資料分析

在 Q 研究法中可透過因素分析的方式，來瞭解研究對象在各項目歸類上之類 似程度。傳統的因素分析乃是在找出各項目間共同的潛在因素，依據其相似性將項 目加以分類，但 Q 方法因素分析乃是在找出各研究對象間共同的潛在因素，也就 是說依據研究對象對項目排列的相似性將研究對象加以分類。所以當一群研究對 象聚集在同一因素時，表示他們的 Q 歸類結果有高度的類似性及相關性，換句話 說這群人對研究主題有共同的看法(Brown,1980)。

(一)決定分析因子(態度類型)數量

本研究以主成分因素分析法(Principal Component Factor Analysis)搭配最 大變異數轉軸法(Varimax Rotation)來進行因素分析。主成分因素分析是因素分 析模式中最常被使用的方法，其成份萃取的程序主要是藉由原始觀察變項的線性 組合（主要成分）來將所形成的變異總數進行分割（黃財尉，2003）。進行因素萃 取的原則是以萃取出的因素個數越少越好，但所萃取的因素所共同能解釋的變異 量越大越好(黃國光，1989)。

透過前一章節 Q 方法的軟體操作後，將本研究 26 受訪者針對 28 個 Q 語句排 列結果以 PQMethod 軟體進行主成分因子分析法，初步得到 26 個未經轉軸的因子 (un-rotated factors)，在 PQMethod 的分析報告中，主要呈現如表 4-1。

表 4- 1：各因素之特徵值與可解釋之變異量 Factor

Number

Eigenvalues As percentages

Cimul.

Percentages 1 6.5802 25.3085 25.3085 2 3.1239 12.0152 37.3237 3 2.6374 10.1438 47.4675 4 2.4024 9.24 56.7075 5 1.649 6.3424 63.0499 6 1.482 5.7001 68.7499 7 1.2716 4.8909 73.6408 8 1.1407 4.3873 78.0281 9 0.8999 3.4611 81.4892 10 0.8039 3.0921 84.5813 11 0.7083 2.7242 87.3055 12 0.6727 2.5872 89.8927 13 0.587 2.2578 92.1506 14 0.4886 1.8793 94.0298 15 0.3788 1.4569 95.4867 16 0.3321 1.2773 96.764 17 0.2941 1.1312 97.8952 18 0.166 0.6386 98.5339 19 0.1216 0.4676 99.0015 20 0.0986 0.3793 99.3808 21 0.0701 0.2698 99.6506 22 0.0428 0.1646 99.8152 23 0.0312 0.12 99.9352 24 0.0144 0.0553 99.9905 25 0.0019 0.0073 99.9978

26 0.0006 0.0022 100 資料來源：本研究整理自 PQMethod

由表 4-1 可看出因素數目中，其特徵值超過 1 的因素數目共計有 8 個，已可 解釋 78%的變異量。而一般在決定因素數目的方式有許多種，大多數研究都依照 Kaiser 法則取特徵值（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)，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）。

然而以本研究因素數目來看，若僅以 Kaiser 提出之特徵值大於 1 之標準來決 定，將會挑選出 8 個因素來做為類型分析，將會挑選出過多的因素數量，為了避免 挑出過多的共同因素，因此還需搭配陡坡圖檢定法(scree plot test)，以幫助選 擇適當的因素數目之數量，故除了以 Kaiser 之特徵值方式以外，再輔以由 Cattell 所提出之陡坡圖檢定法(scree plot test)，來決定因素的數目。

陡坡圖檢定是將每一個因素依其特徵值做排列，當特徵值急遽增加其坡度會 變陡，表示有重要且顯著的因素出現，反之，特徵值差異不大時，坡度將趨於平坦 狀態，其後面之因素數目即可捨棄。該圖法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。圖 4-1 為依據表 4-1 所繪製出 之陡坡圖，由此可之，前 4 個因素之間都有下降的趨勢，而從第 5 個因素之後坡度 則開始趨於平緩。

圖 4- 1：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，本研究依前述判斷原則，保 留第 5 個因素之前的個 4 個因素加以解釋，因此本研究最後透過陡坡檢定原則，

選取 4 個做為主要因素，以進行後續最大變異轉軸（Varimax rotation）釐清因 素意義。

(二)P 集合(受訪者)類型歸納

決定完因素數目與利用 PQMethod 軟體進行轉軸後，後續便要將受訪者按照其 中特性分成幾個類型，前述所挑選出的 4 個因子在意義上即視為 4 個不同的態度 類型，每位受訪者在各個態度類型上，也會呈現不同強弱的相關性。而此相關性則 是以因子負荷量(factor loadings)數值呈現，

因子負荷量在判斷分類時採用的臨界值有二種，一為 95%信心水準所達到的臨 界值，計算方法是¹

√𝑁× 1.96，二為 99%信心水準所及的臨界值，其計算方法為 ¹

√𝑁× 2.58，其中 N 為 Q 樣本的語句數量。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（劉仲矩，2014）。因子負荷量正值 表示該位受訪者與該態度類型為正相關，負值則相反，而某一態度類型的理想型排 列者，因子負荷量則為 1，完全負相關者為-1。本研究採用 99%信心水準，Q 樣本 共有 28 個語句，因此臨界值的計算方式為 ¹

√28× 2.58，四捨五入後得出臨界值為 0.488，亦即受訪者在某個認知類型中的因子負荷量大於 0.48 時，就可將其歸納進

0 1 2 3 4 5 6 7

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

特徵值(Eigenvalues)

因素

各因素對應特徵值陡坡圖

該認知類型中。

本研究先行透過 PQMethod 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，將因素負荷量大於 0.48 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的態度類型。如表 4-2 所示。

表 4- 2：因子負荷量與 P 集合(受訪者)歸屬類型表

類型 1 類型 2 類型 3 類型 4 P01 -0.0596 -0.0193 -0.0016 0.4776(X) P02 0.6112X 0.2383 0.0235 0.1714 P03 0.5703X -0.4835 -0.0189 0.3295 P04 -0.1075 -0.0697 -0.1495 0.7425X P05 0.7019X -0.0943 -0.2714 0.0781 P06 0.4627 -0.2515 0.2805 0.5546(X) P07 -0.3171 0.6668X -0.1574 -0.0825 P08 0.6812X -0.0579 0.3316 -0.0424 P09 0.5902X 0.1710 0.1080 0.0613 P10 -0.0064 0.0471 0.6632X 0.0917 P11 -0.2943 -0.1665 0.7198X 0.0351 P12 0.6391X -0.3679 0.3326 -0.0120 P13 0.6994X -0.2506 -0.3104 -0.0955 P14 0.4368 0.0095 -0.0938 0.6352X P15 0.7613X -0.1407 -0.1066 0.2268 P16 0.5549X 0.3653 0.1719 0.0753 P17 -0.1119 0.6852X 0.1425 0.4471 P18 0.3460 -0.0326 0.1314 0.6759X P19 0.7539X -0.1731 -0.1698 -0.0517 P20 0.1293 0.8201X -0.0029 0.0531 P21 0.3495 -0.1281 0.4537X 0.1802 P22 -0.0813 0.1429 0.6442X -0.0697

P23 -0.0346 -0.0324 -0.5558 0.4176(X) P24 0.0452 0.8900X -0.1269 -0.0111 P25 0.6010X 0.2801 -0.0069 0.4016 P26 0.6495X -0.0411 -0.2343 -0.2089 資料來源：本研究整理整理自 PQMethod

其中較需要特別注意的是，受訪者 P6 在首次轉軸時，因其個別的 Q 排列存在 於 2 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 0.48 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，並以「(X)」標示，另受訪者 P1 及 P23 因其因素負荷量未達 99%信心水準所及的臨界值 0.48，故 P1 及 P23 改採以 95%信心水準所達到的臨界值 0.37 予以歸類，並同樣以「(X)」標示。在經過軟體 及手動增加因素分類程序後，因素類型 1 共計有 12 位受訪者；因素類型 2 計有 4 位受訪者；因素類型 3 計有 4 位受訪者：因素類型 4 計有 6 位受訪者，如表 4-2。

(三)詮釋依據-因子序列 Q-SV 及因子分數 Z-SCR

經由 PQMethod 軟體分析處理後，該軟體亦會進一步提供各因素類型的理想化 排序，此稱為因子序列(Factor Array)，因子序列是代表了各種態度類型典型之受 測者因子負荷量為 1 時所呈現出來的 Q 排列，本研究之詮釋係依據因子序列分析 各個因子。而其所謂因子，即為本研究的態度類型。在因子分析中是依據因子序列 來解釋各項因素，因子序列是由每一陳述句在各因子中的因子分數（Factor scores）

得分所排序而成，因子分數代表各陳述句在該因子中的比重，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。，若某一項目在在某一因子的因子分 數高，表示此項目是此因子所共同認得的，反之亦然(楊嘉玲、陳美伶，2001)。

(四)詮釋依據-顯著語句、差異語句

在對每個類型作詮釋時，會以因子序列之常態分佈的兩端作為詮釋的主要依 據，原因在於因子序列兩端的因子分數較高，而因子分數高則表示在該態度類型中 的受訪者，針對某一敘述具有較明顯的情感表達(如：較高的同意程度或較高的不 同意程度)。而因子分數的高低會以 Z-SCR(Z Score，或稱 Z 值)之大小做為取捨依 據，通常 Z 值的絕對值越大，該語句在態度類型中的角色越重要，一般而言會挑選 Z 值的絕對值大於 1 的陳述句作為詮釋得主要依據（羅文輝，1986）。

另外，在探究各態度類型時，也將藉由 PQMethod 所計算出的差異語句 (distinguishing statements)來進行詮釋。PQMethod 軟體的差異語句挑選方法，

主要是以語句在某個態度類型當中的 Q-SV(Q Sort-Value，該數值為 Q 排列時的因 子序列，通常以+4、+3…；-4、-3…的方式呈現)與 Z-SCR，與其他認知類型比較 後所整理出來。當語句在某認知類型中的 Q-SV 與 Z-SCR 數值大(小)時，在其他 認知類型卻呈現較小(大)的結果，或是在某認知類型裡的 Q-SV 與 Z-SCR 為正(負) 數時，在其他類型中呈現負(正)數，也是差異語句的挑選對象。

(五)態度類型詮釋

本研究最終歸納整理出 4 種對於喪葬行為意向的永續發展態度的類型，但並 非意指所有永續發展的態度皆含括其中，或是所有人對於喪葬行為意向之原因都 可歸屬於這 4 種態度類型中。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對於永續發展的態度類型，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，而出現更多不同類型（孫 同文、王家英，2005）。另外本研究將依據以下三個主要的概念做態度類型命名的 參考，首要以各類型中較顯著與獨特的陳述語句、第二為內容較切合其類型的陳述 語句、第三為陳述句本身之內容所影響的範疇。最後再加入研究者實地訪問受試者 後的概念，去做各類型的命名與區分。

因為本研究是關於認知的探索性研究，因為是探索性，而不是驗證性質的研究，

所以使用 Q 方法這種經常用以探討個人態度、觀點、認知、動機或價值的變化。而 從受訪者樣本數的角度來看，一般通則性研究之研究對象通常是大樣本的受訪者，

但若需要進行個人觀點的比較，或是分析小樣本彼此之間的相關因素時，便較適合 採行 Q 方法這種適用於小群體若干個人之間的集體分析，以闡明團體成員具有的 特質。