第三章 研究架構與方法
3.1 研究變數之定義
本研究係屬於社會科學研究，對於研究變數的有效衡量為一重要議題。研究中組成 駕駛人反應行為之各構面，包括憤怒駕駛傾向、反應行為意向在模式中皆屬於潛在變數 (latent variable)，無法直接量測，需借助外顯變數來衡量，因此須界定各潛在變數之操 作型定義，供問卷設計時參考。本研究各潛在變數之操作型定義如下：
1. 憤怒駕駛傾向：
對於駕車過程中所遇到的事件，駕駛人受到影響而導致負面情緒累積的程度。
2. 反應行為意向：
對於駕車過程所遇到的事件，駕駛人欲展現出不同反應的行為意圖。
3. 性別角色：
在家庭教育的基礎教育後，透過社會化的過程，對自我性別的認識與定位。
4. 冒險性：
對於駕車過程中所遇到的事件，考慮所有可能發生的結果後，將採取何種風險程度 行動的可能性。
5. 衝動性：
對於駕車過程中所遇到的事件，沒有先考慮後續產生的結果就採取行動的可能性。
6. 同理心：
26
對於駕車過程中所遇到的事件，本身能感知與體驗他人情感的能力。
3.2
研研究假設與系統分析研研究假設與系統分析究假設與系統分析究假設與系統分析本研究假設駕駛人在遇到路上他人侵略性駕駛行為的刺激時，會透過個人特質的不 同解讀，配合個人社經背景與過去駕駛經驗的累積，在內心感受上會產生不同程度的負 面情緒，也會在外顯行為上產生不同程度的反應。本研究架構將利用駕駛行為的刺激理 論來建構，將架構依照研究目的以圖3.1 表達，透過調查將所得到資料依照架構圖進行 得到所上節所陳述的目的。
圖 圖 圖
圖 3.1 系統分析圖系統分析圖系統分析圖 系統分析圖 Response(憤怒駕駛傾向憤怒駕駛傾向憤怒駕駛傾向) 憤怒駕駛傾向 憤怒感
反應行為意向 Organism
三大性格
外向性
精 神 病
質
神經質
冒險性 衝動性
同理心 個人背景
個人背景 個人背景 個人背景 性別角色、
年齡、
教育程度
駕駛經驗駕駛經驗駕駛經驗 駕駛經驗 違規經驗、
事故經驗、
衝突經驗、
年平均里程、
經常開車年資
Stimulus
侵略性駕駛行為之情境
(行進阻礙、直接敵意、粗魯駕駛)
27 因此本研究之研究假設為：
假設1：開車年資的累積會帶來憤怒駕駛傾向的降低。
假設2：年平均行駛里程越長，其憤怒駕駛傾向度會越低。
假設3：衝動性較高的駕駛較易產生強烈的憤怒駕駛傾向。
衝動性較高的駕駛會產生較多魯莽或違規的駕駛行為。
駕駛經驗越多的人，衝動性會降低。
假設4：男性冒險性比女性高、冒險性高的人較易產生激烈的反應行為。
假設5：女性同理心比男性高。
駕駛經驗越多，駕駛同理心越高。
交通事故經驗越高者，其同理心程度較高。
假設6：女性化與中性化角色會較其他角色之憤怒駕駛傾向皆較低。
3.3
問卷問卷抽樣與調查問卷問卷抽樣與調查抽樣與調查抽樣與調查本研究依研究內容設計問卷，並依抽樣理論計算研究應調查之問卷份數。針對憤怒 駕駛傾向與反應行為之差異進行問卷設計與調查，問卷內容包括基本資料、DAS 量表、
性別角色量表、IVE 量表。另外亦調查受測者之家庭結構及社經資料，包括：居住地、
年齡、教育程度、擁有駕照種類、取照年資、年平均開車里程等，並結合受測者之社經 資料，以了解受測者憤怒駕駛傾向受哪些因素影響。本研究根據依據抽樣理論得知信心 水準 95%，可容忍誤差 0.05 情況下，所需調查樣本數最少為 384 份，並依男女性擁有 小客車駕照比例進行分層抽樣，其中男女性所需抽樣份數如表3.1 所示。
表表表
表 3.1 本研究本研究本研究本研究問卷抽樣數問卷抽樣數問卷抽樣數問卷抽樣數
性別 擁有小客車駕照比例(%) 應抽份數(份)
男 71.7% 275
女 28.3% 109
總計 100% 384
28
3.4
研究方法研究方法 研究方法研究方法針對本研究欲探討之主題，預期採用之研究方法包括：
3.4.1 多變量分析
本研究欲探討特定時點下，不同性別角色、人格特質、過去經驗在憤怒程度、反應 行為的選擇等議題。因此透過多變量分析之分類技術，如判別分析、集群分析、變異數 分析（ANOVA）、多元變異數分析（MANOVA）等方法，則可進一步針對不同性別群 體，在不同屬性變數間是否存在明顯差異性進行統計推論。因此，相關多變量分析技術，
均可嘗試作為資料探索、分類技術、差異比較等之有用工具。以下將介紹本研究欲採取 之研究方法，即為集群分析與羅吉斯迴歸分析。
3.4.2 集群分析
集群分析主要可用來辨別事物在某些特性上的相似或相異處，並按照這些特性來劃 分幾個集群，使得同一集群內的事物具有高度同質性，而不同集群間的事物具有高度異 質性，即表示將樣本分成數個彼此沒交集的群組。集群分析根據不同的分群變數選擇來 進行資料的分群，且分群變數即定義為將觀察值分出變異的變數並視為比較分析的基 礎。 集群分析大多應用於探索性分析，希望找出研究對象的分群結果，同時他也可用 於驗證目的，對於其他方法產生的資料分群，進而應用集群分析來進行檢驗。目前集群 分析的方法相當多，但仍無最佳的方法解決所有問題，以下將介紹集群分析的步驟。
一般來說，集群分析應包括以下四個步驟，首先根據研究目的來選擇最合適的分群變 數；接著計算相似性衡量；第三部選定集群方法進行集群，最後則是對結果進行解釋與 驗證。以下將介紹相似性的衡量方式與集群方法。
而在相似性衡量的計算方式相當多種，根據不同角度去衡量研究對象的相似性，主 要分為距離衡量與關聯衡量，其中距離衡量適用於計量資料的衡量，關聯衡量則適用於 名目衡量與次序衡量的資料。距離衡量的出發點是把每個觀察值視為m 維空間中的一個 點，並將m 維空間中定義點與點間的距離，距離越近的點，及代表相似程度越高，集群 時更可能歸為同一群，如果兩觀察點在變數上的值都相同，則這兩個點在m 維空間中應 該重合，且兩點間距離為0。衡量分為區間(Interval)、個數(Counts)與兩進位(Binary)的 方式，可用於選擇資料類型的距離或相似性量測可用的測距方法。總共包括以下數種方 法：歐基里得直線距離(Euclidean distance)、歐基里得直線距離平方(Squared Euclidean distance)、餘弦(cosine)、Pearson 相關、柴比雪夫距離(Chebychev distance)、區塊距離(block distance)。關聯衡量是當衡量分群變數為分類變數時，可用來衡量研究對象之相似性的
29
方法。關聯衡量係數種類眾多，其中只有三種獲得廣泛應用。Counts 即為分群變數計數 資料，距離則已出現之次數為衡量標準，可用方法包括：卡方值測距(Chi-Square measure)、Phi 平方值測距(Phi-Square measure)、二進位資料(Binary)。
目前學者已發展多種集群方法，則最為廣泛應用的則為層次集群法(Hierachical Cluster)與非層次集群法(Non-hierarchical Cluster)。首先先介紹層次集群法，分為 凝聚法與分離法。凝聚法是將各個觀察值各自看成一群，先將距離最近的兩群合併，然 後重新計算群間之距離，按此步驟持續到所有相似觀察值歸為同一群為止；分離法則剛 好相反，首先先將所有觀察值歸為一群，接著將最不相似的觀察值分為兩群，每一步增 加一群，直到所有相似的觀察值都自成一群為止。然而群間距離也透過統計學家提出五 種常見的計算方式：最短距離法(單一法)、最遠距離法、平均連結法、重心法、最小變 異數和法，而經過學者的測試發現，單一法的分群效果較差，故建議採用其餘數種方式 來進行群組間距離的量測。
上述之層次集群法需要為每個可能組合之觀察點計算其間的距離，所花費之計算時 間、成本均相當高，且每次集群過程中皆須儲存距離矩陣，並在每步的集群過程都需做 繁雜計算，若遇到樣本量極大時，會需要較大儲存空間與計算時間，故才發展出非層次 的集群法來克服這兩個缺點。目前以 K 平均值法為非層次集群法最常使用的方法，特性 為初始群不管如何設定，最後產生集群解值為唯一性。非層次集群法的步驟首先為指定 要形成的集群數，對樣本進行初始分群並計算各群重心。接著調整分群，即為計算每個 觀察值到各群重心距離，把每個觀察值歸入距重心最近的那群。接著重新計算各群重心 後，重複上述步驟直到沒有觀察值可以調整為止。
非層次集群法的關鍵步驟為選擇出使分群，通常會分為已知初始集群中心與未知初 始集群中心兩種。初始集中心通常是根據經驗法則人為的進行選擇，或是先將樣本用其 他方式分群後，來找出各群重心當作初始集群中心。在未知初始集群中心的情況下，則 指定某種集群方法對觀察值進行初始分群。
集群分析之目的為針對研究對象進行分群，故選擇分群數為各種集群方法中最主要 的問題。實際應用中，研究者需根據研究目的從實用角度出發，選擇適合的分群數。過 去學者也提出分群的準則：
1. 任何群都必須在鄰近各群是突出的，表示各群重心間距離需很大。
2. 各群所包含的觀察值數都不要過多，以便各群內相似性提高。
3. 分群數目應符合使用目的。
4. 若採用數種不同集群方法，則在各自集群圖上應發現相同群組。
然而集群分析方法的選擇會受許多因素影響，主要包括以下四個因素：
30 1. 群的結構(主要指群的形狀、規模與個數) 2. 偏離值(Outliers)、異常值的存在。
3. 相似衡量的選擇。
在集群分析發展的早期，層次集群法應用較為普及，尤其以平均連結法與離差平方
在集群分析發展的早期，層次集群法應用較為普及，尤其以平均連結法與離差平方