本文在此將不同測量方式轉換成新的變數納入迴歸模型中。首先，我們改以「選區 當選門檻」來判斷主要政黨是否過度或低度提名；接著，改以「最後一名除以倒數第二 名」、「FL Ratio」以及「同黨 SF Ratio」評估國民黨和民進黨的棄保操作情形，來比較各 種統計模型的迴歸係數與 R2。
就政黨提名問題而言，附表 2-1 顯示控制其他變數操作化測量方式不變的條件下，運 用當選門檻作為測量標準的方式，不但使整個迴歸模型的 R2下降，而且「政黨低度提名 程度」對於依變數的影響也不顯著，在與偏差量的相關方向上，兩種不同操作化方式並沒 產生差異。藉由模型比較我們可以發現操作化方式改變之後，也就改用「當選門檻」來判 斷各政黨的提名問題，的確會大幅減弱「政黨低度提名程度」的解釋力。不過，所幸操作 化方式的改變並未造成相關方向不同的情形，因此政黨在選區中克服協調問題的成功與 否，仍然會影響實際有效候選人數與 M+1 法則的偏差量。
附表 2-2 則是比較本文模型與各種不同棄保測量方式所得之模型。四個模型的 R2差 距不大，至少都在 0.6 以上，代表棄保測量方式的改變並不會對整體迴歸模型的解釋力有 所影響。可是，在民進黨棄保操作比值與偏差量相關的方向上，除了「同黨 SF Ratio」與 本文之模型一致，其他兩種測量方式皆與依變數呈負相關。造成此種情形的可能原因是以
「最後一名除以倒數第二名」的方式，測量到同黨得票排名落後的候選人，而這兩位當選 無望的候選人大多跟棄保對象無關，使得該棄保比值在大多數的選區都接近於 1。至於，
使用「FL Ratio」的方式，則無法測量同黨候選人全部當選或全部落選的選區，導致遺漏 值過多、樣本數過少，也降低了模型解釋的說服力。
綜上所述，這些經由其他測量方法所得的變數，在納入統計迴歸模型之後，確實會對 結果產生一些影響。但無論就整體解釋力與個別變數的相關方向而言，本文模型皆表現 的比其他測量方式好。因此，在研究中使用 MAXS 來評估政黨的提名問題，以「結合 FL 與 SF Ratio」掌握棄保的概念。
附表 2-1 不同判斷標準的政黨提名問題之模型比較
.366 .167 (.074)
.252 1.142 (.440)
.082 .729 (.408)
.163 .051 (.032)
.183 選舉年（參照類 1989 年）：
1992年第二屆立委選舉虛擬變數 -.733 (.463)
-.144 -.540 (.535)
-.106
1995年第三屆立委選舉虛擬變數 .567 (.464)
.114 .634 (.535)
.128
1998年第四屆立委選舉虛擬變數 .295 (.489)
.064 .404 (.581)
.087
2001年第五屆立委選舉虛擬變數 .919 (.482)
.198 1.368 (.545)
.295
2004年第六屆立委選舉虛擬變數 .548 (.525)
.116 .705 (.600)
.149 N=99 R2=0.645 N=99 R2=0.547 資料來源：作者自行整理。
說明：模型 1：控制其他變數的操作方式不變，但政黨過度或低度提名程度改以當選門檻測量。
附表 2-2 棄保測量方式不同的模型比較
.366 .271 (.069)
.436 .209 (.076)
.337 .210 (.133)
.201 .282 (.110)
.218 .191 (.114)
.148 .431 (.178)
-.285 -.361 (.091)
-.302 -.346 (.092)
-.289 -.340 (.155)
.163 .053 (.030)
.192 .056 (.030)
.201 .040 (.046)
-.144 -.592 (.494)
-.116 -.762 (.478)
-.150 -.776 (.674)
.114 .926 (.533)
.187 .505 (.481)
.102 1.228 (.788)
.064 .259 (.547)
.056 .209 (.515)
.045 .426 (.845)
.198 1.102 (.552)
.238 .945 (.517)
.204 .822 (.864)
.116 .442 (.593)
.093 .177 (.529)
.038 1.538 (1.088)