於飲用水的受試者」）。
適用時機：「只有」在過去已發表的文獻或理論明確指向某個特定方向時才可使用。
無方向性假設（雙尾檢定，Non-directional / Two-tailed Hypothesis）：指出兩者會有差異，但沒有說明具體走向（例如：「飲用咖啡的受試者與飲用水的受試者之間，所回憶出的詞彙量會存在顯著差異」）。
適用時機：當缺乏前人研究，或過去的研究結果相互矛盾時使用。
滿分奪標貼士 —— 操作化（Operationalisation）：假設中的變項必須完全操作化（即有清晰定義且能量化測量）。切勿只寫「咖啡因會影響記憶力」，而應寫成：「飲用 200 ml 含咖啡因的咖啡相比飲用 200 ml 清水，受試者在 20 個詞彙的回憶測試中會取得更高的分數。」
3. 實驗設計（Experimental Designs）
我們該如何在各個實驗條件（Conditions）中安排受試者？
1. 獨立組設計（Independent Groups）：不同的受試者分別參與不同的實驗條件。
• 優點：完全沒有順序效應（Order effects）（受試者不會因練習而表現變好，亦不會感到疲勞或厭倦）。
• 缺點：受試者變項（Participant variables）（例如智商、年齡等個別差異）可能會混淆實驗結果。
• 控制方法：進行隨機分配（Random allocation）（例如抽籤），使個別差異平均分佈於各組中。
2. 重複測量設計（Repeated Measures）：同一批受試者參與所有的實驗條件。
• 優點：完全消除受試者個別差異帶來的影響；所需的總受試者人數較少。
• 缺點：會產生順序效應（疲勞、厭倦或練習效應），且更容易引發需求特徵。
• 控制方法：採用 \(AB\) 或 \(BA\) 設計的平衡對抗法（Counterbalancing）（一半受試者先進行條件 \(A\) 再進行條件 \(B\)；另一半則先進行條件 \(B\) 再進行條件 \(A\)）。
3. 配對組設計（Matched Pairs）：不同受試者參與不同條件，但事前會先進行評估，並就關鍵特徵（例如相同的智商、年齡或閱讀能力）進行一對一配對。配對中的一人分入條件 \(A\)，另一人分入條件 \(B\)。
• 優點：既能大幅減少受試者變項的干擾，又不會產生順序效應。
• 缺點：極度費時，而且很難做到完全精確的配對。
4. 變項與控制方法（Variables and Controls）
• 無關變項（Extraneous Variables, EVs）：任何若不加以控制可能會影響應變項（DV）的干擾變項（例如室內光線、背景噪音）。
• 混淆變項（Confounding Variables, CVs）：隨自變項（IV）一同產生系統性變化的變項，導致我們無法確定究竟是自變項還是混淆變項引起了應變項的改變。
• 需求特徵（Demand Characteristics）：研究過程中的蛛絲馬跡讓受試者猜出了研究目的，從而改變自身的自然行為（控制方法：採用單盲設計 Single-blind design，受試者不知道自己身處哪一個條件）。
• 研究者效應（Investigator Effects）：研究人員無論是有意或無意的提示，影響了受試者的行為（控制方法：透過標準化程序及雙盲設計 Double-blind design，受試者與負責執行實驗的研究員均不知道所屬條件或實驗假設）。
• 標準化（Standardisation）：確保所有受試者面對的指導語、實驗環境和步驟程序完全一致。
• 隨機化（Randomisation）：利用機遇原則（如洗牌、擲硬幣）來設計實驗材料，以消除研究者的主觀偏見。
5. 抽樣方法（Sampling Techniques）
目標總體（Target Population）是研究人員希望研究的整個群體。樣本（Sample）則是從中選出實際參與研究的較小群體。
• 隨機抽樣（Random Sampling）：目標總體中的每個成員都有均等的入選機會（例如將所有名字輸入電腦隨機抽籤）。優點是完全沒有研究者偏見，但仍有可能純粹因運氣而抽到缺乏代表性的樣本。
• 系統抽樣（Systematic Sampling）：按照抽樣架構，每隔第 \(n\) 個人選取一名（例如在字母排序的名單上每隔 5 個人選取 1 人）。方法客觀且能避免研究者偏見。
• 分層抽樣（Stratified Sampling）：樣本嚴格按照目標總體中各子群體（層）的實際比例構成。代表性極高，但非常耗時複雜。
• 便利抽樣（Opportunity Sampling）：直接選取在研究進行時任何在場且願意參與的人。快捷經濟，但代表性極低，且容易因特定地點／時間而產生嚴重偏差。
• 自願抽樣（Volunteer / Self-Selected Sampling）：受試者透過回應廣告或海報主動報名參加。招募容易，但存在「自願者偏差」（容易吸引具備特定性格、積極度極高的人群）。
6. 前導研究（Pilot Studies）
前導研究是在正式研究展開前，利用少數受試者進行的小規模試行預演。其目的是在投入大量時間與金錢之前，檢查指導語是否清晰、測試時間分配、試用測量工具，並預先修正設計上的漏洞與缺陷。
核心總結：一項優秀的實驗研究，必須透過將變項操作化、標準化實驗步驟、運用平衡對抗法消除順序效應，並選取具代表性的樣本，從而精準確立因果關係。
---第 2 部分：非實驗方法與觀察設計
1. 觀察技術與設計（Observational Techniques & Design）
觀察法涉及對自發行為進行觀看與記錄。觀察可按三大維度分類：
• 自然觀察 vs 控制觀察（Naturalistic vs Controlled）：在毫無人為干預的日常環境中觀察 vs 在結構化的實驗室環境中觀察。
• 隱蔽觀察 vs 公開觀察（Covert vs Overt）：受試者不知道自己正在被觀察（秘密進行） vs 受試者知悉自己正在被觀察（公開進行）。
• 參與觀察 vs 非參與觀察（Participant vs Non-participant）：研究人員親自融入被研究的群體 vs 作為局外人進行旁觀記錄。
觀察設計要素：
• 行為類別（Behavioural Categories）：將連續的目標行為拆解為具體、可觀察、可量化且互不重疊的細分行為（例如將「攻擊行為」操作化為踢、推、大聲叫罵）。
• 事件抽樣（Event Sampling）：只要特定目標行為一出現，便記錄其發生次數。
• 時間抽樣（Time Sampling）：在預先設定的時間間隔記錄目標行為（例如每隔 30 秒記錄一次受試者當前正在做甚麼）。
2. 自我陳述法：問卷與訪談（Self-Report Techniques）
問卷調查（Questionnaires）：
• 封閉式問題（Closed questions）：提供固定選項（例如李克特量表、是非題）。產生定量數據（Quantitative data）（易於進行統計分析，但缺乏深度）。
• 開放式問題（Open questions）：允許受試者用自己的文字自由作答。產生定性數據（Qualitative data）（細節豐富，但難以進行統計分析和橫向比較）。
訪談法（Interviews）：
• 結構化訪談（Structured）：嚴格按照預設問題向每位受試者逐字逐句朗讀。高度標準化且易於重複驗證，但缺乏彈性。
• 非結構化訪談（Unstructured）：類似日常交談，沒有固定問題；問題會根據受試者的回答即興延伸。內容豐富且靈活，但極難分析且容易產生訪談者偏見。
• 半結構化訪談（Semi-structured）：備有一份核心問題清單，但訪談者擁有跟進提問以作澄清的自由度。
3. 相關研究（Correlations）
相關（Correlation）用於測量兩個連續共變項（Co-variables）之間關聯的強度與方向（例如溫習時數與考試成績）。
• 正相關（Positive Correlation）：當一個共變項增加時，另一個共變項也隨之增加。
• 負相關（Negative Correlation）：當一個共變項增加時，另一個共變項隨之減少。
• 零相關（Zero Correlation）：兩個共變項之間不存在任何線性關聯。
關鍵區別：實驗透過操縱自變項來測量對應變項的影響，從而能確立因果關係（Causality）；而相關研究僅測量兩個共變項之間的關聯，過程中沒有任何操縱。相關並不等於因果（Correlation does NOT equal causation），因為可能存在未被測量的第三變項（中介變項 Intervening variable）在背後主導這種關係。
4. 個案研究與內容分析（Case Studies & Content Analysis）
• 個案研究（Case Studies）：對單一個人、小群體、機構或特定事件進行詳盡深入的調查。通常採用個案三角驗證法（Idiographic triangulation）（結合訪談、觀察和心理測驗）。能產生豐富詳盡的定性數據，但總體效度低，無法推論至廣大群體。
• 內容分析（Content Analysis）：透過大眾傳媒（書籍、廣告、日記、演講等）對人類溝通進行間接觀察。
- 編碼（Coding）：透過統計目標類別的出現次數，將定性數據轉化為定量數據。
- 主題分析（Thematic Analysis）：一種定性分析過程，旨在識別整個材料中反覆出現的主題或核心思想。
核心總結：非實驗方法能為我們提供豐富的定性洞見（個案研究），並幫助我們找出趨勢規律（相關研究），但無法直接證明因果關係。
---第 3 部分：信度、效度、倫理與科學原則
1. 倫理道德：BPS 行為準則
在英國進行的心理學研究必須嚴格遵守英國心理學會（BPS）道德與行為準則：
• 知情同意（Informed Consent）：受試者在同意參與前，必須充分理解真實的研究目的與流程。若事前無法取得完全同意，研究員可採用推定同意（Presumptive consent）（詢問類似群體的意見）、事前一般同意（Prior general consent）或事後追溯同意（Retrospective consent）（於事後解說時取得）。
• 欺瞞（Deception）：蓄意隱瞞資訊或誤導受試者的行為必須減至最低，且必須有充分理據，事後更必須進行完整解說。
• 免受傷害保護（Protection from Harm）：受試者承受的身心傷害風險，絕不能高於日常生活中的正常水平。
• 保密性與匿名性（Confidentiality & Anonymity）：個人資料必須受到嚴格保護；受試者身份不可被識別（例如使用編號或姓名縮寫代稱）。
• 退出權（Right to Withdraw）：受試者有權在研究進行的任何階段隨時退出，並可在研究結束後要求銷毀其數據。
• 事後解說（Debriefing）：研究結束後，必須向受試者詳細解釋真實研究目的、提供心理支援管道，並給予提問的機會。
2. 信度（Reliability / 一致性）
信度是指測量工具或研究程序的一致性與穩定度。如果在完全相同的條件下重複進行，能否產生相同的結果？
評估信度的方法：
1. 重測信度（Test-Retest Reliability）：在兩個不同場合對同一批受試者施測相同的測驗。如果兩次得分的相關係數達到 \(+0.80\) 或以上，即確立了高信度。
2. 觀察者間信度（Inter-Observer / Inter-Rater Reliability）：兩位或以上獨立的觀察員使用完全相同的行為類別同時記錄行為。將他們的記錄分數進行相關分析，若相關係數達到 \(+0.80\) 或以上，即表示具備很強的觀察者間信度。
提升信度的方法：將所有實驗指導語標準化；將行為類別操作化至清晰無重疊；盡量採用封閉式問題代替容易產生歧義的開放式問題。
3. 效度（Validity / 準確度與真實性）
效度是指一項測驗是否真正測量到它聲稱要測量的內容，以及研究結果能否反映真實世界。
• 內部效度（Internal Validity）：應變項（DV）所發生的變化是否純粹由自變項（IV）引起（免受混淆變項與需求特徵的干擾）。
• 外部效度（External Validity）：研究結果能夠推廣至研究情境之外的程度：
- 生態效度（Ecological validity）：推論至日常生活真實情境的程度。
- 時代效度（Temporal validity）：跨越不同歷史時期／時代的普遍適用性。
- 總體效度（Population validity）：推論至其他人群的程度。
評估效度的方法：
1. 表面效度（Face Validity）：由專家進行「表面觀察」，直觀審視測量工具看起來是否能測量到其聲稱的特質。
2. 效標關聯效度／同時效度（Concurrent Validity）：將新測量工具的分數，與同一批受試者在已獲認可的成熟測驗上的得分進行比對。相關係數達 \(+0.80\) 或以上便能證實具備效標關聯效度。
4. 科學的特徵（Features of Science）
心理學研究要被視為真正的科學，必須符合以下核心標準：
• 客觀性與經驗主義方法（Objectivity & Empirical Method）：收集直接、可觀察的證據，完全不受研究者個人主觀偏見或預期的影響。
• 可重複性（Replicability）：研究步驟必須標準化並詳細記錄，讓其他學者能夠精確重複實驗並驗證結果。
• 可證偽性（Falsifiability / Karl Popper 理論）：一項理論必須在理論上具備透過實證測試被證明是錯誤的可能性，才稱得上是科學。
• 理論構建與假設檢定（Theory Construction & Hypothesis Testing）：建立能解釋觀察行為的宏觀原則，並從中推導出具體、可供驗證的預測（假設）進行實證檢定。
• 範式與範式轉移（Paradigms & Paradigm Shifts / Thomas Kuhn 理論）：範式是指某一科學領域內學者普遍接受的一套核心假設與研究方法。當大量相互矛盾的證據（異例）出現並推翻舊範式時，便會引發科學革命，形成範式轉移（例如從行為主義轉變為認知心理學）。
5. 同儕審查與經濟效益（Peer Review & the Economy）
同儕審查（Peer Review）：在論文發表前，由同領域的其他專家心理學家進行獨立且匿名的評審。其目的包括：
1. 客觀分配學術研究資助基金。
2. 審核研究的質量、原創性與方法論嚴謹度。
3. 防止造假或存在缺陷的研究流入學術期刊。
心理學對經濟的貢獻：心理學研究能從多方面推動整體經濟發展：
• 開發治療心理障礙的有效方案（例如使用 SSRI 藥物或認知行為治療 CBT 治療抑鬱症），有助降低醫療系統開支並減少工作缺勤率。
• 關於父親角色與依附關係的研究顯示，靈活的侍產假及育嬰假有助母親重返職場，從而提升家庭與社會的經濟生產力。
6. 心理學研究報告撰寫格式
學術論文遵循標準的撰寫結構：
1. 題目（Title）：清晰精確。
2. 摘要（Abstract）：約 150–200 字的精簡總結，涵蓋目的、假設、方法、結果及結論。
3. 引言（Introduction）：文獻探討回顧、研究理據、目的與假設。
4. 方法（Method）：詳細記錄各項細節以便他人精確複製（設計、樣本、材料／儀器、程序、倫理考量）。
5. 結果（Results）：描述統計（圖表、集中趨勢測量）與推論統計檢定結果。
6. 討論（Discussion）：結果詮釋、現實應用價值、研究限制及未來研究方向。
7. 參考文獻（References）：標準學術引用格式（例如：Flanagan, C. (2020). Psychology Revision Guide. London: Oxford Press.）。
核心總結：科學研究依賴於公眾審查（同儕審查）、穩定一致的工具（信度 \(\ge +0.80\)）、準確的測量（效度）以及嚴格的道德規範（BPS 倫理準則）。
---第 4 部分：數據處理、描述統計與推論統計
1. 數據類型與測量尺度（Levels of Measurement）
• 定量數據（Quantitative）：以數值形式呈現的數據。
• 定性數據（Qualitative）：以文字呈現的非數值描述性數據。
• 初級數據（Primary Data）：由研究人員專門為當前研究親自直接收集的第一手數據。
• 次級數據（Secondary Data）：由他人在此前收集的現成資料（例如政府統計數據、期刊文章）。
• 統合分析（Meta-analysis）：一種統計技術，透過整合多項探討相同課題的次級研究結果，計算出整體的效應值（Effect size）。
測量尺度（"NOIR" 階層體系）：
1. 名目數據（Nominal Data）：按名稱分類的獨立離散類別或頻數統計（例如：及格／不及格人數統計、飼養寵物類型：狗、貓、鳥）。
2. 順序數據（Ordinal Data）：排列名次或按順序排列的數據，但單位之間的間距並不相等或標準化（例如：比賽的第 1、2、3 名；用 1–10 分自評快樂程度）。
3. 等距數據（Interval Data）：在連續數值尺度上測量的數據，單位之間具有標準化且相等的間距（例如：攝氏溫度、以秒計算的時間、標準化測驗分數）。
2. 描述統計：集中趨勢與離散程度
集中趨勢測量（平均值）：
• 平均數（Mean）：數學上的算術平均值（所有數值總和除以總數目）。是最敏感的指標，因為它納入了每項數據，但極易受極端異常值（Outliers）扭曲。
• 中位數（Median）：將所有數值按大小順序排列後的正中間數值。不受極端值影響，但忽略了各個數據的具體數值大小。
• 眾數（Mode）：出現頻率最高的數值。是唯一適用於名目類別數據的平均值指標，但如果存在多個眾數時，參考價值便不高。
離散程度測量（數據分散程度）：
• 全距（Range）：最高分數與最低分數之間的差額（傳統計算公式為：\(\text{最高分} - \text{最低分} + 1\)）。計算簡單，但極易受單一極端值扭曲。
• 標準差（Standard Deviation, SD）：測量所有數據偏離平均數的平均距離／分散程度。標準差越小，表示分數緊密聚集在平均數周圍；標準差越大，表示分數分佈越廣泛分散。
3. 分佈形態：常態分佈與偏態曲線
• 常態分佈（Normal Distribution）：對稱的鐘形曲線，平均數、中位數和眾數完全落在同一個中心峰值上。在常態分佈中，\(68.26\%\) 的分數落在平均數 \(\pm 1\text{ 個標準差 (SD)}\) 之內，\(95.44\%\) 落在 \(\pm 2\text{ 個標準差 (SD)}\) 之內。
• 正偏態（Positive Skew / 右偏）：曲線尾部向右側延伸（數據集中在較低分數端，例如一場極度困難的考試，大部分人都考得低分）。
圖表上由左至右的排列順序為：\(\text{眾數 (Mode)} < \text{中位數 (Median)} < \text{平均數 (Mean)}\)。
• 負偏態（Negative Skew / 左偏）：曲線尾部向左側延伸（數據集中在較高分數端，例如一場非常簡單的測驗，大部分人都考取高分）。
圖表上由左至右的排列順序為：\(\text{平均數 (Mean)} < \text{中位數 (Median)} < \text{眾數 (Mode)}\)。
4. 推論統計檢定：如何選擇正確的統計檢定
在考試中，當被要求為選擇的統計檢定提供理據時，你必須寫齊以下 3 項判斷標準：
1. 你是在檢定差異（Difference）還是相關／關聯（Correlation/Association）？
2. 所採用的實驗設計是甚麼（不相關／獨立組設計 vs 相關／重複測量／配對組設計）？
3. 數據屬於哪種測量尺度（名目 Nominal、順序 Ordinal 還是等距 Interval）？
AQA 8大統計檢定決策矩陣：
名目數據（Nominal）：
• 不相關設計（Unrelated Design）\(\implies\) 卡方檢定（Chi-square, \(\chi^2\)）
• 相關設計（Related Design）\(\implies\) 符號檢定（Sign Test）
• 相關／關聯檢定 \(\implies\) 卡方檢定（Chi-square, \(\chi^2\)）
順序數據（Ordinal）：
• 不相關設計（Unrelated Design）\(\implies\) 曼－惠特尼 \(U\) 檢定（Mann-Whitney \(U\)）
• 相關設計（Related Design）\(\implies\) 威爾卡克森 \(T\) 檢定（Wilcoxon \(T\)）
• 相關檢定 \(\implies\) 斯皮爾曼等級相關（Spearman's Rho, \(r_s\)）
等距數據（Interval - 參數檢定 Parametric tests）：
• 不相關設計（Unrelated Design）\(\implies\) 獨立樣本 \(t\) 檢定（Unrelated \(t\)-test）
• 相關設計（Related Design）\(\implies\) 成對樣本 \(t\) 檢定（Related \(t\)-test）
• 相關檢定 \(\implies\) 皮爾森積差相關（Pearson's \(r\)）
使用參數檢定（Parametric Test）的先決條件：
若要使用參數檢定（獨立樣本 \(t\) 檢定、成對樣本 \(t\) 檢定或皮爾森積差相關 \(r\)），數據必須同時符合三個條件：
1. 數據必須達到等距尺度（Interval）（或等比尺度 Ratio）。
2. 數據必須抽樣自呈常態分佈（Normal distribution）的母體。
3. 變異數同質性（Homogeneity of variance）（各條件下的數據分散程度大致均等）。
5. 如何計算符號檢定（Sign Test 逐步拆解）
符號檢定是考試中唯一可能要求你親自手算計算步驟的統計檢定。請遵循以下 4 個簡單步驟：
步驟 1：計算每位受試者在條件 \(A\) 的分數減去條件 \(B\) 的分數。記錄變化是正數（\(+\)）還是負數（\(-\)）。
步驟 2：計算 \(+\) 號和 \(-\) 號的總數。若有任何受試者的差額為零（即前後相同／Tie），將他們剔除，並從總人數 \(N\) 中扣除相應人數。
步驟 3：找出你的計算值（Calculated value, \(S\)）。\(S\) 就是出現次數較少的符號的頻數。
步驟 4：將計算出的 \(S\) 值與統計表中的臨界值（Critical value）作比較（根據指定的顯著水準，通常為 \(p \le 0.05\)，以及調整後的 \(N\) 值對照查表）。
• 符號檢定法則：當 計算值 \(S \le \text{臨界值 (Critical value)}\) 時，結果即達到統計上的顯著差異。
6. 機率、顯著性與「R 法則」記憶法
• 在心理學中，標準的顯著水準設定為 \(p \le 0.05\)（意味著實驗結果純粹由機遇引起的機率只有 \(5\%\) 或以下）。
• 當研究涉及人身安全風險（例如測試新精神藥物）或重複驗證過往研究時，會採用更嚴格的 \(p \le 0.01\)（\(1\%\)）。
查閱統計表必備 ——「R 法則」記憶口訣：
如何快速判斷計算值應該大於還是小於臨界值才算顯著？
• 如果檢定名稱中含有字母 'R'（Spearman's、Pearson's、Chi-square、Unrelated \(t\)、Related \(t\)）：
\(\implies\) 必須達到 計算值（Calculated value）\(\ge\) 臨界值（Critical value） 才算顯著。
• 如果檢定名稱中沒有字母 'R'（Mann-Whitney、Wilcoxon、Sign test）：
\(\implies\) 必須達到 計算值（Calculated value）\(\le\) 臨界值（Critical value） 才算顯著。
7. 統計決策錯誤：第一型與第二型錯誤
• 第一型錯誤（Type I Error / \(\alpha\) 錯誤 / 「假陽性」）：錯誤地拒絕了實際上為真的虛無假設（宣稱發現了顯著差異／效應，但實際上並不存在）。當顯著水準設定得太寬鬆時便會發生（例如設為 \(p = 0.10\)）。
• 第二型錯誤（Type II Error / \(\beta\) 錯誤 / 「假陰性」）：錯誤地接受／保留了實際上為偽的虛無假設（未能發現真實存在的差異／效應）。當顯著水準設定得過於嚴苛時便會發生（例如設為 \(p = 0.001\)）。
速記小錦囊：
• 第一型錯誤 = 過度樂觀的錯誤（「我有重大發現！」……但事實上根本沒有）。
• 第二型錯誤 = 過度悲觀的錯誤（「甚麼都沒發現……」……但事實上明明存在效應）。
核心總結：根據三大維度選取正確的統計檢定（差異／相關 \(\times\) 實驗設計 \(\times\) 測量尺度）。以 \(p \le 0.05\) 作為常規標準，牢記「R 法則」，計算符號檢定時務必先剔除打和（Tie）的數據！