第二章 文獻探討
第五節 MASEM 方法的意涵與相關研究
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第五節 MASEM 方法的意涵與相關研究
壹、MASEM 方法的定義與發展
MASEM 方法（meta-analytic structural equation modeling）的發展可以上溯 1990 年代，從 Becker（1992）以一般化最小平方法（generalized least squares, GLS）整合相關矩陣（多變數方法）、Viswesvaran 與 Ones（1995）以單變數 r 值法（univariate-r）逐格整合相關矩陣開始。其中以 Viswesvaran 與 Ones（1995）
所發展的方法最為常用，也堪稱是MASEM 方法的典型。V&O 方法基本分為二 階段：第一階段以傳統單變數後設分析逐格整合相關變數間的 r 值，以形成一 相關矩陣；第二階段進行結構方程式模型驗證。可以理解為以後設分析法蒐集 資料，取代傳統上以量表施測蒐集資料的方法。
其後，Cheung 與 Chan（2005）提出「二階段結構方程式模型」（two-stage meta-analytic structural equation modelling, TSSEM），TSSEM 方法的貢獻在於，
將 MASEM 的二個階段完全納入結構方程式模型的框架下。也就是連第一階段，
傳統上以「後設分析」整合相關矩陣的做法，都以SEM 的多樣本結構方程式模 型來進行（固定效應模型），同時可填補遺漏值（Cheung, 2015a）。然而 TSSEM 方法在算法說明與結果解釋上門檻也相對較高。反觀 V&O 方法，研究 者可以輕易的使用 CMA、LISREL、Mplus、Amos 等套裝軟體分別進行後設分 析與模型驗證。因此，TSSEM 方法在應用上仍然不如 V&O 方法的普及。
隨著資料科學與巨量資料分析的發展，許多複雜的運算都可以透過 R、
Python、Julia 等程式語言而實現。其中，R 語言因為豐富的科學運算與統計套 件（截至2020 年 2 月 28 日，CRAN 上的可用套件已達 15,383 個），廣受科學 研究人員使用。MASEM 方法的主要貢獻者 Cheung（2015b），即開發出 R 語 言套件metaSEM 用於實現 MASEM 方法。在 Cheung（2015a）與 Jak（2015）
的著作中，皆以R 語言作為工具，並提供實際的範例供研究者參考。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
綜上所述，本研究將 MASEM 方法定義為一種廣義的後設分析方法：運用 後設分析整合研究間的相關係數，再以整合相關矩陣的資料去適配結構方程式 模型，最後進行後續的次群組分析等一系列過程。本方法的優勢在於可以同時 觀察多變數間的互動關係，以及對於研究主題有跨越樣本的理解。
參、MASEM 方法的相關研究
一、MASEM 的進階方法
MASEM 常用方法有 GLS、V&O、TSSEM 等三種（Jak & Cheung, in press），
此外新技術與新觀點仍在持續的發展。例如：「參數式 MASEM」（parameter-based MASEM）即是為了解決研究實務上，「相關式 MASEM」（correlation-based MASEM）其相關係數不易完整取得的問題。因此參數式 MASEM 改以 SEM 方法中研究者感興趣的參數，如因素負荷量（factor loadings）與徑路係數
（path coefficient）等，作為後設分析的對象。同樣以 SEM 參數為研究對象的還 有 Yu 等人所發展的 FIMASEM（full information MASEM）（Jak & Cheung, in press），以及 Ke、Zhang 與 Tong（2019）所發展的 Bayesian MASEM。其中，
Ke 等人（2019）將貝氏方法（Bayesian methods）運用於 MASEM 中，以 Markov chain Monte Carlo（MCMC） sampling 與 Gibbs sampling 等取樣方法進 行後設分析的運算。表 2-4 將上述 7 種 MASEM 方法，摘要其異質性來源（即 資料登錄來源）、調節變數處理方式、以及是否能處理相關矩陣的缺值問題。
‧
V&O, univariate-r（Viswesvaran & Ones, 1995） 相關係數 類別變數、
多群組分析 可處理 TSSEM
（Cheung & Chan, 2005） 相關係數 類別變數、
多群組分析 可處理 Parameter-based MASEM
（Cheung & Cheung, 2016） SEM 參數 類別或連續變數 無法處理 FIMASEM
Yu et al., 2016 SEM 參數 不清楚能處理
何種調節變數 可處理 One-Stage MASEM
（Jak & Cheung, 2018） 相關係數 類別或連續變數 可處理 Bayesian MASEM
（Ke, Zhang & Tong, 2019） SEM 參數
不清楚能處理 何種調節變數
（但理論上可行）
可處理
資料來源：整理自“Meta-analytic structural equation modeling with moderating effects on SEM parameters” by S. Jak, and M. W. -L. Cheung, in press, Psychological Methods.
二、應用MASEM 方法的相關中文文獻
檢索「臺灣博碩士論文知識加值系統」與「臺灣人文及社會科學引文索引 資料庫」（包含臺灣與港澳文獻），發現至今（2020 年 2 月），已有至少 30 筆 文獻應用MASEM 方法的研究，整理於表 2-5。邱兆宏（2004）與黃寶園（2004）
是臺灣最早使用MASEM 方法（V&O 方法）的研究，而二者的主題也恰好都關
‧
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
參、小結
綜上所述，MASEM 方法雖在二十年前即已提出，但因缺乏適當工具進行 繁複運算，加上多變數模型解釋不易（如同 MANOVA 分析之於 ANOVA 分析 一樣）等問題，因此MASEM 於研究上的應用並不如單一方法的後設分析（MA）
或結構方程式模型（SEM）般蓬勃發展。
根據李茂能（2016）的綜整，MASEM 相較於傳統 SEM 的優勢，在於其能 處理來自不同樣本、不同情境、不同測量的資料。當各式條件下的資料整合後 仍能適配理論模型時，則該模型能獲得更強力的支持證據。
此外，在臺灣的教育研究領域中，應用 MASEM 方法的論文仍在少數，且 都止步於二十年前的 V&O 方法。雖然英語文獻中已有許多研究，如 Tang 與 Cheung（2016）進行傳統的 V&O 方法與新興的 TSSEM 方法的比較。而本研究 則在嘗試傳統方法與新興方法之後，最後仍以穩定性與解釋力較佳的模型，作 為本研究中呈現的方法。