研究方法

本研究主要應用文獻評析法、攝影調查法、單因子變異數分析與Scheefe 多 重比較法、成對樣本t 檢定、相關分析、迴歸分析與廣義線性方程式（GEE）等，

用以分析車輛紓解行為特性與影響變數，並作為建立與驗證無衝突序別左轉車微 觀紓解模式之方法。

3.2.1 文獻評析法

文獻評析法係一傳統探索性之研究方法，透過蒐集國內外相關之研究論著，

分析其研究方法、結果及建議，以作為進一步研究之基礎，此種方式可協助初次 從事某課題之研究者，以避免缺乏理論與根據而致偏頗缺失。故本研究蒐集並研 析國內外車流紓解模式之相關文獻，探究其理論與內涵，並加以綜合歸納其論著 所使用之研究方法、結果之優劣，作為本研究之理論基礎。

3.2.2 攝影調查法

攝影調查法係透過數位攝影機、照數位相機等攝錄影像之器材，對某一特定 對象、事物或地點進行靜態或動態的攝錄，用以瞭解該對象所表達之意象。交通 領域方面，攝影調查往往應用於行人或車輛於某一特定道路路段，進行相關之調 查，透過攝影調查以獲得車流或人流特性，以及駕駛者之駕駛行為特性等資料，

並藉由資料分析，進而研析可能發生之交通問題，提出相關解決方案。而實地攝 影調查主要優點在於調查真實所觀測之資料，利用蒐集調查之資料進行分析、研 究與探討觀測地點實際所發生之交通問題，並提出適當之解決方法；然而對於交 通運輸領域而言，攝影調查之缺點則在於母體過大，對於每一個研究主題僅能調 查某一或某幾個特定樣本，且每一樣本又具地域性，隨著調查區域之相異，其攝 影調查資料結果可能因此而改變，故僅能對特定對象或區域具有說服力，較缺乏 整體之通用性。

3.2.3 單因子變異數分析（One-way Analysis of Variance, ANOVA）

變異數分析（ANOVA）的作用在於分析各種變異的來源，且進而加以比較，

以瞭解不同變數所造成的研究結果是否有顯著的差異。而在變異數分析中，若所 探討一個自變數與應變數間的關係，即稱為單因子變異數分析。本研究係以單因 子變異數分析，分析不同車種組合與紓解間距間，及不同車種組合與停等間距間 之關係與差異情形。

3.2.4 Scheefe 多重比較

事後比較分析中，由於本研究各組樣本數不同，故採用Scheefe 法。Scheefe 法是檢定每一個平均數線性組合，而非只是檢定一對平均數間的差異情形，因而 Scheefe 法顯得較為保守，故可能變異數分析 F 值已達顯著，但事後比較時卻沒 有發現有任何兩種的平均數達到顯著差異。但是，學者Kleinbaum 等人所提之多 重比較法中，亦建議使用者使用Scheefe 法[9]。

3.2.5 成對樣本 t 檢定

主要在檢定兩組成對(不獨立)樣本的平均數(μ1與 μ2)之間的差異是否顯著，

其原理是計算成對(不獨立)樣本兩者之平均數差異是否為 0。通常用於具有前測 (pre-test)與後測(post-test)的研究設計中。本研究係以成對樣本 t 檢定作為找尋無 衝突左轉車流趨於穩定紓解之車輛位置，並驗證所構建之序別無衝突左轉車輛微 觀紓解模式是否具代表性。

3.2.6 相關分析

Pearson 相關分析係分析兩變數間的相關程度，其中相關係數可作為兩連續變數 間線性相關的指標。其相關係數介於-1 與+1 之間，正負符號表示相關的方向，

的概念「註1」，又稱為相關比（correlation ratio）[12]。

2 2

知道，預測Y 值時所產生的全部錯誤是E₁,根據 X 值來預測 Y 值時所產生的總錯 誤是E₂( X 做為預測時的相關消息) 。

1 2

1

E E PRE E

= −

PRE 數值越大，表示以 X 預測 Y 能減少錯誤的比例越大，亦是說 X 與 Y 的關係 越強，所以PRE 可以用來預測相關程度。

相關係數可以說是兩變數間關係檢驗的「描述統計量」，可以用來反應變數 關聯的基本性質與變化趨勢，但不是用來理解變數間實質關係與統計決策的適合 策略。

3.2.7 迴歸分析與逐步分析法

迴歸分析係將研究之變數區分為依變數及自變數，並建立兩者之函式模型，

再依據樣本所得之資料來估計模型之參數，主要用以解釋資料過去現象及預測依 變數未來可能之數值，迴歸按自變數之多寡，可分為簡單線性迴歸與複迴歸分 析。簡單線性迴歸用一個自變數來解釋一個依變數的迴歸分析，其表示如下：

Y

β

β

X

ε

複迴歸則用兩個或兩個以上自變數來解釋一個依變數之迴歸分析，其表示如 下：

0 1 1 2 2 3 3 ....

Y

β

β X

β X

β X

ε

此外，本研究之考量變數因有其類別變數，故需藉以（Dummy Variable）之 轉換來作分析，當類別變數本身有n 種情況時，必須設定 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）。另外，本研究選以逐步迴歸分析 法(Stepwise Regression)，處理變數間先後因果影響關係，綜合順向進入法 (Forward Selection)與反向淘汰法(Backward Elimination)，迴歸分析先依順向進入 法，逐步納入最具預測效力的變數，且每納入一個變數後即利用反向淘汰法檢驗 在此模式中的所有變數，若有任何未達顯著的變數將被排除，依此原則交叉循環 進行檢測，直到所有保留在模式中的變數都達顯著水準、排除的變數為不顯著之 變數為止。此法具順向法與淘汰法的優點，經常被研究者使用[8]。

3.2.8 廣義估計方程式(Generalized Estimating Equation，GEE)

廣義線性模型方法 (Generalized Linear Models，GLM) 是資料分析人員常用 的方法，因為它包含許多模型，例如普通的最小平方，序數結果退化，和退化模 型對生存資料的分析。然而，GLM 不充分之處在於當資料是縱向 (Longitudinal) 的或是同一組內的資料是有相關時，將無法提出有效的分析。使用廣義估計方程 式(Generalized Estimating Equation，GEE)是 GLM 的概念化，而 GEE 則是一個半

母數(semi-parametric)的方法，GEE 所提供之迴歸係數是具有一致性的估計量，

且亦獲得其估計量的正確變異數估計值。因此GEE 提供了正確的 Wald 檢定，

進而能考慮到資料組內存在的相關性作用。