研究方法

本研究主要應用之研究方法有文獻評析法、攝影調查法、單因子變異數分析 法、t 檢定分析、相關分析與逐步迴歸分析法。

3.1.1 文獻評析法

文獻評析法乃是傳統基本的一種探索性之研究方法，藉由蒐集既有之相關研 究論著，針對所欲了解之研究主題、研究對象與範圍、研究方法與理論基礎、研 究流程與架構及其結論與建議等作回顧與評析，了解其中的差異性與各研究之優 缺點及焦點特長所在，以作為進一步研究之基礎，此種方式有助於初次從事某課 題之研究者，亦可協助專精於某一研究領域的研究者了解到最新的資訊與研究成 果，以避免缺乏理論與根據而致偏頗缺失。故本研究蒐集並分析國內外車流模式 等相關文獻，探究其理論與內涵，作為本研究之研究方法與理論基礎之參考。

3.1.2 攝影調查法

攝影調查法係指透過數位攝影機、數位照相機等攝錄影像之器材，針對某一 特定對象、事物或地點進行靜態或動態的拍攝，用以瞭解該對象所表達之意象。

而於交通運輸領域中，攝影調查往往應用在陸地運輸上，針對行人或車輛於某一 特定道路路段上進行相關之調查，透過實地攝影調查所獲得車流或人流特性，以 及駕駛者之駕駛行為特性等資料，進而利用調查資料分析及探究可能發生之交通 問題，以提出相關之解決方案。一般而言，實地攝影調查主要優點在於能調查實 地資料，利用所觀測調查而得之資料進行分析與探討，並針對實地觀測地點所發 生之交通問題，提出適當之解決方法，其說服力較一般學術研究佳。但也因其調 查母體過大，僅能針對某一部分特定樣本之抽樣調查，而每一樣本又具地域性，

可能隨著調查區域的不同，其攝影調查所得之結果也可能有不同，故攝影調查資 料僅能對特定對象或區域具有說服力，其通用性較低，此乃為攝影調查法較嚴重 之缺點。

3.1.3 單因子變異數分析法

變異數分析的作用在於分析各種變異的來源，並進而加以比較，以瞭解不同 的變數所造成的研究結果是否有顯著的差異。在變異數分析中，若僅探討一個自 變數與一個應變數間的關係，此種變異數分析則稱為「單因子變異數分析」

(One-way ANOVA Analysis)。

本研究以單因子變異數分析來探討不同跟車車種間之車輛紓解間距的差異 情形。

3.1.4 t 檢定分析

如欲比較一組樣本的平均值與某一定值間之差異 (one sample test)，或是兩 組 樣 本 的 平 均 值 間 是 否 存 在 差 異 (two sample test) ， 且 其 對 應 值 是 連 續 (continuous)，則使用獨立樣本 t 檢定。其樣本間必定是具有獨立事件 (independent event) 的特性，亦即兩兩樣本間不會相互影響。而本研究主要利用獨立樣本 t 檢 定來分析影響車輛紓解間距之因素，亦利用此檢定方法，針對有機車停等區之直 行車道不同基準線設定之整體車輛與序別車輛之紓解間距進行檢定。

z 成對樣本 t 檢定

主要是用來檢定兩組成對(不獨立)樣本的平均數之間的差異。其原理是計算 成對樣本兩者平均數間的差異是否為0。通常用於具有前測（pre-test）與後測

（post-test）的研究設計中。而本研究主要是利用成對樣本 t 檢定來找尋車隊開 始趨於穩定之車輛位置點，以及驗證所構建之序別車輛紓解模式是否具代表性。

3.1.5 相關分析

本研究針對連續與連續變數之相關分析，係以採用 Pearson 相關分析進行討 論。Pearson 相關分析主要是在分析兩連續變數之間的相關程度，而相關係數可 作為兩連續變數間線性相關之指標。其相關係數之值介於-1 與+1 之間，正負號 表示其相關的方向，正相關即表示線性相關斜率為正，而負相關則表示線性相關 斜率為負。此外，相關係數只能說明兩者關係密切的程度，而不能誤認兩者間有 因果關係存在。

表3.1 相關係數強度大小之意義

的概念「註1」，又稱為相關比（correlation ratio）。

2 2

3.1.6 逐步迴歸模式(Stepwise Regression)

迴歸分析係屬統計學中一種有用的分析方法，係指利用一組獨立變數數值，

針對某一應變數進行預測，亦可以作為評估獨立變數對應變數的效用，也就是反 應各獨立變數對應變數之影響程度。而按迴歸自變數之多寡，可分為簡單線性迴 歸分析和多元迴歸分析，其簡單線性迴歸為僅以一個獨立變數去預測應變數的模 式，而多元迴歸則是探討多個獨立變數對應變數的預測。其簡單線性迴歸通式表 示如式3-2，而複迴歸之通式表示則如式 3-3：

Y =β₀+β₁X₁+ ε Y =β₀+β₁X₁+β₂X₂+β₃X₃+...+ ε 式中β β β β₀, ,_{1 2}, ₃…等參數，通常以最小平方法估算求得。

而多元迴歸分析之「逐步迴歸法」，是運用甚為廣泛的多元迴歸分析方法之 一，也是多元迴歸分析報告中出現機率最多的一種預測變數的方法，它結合「順 向選擇法」（forward selection）與「反向剔除法」（backward elimination）二種方 式的優點。

所謂順向選擇法即是自變數一個一個（或一個步驟一個步驟）進入迴歸模式 中。在第一個步驟中，首先進入方程式的自變數是與依變數關係最密切者，亦即 與依變數間有最大正相關或最大負相關者；第二個步驟（以後每一個次步驟中）

則選取與依變數間的淨相關為最大之自變數，進入迴歸模式中。在每個步驟中，

使用Ｆ統計考驗進入迴歸模式的自變數，如果其標準化迴歸係數顯著性考驗之F 值大於或等於內定的標準，或F 值進入的機率值（probability of F-to-enter）小於 或等於內定的標準（0.05），則此變數才可以進入迴歸模式中。

至於反向剔除法是先將所有自變數均納入迴歸模式中，之後再逐一對模式貢 獻最小的預測變數移除，直到所有自變數均達到標準為止。剔除的標準有二，一 為標準化迴歸係數顯著性考驗的 F 值最小；二為最大的機率值（maximum probability of F）。SPSS 統計套裝軟體中內定剔除標準的最小 F 值為 2.71、最大 的 F 機率值為 0.10。如果研究者發現預測變數間相關較高，可將剔除 F 值

（F-to-remove）設為大些，而將 F 機率值設為較小些。

而逐步迴歸法包含了以上二種方法，此方法分析流程如圖 3.1 所示，而分析 的簡要步驟如下：

1、 在模式中原先不包括任何的自變數，而選擇與依變數相關最高者，首先進入 迴歸方程式。

2、 其次是控制迴歸方程式中之變數後，根據每個自變數與依變數間之「淨相關」

（partial correlation）的高低來決定進入方程式的順序，而進入方程式的標 準在於自變數的標準化迴歸係數必須通過F 值或 F 機率值規定之標準。

3、 已被納入方程式的自變數必須再經過反向剔除法的考驗，以決定該變數是否 被保留，進入迴歸方程式的變數若符合剔除標準，則會被洶汰。

此外，自變數又可分為連續變數與類別變數，而線性關係是迴歸分析重要的 基本假設，然因類別變數無法適用於線性關係分析，但是在社會科學研究中，類 別變數是重要的研究變數，如性別、國籍及婚姻型態等，為了使類別變數也能與 其他連續變數一起納入迴歸模式進行預測，則利用虛擬變數(Dummy Variable)的 方式，在進行迴歸分析前，先將類別變數轉換成具有連續變數之特性，再依一般 程序進行分析。而當類別變數本身有n 種情況時，則必須設有 n-1 個虛擬變數，

且虛擬變數值為0(屬性不出現)或 1(屬性出現)。

圖3.1 逐步迴歸流程圖