34
35
(mis-specificatio)，它也有一致 (consistent)和近似常態的解(asymptotically normal solutions)（李采娟，2014）。本研究採取2011、2013年兩波時間點的體檢代謝相 關健檢資料，而後估計迴歸係數以及它的共變異數矩陣。在多變項研究模型中，
加入時間的交互作用，以檢視職場特徵與體檢資料隨時間變化之情形。
運用多元尺度分析 (MDS)降低本研究相關因子之資料維度與找出潛藏結
構因子，而 MDS 為資料採礦中的重要方式之一。分析方式是要從多個受試或 刺激彼此之相似或相異程度的觀察資料矩陣，找出隱藏在其背後的多向度結構 的統計方法，國內對 MDS 有其他多種翻譯，如「多元尺度法」，「多向度尺度 分析」， 「多向度量尺法」和「相似度結構分析」，屬於多重變量的方法之一，
是社會學、數量心理學數、市場行銷等統計實證分析的常用方法，常應用在評 判和感知的應用(余錦華、楊維權，2005)。
如果輸入的資料矩陣為比率變項或等距變項，那就稱之為「計量 MDS」
(metric MDS)，如果輸入的資料為次序變項，那就是「非計量 MDS」 (nonmetric
MDS)。所以MDS 不但可以分析量化資料，也可以分析次序性資料。
多元尺度分析法主要目的為二：（一）讓資料能在空間中，以點座標形式來 表示且不失其差異性，（二）降低資料的維度，讓資料以視覺化的形式呈現，較 容易找出資料潛在特徵。該「知覺定位分析」涉及相當複雜的統計原理及數學 矩陣概念，將其簡述如下：首先根據加權評分表，建立每點的加權均值矩陣，
並計算每點間之歐式距離平方矩陣。其次，將歐式距離平方矩陣轉換成中心距
36
離矩陣及雙重中心化距離矩陣，雙重中心化距離矩陣就是構建知覺定位圖之基
礎。接著，應用主軸法，可自雙重中心化距離矩陣萃取出軸1及軸2之特徵值 及因素負荷量，構建各點的座標矩陣；應用複迴歸分析及方向餘弦之概念，則 可構建準則軸在定位圖上之向量矩陣。最後，應用集群分析，可將相近的點集 成一群進行分析（周文賢，2002）。
MDS 用來評鑑所得到的多向度構形與實際資料之適合度的指標是
Kruskal 的「壓力係數」(stress)及 RSQ (R square)。壓力係數越小或 RSQ 越大，
代表所得到的構形上各點之距離 (dij)與實際輸入之距離 (δ ij )越適合。
Kruskal (1964)提出下列判斷標準：
RSQ 是量尺資料 (dij)之變異數能被其相對應的距離(δ ij )解釋的比率，也就是 一般迴歸分析中迴歸變異量所佔比率。壓力係數相當於迴歸分析時誤差變異所 佔的比率之平方根，即類
針對本研究資料結構而言，由於我們欲瞭解該職場員工健康變遷的相關因 素，然而職場員工的健康篩檢資料一方面可能存有健康工人效應 (healthy worker effect)的潛在因素，同時單位相關部分於推動健康篩檢與健康促進活動 時，可能有系統選樣，或參與意願之選樣偏差問題，均可能導致眾多解釋變項
37
間的高度關聯性，進而形成迴歸分析程序（例如：GEE）之共線性存在問題，
進而危害解釋變項分析結果之效度。 舉例而言，若依該公司內的人事資料中所 選取之自變項，可能在某個年齡層、教育程度、工作職級、工作屬性之特性下，
其固定參與健康活動參與次數較高，同時也擁有較佳的生活型態與健康行為。
故當這些變項都投入於迴歸分析中，即可能有不可忽略之共線性可能性發生，
然而若直接採取刪除彼此間具有高度關聯之自變項，則可能又失去觀察這些解 釋變項間的潛藏因素結構與員工特質，因此，本研究運用 MDS 分析來克服此 第二階段的特殊考量。
過去在相關醫務管理與組織行為的研究文獻中，也可發現到 MDS 的應用 分析，例如：探討某一區同一級醫院形象，可供醫院管理者之經營策略之參考，
以提升競爭優勢；研究院內指示設計依病人識別偏好性任之空間，可讓醫院經 營者依大眾偏好性，設計出符合高辨識度的指示指引符號，讓醫院指標動線更 人性化，研究分析台灣醫療生技醫療產業之市場競爭優勢，可供衛生主管機及 經營者了解該形象定位做為日後經營策略之參考等，但在職場中的健康管理分 析未有運用以該統計方法分析，故本研究採此統計方法來分析此職場之參與健 康促進活動之員工的潛在特質並作為運用在職場健康管理的分析工具之一。
38