3-1 反向題重新計分
反向題為問卷設計時的常用技術，其目的是為了偵測「受訪者於填寫問卷時是否草率作答」。以李克特七點量表為例，由於每個題項之選項從「極不同意」到「極為同意」分為七個等級，正向題分別給予1、2、3、4、5、6、7分，而反向題的題項計分時，便要給予7、6、5、4、3、2、1分，如表2-1。因此，研究者在進行統計分析前，必須要注意的是，須將所有題項的計分方式化為一致（同方向）。故以正向題為基準的話，則須將反向題反轉重新計分，否則其與正向題的分數會互相抵消。但若量表中沒有反向題時，則此操作可予以省略。
範例3-1
資料檔ex3-1.sav為附錄一論文〈旅遊動機、體驗價值與重遊意願關係之研究〉之問卷的原始資料檔，問卷第二部分「體驗價值」構面的第4、5、6與7題為反向題，試予以反向題重新計分，並計算量表總分。計算完成後，請存檔為「ex3-1_ok.sav」。
範例論文之原始問卷的第二部分「體驗價值」構面的第4、5、6與7題（ev2_1、ev2_2、ev2_3與ev2_4）為反向題，為求計分的一致性，因此須施以反向題重新計分，以利後續統計分析工作之進行。此外，反向題重新計分後，尚須計算「量表總分」，「量表總分」即代表所有屬「李克特量表」格式之題項的得分總和，在本範例中即為旅遊動機（7題）、體驗價值（10題）與重遊意願（3題）等三個主構面之各題項（共20題）的得分總和。
操作步驟
雖然對「李克特量表」格式之問卷而言，反向題重新計分的一般性公式為：「（選項數 + 1）– 原始得分」。但在此，將運用SPSS的「重新編碼成相同的變數」功能，來進行反向題重新計分的任務。使用「重新編碼成相同的變數」功能的好處是，反向題重新計分後，所產生的新值會在原始變數上直接覆蓋掉舊值，因此不會產生新的變數，以節省空間與減少資料集的複雜度。反向題重新計分之詳細的操作過程，請讀者自行參閱教學影音檔「ex3-1.mp4」（請掃描範例3-1題目旁的QR Code）。
執行結果
執行反向題重新計分後，結果如圖3-1所示。
3-2 標準化值
對於具有不同水準或不同單位的資料，在進行比較之前，往往需要進行預先處理，以使資料能在更一致的條件下進行比較。這些預處理工作，最常使用的方法大概就是將資料予以標準化（standardization）了。所謂標準化就是將樣本中的某個觀察值減去樣本平均數後再除以樣本標準差的過程，這個過程中，最終所得的值就稱為「標準化值」，也稱為「Z分數」（Z-score）。因此，白話一點，所謂的「標準化值」的真正意義為，不管樣本資料的水準或單位，某觀察值與平均數的距離有幾個標準差之意。因此，「標準化值」的計算公式如式3-1。
其中，xi為樣本資料的第i個觀察值， 為樣本資料的平均數，s為標準差。從式3-1的計算公式中不難理解，Z分數所代表的意義為：資料xi在整體資料中所在的相對位置。例如：如果在你所任職的公司中，你的「所得」的標準化值（Z分數）為2，這表示你的「所得」是在「全體員工平均所得」以上的兩個標準差之位置，所以若從近似鐘形分配資料或常態分配的經驗法則來看的話，你是一個高所得者（前2.5%）。因為根據常態分配的特性，約有5%的觀察值會落在正、負兩個標準差的範圍外。
此外，利用標準化值也可以輔助判斷離群值（outlier）。如果研究者已能確認某變數資料大致符合常態分配的話，那麼最常見的檢測離群值方法，則非「標準化值」莫屬了。根據常態分配的性質，約有99%的資料點，會落在平均數的正負3個標準差之內（即Z分數的絕對值小於等於3的範圍內），因此過往文獻中，學者常建議：可將Z分數「大於3」或「小於-3」的資料視為離群值（Shiffler, 1988）。
範例3-2
資料檔ex3-2.sav為附錄一論文〈旅遊動機、體驗價值與重遊意願關係之研究〉的原始資料檔（已反向題重新計分，且已計算量表總分）。請開啟ex3-2.sav，試計算「量表總分」的標準化值（Z分數），並請根據「標準化值」偵測樣本中的離群值，若真的存在離群值，建議刪除之，完成後請另存新檔為「ex3-2_ok.sav」。
「量表總分」已計算完成，並已儲存在「ex3-2.sav」中了。現在，我們將計算變數「量表總分」的標準化值。然後遵照Shiffler（1988）的建議，利用標準化值來偵測資料集中是否有離群值的存在，若有，則可「考慮」刪除這些具離群值的個案資料。
操作步驟
詳細的操作過程，請讀者自行參閱教學影音檔「ex3-2.mp4」（請掃描範例3-2題目旁的QR Code）。
反向題為問卷設計時的常用技術，其目的是為了偵測「受訪者於填寫問卷時是否草率作答」。以李克特七點量表為例，由於每個題項之選項從「極不同意」到「極為同意」分為七個等級，正向題分別給予1、2、3、4、5、6、7分，而反向題的題項計分時，便要給予7、6、5、4、3、2、1分，如表2-1。因此，研究者在進行統計分析前，必須要注意的是，須將所有題項的計分方式化為一致（同方向）。故以正向題為基準的話，則須將反向題反轉重新計分，否則其與正向題的分數會互相抵消。但若量表中沒有反向題時，則此操作可予以省略。
範例3-1
資料檔ex3-1.sav為附錄一論文〈旅遊動機、體驗價值與重遊意願關係之研究〉之問卷的原始資料檔，問卷第二部分「體驗價值」構面的第4、5、6與7題為反向題，試予以反向題重新計分，並計算量表總分。計算完成後，請存檔為「ex3-1_ok.sav」。
範例論文之原始問卷的第二部分「體驗價值」構面的第4、5、6與7題（ev2_1、ev2_2、ev2_3與ev2_4）為反向題，為求計分的一致性，因此須施以反向題重新計分，以利後續統計分析工作之進行。此外，反向題重新計分後，尚須計算「量表總分」，「量表總分」即代表所有屬「李克特量表」格式之題項的得分總和，在本範例中即為旅遊動機（7題）、體驗價值（10題）與重遊意願（3題）等三個主構面之各題項（共20題）的得分總和。
操作步驟
雖然對「李克特量表」格式之問卷而言，反向題重新計分的一般性公式為：「（選項數 + 1）– 原始得分」。但在此，將運用SPSS的「重新編碼成相同的變數」功能，來進行反向題重新計分的任務。使用「重新編碼成相同的變數」功能的好處是，反向題重新計分後，所產生的新值會在原始變數上直接覆蓋掉舊值，因此不會產生新的變數，以節省空間與減少資料集的複雜度。反向題重新計分之詳細的操作過程，請讀者自行參閱教學影音檔「ex3-1.mp4」（請掃描範例3-1題目旁的QR Code）。
執行結果
執行反向題重新計分後，結果如圖3-1所示。
3-2 標準化值
對於具有不同水準或不同單位的資料，在進行比較之前，往往需要進行預先處理，以使資料能在更一致的條件下進行比較。這些預處理工作，最常使用的方法大概就是將資料予以標準化（standardization）了。所謂標準化就是將樣本中的某個觀察值減去樣本平均數後再除以樣本標準差的過程，這個過程中，最終所得的值就稱為「標準化值」，也稱為「Z分數」（Z-score）。因此，白話一點，所謂的「標準化值」的真正意義為，不管樣本資料的水準或單位，某觀察值與平均數的距離有幾個標準差之意。因此，「標準化值」的計算公式如式3-1。
其中，xi為樣本資料的第i個觀察值， 為樣本資料的平均數，s為標準差。從式3-1的計算公式中不難理解，Z分數所代表的意義為：資料xi在整體資料中所在的相對位置。例如：如果在你所任職的公司中，你的「所得」的標準化值（Z分數）為2，這表示你的「所得」是在「全體員工平均所得」以上的兩個標準差之位置，所以若從近似鐘形分配資料或常態分配的經驗法則來看的話，你是一個高所得者（前2.5%）。因為根據常態分配的特性，約有5%的觀察值會落在正、負兩個標準差的範圍外。
此外，利用標準化值也可以輔助判斷離群值（outlier）。如果研究者已能確認某變數資料大致符合常態分配的話，那麼最常見的檢測離群值方法，則非「標準化值」莫屬了。根據常態分配的性質，約有99%的資料點，會落在平均數的正負3個標準差之內（即Z分數的絕對值小於等於3的範圍內），因此過往文獻中，學者常建議：可將Z分數「大於3」或「小於-3」的資料視為離群值（Shiffler, 1988）。
範例3-2
資料檔ex3-2.sav為附錄一論文〈旅遊動機、體驗價值與重遊意願關係之研究〉的原始資料檔（已反向題重新計分，且已計算量表總分）。請開啟ex3-2.sav，試計算「量表總分」的標準化值（Z分數），並請根據「標準化值」偵測樣本中的離群值，若真的存在離群值，建議刪除之，完成後請另存新檔為「ex3-2_ok.sav」。
「量表總分」已計算完成，並已儲存在「ex3-2.sav」中了。現在，我們將計算變數「量表總分」的標準化值。然後遵照Shiffler（1988）的建議，利用標準化值來偵測資料集中是否有離群值的存在，若有，則可「考慮」刪除這些具離群值的個案資料。
操作步驟
詳細的操作過程，請讀者自行參閱教學影音檔「ex3-2.mp4」（請掃描範例3-2題目旁的QR Code）。
