第四章 研究結果與討論
第七節 父親背景變項與子女背景變項對父職參與之預測性分析
本節探討「父親的背景變項」與「子女的背景變項」對父職參與之預測力，為本研 究問題七。藉以瞭解父的背景變項以及子女的背景變項是否能有效預測「日常照顧」、「情 感支持」、「子女教養」、「學習活動」參與和「父職參與總量表」。
一、父親背景變項與子女背景變項對日常照顧參與之預測分析
父親的背景變項包含：年齡、當爸爸至今年數、教育程度、每日平均工作時數、周 六日平均工作時數、配偶是否就業、弱勢/非弱勢、子女數、職業；子女背景變項包含：
子女性別、年齡、出生序，並將屬類別之變項設定虛擬變項。而父親背景變項與子女背 景變項對「日常照顧」參與之預測分析結果，詳見表 4-7-1。
表 4-7-1 父親背景變項與子女背景變項對日常照顧參與之預測分析
變項 R R2 R2改變量 F 值 B β 值
t
值截距 22.80
配偶就業 0.22 0.05 0.05 31.07*** 1.64 0.19 4.92***
周六日平均工作時數 0.27 0.07 0.02 24.44*** -0.54 -0.16 -4.01***
當爸爸至今年數 0.30 0.09 0.02 20.02*** -0.17 -0.13 -3.23**
**p<.01 ***p<.001
由表 4-7-1 可知，「配偶就業」、「周六日平均工作時數」及「當爸爸至今年數」等三
個變項達顯著水準進入回歸方程式（F=20.02， p<.001），可預測父親的日常照顧參與，
其多元相關係數 R 為 0.30，能聯合預測日常照顧參與的變異量為 0.09，亦即三個變項能 聯合預測日常照顧參與 9%的變異量。就個別變項的解釋量而言，以「配偶就業」的解 釋量最高，可解釋 5%的變異量，而「周六日平均工作時數」及「當爸爸至今年數」個 別可解釋 2%的變異量。
在考慮了三個變項間的相互影響之後，得到的β 值除了「配偶就業」為正數，其餘 的β 值均為負數，可見「配偶就業」的父親，在日常照顧層面上的參與表現越多，而「周 六日平均工作時數」及「當爸爸至今年數」愈多的父親，其日常照顧參與越少，標準化 回歸方程式如下：
日常照顧參與=（0.19）（配偶就業）-（0.16）（周六日平均工作時數）
-（0.13）（當爸爸至今年數）
由表 4-7-1 亦可發現「教育程度、每日平均工作時數、子女數、職業不能預測父親 的日常照顧參與」，但表 4-4-5、4-4-6、4-4-9 與 4-4-10 卻分別顯示「父親教育程度、每 日平均工作時數、子女數及職業不同，在日常照顧上有顯著差異」，可見在控制了其他 變項之後，則「教育程度」、「每日平均工作時數」、「子女數」和「職業」的影響力便降 低了，因此在針對教育程度、每日平均工作時數、子女數、職業進行推論時，亦必須考 量其餘變項之影響力。
二、父親背景變項與子女背景變項對情感支持參與之預測分析
父親的背景變項包含：年齡、當爸爸至今年數、教育程度、每日平均工作時數、周 六日平均工作時數、婚姻狀況、配偶是否就業、弱勢/非弱勢、子女數、職業；子女背景 變項包含：子女性別、年齡、出生序，並將屬類別之變項設定虛擬變項。而父親背景變
項與子女背景變項對「情感支持」參與之預測分析結果，詳見表 4-7-2。
表 4-7-2 父親背景變項與子女背景變項對情感支持參與之預測分析
變項 R R2 R2改變量 F 值 B β 值
t
值截距 13.03
教育程度 0.22 0.05 0.05 31.38*** 0.28 0.22 5.55***
子女為獨生子女 0.27 0.07 0.02 23.65*** 1.53 0.15 3.90***
***p<.001
由表 4-7-2 可知，「教育程度」與「子女為獨生子女」等二個變項達顯著水準進入回 歸方程式（F=23.65， p<.001），可預測父親的情感支持參與，其多元相關係數 R 為 0.27，
能聯合預測情感支持參與的變異量為 0.07，亦即二個變項能聯合預測情感支持參與 7%
的變異量。就個別變項的解釋量而言，以「教育程度」的解釋量最高，可解釋 5%的變 異量，而「子女為獨生子女」則可解釋 2%的變異量。
在考慮二個變項間的相互影響之後，得到的β 值均為正數，可見「教育程度」愈高 以及「子女為獨生子女」的父親，在情感支持層面上的參與表現越多，其標準化回歸方 程式如下：
情感支持參與=（0.22）（教育程度）+（0.15）（子女為獨生子女）
由表 4-7-2 亦可發現「當爸爸至今年數、配偶是否就業、子女數與職業不能預測父 親的情感支持參與」，但表 4-4-4、4-4-6、4-4-9 與 4-4-10 卻分別顯示「父親當爸爸至今 年數、配偶是否就業、子女數以及職業不同，在情感支持上有顯著差異」，可見在控制
了其他變項之後，則「當爸爸至今年數」、「配偶是否就業」、「子女數」和「職業」的影 響力便降低了，因此在針對當爸爸至今年數、配偶是否就業、子女數以及職業進行推論 時，亦必須考量其餘變項之影響力。
三、父親背景變項與子女背景變項對子女教養參與之預測分析
父親的背景變項包含：年齡、當爸爸至今年數、教育程度、每日平均工作時數、周 六日平均工作時數、婚姻狀況、配偶是否就業、弱勢/非弱勢、子女數、職業；子女背景 變項包含：子女性別、年齡、出生序，並將屬類別之變項設定虛擬變項。而父親背景變 項與子女背景變項對「子女教養」參與之預測分析結果，詳見表 4-7-3。表 4-7-3 父親背景變項與子女背景變項對子女教養參與之預測分析
變項 R R2 R2改變量 F 值 B β 值
t
值截距 27.33
教育程度 0.15 0.02 0.02 13.65*** 0.29 0.15 3.65***
子女為獨生子女 0.17 0.03 0.01 8.97*** 1.24 0.08 2.06*
*p<.05 ***p<.001
由表 4-7-3 可知，「教育程度」與「子女為獨生子女」等二個變項達顯著水準進入回 歸方程式（F=8.97， p<.001），可預測父親的子女教養參與，其多元相關係數 R 為 0.17，
能聯合預測子女教養參與的變異量為 0.03，亦即二個變項能聯合預測子女教養參與 3%
的變異量。就個別變項的解釋量而言，以「教育程度」的解釋量最高，可解釋 2%的變 異量，而「子女為獨生子女」則可解釋 1%的變異量。
高以及「子女為獨生子女」的父親，在子女教養層面上的參與表現越多，其標準化回歸 方程式如下：
子女教養參與= （0.15）（教育程度）+（0.08）（子女為獨生子女）
由表 4-7-3 亦可發現「配偶是否就業不能預測父親的子女教養參與」，但表 4-4-6 卻 顯示「父親配偶是否就業不同，在子女教養上有顯著差異」，可見在控制了其他變項之 後，則「配偶是否就業」的影響力便降低了，因此在針對配偶是否就業進行推論時，亦 必須考量其餘變項之影響力。
四、父親背景變項與子女背景變項對學習活動參與之預測分析
父親的背景變項包含：年齡、當爸爸至今年數、教育程度、每日平均工作時數、周 六日平均工作時數、婚姻狀況、配偶是否就業、弱勢/非弱勢、子女數、職業；子女背景 變項包含：子女性別、年齡、出生序，並將屬類別之變項設定虛擬變項。而父親背景變 項與子女背景變項對「學習活動」參與之預測分析結果，詳見表 4-7-4。
表 4-7-4 父親背景變項與子女背景變項對學習活動參與之預測分析
變項 R R2 R2改變量 F 值 B β 值
t
值截距 6.62
教育程度 0.37 0.14 0.14 97.08*** 0.38 0.34 8.74***
配偶就業 0.40 0.16 0.02 56.29*** 0.89 0.14 3.68***
***p<.001
由表 4-7-4 可知，「教育程度」與「配偶就業」等二個變項達顯著水準進入回歸方程 式（F=56.29， p<.001），可預測父親的學習活動參與，其多元相關係數 R 為 0.40，能 聯合預測學習活動參與的變異量為 0.16，亦即二個變項能聯合預測學習活動參與 16%的 變異量。就個別變項的解釋量而言，以「教育程度」的解釋量最高，可解釋 14%的變異 量，而「配偶就業」則可解釋 2%的變異量。
在考慮二個變項間的相互影響之後，得到的β 值均為正數，可見「教育程度」愈高 以及「配偶就業」的父親，在學習活動上的參與表現越多，其標準化回歸方程式如下：
學習活動參與=（0.34）（教育程度）+（0.14）（配偶就業）
由表 4-7-4 可發現「周六日平均工作時數與職業不能預測父親的學習活動參與」，但 表 4-4-5 與 4-4-10 卻顯示「父親周六日平均工作時數以及職業不同，在學習活動上有顯 著差異」，可見在控制了其他變項之後，則「周六日平均工作時數」及「職業」的影響 力便降低了，因此在針對周六日平均工作時數與職業進行推論時，亦必須考量其餘變項 之影響力。
五、父親背景變項與子女背景變項對父職參與總量表之預測分析
父親的背景變項包含：年齡、當爸爸至今年數、教育程度、每日平均工作時數、周 六日平均工作時數、婚姻狀況、配偶是否就業、弱勢/非弱勢、子女數、職業；子女背景 變項包含：子女性別、年齡、出生序，並將屬類別之變項設定虛擬變項。而父親背景變 項與子女背景變項對「父職參與總量表」之預測分析結果，詳見表 4-7-5。
由表 4-7-5 可知，「教育程度」、「配偶就業」與「子女為獨生子女」等三個變項達顯 著水準進入回歸方程式（F=19.70， p<.001），可預測父親的父職參與，其多元相關係數 R 為 0.30，能聯合預測學習活動參與的變異量為 0.09，亦即三個變項能聯合預測父職參
與 9%的變異量。就個別變項的解釋量而言，以「教育程度」的解釋量最高，可解釋 6%
的變異量，其他依序為「配偶就業」與「子女為獨生子女」。
表 4-7-5 父親背景變項與子女背景變項對父職參與總量表之預測分析 變項 R R2 R2改變量 F 值 B β 值
t
值截距 64.33
教育程度 0.25 0.06 0.06 41.90*** 1.11 0.22 5.53***
配偶就業 0.28 0.08 0.02 26.21*** 3.35 0.12 3.01**
子女為獨生子女 0.30 0.09 0.01 19.70*** 3.73 0.10 2.50*
*p<.05 **p<.01 ***p<.001
在考慮了三個變項間的相互影響之後，得到的β 值均為正數，可見「教育程度」愈 高、「配偶就業」以及「子女為獨生子女」的父親，在父職參與表現越多，其標準化回 歸方程式如下：
父職參與總量表= （0.22）（教育程度）+（0.12）（配偶就業）+（0.10）（子女為 獨生子女）
由表 4-7-5 可發現「當爸爸至今年數、子女數與職業不能預測父親的學習活動參 與」，但表 4-4-4、4-4-9、4-4-10 卻分別顯示「父親當爸爸至今年數、子女數與職業不同，
在父職參與總量表上有顯著差異」，可見在控制了其他變項之後，則「當爸爸至今年數」、
「子女數」及「職業」的影響力便降低了，因此在針對當爸爸至今年數、子女數與職業 進行推論時，亦必須考量其餘變項之影響力。
綜合以上結果，表 4-7-6 為逐步多元回歸分析綜合摘要表。