第三章 研究方法與實施
3.4 研究程序
3.4.4 遊客問卷資料分析
本研究利用 SPSS 統計軟體以下列方式進行遊客問卷資料分析：
一、敘述性統計分析(描述性統計分析)
本研究以敘述性統計方法，了解樣本的背景資料與樣本對各項再利用與轉型策略 的滿意程度變數的百分比。
敘述性統計分析從資料的基本特徵、分佈以及隨機變數之間的關聯出發，有系統 地計算和反映統計資料的結構、變異、分佈等特徵，其作用在於把零散的、無序的、
原始的統計資料經過系統科學方法整理、組合、分類等處理，得到統計資訊。
二、統計假設
假設檢定(hypothesis test)是推論統計的基本內容，是針對參數的假設，利用數據 來加以驗證。對某個或更多母體之參數所做的論斷或猜測，稱為統計假設。
當統計假設指的某參數是一特定值時，會使用「=」符號表示，此時稱該統計假
49
設為虛無假設，以H0表示；而與虛無假設相反之論點，則會以不等式來表示，稱為 對立假設，以H1表示。
明確認定虛無假設與對立假設後，就要做決策，決策有以下兩種狀況：
狀況一：接受H0(虛無假設)，也就是拒絕H1(對立假設)。
狀況二：拒絕H0(虛無假設)，接受H1(對立假設)。
而如何做決策，則必須看證據，要先假設H0是成立的，如果要拒絕H0則要有充 分的證據才行；若證據不足，則接受H0。
在任何母體參數的假設檢定中，若已設定了虛無假設H0及對立假設H1，則有 下列定義：
1.檢定統計式(或簡稱為統計式)：是樣本數據的函數，用來作為決策基礎；即作為 接受H0或拒絕H0的依據。
2.判定點或關鍵點：是 1 個或 2 個數值，用來作為判定接受H0或拒絕H0的依據。
3.接受區域：當統計式的值在關鍵點的某一邊或在兩關鍵點的中間，使得證據無法 反駁H0時，則所形成的區域即為接受區域。
4.拒絕區域或關鍵區域：當統計式的值在關鍵點的另一邊，或在關鍵點所隔離的 左右兩邊，使得證據足以反駁H0時，則所形成的區域即為拒絕區域或關鍵區域。
三、獨立樣本 T 檢定
本研究以獨立樣本 T 檢定，分析不同的性別(男、女)對於各項再利用與轉型策略 的滿意程度變項之間是否具有顯著的差異。
獨立樣本 T 檢定，適用於對兩樣本平均數的檢定，旨在比較變異數相同的兩個母 群之間平均數的差異，或比較來自同一母群兩個樣本的平均數差異。
檢定的前提是：
1.兩樣本應是相互獨立的，即從一總體中抽取一批樣本對從另一總體中抽取一批樣本 沒有任何影響，兩組樣本的個案數目可以不同，個案順序可以隨意調整。
2.樣本來自的兩個總體均應服從常態分佈。
50
四、變異數分析(ANOVA,Analysis of Variance)
本研究以單因子變異數分析(ANOVA)，分析不同的遊客背景變項與各項再利用 與轉型策略的滿意程度變項之間是否具有顯著的差異。
變異數分析是在可比較的群組中，研究群組資料間的「變異」程度，把總的變異 按各指定的變異來源進行分解的一種技巧。從總離差平方和中分解出可追溯到指定來 源的部分離差平方。
進行變異數分析時，一般應滿足 3 個基本假設：
1.樣本來自的總體服從常態分布。
2.樣本變異數必須是齊次的。
3.各觀測樣本間相互獨立。
變異數分析的假設檢定：假設有 N 個樣本，提出原假設H0：樣本平均數都相同，
即μ1=μ2=…=μN=μ，且 N 個樣本有相同的變異數 σ2，則 N 個樣本來自同一總體。透過 構造 F 統計量，判斷試驗結果。如果試驗結果中，伴隨概率 p 值小於預先設定的顯著 性水準，則表示小概率事件發生，推翻原假設，認為樣本來自不同常態總體，試驗條 件下，因素 A 對總體有影響；否則，認為樣本來自相同總體，試驗條件下，因素 A 對總體沒有影響。
變異數分析(ANOVA,Analysis of Variance)就是檢定各水準下其結果的平均數是 否有顯著差異。變異數分析(ANOVA,Analysis of Variance)是對各組的平均數是否相等 作檢定。
變異數的計算是 n 筆資料中每筆資料偏離總平均的平方和，除以 n-1 (樣本數減 1)。也就是給定 n，變異數是偏差平方和(簡寫成 SS)的函數。
檢定的顯著性：做統計檢定時，其檢定統計量(如 F 檢定)會表示成被解釋部份變 異對未被解釋變異的比例。用 ANOVA 做統計檢定時，其檢定統計量(F 檢定)是組間 變異(即效用均方和MSeffect)對組內變異(誤差均方和MSerror)的比值。在虛無假設(即 母體中各組平均數沒有差異)下，當抽取小樣本時，由於抽樣的隨機性，仍會顯示出
51
各組平均數有小的差異，因此在虛無假設下，以各組內變異所估計的變異數大約等於 組間變異所得的變異數，F 統計量就是這兩個變異數的比值。如果顯示出此比值比 1 大很多時就表示各組間平均數有顯著的差異。
ANOVA 的目的是檢定各組平均數相等的假設是否有統計上的顯著性，它是以分 析變異數來完成，也就是以將總變異分解成隨機誤差所造成的分量(組內平方和)的方 式與平均數差異所造成的分量(組間平方和)兩部份，然後以後者的變異數分量與前者 的變異數分量作比較，如果其比值是顯著的大(即平均數差異分量比誤差造成的分量 大很多)，則拒絕各組平均數沒有差異的虛無假設，而接受各組間的平均數有差異的 對立假設(Alternative Hypothesis)。
應變數與獨立變數：被量測的變數稱為應變數(Dependent Variable)，而被控制(或 管制)的變數稱為因子(Factor)或獨立變數(Independent Variable)。ANOVA 可以檢查出 因子間的交互作用，而且也能對更複雜的假設檢定其真實性。
單變量變異數分析(ANOVA)是檢定某單變量 x 的 k 組平均數是否相等問題，即 檢定：
H0：μ1=μ2=…=μk H1：不是所有μj皆相等
對單變量的檢定，ANOVA 是依據 F 值，它是組間均方和(MSA)與組內均方和 (MSE)的比值，即：
F =MSAMSE =SSE /(N−k)SSA /(k−1) = W/(N−k)B/(k−1) =N−kk−1W−1B (3-2) 其中 k 是組數，N 是總樣本數，B=SSA 為組間平方和，W=SSE 為組內平方和。
當 F 值大於門檻，Fk−1,N−k,α(此處 α 是顯著水準)，即 F>Fk−1,N−k,α則棄卻H0， 表示這 k 組的平均數不相等。
五、主成份分析(Principal Component Analysis,PCA)
本研究運用主成份分析及最大變異數旋轉法(varimax rotation)，取特徵值大於 1 的主成份(eigen value 若小於 1，則主成份的解釋能力不如原變數)，以及最大負荷量
52
絕對值大於 0.45 的變數，作資料簡化並萃取變數主成份。
主成份分析主要的目的是做為訂定指標的依據，它是對多個變數決定各變數權重 而成加權平均，依此訂出總指標。主成份分析能將資料簡化，將多個有相關的變數簡 化成少數幾個沒有相關(即互相獨立)的主成份，而且經由線性組合而得的主成份能保 有原來變數最多的資訊，(即主成份有最大的變異數)。為了達到最大變異的目的，我 們可用主成份分析將原來的變數轉變為主成份，抽出主成份之後，可將各變數的原始 資料轉換為主成份得點，以供進一步的統計分析。主成份分析是要尋找一組變數的線 性組合，一方面要能保有原來變數的資訊(即有代表性)，而且主成份間不能重疊(即 有獨立性)，更重要的是能以“少數”幾個主成份代替原來“多個”變數(即有精簡 性)。主成份分析就是要達成此 3 個重要目標：代表性、獨立性與精簡性。主成份分 析就是對重要變數給予較大的權重，不重要的變數給予較小的權重的一種統計方法。
最大變異數旋轉法：以 varimax rotation 做旋轉，使各變數向量在新軸的投影變異數 量為最大，及新變數的解釋能力可達到最大化。