轉至成人歷程類型之分析方法

過去常見用來探討轉至成人歷程類型的分析方法是研究者以轉至成人過程 結束時青年所擁有的成人地位組合來進行分類，例如某些青年可能擁有穩定就 業、婚姻，但未生育，另一些青年可能僅擁有已婚、父母等成人地位，但卻未擁 有穩定就業的身分，研究者將這些不同的地位組合進行整合，來看轉至成人共有 哪些種不同的地位組合以及其特性為何，進而找出不同的轉至成人歷程類型，其 所 使 用 的 分 析 方 法 可 能 是 集 群 分 析 (Cluster Analysis)或 是 潛 在 類 別 分 析 (Latent Class Analysis)。

這樣的作法雖然可以獲得轉至成人的類型，但是由於其分析的資料是青年在 某個年齡時所擁有的成人地位，可以說是靜態性的，沒有包含成人如何擁有這些 成人地位的歷程，而此種資料最大的問題是在某個年齡時擁有相同成人地位組合 的人，不代表就擁有相同的轉至成人歷程，因此若僅以靜態性資料進行轉至成人 歷程類型的探討，其所得之轉至成人歷程類型可能沒有真實地呈現青年轉至成人 的過程，也無法探究各類型「持續期」、「順序」、「時間間隔」等能夠更清楚描繪 轉至成人歷程類型特性的轉變內涵。

2.7.1 序列分析與 Optimal Matching

「序列分析」的研究方法改善了上述的問題，它在分析上帶入了時間訊息，

例如上述Schoon et al. (2009)針對學校到工作轉銜的研究即採用序列分析，青

年 16 到 29 歲之間每一年的經濟活動狀態都被記錄下來並帶入分析中，如此的 資料可說是動態的，其所形成的轉至成人歷程類型較能捕捉真實的轉變情形。不 過，傳統序列分析的缺點是僅能探討單一生命事件，但是生命事件之間很少彼此 獨立，轉至成人中的重要生命事件也是如此，因此尚不能完整探討轉至成人的歷 程。

序列分析是生命歷程研究經常使用的分析方法，它的特性在於捕捉動態性生 命歷程的能力，它的分析單位—「序列」，指的是個人隨著時間發展而串起的「狀

53 態」(state)組合，以結婚這個生命事件為例，個人可能先從單身轉變成已婚，再 從已婚轉變為離婚，單身、已婚、離婚為結婚這個生命事件的不同「狀態」，而 此人單身 已婚 離婚的過程則稱作「序列」。因此，序列可說是記錄著個人生 命史的內容，而透過針對序列的分析，便可探討個人生命的動態軌跡。

「序列分析法」(Sequence Analysis)對於分析生命歷程的資料有其獨特的 重要性，能夠達到迴歸分析所不能應用的地方 (Esser, 1996)，因為理想的生命 週期資料應是貫時性的，而且個人現在的狀態並不獨立於過去，也會影響到未 來，個人某一面向的狀態不僅是自變項而影響其他面向，同時也可能是依變項受 到其他面向的影響。舉例來說，在轉至成人的過程中，一個青年30歲時是否打 算結婚與其30歲以前的生活有關，例如與其過去教育、工作等生活面向有關，

而其結婚的行動也將影響到未來生活的其他面向，例如工作或生育等等。所以，

在考量生命週期資料時，必須同時考量不同的時間點以及不同面向的資料，如此 一來將會有太多種不同的變化情形，難以作為一般迴歸分析中的變項。

反觀序列分析中所分析的資料是某個時間區段中多個不同狀態 (state)所組 成的「序列」，包含了多個時間點的資訊，透過將兩兩生命序列排列 (align)與比 對，找出生命序列之間相同/相異的程度，也就是序列之間的距離，進而形成序 列 的 距 離 矩 陣 (distance matrix)， 再 以 此 距 離 進 行 集 群 分 析 (Cluster

Analysis)，將擁有相似距離的觀察體聚在一起，進而在複雜且跨時間的生命歷程

資料中找出一些典型的類型。由於序列分析能對於不同生命歷程產出較全面與總 覽性的觀察，所以序列分析經常被使用在生命歷程相關的研究中。

要進行不同生命序列的排列 (align)與比對，也就是計算序列與序列之間的 距離，需要特別的方式。Optimal matching是經常被使用也較被認可的方法。每 個人的生命序列各不相同，為了評估序列之間的差異程度，Optimal matching 的作法是找出要將一個序列轉變為另一個序列所需花費的最小代價 (cost)總 和，當此代價越小，表示要將這兩個序列變為一致所需花費的力氣越小，這也就 表示兩個序列越接近，反之則越相異。代價乃由兩個部分組成，分別是替換 (substitution)與插入/刪除 (indel)，替換指的是以某個狀態代替另一個狀態，而 插入/刪除則是插入或是刪除某一個狀態。研究者可依據理論或是文獻可自行設

54 定替換與插入/刪除的代價值 (c.f. Abbott & Forrest, 1986; Abbott & Tsay;

2000)。

以婚姻的歷程為例，假設有A、B兩人在同個時間區間中的婚姻歷程，分別 為：

A: SSMMD B: *DMMD

S代表單身，M代表已婚，D代表離婚

這兩個序列表示，在第一個時間點時，A為單身狀態，B為資料缺漏，第二 時間點時，A還是單身，B為離婚狀態，以此類推。研究者的目的是要透過替換 與插入/刪除將B的序列轉變為與A相同的序列，以評估B序列與A序列相差多 少。轉變的方式可能有很多種，但是Optimal matching 的目的是要尋找可以得 到最小代價總和的方式。研究者可為不同的替換設定不同的代價，因為不同狀態 之間的轉變本來就可能有不同的成本，例如從單身轉變為已婚，與從離婚轉變成 已婚所需經歷的轉變就不同，因此以單身替換已婚的代價就可以設得比離婚替換 已婚來得小，因為前者相對容易，而後者則較為困難。在這裡，先假定替換的代

價都是1、插入/刪除的代價都是0.5。要將B的婚姻狀態序列以最小代價的方式

轉變為與A 相同，應先在第一時間點插入S，得到SDMMD，再將第一個 D替

換成S，即得到SSMMD，其代價總和則為0.5+1＝1.5，這數值即表示若要將B

轉換成與A相同，所需花費的最小代價為1.5。

透過Optimal matching 的運算步驟，不同序列之間可做兩兩的比較，每兩

個序列的比較即可獲得一個最小的代價值，這些代價可以形成一個矩陣，這樣的 矩陣乃稱作距離矩陣 (distance matrix)。由於這個矩陣乃是兩兩序列比較而來，

因此距離矩陣是一個對稱的矩陣，欄與列都是序列，斜角線為0 (因為相當於是 將一個序列轉換成另一個與自己相同的序列)。在獲得這個矩陣之後，研究者可 以接著針對此距離矩陣進行群集分析，進而獲得幾個具有代表性的序列類型，以 利在眾多狀態與時間點中做統整性的觀察。

序列分析亦有缺失，其中最重要的是序列分析雖然能夠關照到許多不同時間

55 點上的生命狀態，但是其同一時間僅能探討一個生命事件 (Gautheir et al., 2010)，例如在探討上述的婚姻狀態時，序列分析即無法顧及到工作歷程的變化 與影響。序列分析應用在轉至成人的探討而要能同時探討多個生命事件的話，只 能將轉至成人中存在的不同生命事件壓縮成單一個序列進行分析，而不能將各個 生命事件的其他訊息一起帶入分析 (e.g. Lesnard et al., 2010)。以完成學業 (E)、開始就業 (J)、結婚 (M)與生育 (B)等四個轉至成人生命事件為例，以序列 分析進行探討，研究者需將資料以這四個事件發生時間的順序記錄下來，而形成 每個受訪者有一筆序列資料，諸如 EJMB、EMBJ 或是 JEMB 的形式，或是

E-E-E-J-J-J-M-M-B-B的形式。然而，E、J、M、B應為不同的生命事件，如此

的作法實際上是將生命事件降階為狀態，不僅無法呈現 EJMB 各自的狀態，各 生命事件同一時間發生的情形也無法呈現，因此這樣的作法與真實的轉至成人歷 程將有所出入。

近年來，Fasang & Liao (2014)發展出將序列進行視覺性的方法。雖然他們 的作法也是將生命事件壓縮為狀態，但由於生命歷程的序列研究經常涉及龐大且 複雜的資料，若能將序列資料以圖形做有效的呈現，那麼對於辨別生命歷程發展 過程的一致性與特殊性將很有幫助，Fasang & Liao 以其發展出的 Relative Frequency Sequence Plot (暫譯：相對次數序列圖)改善了序列研究中經常使用 之「序列索引圖」 (sequence index plot) 的缺點，包括當樣本過大時容易產生 重疊繪圖的情形，以及繪圖時排列序列的依據沒有一定的準則。在他們發展中的

「相對次數序列圖」中，先使用多向度量尺法 (Multidimentional Scaling)中的第 一向度作為排列序列的依據，接著抓出不致於產生重疊繪圖情形的數值，再將序 列以該數值進行切分成不同的群體，並抓出每個群體的中心序列 (medoid sequence)，最後則是將這些中心序列按照傳統的序列索引圖進行繪製。如此一 來，序列索引圖將不會重疊到難以辨別，而且能夠以最能區辨序列的順序排列於 圖形中。

除了圖形上的精進， Liao &Fasang (2014)也在技術上發展能夠直接對於序 列進行相異性統計檢定的方法。他們以到中心 (medoid)的距離計算 Akaike information criterion (AIC)、Bayesian Information Criterion (BIC)， 並 以 Likelihood Ratio Tests (LRT)進行多群體間的比較，以求得群體間是否有統計顯

56 著性的差異存在。不過這個方法的缺點除了也是將生命事件視為狀態之外，此作 法，一次也僅能探討一個區別次群體的變項，但能對於序列進行假設檢定分析確 實為一項突破。

2.7.2 多軌道序列分析(Multichannel Sequence Analysis)與轉至成人

傳統「序列分析」方法的缺點是一次僅能探討一個生命事件，然而如前所述，

生命事件之間很難彼此獨立，不同生命事件之間存在著相互的影響與牽引作用，

特別是轉至成人的歷程有著生命事件密集發生的特性，因此只能考量單一生命事 件的限制就成了序列分析一個很大的缺點。本研究將採用「多軌道序列分析」

(Multichannel Sequence Analysis) (Gautheir et al., 2010)正好能改善序列分析 只考量單一生命事件的缺點，所謂「多軌道」(multichannel)就是指多個生命事

(Multichannel Sequence Analysis) (Gautheir et al., 2010)正好能改善序列分析 只考量單一生命事件的缺點，所謂「多軌道」(multichannel)就是指多個生命事