資料處理及統計檢定方式

本研究根據研究目的、研究假設及資料型態，對於回收問卷，剔除無效 問卷後，將有效問卷進行編碼、建立資料庫並以 IBM SPSS 20.0 版統計軟體 作為分析工具，進行資料之處理與分析，分析方法如後：

一、描述性統計分析(Descriptive statistic analysis)

針對研究調查而得受試者基本資料進行整體性樣本分佈次數分佈與百 分比分析，以求得各變項之平均數、標準差等，進一步瞭解樣本特性及答題 集中趨勢。

二、獨立樣本 t 檢定(Independent t test)

獨立樣本 t 檢定乃假設樣本源自兩個分別呈現常態分配的母群體，且兩 個母群的變異數相等、每個樣本觀察值是獨立，彼此間沒有任何關聯。

獨立樣本的 t 值等於樣本平均數差值除以樣本平均數差值的標準誤，所 以如果 t 值越大，表示兩組之間的平均數差距越大，越容易達到兩組確實不 同的顯著差異。

本研究以受試者所在地區、性別、婚姻等三項變項與成語測驗成績進行 獨立樣本 t 檢定，檢視其差異性是否達研究假設的顯著差異。

三、單因子變異數分析(One-Way ANOVA)

單因子變異數分析與獨立樣本 t 檢定均使用樣本平均值進行檢定，但不 同的是獨立樣本 t 檢定法僅能用在兩組樣本，若需要三組或以上樣本則需要 進行單因子變異數分析(One-Way ANOVA)。

此檢定法基本假設，乃是假定觀察值由常態分配母群體中抽取而得，在 F 統計量上其分子與分母是彼此獨立的，各變異來源分為組內與組外來源。

組內變異小，而組間變異大，越容易達到不同組間的顯著差異。

變異數分析之整體考驗的 F 值若達顯著差異，則需進行事後(檢定後)比

較，以深入瞭解是所檢定的群組達到顯著差異。

本研究將採取雪費式(Scheffe’s)法進行事後比較分析。雪費式事後檢定 法可運用於各組人數不相等或複雜比較之時機。目的在於考驗每個平均數組 合，並且其比較分析方法在事後比較法中最為嚴謹之檢定。因此有時變異數 分析 F 值雖達顯著差異，但經過事後比較法卻可能未發現任何兩組的平均數 達到顯著差異。

在本研究設定變項中，以受試者基本資料年齡分組、教育程度、職業與 成語測驗成績進行 ANOVA 檢定，檢視其差異性是否達研究假設的顯著差異。

四、斯皮爾曼等級相關係數(Spearman's rho)檢定

在檢定兩變項間是否具有相關性存在，除了皮爾森係數(Pearson’s)外，

亦有斯皮爾曼等級相關係數(Spearman's rho)檢定法。作為等比變項或數連續 性數據情況時可採用皮爾森係數，但若檢定等距變項，如李氏五分量表作變 項評量時則不適用。故此，本研究中因採用李氏五分量表進行受試者自評，

其變項特性為順序性資料，故相關性檢定採用斯皮爾曼等級相關檢定。

五、逐步多元迴歸分析(Stepwise multiple regression)

多元迴歸分析之逐步迴歸法，乃是結合順向選擇法及逆向剔除法二種方 式之優點逐步建立迴歸模型，最終將最適切之變項予以保留，產生迴歸預測 公式(模型)。

順向選擇法是將自變項逐一帶入迴歸模式中。首先選擇具最大正相關或 負相關變項，其次再選取與依變項間淨相關最大之自變項進入迴歸模式，在 每次帶入變項中均使用 F 統計檢定進入迴歸模式的自變項，若標準化迴歸係 數顯著性檢定 F 值大於或等於內定標準或 F 值進入的機率值小於或等於內定 標準，才納入變項選入迴歸模式中；而逆向剔除法則先將所有自變項納入迴 歸模式裡，再逐一將對模式貢獻最小的預測變項剔除，直到所有自變項均達 標準為止。

逐步迴歸法包含上述之兩種方法，首先於模式中選入與效標變項相關程 度最高者進入迴歸方程式，其次再控制迴歸方程式之變項，依據每個預測變

項與效標變項間的淨相關高低以決定進入方程式的順序(進入之預測變項的 標準化迴歸係數必須通過 F 值規定之標準)，最後再透過反向剔除法的考驗，

以決定該變項是否保留。本研究以線性迴歸檢定後達到顯著差異之變數納入 依變項，求其逐步多元迴歸分析以成語測驗合適性預測力及預測公式(模型)。