序
本書主要目的在於探討各類效果值指標的估計、選用與解釋。效果值（effect size），簡單地說，就是實驗效果大小或雙變項關係強度的量化指標，其值愈大，常代表著組平均數間之差異愈大或雙變項間之關係愈強。由於研究者對於統計顯著性考驗的運用邏輯存在著一些迷思或誤解，過去許多研究報告常忽略了效果值大小的評估，僅依p值（p-value）的大小就下結論，易導致結論的偏差。
為何效果值與p值同等重要？假如事先沒有適切的樣本規劃，研究者僅利用p值進行統計假設考驗，可能導致不當的結論。主因在於p值易受樣本大小的影響，只要樣本過大，通常會推翻虛無假設；反之，樣本過小，通常很難推翻它。反觀效果值不僅可用來評估臨床上的應用價值，而且不會受樣本大小的影響，足以彌補統計顯著性考驗設計上的不足。統計上的顯著性並不一定等於實務上的有用性，因此近幾年來學術研究期刊逐漸要求作者同時報告p值與效果值。
令人困擾的是效果值的定義或類型，會因研究設計、研究問題與統計方法而改變，假如研究問題的焦點在於組間差異，那麼效果值的定義在於組間平均數的平均差異，需要獨立樣本的研究設計；假如研究問題的焦點在於個體的改變量，那麼效果值的定義在於平均改變量，需要重複量數的研究設計。此外，有時同一種統計方法（如多元迴歸分析）卻存在著許多不同形態的效果值統計量（如未標準化迴歸係數、標準化迴歸係數、淨相關、部分相關），何者為佳，研究者亦常生困惑。由此觀之，欲正確估計與選用效果值統計量，需先釐清效果值與研究問題、研究設計及統計方法間的複雜關係。
本書另一個目的在於探究各類效果值間的轉換，使其具有可比較性（comparable），以利整合分析（meta-analysis）。效果值估計是整合分析的核心工作，除了需知道如何正確估計之外，尚須注意效果值可能衍生自不同統計方法（如單變項ANOVA 考驗、迴歸分析、多變項分析或HLM、GMA分析），為了使效果值能跨不同統計方法而具有可比較性，必須透過適當公式與對比分析的橋接（參見內文第12章圖12-18～圖12-20），使其具有共同量尺（如全部轉換成Cohen’s d值或Pearson’s r值），才能進行整合分析。
本書涵蓋單變項與多變項統計方法的效果值指標，從t考驗、ANOVA到MANOVA，從Regression、GLM到SEM或HLM應有盡有，不僅可作為整合分析研究者查考的寶典，也適合於應用統計學課程之主要教材、一般量化研究課程之輔助教材。本書致力於效果值及其信賴區間公式的推演，並透過應用軟體輔以應用實例，以利研究者能正確估計、描述與解釋效果值。本書經多年之腦力激盪，終能順利完成。特別感謝恩師Dr. Olejnik＆林清山教授的教誨。書中引介適用於跨研究比較的通用指標η2G，就是來自Dr. Olejnik＆Algina的創見，而本書內有一些應用實例的數據，係引自林清山教授的大作：《心理與教育統計學》與《多變項分析統計法》，以利教學上的結合。此外，為了減輕研究者計算效果值及其變異量的繁重負擔，書中除了提供筆者新開發的軟體之外，也推薦了一些網路計算器，以便利效果值的估計。筆者秉持知識傳承的使命感，日夜戮力以赴力求完善，內容倘有疏漏之處，尚請同好不吝指教。
李茂能
2022年夏於嘉義
