分權制衡的民主價值，不只存在美國的歷史中，亦存在我國的憲法與解釋中。
在政黨政治的興起下，憲法分權後機關制衡的運作與否，取決於不同政黨是否掌 握不同政治權力的政黨制衡，而民眾對於政黨制衡的態度也將影響到我國憲政運 作。我國民眾的制衡觀，可能來自於本身對於制衡的重視、來自於對於兩黨極化 統獨議題的中和盼望、或可能來自於民眾雙重的族群認同。以往對於政黨制衡的 研究，大多觀察民眾認知麥迪遜主義對於分裂投票的影響，並未考慮民眾此態度 本身是否為強態度、是否為抽象化思考。本研究好奇的是，我國民眾對於政黨制 衡的判斷，是否真的足以抽離真空抽象思考，達到高度概念化的層次，如同 Rawls
（1971）所云在無知之幕後面進行憲政制度選擇？或是無法脫離現實，使得民眾 的政黨認同合理化了民眾的價值判斷，使得民眾會隨著支持政黨的掌權與否，改 變對於政黨制衡的態度以合理化自己的政治參與？
假如我國民眾對於政黨制衡的態度僅是對支持政黨執政與否的合理化，測到 的只是情境制衡觀，那過往指出政黨制衡導致分裂投票之研究即可能有因果謬 誤，需要進一步釐清，也需要針對我國分裂投票的研究尋找其他解釋變數；而各 候選人或政黨在選舉時對於一致或分立政府的分權制衡相關呼籲，對選票的影響 較高程度上是固票效果，真的追求實現憲法上的機關制衡的比例或影響恐怕較低。
第參章、研究架構與分析方法
在文獻探討中，討論到了民眾對於政黨制衡觀態度的強弱、概念化高度，以 及與政黨認同之間的關係。另一方面，在解釋臺灣民眾強態度制衡觀出現的原因 上，本研究也提出了民眾自發性或透過教育珍惜民主制衡價值、或者是因為民眾 統獨立場趨中、或民眾具有雙重族群認同，導致民眾支持制衡觀的三種可能成因。
為了進一步釐清與說明具政黨認同的選民，在經歷我國 2004 至 2008 年的第 二次政黨輪替的過程中，其制衡觀為強態度或弱態度的情形之下，對於制衡觀回 答的反應差異，本研究將建立政黨制衡與情境制衡兩種不同的選民類型，形成後 文進行實證資料分析時對於制衡觀強度的操作型定義。透過不同類型選民之偏好 排序的設定，來推衍 2004 年立委選舉、2008 立委選舉與 2008 年總統選舉的過程 中，政黨制衡觀與情境制衡觀的選民，對於制衡觀回答的差異，形成研究假設以 供實證資料驗證，並以此說明過往經驗研究中可能的推論謬誤與估計偏誤。
需特別注意的是，本研究此處所云的政黨認同，是指以藍綠作為版塊的認同，
游清鑫（2004）曾指出在我國分裂投票的研究上，使用藍綠較政黨有更高的適用 性；而盛杏湲（2010）研究 2004 至 2008 年民眾的政黨認同，發現民眾的政黨認 同大約有六成是穩定的，剩下的變動者也大多沿著藍綠邊線內改變，整體來說藍 綠版塊穩定，因此本研究也將以藍綠作為分界來進行研究。
接著，本研究將使用 TEDS2005 年 1 至 3 月至 2008 年 1 至 3 月、以及 2008 年 1 至 3 月至 2008 年 6 至 8 月兩波定群資料，來針對我國選民的制衡觀態度變化 進行觀察，並試圖解釋為何不同民眾心中的制衡觀有所不同、以及藉由結果推測 未來我國民眾整體制衡觀的走向。如前文所述，在 2005 年 1 至 3 月時，民進黨籍 總統候選人陳水扁成功連任，而第六屆立委選舉也剛於 12 月結束，維持了三黨不 過半的局面。在選舉過程中，泛綠打出了「立委過半數，安定大進步」、「立委過 半，讓法案不耽誤、政府好做事」的施政效率訴求，而泛藍則在總統選舉失利後
強力主打「制衡型國會」、「要制衡、反獨裁」的制衡目標。而 2008 年 1 月的立委 選舉中泛藍大勝，而泛藍陣營在其後 2008 年 3 月的總統選舉也順勢喊出了「完全 執政、完全負責」、「避免政治僵局」的效率立場；相對地，泛綠總統候選人謝長 廷則強力攻擊「一黨獨大」、大聲呼籲「制衡型總統」、「兩黨共治救民主」的制衡 主張。在 2008 年 3 月總統選舉結束後，總統馬英九順利擊敗代表泛綠的候選人謝 長廷，使得總統與行政院多數黨為同一政黨，也結束了八年的分立政府時期。兩 波定群資料所包含的時間，分別為 2005 年第六屆立委選舉後、2008 年第七屆立委 選舉後總統選舉前、以及 2008 年第十二屆總統選舉後，包括了兩個重要的選舉以 及第二次政黨輪替，適合觀察民眾的制衡觀在這段時間內的變化，進以瞭解民眾 制衡觀態度的強弱。由於使用定群資料，進行估計時可避免因抽樣產生不同樣本 的隨機誤差，而更能推論不同時期同一批樣本的改變，同時也可避免只關注一次 選舉，而無法觀察到政黨立場與民眾議題立場間並無相對應變化的情形。
在分析方法上，本研究將先以總體資料層次來進行初步的分析，使用敘述統 計、列聯表（contingency table）與折線圖等方式，觀察 2004 年至 2008 年三個時 間點的定群資料中，全體樣本、以及具泛藍、泛綠、無政黨認同者的樣本，對於 制衡觀的態度分布及其變異情形。列聯表中的數字為個數，分類方式是類別，此 種分析較適合使用卡方檢定（Chi-Squared Test）來觀察兩變數間的相關性（Everitt, 1992），本研究將用來觀察政黨認同與制衡觀之間分布是否為隨機、或有顯著特定 的分布。而欲觀察民眾的態度在不同時間點是否有顯著改變、或是變化是隨機的，
同樣可以使用卡方檢定來觀察受訪前後的態度關連性，而這種相同題目、相同樣 本於不同時間的重覆施測，可以使用一致性檢驗（Cohen, 1960; Landis and Koch, 1977）來計算出 kappa 係數，計算出民眾之前與之後的態度是否一致、或者具有顯 著差異。本部分使用的軟體為 SPSS 12.0。
下一部分，本研究將民眾區分成政黨制衡者、情境制衡者、與其他類，並觀 察民眾的統獨態度與兩陣營的差異、民眾的臺灣或中國或雙重族群認同、民眾的
政黨認同、以及其他社會變數在不同制衡類型民眾間的差異，進行初步的觀察。
在文獻探討中，除了統獨立場、雙重族群認同與政黨認同強度外，民眾的政治知 識、性別、年齡、教育程度同樣可能影響民眾的制衡觀強度，需要進一步分析。
考量到我國民眾對於泛藍、泛綠的政黨認同強度差異，本研究也將使用蕭怡靖
（2009）提出的九分類「藍綠政黨喜好差異指標」來區別出政黨認同強度不同的 選民，對於制衡觀態度的變化。不同的政黨強度可視為是順序尺度或連續變數，
但支持制衡與否則是二分類別變數。假如要檢定是否具遞移性，Everitt（1992:
117-120）提出的方式，是先給予順序尺度變數對應的數值，二分變數給予 0 與 1，
並以單迴歸來進行分析。Everitt 的方式相較於蕭怡靖（2009）使用 Pearson‟s r 或是 Cramer‟s V 來檢定的差異在於，Everitt 的方法可以檢驗遞移性的正向或負向關係，
並且可針對殘差進行檢定，觀察是否有曲線（curvilinear）關係；迴歸檢驗與 Pearson‟s r 是類似的，但 Pearson‟s r 無法檢驗殘差，而 Cramer‟s V 將無法觀察到遞移的正向 或負向關係，因此本研究檢驗遞移性將使用 Everitt（1992）提出的方法。
要驗證制衡觀累型與民眾其他變數間的關係時，因為民眾制衡觀的類型為三 個，超過兩種，較適合使用變異數分析（Analysis of Variance, ANOVA）來觀察不 同制衡類型選民間的態度與社會變數的差異與否。因為研究涉及不同類型選民的 比較，因此除了 ANOVA 外，亦需進行事後兩兩比較（post hoc analysis），本研究 選擇使用 Scheffé事後比較法進行分析。本部分使用的統計軟體為 SPSS 12.0。
最後，本研究將透過多元迴歸分析，來瞭解選民不同的社會變數或政黨認同 變數，對於民眾不同制衡觀強度的影響力。因為本研究使用的依變數為制衡觀有 無與轉變，包括了兩種以上的情形，較常使用的模型為 MNL 或者是多項機率單元 模型（Multinomial Probit Model, MNP ），透過最大模擬概似估計 （Maximum Likelihood Estimation, MLE）來估計結果。黃紀與王德育（2009）指出，在分析兩 個以上選項之研究時，早期多以 MNL 為主，但 MNL 建立在選項間彼此互相獨立 的簡化假定上（independence of irrelative alternatives, IIA），此假定未觀察到相同變
數反應不一之異質性而未必成立。簡單來說，就是 MNL 的各類別依變數中，當抽 去任一類別時，選取其他類別的勝算比並不會因而改變。Hausman 與 McFadden
（1984）曾提出 IIA 假設的檢定方法，被後人稱之為 Hausman Test，之後經過 Small 與 Hsiao（1985）的改良與修正，稱之為 Small-Hsiao Test，在 IIA 的檢定上經常受 到使用（Freese and Long, 2006）。
相較之下，MNP 允許選項間的相關，又無需強行預設哪幾者間有相關，在分 析多候選人及多黨選舉之文獻中運用甚廣（Dow and Endersby, 2004; 黃紀、王德 育，2009）。然而，Long 與 Freese（2006: 313-315）與 Dow 與 Endersby（2004）
指出，MNP 可以處理誤差相關（correlated error）的原因，在於迴歸模型中必需放 入替選方案特定變數（alternative-specific variable），否則就無法處理誤差。換言之，
在 MNP 中，以個案為基礎的變數僅改變了個案選擇特定類別依變數的效用
（utility），卻未解釋依變數各類別本身的變異。Dow 與 Endersby（2004）因而建 議，假如缺乏適當的替選方案特定變數，而 IIA 檢定又未拒絕虛無假設的話，使用 MNL 是較 MNP 更為適合的。另一方面，王鼎銘（2012: 85-131）指出，MNP 對誤 差項的積分並非封閉型態，無法使用 MLE 進行估算，而是要採參數模擬的方式進 行，稱之為最大模擬概似法（Maximum Stimulated Likelihood, MSL）。MSL 的缺點 在於，假如一開始設定的參數或種子不同，MNP 估計出來的結果即可能不同，需
（utility），卻未解釋依變數各類別本身的變異。Dow 與 Endersby（2004）因而建 議，假如缺乏適當的替選方案特定變數，而 IIA 檢定又未拒絕虛無假設的話，使用 MNL 是較 MNP 更為適合的。另一方面，王鼎銘（2012: 85-131）指出，MNP 對誤 差項的積分並非封閉型態，無法使用 MLE 進行估算，而是要採參數模擬的方式進 行，稱之為最大模擬概似法（Maximum Stimulated Likelihood, MSL）。MSL 的缺點 在於，假如一開始設定的參數或種子不同，MNP 估計出來的結果即可能不同，需