第四章 結果與討論
第五節 Logistic 迴歸分析
透過Logistic 迴歸將參與者的每一個內、外角球互相配對，如參與者A內角 第一球與外角第一球配對、內角第一球與外角第二球配對以此類推，則參與者A 內角有十球、外角亦有十球則會有100 種配對組合，將其組合試作Logistic 迴歸 得出配對預測變項及其預測率，茲將Logistic 迴歸篩選的預測變項與預測率整理 如 表27、表 28、表 29、表 30。最後將每位參與者其進行Logistic 迴歸所篩選出 預測變項的頻率整理如 表 31，在中出現率前八且 10%以上的變項即以灰底顯 示，出現頻率為該肢段變項在所以情形中出現的次數百分比。
表27 參與者 A 不同落點差異變項與預測率結果摘要表
L_elb_Y *** R_sh_Y *** R_sh_Y *** R_sh_Y *** R_sh_Y *** R_sh_Y *** R_sh_Y *** L_elb_Y *** R_sh_Y *** R_sh_Y ***
R_sh_Y *** Bat_ne_
X
*** L_elb_Y *** Bat_ne_
X
*** Bat_ne_
X
*** L_elb_Y *** Bat_ne_
X
*** R_sh_Y *** Bat_ne_
X
*** L_elb_Y *** L_hip_Z *** L_elb_Y *** L_elb_Y *** L_hip_Z *** L_elb_Y *** L_elb_Y *** L_elb_Y ***
Bat_ne_
X
*** Bat_ne_
X
***
97.70% 95.80% 98.10% 95.50% 98.60% 94.70% 95.80% 65.00% 97.60% 98.10%
R_wst_Y *** L_elb_Y *** R_wst_X *** head_Y *** R_sh_Y *** R_wst_X *** R_sh_Y *** R_sh_Y *** R_sh_Y *** R_wst_Y ***
L_elb_Y *** L_elb_Z *** R_wst_Y *** R_wst_Y *** L_elb_Y *** R_wst_Y *** Bat_ne_
X
*** L_elb_Y *** Bat_ne_
X
*** Bat_ne_
X
***
L_hip_Z *** L_wst_Z *** Bat_ne_ *** Bat_ne_ *** L_elb_Z *** R_hip_Y *** L_elb_Y *** L_hip_Y *** L_elb_Y *** L_elb_Y ***
R_hip_Z *** L_wst_X *** L_elb_Y *** Bat_ne_Z *** Bat_ne_
Y
*** Bat_ne_
X
*** L_wst_Z *** R_elb_Y *** L_elb_Z *** R_wst_Y ***
L_wst_Y *** L_elb_Y *** R_elb_X *** R_wst_Y ***
L_wst_Z *** L_hip_Y *** R_wst_Y ***
L_elb_Y ***
95.20% 97.90% 97.00% 98.20% 97.60% 98.90% 99.80% 99.50% 98.10% 97.70%
head_Z ** L_elb_Y *** L_elb_Y *** L_elb_Y *** L_elb_Y *** L_sh_Z ** L_elb_Y *** L_elb_Y *** L_elb_Y *** L_elb_Y ***
L_elb_Y ** L_elb_Z *** L_elb_Y ** R_sh_Y *** L_elb_Z ***
R_sh_Y ***
97.20% 59.80% 58.00% 58.70% 95.10% 99.10% 57.80% 65.40% 60.90% 96.10%
R_sh_Y *** L_elb_Y *** L_elb_Y *** L_sh_Z *** L_sh_Z *** L_wst_Z *** L_sh_Z *** L_elb_Y *** R_sh_Y *** R_wst_Y ***
L_elb_Y *** L_elb_Y *** L_elb_Y *** L_sh_Z *** L_elb_Y *** L_elb_Y *** L_elb_Y ***
L_elb_Y ***
97.60% 57.60% 55.70% 96.10% 99.50% 97.90% 91.50% 63.50% 97.50% 94.40%
R_sh_Y *** L_elb_Y *** L_elb_Y *** L_elb_Y *** L_elb_Y *** L_elb_Y *** L_elb_Y *** L_elb_Y *** L_elb_Y *** L_elb_Y ***
L_elb_Y ***
97.70% 58.90% 57.10% 57.90% 61.80% 56.00% 54.90% 64.70% 60.10% 61.00%
R_sh_Y *** L_elb_Y *** L_elb_Y *** R_sh_Y *** R_sh_Y *** R_elb_Y *** R_sh_Y *** L_elb_Y *** R_sh_Y *** R_sh_Y ***
L_elb_Y *** L_elb_Y *** L_elb_Y *** Bat_ne_
X
** L_elb_Y *** L_elb_Y *** L_elb_Y ***
L_sh_Z ***
L_elb_Y ***
97.70% 58.70% 56.90% 97.10% 98.60% 97.70% 97.60% 64.50% 97.60% 98.10%
R_sh_Y *** R_sh_Y *** R_wst_X *** R_sh_Y *** R_sh_Y *** R_wst_Y *** R_sh_Y *** R_sh_Y * R_sh_Y *** R_wst_Y ***
R_wst_X *** Bat_ne_
X
*** R_wst_Y *** Bat_ne_
X
*** R_elb_Y *** Bat_ne_
Y
*** Bat_ne_
X
*** L_elb_Y * Bat_ne_
X
*** L_elb_Y ***
L_elb_Y *** L_elb_Y *** Bat_ne_ *** L_elb_Y *** Bat_ne_ *** L_wst_Z *** L_elb_Y *** L_hip_Y ** L_elb_Y *** L_wst_Z ***
Bat_ne_
X
* L_elb_Y *** L_elb_Y *** L_hip_Y *** L_wst_Y ***
R_hip_Z *
99.30% 94.50% 96.40% 91.80% 95.20% 93.00% 91.90% 99.50% 97.80% 97.90%
R_sh_Y *** head_Y * R_sh_Y *** R_sh_Y *** R_sh_Y ** R_elb_Y *** R_sh_Y *** R_sh_Y *** R_sh_X *** R_sh_Y ***
R_wst_X *** R_sh_Y * R_elb_Z *** R_elb_Z *** R_elb_Y ** R_hip_X *** R_elb_Z *** R_wst_Y *** Bat_ne_
X
*** R_elb_Z * Bat_ne_
X
*** Bat_ne_
X
*** R_wst_Z ** L_sh_Y *** Bat_ne_
X
*** L_elb_Y *** L_sh_Z *** L_elb_Y ***
L_sh_Y *** Bat_ne_ * L_elb_Y *** L_sh_X ** L_hip_Y *** L_elb_Y *** L_wst_Z *** L_elb_Y ***
L_elb_Y *** L_elb_Y * L_elb_Y *** L_hip_Y ** R_wst_X ***
L_wst_X ***
L_elb_Y ***
90.50% 98.10% 92.70% 91.30% 98.80% 95.10% 91.40% 94.40% 91.00% 99.00%
R_sh_Y *** R_sh_Y *** R_wst_Y *** R_sh_Y ** L_elb_Y * R_sh_Y ** R_sh_Y *** R_sh_Y *** R_sh_Y *** R_sh_Y ***
L_elb_Y *** Bat_ne_
X
*** Bat_ne_
Y
** Bat_ne_
X
** L_elb_Z * L_hip_Y ** Bat_ne_
X
*** L_elb_Y *** Bat_ne_
X
*** L_elb_Y ***
L_elb_Y *** L_elb_Y *** L_elb_Y ** L_wst_Z * R_hip_X *** L_elb_Y *** L_elb_Y ***
L_wst_Z *** L_hip_Y ** L_elb_Z ***
R_elb_Y ***
97.40% 97.80% 98.30% 99.50% 53.70% 89.50% 90.70% 99.00% 99.00% 97.80%
R_sh_Y *** R_sh_Y *** R_wst_X *** R_sh_Y *** R_sh_Y *** R_sh_Y *** R_sh_Y *** L_elb_Y *** R_sh_Y *** R_sh_Y ***
L_elb_Y *** L_elb_Y *** R_wst_Y *** L_elb_Y *** L_elb_Y *** Bat_ne_
X
97.70% 97.90% 98.10% 97.10% 98.60% 92.70% 97.60% 64.30% 97.60% 96.20%
EX03 EX04 EX09 EX10
IN01
IN02
EX05 EX06 EX07 EX08
EX01 EX02
註：(1) R=右側、L=左側 (2) Bat=球拍、head=頭、sh=肩、elb=肘、wst=腕、hip=髖 (3)X=前後軸、Y=左右軸、Z=垂直軸（詳見圖 15）
表28 參與者 B 不同落點差異變項與預測率結果摘要表
註：(1) R=右側、L=左側 (2) Bat=球拍、head=頭、sh=肩、elb=肘、wst=腕、hip=髖 (3)X=前後軸、Y=左右軸、Z=垂直軸（詳見圖 15）
表29 參與者 C 不同落點差異變項與預測率結果摘要表
註：(1) R=右側、L=左側 (2) Bat=球拍、head=頭、sh=肩、elb=肘、wst=腕、hip=髖 (3)X=前後軸、Y=左右軸、Z=垂直軸（詳見圖 15）
表30 參與者 D 不同落點差異變項與預測率結果摘要表
註：(1) R=右側、L=左側 (2) Bat=球拍、head=頭、sh=肩、elb=肘、wst=腕、hip=髖 (3)X=前後軸、Y=左右軸、Z=垂直軸（詳見圖 15）
表31 預測變項出現頻率與準確率摘要表
A B C D
頻率 頻率 頻率 頻率
head_X 0.0% 4.9% 13.6% 2.5%
head_Y 2.0% 8.6% 17.3% 11.1%
head_Z 1.0% 8.6% 0.0% 2.5%
R_sh_X 1.0% 3.7% 4.9% 28.4%
R_sh_Y 56.0% 29.6% 28.4% 17.3%
R_sh_Z 0.0% 6.2% 6.2% 1.2%
R_elb_X 1.0% 4.9% 3.7% 9.9%
R_elb_Y 6.0% 17.3% 29.6% 21.0%
R_elb_Z 4.0% 7.4% 12.3% 9.9%
R_wst_X 7.0% 6.2% 1.2% 2.5%
R_wst_Y 15.0% 12.3% 7.4% 8.6%
R_wst_Z 1.0% 4.9% 8.6% 3.7%
R_hip_X 2.0% 8.6% 16.0% 11.1%
R_hip_Y 1.0% 12.3% 6.2% 8.6%
R_hip_Z 2.0% 12.3% 4.9% 24.7%
Bat_X 37.0% 9.9% 7.4% 25.9%
Bat_Y 3.0% 7.4% 9.9% 12.3%
Bat_Z 1.0% 11.1% 29.6% 12.3%
L_sh_X 1.0% 6.2% 13.6% 6.2%
L_sh_Y 2.0% 16.0% 21.0% 11.1%
L_sh_Z 7.0% 18.5% 0.0% 6.2%
L_elb_X 0.0% 2.5% 6.2% 8.6%
L_elb_Y 97.0% 22.2% 46.9% 24.7%
L_elb_Z 7.0% 4.9% 2.5% 11.1%
L_wst_X 2.0% 4.9% 6.2% 12.3%
L_wst_Y 2.0% 50.6% 13.6% 32.1%
L_wst_Z 9.0% 16.0% 0.0% 6.2%
L_hip_X 0.0% 11.1% 22.2% 3.7%
L_hip_Y 8.0% 46.9% 13.6% 29.6%
L_hip_Z 3.0% 44.4% 8.6% 14.8%
Mean 87.71% 90.24% 90.89% 91.23%
準確率 SD 16.06% 12.68% 7.60% 8.95%
註：(1) R=右側、L=左側
(2) Bat=球拍、head=頭、sh=肩、elb=肘、wst=腕、hip=髖 (3)X=前後軸、Y=左右軸、Z=垂直軸（詳見圖 15）
第六節 討論
在本研究中主成份分析扮演著在時間刻度上將各個變項的變異情形進行分 類的角色，也就是說能將發球員其肢段變項在發球起始到擊球結束間在每一個資 料點上將變異情形類似的分成同一類，而分類的效果可以用成份的解釋變異量來 表示，所代表的是發球的過程。研究中發現，在任何一個時間段落中，不論是內 角落點或是外角落點，其只需要三個成份就能解釋95%以上動作變異的情形，原 始資料變項有36 個，經過主成份分析的處理後可以將觀察變項縮減至 3 個，確 實符合過去學者所提出的功用，以及研究者想達成的目的。一個網球選手的發球 技能水準為何，命中率可以視為其成熟與否的一項結果依據，從表 11 看出除了 參與者 B 以外其餘三人的外角進球率高於內角的進球率，詢問參與者 B 得知其 本身所擅長且較有把握的發球落點在內角，其餘三位皆表示沒有特別擅長的落點 位置，此結果與命中率的情形吻合，進而觀察表14、表 19、表 24 三時間段落個 別成份解釋變異量的標準差，發現命中率較高的落點其解釋量的標準差會有較低 的情形，也就是說命中率較高的落點其解釋量會較為穩定，茲將表 11 發球命中 率與表14、表 19、表 24 三時間段落個別成份解釋變異量的標準差其內外角比較 的情形整理於表 28，其中灰底是為該參與者在不同落點成份解釋變異量的差異 情形與其命中率相反者，也就是符合研究者上述命中率高解釋量穩定的情形，可 以看出成份解釋量的變異程度似乎與技能水準有所呼應，綜合以上分析，可以發 現，進球率較高的落點其發球動作成份解釋量也較穩定，因此解釋量的變異似乎 就能夠代表過程的變異。
表32 不同落點命中率與成份解釋變異量比較結果摘要表 成份解釋量
F1 F2 F3 命中率
參與者 A 內>外 內>外 內>外 外>內 參與者 B 外>內 內>外 外>內 內>外 參與者 C 內>外 內>外 內>外 外>內 參與者 D 內>外 內>外 外>內 外>內
研究者試著尋找相對相位與命中率的關係，可以發現參與者B外角進球率較 低，其在右腕vs左髖、右肘vs左髖、左肘vs左髖、右肩vs左髖、右髖vs左髖、左 髖vs左肩的相對相位中外角的曲線有較多異常分歧的情形，但卻在其他三位參與 者身上較難發現這樣的情形（參閱 圖19、圖 20、圖 21、圖 22）。也因為相對相 位出現異常分歧的情形，所以本研究不計算整段動作時間的相對相位平均數以及 標準差，僅呈現分段點上的相對相位平均數與標準差，但有些部位卻還會受到異 常分歧的影響，使得平均數失真、標準差過大（茲將受影響部位整理於 表33），
若屏除相位異常分歧不談，在不同落點間雖然相對相位的平均數有著落差，但從 相位曲線型態看出個別參與者在不同落點間具有類似結構的相位變化，而參與者 間卻無相似的型態，雖然都是一樣的發球動作但卻擁有不同的動作型態，此一現 象與發球動作時間的情形一樣，聯袂證明了有機體限制對行為的影響。
參與者 A 參與者 B 參與者 C 右肘 vs 左髖 右腕 vs 左髖 右肘 vs 左肩
右肘 vs 左髖 右肘 vs 左肘 右肘 vs 左肘 左肘 vs 右肩 左肘 vs 左髖 右肩 vs 右髖 右肩 vs 左髖 右肩 vs 左肩 右髖 vs 左髖
左髖 vs 左肩
在事件預期中前線索本演著相當重要的角色，正確的預期所仰賴的就是前線 索的提供（Schmidt and Lee，1999），過去學者針對預期前線索的研究大多使用 影片觀察的方式經由操弄影片內容或是觀察員回覆的過程分釐出前線索的所 在，而前線索的內容就是動作的差異處。Newell在 1984 年提出三角限制之間交 互作用下會決定個體活動的最佳協調與控制（Newell，1986），也就是說三種限 制中若僅有一種限制改變或是與他人不同，那協調與控制的最佳化型態也會有所 不同，意味著不同的發球落點背後有著不同的動作型態，而這動作型態的差異就 是所謂的前線索，因此研究者嘗試以成份內容的差異變項的一致情形與Logistic 迴歸所篩選的預測變項作為串連橋樑來分析前線索的內容為何，結果發現在PCA 在三個時間段落的結果與Logistic迴歸所篩選的結果一致的變項相當少數（參閱 表 34），但卻有個共通點，就是每位參與者被篩選出Y軸向的情形較多（參閱表 表35、圖 23），因此在不同落點的動作型態差異上Y軸向可能是關鍵的因素。
Goulet等（1989）研究不同階段的網球發球預期注意焦點發現，在預備階段
（舉臂拋球-球至高點）專家注視焦點在於球拍、球、頭、肩以及軀幹，表示焦 點是放在上半身的部份，由於本研究的僅討論上半身肢段關節點，因此無法與過 去研究相比對；而在執行階段（球至高點-擊球點）專家注視焦點集中在球拍與 球上，與Shim（2000）在空間遮蔽的實驗上發現發球員的前臂和拍面是主要差異 的結果一致，表示在視覺焦點在身體的部份是放在前臂與球拍上，本研究在PCA 的篩選結果中發現除了參與者A的結果沒有包含前臂的相關變項外，其餘三位發 球員皆有存在，但四位參與者的結果中皆沒有發現有球拍的變項；而在Logistic 迴歸的篩選結果裡看出四位參與者皆有篩選出前臂的相關變項，其中三人的結果 中有球拍變項的存在。因此動作型態的分析結果符合預期的實驗結果，且以 Logistic迴歸篩選結果最為接近。在研究中被篩選最多次數的變項為左肘，但過 去的研究卻無此變項，是何原因值得往後繼續探討（參閱 表34）。
表34 PCA 與 Logistic 迴歸篩選變項摘要表 （灰底是為該參與者內皆存在的變項）
參與者A 參與者B 參與者C 參與者C
L_elb_Y L_elb_Y L_elb_Y L_hip_Y L_hip_X L_hip_Y L_hip_Y L_sh_Z
L_sh_Y L_sh_Y L_wst_Z R_elb_Y L_wst_X L_sh_Z R_elb_Y R_hip_Y L_wst_Y L_wst_Y R_hip_Z
R_hip_Z R_elb_Y R_sh_Y R_hip_Z R_sh_Y PCA 差異變項
R_wst_Y
出現頻率 出現頻率 出現頻率 出現頻率
R_wst_Y 15.0% L_sh_Y 16.0% R_hip_X 16.0% R_sh_Y 17.3%
Bat_X 37.0% L_wst_Z 16.0% head_Y 17.3% R_elb_Y 21.0%
R_sh_Y 56.0% R_elb_Y 17.3% L_sh_Y 21.0% R_hip_Z 24.7%
L_elb_Y 97.0% L_sh_Z 18.5% L_hip_X 22.2% L_elb_Y 24.7%
L_elb_Y 22.2% R_sh_Y 28.4% Bat_X 25.9%
R_sh_Y 29.6% R_elb_Y 29.6% R_sh_X 28.4%
L_hip_Z 44.4% Bat_Z 29.6% L_hip_Y 29.6%
L_hip_Y 46.9% L_elb_Y 46.9% L_wst_Y 32.1%
Logistic 預測變項
L_wst_Y 50.6%
註：(1) R=右側、L=左側 (2) Bat=球拍、head=頭、sh=肩、elb=肘、wst=腕、hip=髖 (3)X=前後軸、Y=左右軸、Z=垂直軸（詳見圖 15）
(4)出現率為該肢段變項在所有的情形中出現次數的百分比
表35 PCA 與 Logistic 迴歸篩選變項之三維個數分佈表
參與者A 參與者B 參與者C 參與者D
X
2 0 0 0
Y
3 7 4 3
PCA 差異
變項 Z
1 2 2 1
X
1 0 2 2
Y
3 6 3 5
Logistic 預測變項
Z
0 3 1 1
註： 1.單位＝「個」 2.X=前後軸、Y=左右軸、Z=垂直軸（詳見圖 15）
0 1 2 3 4 5 6 7
A B C D A B C D
PCA差異變項 Logistic預測變項
X軸 Y軸 Z軸
圖23 PCA 與 Logistic 迴歸篩選變項軸向統計圖
第伍章 結論與建議
第一節 結論
PCA 在本研究中能夠將 36 個維度縮簡成 3 個維度而累積解釋量達 95%以 上，達到有效的簡化觀察變項的功用，表示在網球發球動作技能中僅需三個成份 就能夠解釋動作協調的過程，且成份解釋量的標準差能夠視為動作過程中判斷技 能水準的依據。在相對相位上雖有異常分岐的情形，但其大致結構在不同工作限 制上並無明顯差異，反觀在有機體的限制上，相對相位的型態差異較為明顯，而
PCA 在本研究中能夠將 36 個維度縮簡成 3 個維度而累積解釋量達 95%以 上，達到有效的簡化觀察變項的功用，表示在網球發球動作技能中僅需三個成份 就能夠解釋動作協調的過程，且成份解釋量的標準差能夠視為動作過程中判斷技 能水準的依據。在相對相位上雖有異常分岐的情形，但其大致結構在不同工作限 制上並無明顯差異，反觀在有機體的限制上，相對相位的型態差異較為明顯，而