Logistic 迴歸分析

4.5.1 集群分析

集群分析（Cluster Analysis）是一種分類法，將一大群觀測值依其相似性

（similarity）或同質性（homogeneity）客觀地將類似的個體聚集在同一族群。集 群分析之主要目的在於辨認某些特性上相似的事物，並將這些事物按照特性劃分 成幾個集群，使在同集群內的個體具有高度的相似性。

集群分析分類的方法可分為階層式與非階層式集群法，其中階層式又分為凝 集群法（Agglomerative hierarchical method）及分裂式集群法（Divisive hierarchical method）。凝集群法是指，剛開始時將 N 個觀測體劃分成 N 集群，然後根據彼此 間的相似程度，將最相似的集群加以合併。K-mean 法屬於非階層式集群法

（Non-hierarchical），非階層式可做各個體到各中心點距離的遠近從新移動個體 到最近的集群，並算出各集群新的中心點，然後繼續再移動各個體到最近的群，

如此重複進行直到個體不再移動為止。

本研究採用的方法是將階層式與非階層式集群法結合，採用兩階段的分析方 法，不但修正了階層式分群法，各觀察值一旦被分在某一群後，就無法對觀察值 併入不適當集群中進行重新分群的缺點。而同時也克服了非階層集群法須事先決 定分群數目與集群中心點的問題。第一步先運用階層式（Hierarchical）的凝集群 法，以分析得到本研究的樣本應該被分成幾群最為恰當，由於階層法的缺點是兩

個體一旦被分在同一群，則其後就永遠在同一群內，所以本研究第二階段再用 K-mean 集群分析法，依據之前階層式群落分析法所決定的最適合的群數，將樣 本分群。

（一）階層式群落分析法（Hierarchical Cluster Analysis）

第一階段採用階層式集群方法（Hierarchical Method）中的群間連鎖法

（Between Group Linkage）、群內誤差和歐幾里德距離（Euclidean distance）的平 方，在此以群內誤差遞增量最大者作為合理分群的分群原則。群內誤差和的增量 愈大，表示新集群中成員的差異性很高，不適合再合併成一個新集群體。

(二）非階層式集群分析法（Nonhierarchical Cluster Analysis）

第二階段則利用第一階段所確定之適當分群數，在經由非階層式群落分析法 中的K 平均數法（K-mean Methods）針對樣本進行分群。其分析步驟如下：

1. 依據預先假定的群集個數 K，將全體項目分成 K 群，然後針對各群分別 計算其中心點。

2. 計算全體各項目到各中心點的距離，並將各項目分派到與其距離最近的 中心點所屬的群。

3. 重新計算各群的中心點。

4. 重複步驟 2、3 直到各群沒有重新分派項目的情形為止。

4.5.2 風險感認之集群分析

本研究採用的是階層式集群法中的華德法（Ward’s method），此法是先將每 個樣本視為一個集群，然後將各集群依序合併，愈早合併之樣本表示其間的相似 性愈高，而集群的相似性可由「凝聚係數」得知，凝聚係數愈小表示該成員同質 性越高。根據SPSS 軟體進行第一階段的階層式集群法，發現將高齡者依風險感 認程度的不同，分為兩群較為適當。

由上述分析可知道，將研究對象分成二群時較為適合，因此於本階段，再以 非階層集群分析之K－mean 進行實際分群。分群結果發現，將自主式運具風險 感認族群分為兩集群，集群一有147 人，集群二有 143 人，其中集群二之風險感 認值高於集群一，故命集群一為低自主式運具風險感認族群，集群二為高自主式 運具風險感認族群。再來針對非自主式運具風險感認族群分為兩集群，集群一有 169 人，集群二有 121 人，其中集群二之風險感認值高於集群一，故命集群一為 低自主式運具風險感認族群，集群二為高自主式運具風險感認族群。

4.5.3 Logistic 迴歸分析結果

對於探討某一依變數與某些解釋變數是否存在特定關係，必須進而建立模式 以利分析預測。當依變數為名目或類別尺度時，線性迴歸方法就不適用，因為許 多線性迴歸的特性與基本假設將不成立。Logistic 迴歸與傳統的迴歸分析性質相 似，且Logistic 迴歸模式在統計的運用上已極為普遍，可用在解釋變數為離散型 和連續型或二者同時存在的混合型資料分析上。

本研究以風險感認為依變數，根據集群分析結果，將受訪者分為「高風險感 認族群」、「低風險感認族群」，並將「高風險感認族群」設定為1，「低風險感認 族群」設定為0。為了瞭解各觀察變數對於高齡者風險感認影響程度是否顯著，

加上由於依變數為類別尺度，故本研究將以Logistic 迴歸來進行分析。在參數估 計方面，將採用最大概似估計(maximum likelihood estimator :MLE)的方法來估計 Logistic 迴歸模式的參數，因為此種估計方法具有一致性(consistency)，充分性 (sufficiency)和最佳漸近常態分配(BAN)等良好特性。

選取的自變數為性別、年齡、汽車駕照有無、機車駕照有無、過去五年駕駛 汽車之經驗、過去五年機車之駕駛經驗、生理機能、認知功能、外來訊息刺激、

焦慮性、謹慎性。詳結之變數名稱、定義與敘述統計資訊如表4.13 所示。

表4.13 高齡者風險感認 Logistic 迴歸模式變數定義

變數名稱 定義說明

自主式運具高風險感認 自主式運具高感認風險族群=1；其它=0 非自主式運具高風險感認 非自主式運具高感認風險族群=1；其它=0

性別 男性=1；其它=0

年齡 實際年齡

汽車駕照 擁有=1；其它=0

機車駕照 擁有=1；其它=0

過去五年駕駛汽車之經驗 經常使用=1；非常少與沒有使用過=0 過去五年駕駛機車之經驗 經常使用=1；非常少與沒有使用過=0

生理機能 生理機能量表

認知功能 認知功能量表

外來訊息刺激 外來訊息刺激量表

焦慮性 焦慮性量表

謹慎性 謹慎性量表

表4.14 為高齡者自主式運具風險感認 Logistic 迴歸模式分析結果，可以得知 影響高齡者自主式運具高風險感認之因素有性別、過去五年駕駛汽車之經驗、過 去五年駕駛機車之經驗、生理機能、認知功能、外來訊息刺激、焦慮性、謹慎性 等變數。整體來說，模式是顯著的，且適配值達到0.18。

在其它因素相同狀況下，可以看到女性較男性容易成為自主式運具高風險感 認族群；過去五年未擁有駕駛經驗之高齡者較容易成為自主式運具高風險感認族 群；本身生理機能、認知功能較退化之高齡者，其較易成為自主式運具高風險感 認族群；另外常接收到外來訊息刺激之高齡者，也容易會因此而成為自主式運具 高風險感認族群；再來就高齡者本身個性來說，越焦慮、謹慎之高齡者，其越容 易成為自主式運具高風險感認族群。

表4.14 高齡者自主式運具風險感認 Logistic 迴歸模式分析結果 自主式運具高風險感認 自變數 依變數

參數值β P-Value

男性 -0.275 0.079^*

年齡 0.009 0.726

擁有汽車駕照 -0.183 0.726

過去五年駕駛汽車之經驗 -0.565 0.097^* 過去五年駕駛機車之經驗 -0.100 0.036^**

生理機能 0.109 0.040^**

認知功能 0.358 0.082^*

外來訊息刺激 0.771 0.026^**

焦慮性 0.175 0.010^***

謹慎性 0.309 0.004^***

樣本數 290

-2LL(0) 207.510

-2LL(β) 173.308

ρ² 0.18

模式顯著值(P) 0.043^**

註：***表示顯著水準 p < 0.01；**表示顯著水準 p < 0.05；*表示顯著水準 p < 0.1

表4.15 為高齡者非自主式運具風險感認 Logistic 迴歸模式分析結果，可以得 知影響高齡者自主式運具高風險感認之因素有性別、生理機能、認知功能、外來 訊息刺激、焦慮性、謹慎性等變數。整體來說，模式是顯著的，且適配值達到

在其它因素相同狀況下，可以看到女性也是較男性容易成為非自主式運具高 風險感認族群；本身生理機能、認知功能較退化之高齡者，其同樣較易成為非自 主式運具高風險感認族群；另外常接收到外來訊息刺激之高齡者，也容易會因此 而成為非自主式運具高風險感認族群；再來就高齡者本身個性來說，越焦慮、謹 慎之高齡者，其越容易成為非自主式運具高風險感認族群。

表4.15 高齡者非自主式運具風險感認 Logistic 迴歸模式分析結果 非自主式運具高風險感認 自變數 依變數

參數值β P-Value

男性 -0.496 0.079^*

年齡 -0.013 0.726

擁有汽車駕照 0.500 0.726

過去五年駕駛汽車之經驗 0.320 0.550 過去五年駕駛機車之經驗 0.058 0.897

生理機能 0.545 0.084^*

認知功能 0.456 0.058^*

外來訊息刺激 0.288 0.056^* 焦慮性 0.511 0.022^***

謹慎性 0.757 0.045^**

樣本數 290

-2LL(0) 204.354

-2LL(β) 172.002

ρ² 0.19

模式顯著值(P) 0.041^**

註：***表示顯著水準 p < 0.01；**表示顯著水準 p < 0.05；*表示顯著水準 p < 0.1