的機率分別以α、β來表示即為一例。換言之，以 α、β、γ作為隱喻，探討以數 量為研究素材的社會科學研究的一些相關問題，包括測量、分析、方法學層次 的討論，以及典範之間的零合遊戲與對立衝突，其實其來有自。
在量化研究中，α所代表的都是重要的起點。α，可能是統計學中的 type I error 機率、可能是測量當中的信度係數（Cronbach, 1951）、可能是迴歸方程式中的截 距（intercept）、也可能是實驗設計中的實驗效果（Kirk, 1995），這些都是統計、
測量、研究法當中最重要且根本的議題。例如發展一個量表時，首要追求的是 信度，高信度（α係數很高）代表數據穩定可靠的程度；另外，當我們犯了統計 的第一類型錯誤時，代表我們的顯著結論是「無中生有」，這是科學研究的一大 禁忌。如果犯第一類型錯誤與第二類型錯誤可以選擇的話，我們寧願選擇不要 犯第一類型錯誤，因為「無中生有」的研究結論（第一類型錯誤）比「錯失真 相」的遺憾結論（第二類型錯誤）對於社會的不良影響更大。
在量化研究中，β所隱喻的是科學的發現與目的達成。β，可能是前面所說 的第二類型錯誤機率，可能是迴歸方程式的斜率，也可以說是測驗發展當中的 效度係數。換言之，當 α處於良好狀況時，我們便可以追求另一層次的成功，
當信度係數良好時，我們即可以追求測驗的效度。當一個研究的第二類型錯誤
（β）較小時，表示統計的檢定力較高（power=1-β），當一個迴歸方程式的斜率 具有統計顯著性時，他的解釋力就由 β係數來反應。如果說 α所隱喻的概念是 科學探索的必要條件的話，β所隱喻的概念則是科學探索具有意義的充分條件。
γ的隱喻，表示在 α與 β的關切之外所忽略的第三種可能，統計學的第一類 型錯誤（α）與第二類型錯誤（β）早為人熟知，但是第三類或更多的錯誤，量 化研究者是否能夠察覺而避免？在此我們或許可將之稱為γ的錯誤，那可能是模 式設定的錯誤（model misspecification）、統計方法選用的錯誤，還有科學未能及 於真理的落差；就好比，在我們處理迴歸方程式之時，並沒有γ係數的概念，但 是到了結構方程模式，我們開始把外因對於內因變數的解釋稱為γ；在 MLM 模 型中，階層線性模型的γ已經完全取代 β係數，作為變項解釋能力的係數。
表 3 當中，我們把 α、β、γ的三個隱喻以科學的精神（正確判斷真偽）與研 究的執行（測量、分析、方法學）兩個維度來表示。其中 α與 β所隱喻的是傳 統測量與分析當中的信度與效度、以及截距與斜率的概念，我們不能忽略基本 的信度與截距的概念，但是科學所追求的是真相的發掘，因此效度與變項的解 釋力（斜率）成為學者所追求的積極意義。
表 3 α、β、γ的隱喻與科學活動的關係
Ex. IRT、Fuzzy 分析 Null theory Statistical theory
社會科學理論 Social theory Management theory
之外的 脫了第一二類型之外的真偽。同樣的，本文所介紹的 HLM、SEM、Bayesian 觀 點，也都是在分析層次的超越，使得我們所擁有的分析技術，可以替我們找到
勢，如果你相信溫伯格所言「真理一旦發現就形成人類知識的永久部分」，那麼 透過這些外在世界的觀察所得到的個人啟發，將對我們這些量化研究實務工作 者，注入一劑強心針。
本文所主張的是當代量化方法的進步，對應傳統模式的觀點，如果社會科 學研究者沒有能夠正視這一場變革的來臨，那麼就如同雙城記的悲歌，我們活 在當代社會的研究者，雖然我們擁有了很多、擁有了許多智慧、這是最好的時 刻，但是，無法體認到他們的存在者，所面臨的卻是什麼都沒有的、黑暗的、
愚蠢的黑暗季節，這無疑是另一場新雙城記，正在量化研究的世界中悄悄上演。