資料分析

本節主要說明如何將本研究 26 位受訪者的 Q 排列資料，透過 PQ Method 軟體整理分類，針對軟體分析後的結果進行篩選與確認，並參考大多數使用 Q 方法的研究者在使用 PQ Method 軟體進行因素分析時的主要操作步驟： 1. 主 成分因素分析法→ 2. 決定因素數目→ 3. 最大變異數轉軸法→ 4. 將 Q 排列 以因素負荷量來進行 P 樣本歸類（唐震，2006、2008；歐陽格格，2013；趙佩 儀，2010）。本研究藉由依循上揭步驟，就如何決定因素數目與歸類受訪者之 步驟，詳細說明如下：

一、決定因素數目

決定因素數目的方式有許多種，在完成因素分析後，大多數研究都依照 Kaiser 法則取得特徵值（Eigenvalues）大於 1 的因素來決定分成幾種因素。特 徵值亦即每一行因素負荷量（Factor loading）平方加總後的總和，以大於 1 為 篩選原則，或累積解釋變異量至少 60%以上，表示該因素有解釋全體變異的能 力（林伶瑾、陳聖欽、楊孟翌，2008；林晉億，2015）。除了以 Kaiser 之特

徵值大於 1 來辨識因素數目外，利用陡坡圖（Scree plot）檢驗也是常見的方法。

在多數的因素分析中，根據 Kaiser 法則選取的標準，通常會抽取過多的共同因 素，因而陡坡圖是一個重要的選取準則（吳明隆、涂金堂，2006：29）。因為 上述兩種方法較常受研究者使用，故本研究以此兩種檢驗方式決定因素數目。

（一）以 Kaiser 法則取特徵值大於 1

Kaiser 法則是以特徵值為判斷準則，即保留特徵值大於 1 的共同因素（周文賢，

2002）。此法應用時要注意幾點：

1. 因素分析的題項最好不超過 30 題，題項的共同性平均在 .70 以上，若樣 本數超過 250 個，題項的共同性平均可下修在 .60 以上；

2. 題項數超過 50 題，則有可能會萃取較多的共同因素，此時，可利用統計 軟體來限定因素抽取數量（吳明隆，2005）。

以 Kaiser 法則之特徵值大於 1 的方式而言，原是以分析母群體相關矩陣

（Population correlation matrix）對角線為 1 而設計的，而保留特徵值大於或等 於 1 之成分（傅粹馨，2002：117）。因每一變數之變異數均為 1，如果要抽取 的因素所能解釋的變異數小於 1，則其解釋變數之變異數效力就不如單一變數。

因此，選擇特徵值大於 1 的因素類型數量較為恰當。

本研究 26 份受訪者的 Q 排列資料經過 PQ Method 進行主成分因素分析法萃取 共同因素結果如圖表 15：

圖表 15：PQ Method 主成份因素分析結果圖

經由主因素分析法初步取得 7 個未經轉軸的因素（Un-rotated factors），這 7 個論述的特徵值均大於 1，且能夠解釋資料的累積變異量達 69.75％，特徵值的 意義在於個別因素可以將其視為有「幾人份」的態度，此 7 項因素大於 1 的意 義表示各項皆能負載 1 名以上的受訪者。

（二）陡坡圖檢定法

陡坡圖檢定法（Scree Test）是以共同因素間之特徵值落差 dj = (λj-λj+1)為準則。

共同因素個數的判斷準則，係保留最大落差值對應的共同因素和之前的共同因

素，亦即： max dj = (λj -λj+1) | j=J 其中， dj = 對應於第 j 個共同因素之特 徵值落差，即該共同因素與下一個共同因素的特徵值之差異。 J = 共同因素保 留之個數。（周文賢，2002）

陡坡圖可以用來判定最適切的因素個數，它是用特徵值當 y 軸，因素的個數當 x 軸，曲線上的點代表變數可以解釋的變異。陡坡圖的判定方式是當曲線下降 至平坦處，就是判定點，如上圖，我們會選取 5 個因素，若是採用特徵值≧1 的方法，則會選取 4 個因素，研究人員到底選取 4 個還是 5 個因素，得考慮實 務上的經驗來判定了。

綜上所述，本研究再輔以 Cattell 所提出的陡坡圖檢驗法（Scree plot）作為為 第二道因素篩選標準，陡坡圖是 Cattell （1966）提出的一種圖形判斷方法，

以陡坡圖的方法，決定因素分析所應保留的因數數目。該方法是繪一特徵值圖，

其中 X 軸為解釋量由大到小依序排列的因素系列代碼（依序為第一，第二，

⋯⋯第 n 因素），Y 軸為對應 X 軸因素代碼的特徵值，將各特徵值以折線連貫 後，以折線中相對落差最大兩點中的前面一點為有意義或重要因素保留的決斷 點（洪碧霞，2000）；該點以上的因素表示共同因素，以下的因素則屬於特殊 因素而不予採用（吳明隆、涂金堂，2006：29）。亦即當因素數目增加，而特 徵值變化卻趨於平緩時，便捨棄之後的因素項目。本研究個因素及特徵值陡坡 圖如下：

圖表 16：各因素對應特徵值陡坡圖

依據陡坡檢定原則及圖像呈現情形，將趨於平緩或是近似平坦起始點之前的因 素予以保留，因為從第 5 個因素開始坡度趨於平緩，因此本研究依前述判斷原 則，保留第 5 個因素之前的個 4 因素加以解釋，因此本研究最後透過陡坡檢定 原則，選取 4 個主要因素，以進行後續轉軸。

雖然陡坡圖可能會涉及主觀判斷，而造成不同研究者選擇的因素數目產生不一 致之情形。然而，根據 Zwick & Velicer （1986）過去的研究指出，利用陡坡 圖所得結果會比用特徵值大於 1 或 Bartlett 的卡方考驗方法來的正確（吳明隆、

涂金堂，2006：30），Gorsuch （1986）也認為，當資料結構適當（如大樣本、

變項之共同性高）與具經驗的研究者作判斷時，陡坡圖可作為一種更簡單且更 能準確提供因素數目的方法（傅粹馨，2002：117）。

（三）Q 排列歸類

Q 方法的因素分析有別於 R 方法之處在於，R 方法下的因素分析是將不同的題

受訪者類型的區分方法以各因素負荷量最高者為主，但依據 Stephenson （1967）

研究發現，因素負荷量必須大於零相關的 2.58 倍 才具顯著相關，即代表因素 負荷量必須大於 2.58/√N，其中 N 為陳述句的個數（Schlinger,1969; Fairweather and Swaffield, 2002; Rosenbaum, Ostrom and Kuntze, 2005; Liu, 2008；轉引自劉 仲矩，2016）。因素負荷量數值越高，意即受訪者的意見與此論述之相似程度 越高，依據受訪者 Q 排列資料判斷其因素負荷量是否具顯著的臨界值公式為：

因素負荷量（Factor loadings）

接著以 Schlinger （1969）建議受測者所屬群別因素負荷計算出權重值，以此 權重將受測者對各陳述句的評分加權後，將同一類別之受測者加權後分數加總 得出各題目之因素分數（Factor score），按各類型的因素分數按大小順序排列 得到分數最高至與最低題項（劉仲矩，2014）。

只要本研究之受訪者的某一類別下因素負荷量大於 0.351，表示此受訪者可歸 屬於該因素分類。惟在進行歸類時，有時候會產生某個 Q 排列的因素附和數在 不同類別下皆具顯著性，因為 Q 方法論的精神在於探討受訪者的個人觀點，因 此並無所謂對錯真假，每一位受訪者的排列結果皆具其意義，然而人對於同一 議題並非只有一種態度。在理想狀態下，可能其中某種動機因素特別強烈，所 以統計結果顯著，但也有可能是平均性的同時具有多種不同態度。為了強化各 類型因素間的區別性，與減輕各類型間的重疊性與關聯性，本研究先行透過 PQ Method 軟體的最大變異轉軸後，再依其受訪者的因素負荷量高低進行自動歸 類（陳揚中，2013），將因素負荷量大於 0.351 者以「X」標示，因素負荷值 越高，顯示該受訪者越能代表其所屬類型的職業選擇動機。如圖表 17 所示。

圖表 17：透過因素負荷數決定受訪者所屬類型之示意圖（單位：％）

進行自動歸類後，其中第 3 位、第 12 位、第 19 位等 3 位受訪者，因其個別的 Q 排列存在於 O 項因素之負荷值皆顯著之狀況，所以並未予以自動分類，本研 究依據受訪者於個因素之負荷值，依其因素負荷值是否大於 0.351（35％）作 為判斷標準而為第二次手動分類，並取其較高分之數值，再次給予因素歸類。

表格 12：第二次手動分類受訪者

受訪者 因素 1 因素 2 因素 3 因素 4 第 3 位 -57 45X 42 12 第 12 位 28 2 47X 44 第 19 位 51X 44 -37 6 單位：％

資料來源：本研究整理

在進行兩次因素分類程序後，計有 3 位受訪者（受訪者：19、21、26）被歸類 在因素 1：7 位受訪者（受訪者：3、6、7、8、9、14、20）被歸類在因素 2：

11 位受訪者（受訪者：2、4、5、10、12、15、17、18、22、24、25）被歸類 在因素 3：5 位受訪者（受訪者：1、11、13、16、23）被歸類在因素 4。各受 訪者及其於個因素之負荷值如表格 13 所示：

表格 13：受訪者於各因素之因素負荷表

受訪者 因素 1 因素 2 因素 3 因素 4

19 51X 44 -37 6

21 61X -9 19 51

26 55X 7 21 -9

3 -57 45X 42 12

6 22 50X 32 28

7 0 77X 12 20

8 11 82X 12 8

9 -7 76X 13 16

14 8 52X 43 10

20 0 69X 18 0

2 14 21 73X 25

4 -21 38 56X 13

5 -18 6 61X 24

10 -2 35 76X 3

12 28 2 47X 44

15 11 30 57X 41

17 32 29 58X 21

18 25 8 74X 26

22 -2 -3 46X 17

24 12 23 70X 14

25 -12 40 43X -1

1 -14 -17 14 83X

11 5 23 38 64X

13 9 35 41 54X

16 -12 38 9 63X

23 9 21 15 48X

資料來源：本研究整理

Q 方法的資料分析（Q-factor analysis）主要是根據因素序列（Factor array）

解釋個別因素類型。因素序列係由每一陳述句在各因素中的因素分數（Factor scores）得分所排序而成，因素分數代表個陳述句在該因素中的比重，其意義 為百分之百負荷於各具有該類型特性的受訪者會如何排列。換言之，因素序列 是該類型最理想化的排列結果（McKeown & Thomas, 1988）。因素序列中得分 最高及最低者，即代表此類型中受訪者最同意及最不同意的陳述句或動機，研 究者須挑選個別因素中最同意和最不同意之陳述句加以詮釋說明，找出其中的 關聯性及思考脈絡，且需特別注意 Z scores 大於或小於 1 之陳述句，以及每個 因素陳述排列分數較高或較低之陳述句（羅文輝，1986：66）。以呈現各類型 受訪者的動機特質，同時再參考受訪者所提出之評論敘述，便可解釋各該因素 類型特徵。

本研究最終雖歸類出 4 種網路新創創業家的創業動機類型，但並非意指所 有創業動機皆含括其中，或是所有產業之創立原因都可歸屬於這 4 種動機類型 中。因 Q 方法無須進行大量取樣及隨機抽樣，因此後續資料說明僅能顯示出本 研究之受訪者的創業動機類型，而非做出一般通則性、普世性之結論，且又 Q 方法可能因受訪人數增加，而出現更多不同動機或類型（孫同文與王家英，

1999），但還是可藉由研究中的少部分受訪者所得出的論述結果，亦可能存在 於更大的群體中。