SF-36之資料分析~諮詢後的彙整

諮詢主題	1.      scaling success計算方式。 2.      確認SF-36之相關係數結果
諮詢時間	100/2/23 2pm-3pm	諮詢時數：1小時
諮詢內容	已知概念	諮詢後釐清的概念
	1.      提供所閱讀的文獻中，提及如何計算scaling success的方法。The correlation between an item and its hypothesized scale is significantly higher than the correlations between that item and all other scales. The default significance level for comparing two correlations is two standard errors. The standard error of a correlation coefficient is approximately equal to 1 divided by the square root of the sample size (Ware, J.E., et al., 1998). 中文解讀：scaling success意指項目與所屬次量表的相關係數減掉項目與不所屬次量表的相關係數，要高過2個標準誤才表示有統計上的顯著。standard error(標準誤)的算法為1/√n， 2.      相關係數算法的確認 (1)   項目與所屬的次量表相關係數計算方式為，看Cronbach’s alpha之corrected item- total correlation。 (2)   項目和其他次量表相關係數計算方式為，看項目與其他次量表總分之pearson correlation。 (3)   依據量表設計假設，項目與所屬次量表的相關要高，與其他的次量表的相關要低，但Bodily pain、General health、Social functioning，此三個次量表的數值不符合假設。	1.      已與李晏確定我原先的概念無誤，以數學方程式表達為：項目與所屬次量表的相關係數-項目與不所屬次量表的相關係數)/(1/√n) > 2。 李晏告知，在書籍statistical method for psychology中有提及其他不同計算scaling success的算法。我已查看書，但沒有找到scaling success的算法。 2.      已確認我的概念無誤。 進一步請教李晏，當看到數據與預期假設的概念不符合時，需要考慮哪些的步驟： (1)   Pearson相關性低，有可能是因為不是線性相關，但有其他的相關曲線的可能性，所以必須畫圖看其相關性(曲線形狀)。 (2)   看項目的分佈(item distribution)，是否有ceiling effect或floor effect的狀況，而導致在做相關比較時，相關係數較低。 (3)   計算EFA，看看是否此項目不歸屬於所屬的次量表(construct)。 族群特性：有可能對此族群中，這些題目不是問原本認為問的構念，而是問其他問題。 相關低有可能因著實驗情境、族群特性(戒斷症狀)、項目本身內容和項目數目所影響。