一、羽球比賽技術分析
審視競技運動成績表現分析，目前的兩大主要重點是比賽技術分析和比賽戰術分 析，特別是開放性運動類型，隨著環境、對手、裁判、規則…等等的變化和更動，致 使研究複雜且困難；主要是克服不同對手時對抗性的特質，幸好 Rasch 分析能夠合理 的估計配對比較的型式。近年來由於 Rasch 測量的引用，逐漸地被應用到高爾夫（姚 漢禱，2005；姚漢禱，2012；魏筠潔，2012；Fisher , 1998）、排球（Bowles & Ram, 2006）、
射擊（姚漢禱與姚偉哲，2008）、射箭（姚漢禱、邱炳坤與陳詩園，2009）、桌球（呂 玉華，2009；陸雲鳳，2008；陸雲鳳、紀世清與姚漢禱，2009）、羽球（方介民，2012；
鄧世華、王榮照與姚漢禱，2014）、跆拳道（崔方璇，2009；諾幹斗烈，2011）…等 競技運動項目，運用 Rasch 分析獲得合理的潛在能力估計，有別於傳統的統計分析比 賽技術，能夠合理的處理對抗性特質，不會因為總和計算的統計分析，將不同對手的 數據一起合併，失去在不同潛能對手反應的相對性，抵銷了對抗意義；而且 Rasch 分 析提供測驗的品質（效度、信度、鑑別度、代表性等）、以及檢驗資料－模式的適合 度(data-model fit)，這是傳統統計分析缺乏的部分。本文在多層面 Rasch 模式估計獲 得良好的測驗品質，運動員、評分者和技術等三個層面皆具有良好的效度、信度、鑑 別度和代表性，且資料適合 Rasch 模式，能夠依據模式進行推論。
二、羽球比賽技術非期望反應的診斷分析
Brennan (2011)認為：「試題反應理論可以看做微觀理論，概化理論可以看做鉅觀 理論。」也就是說，Rasch 測量理論是一種微觀理論，其特點是深入分析測驗反應的 隱含的特徵，就像顯微鏡來觀察研究。本文利用 Rasch 分析探查羽球比賽技術，首先 是非期望反應的診斷分析，標準殘差(standardized residuals)設定 2.0，因為標準殘差 近似常態分配(Linacre, 2010)，標準殘差正值（右尾）表示超高水準的反應（達 p < .05 顯著）、負值（左尾）表示超低水準的反應（達 p < .05 顯著）。Chang、Lin 與 Lin (2007)：
「運用部分知識和非期望反應測量選擇題測驗，透過非期望反應診斷受試者。」姚漢 禱與姚偉哲(2008)：「根據非期望反應和標準殘差進一步探討選手在雙不定向飛靶的
應異常類型，以及個人的技術類型和優缺點。」以上證實非期望反應確實能用於診斷 試者在試題上的差異，逐漸被公認為試題差異函數(differential item functioning, DIF)，
用以診斷焦點組(focus group) 與參照組(reference group)在試題上的差異，避免試題偏 差影響考試的公平性。 DIF 實際上是受試者和試題兩個層面的交叉分析，Linacre 易掌握，且有助於更細微的複雜分析，以及 DIF 分析的需求，Linacre 撰寫的 FACETS 估計軟體也增加了兩個層面的交叉分析。Du、Wright 與 Brown(1996)首先利用 FACETS 研究評分者差異函數 (Differential Rater Functioning, DRF)，說明這種程序既 提供了紮實的理論基礎和實際的方法來檢測評估者偏差。因此，Lu 與 Yau (2013) 利
能估計發球前段 logit 值 0.26 最佳、相持段 logit 值-0.21 最差；整體來看：前四段技 術（發球前段、接發球前段、發球中段、接發球中段）是Ａ運動員的優勢，相持段是 Ａ運動員的弱點。3、Ａ運動員的七段技術相互之間兩兩配對比較，前四段技術顯著 優於相持段技術的成績表現。4、運動員間技術層面的配對比較：Ａ運動員顯著較差 者有七組配對、佔 12.5%，Ａ運動員顯著較優者有八組配對、佔 14.3%。5、診斷Ａ 運動員技術，經十個步驟追蹤結果找到Ａ運動員對Ｆ運動員相持段的失分有 11 次，
平均落在七項單一技術上，進一步診斷最多(3 次)的長球技術，主要發現：Ａ運動員 反拍長球後退左後方步法不良，以及正拍平擊長球的球拍角度和力量掌控不當，可透 過多球訓練補強，再持續診斷比賽中的表現。
總結本文結果發現：1> 透過非期望反應成功的收集到運動員的缺點。 2> 羽球 單打技術的 Q 矩陣能夠診斷運動員的缺點。 3> 技術補強訓練，根據診斷結果擬定 訓練處方，其成效有待後續比賽不斷的檢驗。由此歸納結論為：利用多層面 Rasch 模 式和羽球單打技術的 Q 矩陣，能夠診斷出運動員技術的缺點，作為後續訓練的目標。