第三章 研究設計
第三節 研究方法
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
41
第三節 研究方法
本研究在問卷回收後，將資料編碼，運用 STATA 及 SPSS 為統計分析 工具。採用信度分析、敘述性統計及 Logit 迴歸分析解釋各變數之間的關係，
其研究方法茲以下說明：
壹、 信度分析
所謂信度（reliability）是衡量沒有誤差的程度，也是測驗結果的一 致性（Consistency）程度或穩定性（stability）。本研究將依據受訪者之相 關屬性變項，進一步驗證問卷樣本是否具有一致性，以增進本研究問卷 的客觀認定。而信度分析將採用 Cronbach’s α 值來檢測問卷量表信度，
Nunnally（1979）認為在基礎研究中，Cronbach’s α 超過 0.7 的水準較佳，
若為達到 0.5 以上，也是可以接受的，Cronbach’s α 越大表示量表內的一 致性越高。關於Cronbach’s α 值將採用 Nunnally 取捨標準，如下表 3-2。
表 3- 2 Cronbach’s α 值標準表
項次 Cronbach’s α 值 可信賴程度 備註 1 信度值≦0.30 不可信
2 0.30＜信度值≦0.40 勉強可信 3 0.40＜信度值≦0.50 尚可信
4 0.50＜信度值≦0.70 可信 最常見的信度範圍 5 0.70＜信度值≦0.90 很可信 次常見的信度範圍 6 0.90＜信度值 十分可信
資料來源：Nunnally；本研究整理
綜上，本研究信度，主要運用統計方式檢視問卷一致性與問卷之間 是否有具同質性，而信度代表的是測量的穩定性與可靠性（邱皓政，
2008）。
‧
貳、 敍述統計分析（Descriptive Statistics Analysis）
本研究應用描述性統計分析樣本基本資料的分配情況及特性，與填 行分析時，Logit 迴歸或 Probit 迴歸皆適用。當解釋變數不符常態時，Logit 迴歸模型估計方式仍具一致性。，就 Logit 迴歸分析與 Probit 迴歸分析相 較，劉代洋、李馨蘋（1994）實證結果認為 Logit 迴歸模型正確率較佳。
Agresti（2002）指出 Logit 迴歸模型的檢定適合大樣本和小樣本的檢定，
而 Probit 迴歸模型則較適合大樣本的檢定。由於本研究受限於被徵收人 問卷取得不易，所以資料屬小樣本（52 筆），因此選用 Logit 迴歸模型 分析影響被徵收人對於徵收補償價格合理性與否之因素。
而 Logit 迴歸模型的依變數為二元的（binary）資料型態，或稱為貝 努（Bernoulli）變數，其出現的變數值只有兩種可能情況，依虛擬化的 過程可用 0 或 1 來表示依變項的數值（0=成功，1=失敗）。此種類別屬 性的資料屬於離散型，二元類別無法符合迴歸分析的基本假設，因此在 迴歸模式中引進一個潛在反應變項（latentresponse variable）的概念，它 是一連續變項，但是無法直接觀察到，卻可以和解釋變項形成一般的多 元迴歸分析，也可和觀察的二元類別變項聯結在一起。
一、 Logistic 迴歸模型設定
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
43
本研究針對被徵收人接受徵收補償價格決策行為進行分析，分 別以「個別屬性變數」及「認知屬性變數」為兩大類別變數，以了 解各變數對於徵收補償價格合理性之顯著性與影響程度。依變項（Y）
為二元分類的變項，事件發生（Y=1）的機率以符號 p 表示，而出 現成功的事件為 1，出現失敗的事件為 0，機率值的範圍應介於 0 與 1 之間，以本研究之迴歸方程式表示如下：
令 yi=1 表示第 i 個觀察值為徵收補償費不合理 yi=0 表示第 i 個觀察值為徵收補償費合理 則第 i 個觀察值補償費不合理的機率為：
Ｐ(yi = 1|Xi) = Pi= 1+exp(α+βXexp(α+βXi)
i) ………..(1)
則第 i 個觀察值補償費不合理的機率為：
P(𝑦𝑖 = 0|𝑋𝑖) = 1 − 𝑃𝑖 = 1+𝑒𝑥𝑝(𝛼+𝛽𝑋1
𝑖)
而兩者發生的機率為：
Pi
1−Pi = exp(α + βXi) ………..(2)
徵收補償費合理發生的比值稱為事件發生的比率（The Odds of Experiencing an Event，odds，勝算比），為事件發生機率與不發生 機率的比值。
因為 0<Pi<1，所以勝算比一定為正值。將勝算比取自然對數即 可轉換為一個線性函數為：
‧
（一）擬合優度（Goodness of fit）指標
模型的擬合優度是指模型適合觀測資料的程度，如果模型的 預測結果能夠與對應的樣本實際結果有較高的一致性，則認為此 一模型能有效地擬合資料。否則將不能接受此一模型，需要重新 設定。在 Logit 迴歸模型中，Hosmer-Lemeshow 指標（下以簡稱 HL）是被廣泛接受的擬合優度指標，故本研究採用 HL 作為判
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
45
釋能力，但在 Logit 迴歸模型中沒有相對應的統計指標。然而在 Logit 迴歸模型中可以利用 Nagelkerke 𝑅2當作類似 v 的指標，該 指標亦可以表示自變數對被解釋變數的解釋能力。
（三）卡方檢定（chi-square Statistic）
卡方檢定可以用來檢驗模型中自變數對被解釋變數的解釋 能力是否顯著。若模型X2顯著則拒絕虛無假設，認為自變數對 被解釋變數有顯著的解釋能力。
（四）Wald 值檢定
Logit 迴歸模型中 Wald 統計量可用來檢定自變數的係數顯 著程度，其為自由度為 1 的卡方分配。Wald 檢定值越大表示該 自變數的作用越顯著。
（五）共線性（Multicollinearity）檢定
所謂共線性，係指有兩個以上的自變數互為高度相關的現象。
在進行迴歸分析前，需先檢視自變數間是否存有共線性情況。共 線性問題即所謂的線性重合問題，亦即自變數間存在著嚴重的共 線性（線性重合）問題時，自變數對應變數的理解能力將可能因 為自變數彼此間具有替代性而使得其解釋能力降低。一般而言，
若自變數間的相關係數超過 0.8，則共線性（線性重合）相當嚴 重，此時通常剔除影響力較弱的自變數。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
46