統計快掛了…用對方法就不難
大學教你什麼是 t-test，但沒教你的數據該不該用 t-test。根據數據特徵選方法、寫程式、解讀結果。
你是不是也遇到這個問題？
博士班第三年，數據終於收完了。你打開 SPSS，盯著螢幕發呆。t-test？ANOVA？regression？你知道這些名詞，但不知道自己的數據應該用哪一個。
「我一直都很害怕醫學論文…對統計學有著很深的恐懼」 — 學員反饋
「統計，快掛了…文科生，統計小白」 — 學員反饋
你不是不努力。你大學修過統計，但考完試就忘了。現在面對自己的數據，發現課本教的「什麼是 t-test」跟「我的數據應該用 t-test 嗎」是完全不同的問題。
為什麼會這樣？
統計課教的是方法的定義，但研究需要的是方法的選擇。
這中間的落差在於：
- 判斷條件沒教 — 課本說「t-test 用於比較兩組平均數」，但沒教你怎麼判斷數據是否符合常態分布、變異數是否齊質
- 數據特徵沒看 — 你的依變項是連續的還是類別的？自變項有幾個水準？有沒有重複測量？這些決定了該用什麼方法
- 工具綁架思維 — 以為統計 = SPSS，但 SPSS 的選單設計讓你以為只要選對按鈕就好，忽略了前提假設的檢驗
真正的痛點不是計算，而是選方法的判斷力。計算交給軟體就好，但選錯方法，算出來的 p-value 毫無意義。
怎麼解決？用對方法，統計不再可怕
步驟 1：描述數據特徵，找到適合的方法
把你的研究設計告訴 AI，包含：
- 依變項（連續 / 類別 / 順序）
- 自變項（幾個？幾個水準？）
- 樣本數
- 是否有重複測量 / 配對設計
Prompt 範例：
我的研究有 1 個自變項（教學法，分實驗組和對照組），1 個依變項（學習成效，連續變項），前後測設計，樣本數 60 人。請推薦適合的統計方法，並說明選擇理由和前提假設。
AI 會告訴你：這是配對樣本 t-test 或混合設計 ANOVA，取決於你要分析的是組內差異還是組間×時間的交互作用。
步驟 2：建立「情境→方法」對照表
整理一張決策表：
| 你的情境 | 推薦方法 | 前提條件 |
|---|---|---|
| 比較 2 組平均數 | 獨立樣本 t-test | 常態分布、變異數齊質 |
| 比較 3 組以上 | One-way ANOVA | 常態分布、變異數齊質 |
| 前後測比較 | 配對樣本 t-test | 差值常態分布 |
| 預測連續結果 | 多元迴歸 | 線性關係、殘差常態 |
| 類別依變項 | 邏輯斯迴歸 | 觀測值獨立 |
這張表會成為你整個研究的統計路線圖。
步驟 3：不一定要用 SPSS — 教你用程式
如果你的分析需求超過 SPSS 選單能做的（例如多層次模型、Bootstrap），直接用 Python 或 R 程式碼：
Prompt 範例：
請用 Python 對以下數據執行獨立樣本 t-test，包含：Shapiro-Wilk 常態性檢定、Levene 變異數齊質性檢定、效果量 Cohen’s d、結果解讀。
AI 生成的程式碼可以直接在 Google Colab 執行，不需要安裝任何軟體。
步驟 4：重點是解讀，不是計算
跑完統計後，把結果貼給 AI，請它用白話解釋：
Prompt 範例：
t(58) = 2.34, p = .023, Cohen’s d = 0.61。請用非統計專業的語言解釋這個結果的實際意義，並告訴我在論文中應該怎麼報告。
AI 會告訴你：實驗組的學習成效顯著高於對照組，效果量為中等，代表教學法確實有實質影響。
步驟 5：一致性三角檢查
把同一組數據和分析需求分別問 Claude、GPT、Gemini。如果三個 AI 推薦的方法一致，你可以放心使用。如果不一致，把三個回答整理起來，請任一個 AI 比較差異並說明各自的適用條件。
這不是在偷懶，這是在做統計決策的同儕審查。
核心原則： 方法學教你選方法、寫程式碼、解讀結果。你負責描述數據特徵、檢查前提假設、確認結果合理。統計不再是恐懼，而是有系統的判斷過程。
常見問題
Q：AI 推薦的統計方法可靠嗎？
當你完整描述數據特徵（變項類型、樣本數、研究設計）時，AI 推薦的方法在大多數情況下是正確的。但建議用三角檢查法（問三個 AI）確認一致性，並與指導教授討論。
Q：我完全不懂程式，AI 寫的 Python 程式碼我能用嗎？
可以。把程式碼貼到 Google Colab（免費），點「執行」就好。如果報錯，把錯誤訊息貼回給 AI，它會幫你修。你不需要懂程式，只需要懂結果。
Q：SPSS 和 AI 寫的 Python/R，結果會不一樣嗎？
使用相同方法和參數，結果應該一致。如果不一致，通常是預設參數不同（例如 SPSS 預設雙尾檢定）。把兩邊的設定告訴 AI，它會幫你找出差異。
這是 論文方法學 12 Phase 的 Phase 7：數據分析。