第四章 研究結果
第四節 拒絕敏感度、敵意與憂鬱之預測
本研究主要目的之二即是探討拒絕敏感度、敵意與憂鬱間的關係，同時因為上 述差異檢定結果顯示三項主要變項多少都會受到性別和戀愛經驗的影響，因此在 本節中將運用階層迴歸方式控制性別與戀愛經驗後探討各變項間的預測能力，以 了解拒絕敏感度、敵意和憂鬱彼此的關係為何？為了能更細緻了解各變項間的關 係，拒絕敏感度將拆成焦慮程度和負向期望投入；敵意則以四項敵意次變項和總變 項一起投入；憂鬱同樣以四項憂鬱次變項和總變項一起投入。
研究首先進行多元共線性檢定，檢定標準以變異數膨脹因素（variance inflation factor，VIF）和條件指數（conditional index，CI）為主，其中 VIF 低於 5 或 CI 低 於 30 視為共線性問題和緩（邱皓政，2010）。而若檢定結果顯示共線性低，則接著 再進行階層迴歸分析。分析方式先將性別與戀愛經驗兩項類別背景變項加以虛擬 並投入迴歸分析中，在第一階層放入虛擬後的性別變項；第二階層放入虛擬後的未 曾交往和單身曾交往變項；最後，第三階層中再放入 1.焦慮程度和負向期望（IV）
對敵意各變項（DV）、2.焦慮程度和負向期望（IV）對憂鬱各變項（DV），以及 3.
敵意各變項（DV）對憂鬱各變項（DV）三類不同的預測方式以分析各變項的預測 能力。
虛擬化性別與戀愛經驗
由於預測分析欲控制的「性別」和「戀愛經驗」屬於類別變項，因此需轉為虛 擬編碼以利分析。其中，性別變項以男性為參照組將其轉定義為「0」，女性轉定義 為「1」。而戀愛經驗則包括「未曾交往」、「單身曾交往」、「目前有對象」和「其他」
四種狀況，由於「其他」經驗者樣本數過少（n = 8）且無法判斷屬於哪一類的戀愛 狀況，因此刪除不與分析。其餘三項戀愛經驗則以「目前有對象」為參照組轉為兩 組的虛擬編碼，編碼方式如下表 4-4-1 所示。
94
95
96
97
98
99
另外可以注意的是兩性戀愛經驗對各憂鬱向度的影響同樣顯示差異。男性戀 愛經驗對各憂鬱向度和總分如同未分組前仍維持顯著預測（ΔR2 = .024，p < .01）， 但相對的女性除了憂鬱人際以外（ΔR2 = .023 – .059，p < .001）其他各憂鬱向度和 總分（ΔR2 = .002 – .005，p > .05）未存在預測能力，顯示戀愛經驗對憂鬱程度的 變化以男性為主。
四、敵意預測憂鬱之迴歸分析
最後考驗的是多向度敵意對憂鬱各向度和總分的預測能力，分析前的共線性 檢定顯示各敵意向度間的 VIF 為 1.31 至 1.61 之間，而 CI 則介於 4.73 至 16.47 之 間，顯示未有共線情形可進一步分析。
分析結果（如表 4-4-6）顯示在控制性別和戀愛經驗後多向度敵意對憂鬱各向 度（ΔF = 96.91 – 135.27，p < .001）和總分ΔF = 152.86，p < .001）皆有顯著預測 效果，進一步分析則顯示敵意認知（β = .238 – .285，p < .001）、敵意情感（β
= .096 – .183，p < .001）和壓抑敵意（β = .233 – .315，p < .001）皆能顯著預測憂 鬱各向度和總分，然而表達敵意則僅對除憂鬱行為外的其他憂鬱向度有顯著預測 能力（β = -.087 – -.011，p < .01）。最後，多向度敵意一起預測憂鬱各向度的解釋 變異量大小依序為憂鬱情緒（ΔR2 = .322）、憂鬱行為（ΔR2 = .277）、憂鬱人際（Δ
R
2 = .274）和憂鬱認知（ΔR2 = .255），另外對憂鬱總分則具有最多的解釋力（ΔR2= .348）。
整體而言，多向度敵意能顯著預測憂鬱各向度和總分，且對憂鬱總分有最多的 解釋能力。其中，敵意認知、敵意情感和壓抑敵意同樣皆能顯著預測憂鬱各向度和 總分，而表達敵意對憂鬱行為則未有任何預測能力。
另外，在第三階層迴歸中也顯示多向度敵意對憂鬱各向度和總分的預測仍存 在性別差異（第三階層β性別 = -.063 – -.127，p < .05），因此同樣將針對不同性別進 一步分組分析。
100
101
102