113 年 國立臺北大學國際企業研究所《統計學》

核心觀念

本題考驗多元迴歸分析（Multiple Regression Analysis）的基本結果解讀與假設檢定概念。
在統計學與商管研究中，當研究者欲探討多個自變數（Explanatory / Independent Variables，如本題的 Persuasion Knowledge、Third-person Perception、Affection、e-WOM、Narrative persuasion effect）對於單一連續型應變數（Response / Dependent Variable，如本題的 Coping Behavior）的影響強度與方向時，最常採用的統計模型即為多元迴歸分析。

表 1 展示了各個變數路徑（Hypothesis Path）的迴歸係數（Coefficient $\beta_j$）與針對個別係數所進行的 $t$ 檢定統計量（T-value）。其檢定虛無假設與對立假設如下：
$H_0: \beta_j = 0 \quad \text{vs.} \quad H_1: \beta_j \neq 0 \quad (j = 1, 2, 3, 4, 5)$

---

解題方法

由題目給予的表 1（Table 1）進行資訊辨與歸納：

1. 變數結構：表中有 5 個不同的自變數（自變量）指向同一個應變數 Coping Behavior，並標示為 $H_1 \sim H_5$ 的路徑關係。
2. 參數與統計量：表內給出了迴歸係數 $\beta_j$ 以及檢定該係數是否顯著異於 0 的 $t$ 統計量（T-value）。
3. 註腳說明（Notes）：說明中提到以雙尾檢定（two-tailed test）為基準，根據 $t$ 統計量的絕對值大小判定顯著水準臨界值（如 $|t| > 1.64$、$\|t\| > 2.33$、$\|t\| > 2.58$）。

綜合上述特徵，此表格呈現的是典型迴歸分析（或結構方程模型中的迴歸路徑分析）之結果輸出格式。因此，阿明所採用的統計方法為迴歸分析。

---

選項分析

• (A) 變異數分析 (ANOVA)：錯誤。變異數分析主要用於比較三個或三個以上自變數組別（類別型自變數）在連續型應變數上的平均數是否有顯著差異。

核心觀念

在統計學的迴歸分析與假設檢定（Hypothesis Testing）中：

1. 研究假設（Research Hypothesis, $H_1$ 或 $H_a$）：通常代表研究者想要尋求支持或證明的立場。在本題的背景中，研究假設為「某項自變數對依變數存在顯著影響」（即迴歸係數不等於 0：$\beta_i \neq 0$）。
2. 虛無假設（Null Hypothesis, $H_0$）：代表「沒有效果」、「沒有影響」或「沒有差異」的現狀假設。在檢定單一迴歸係數 $\beta_i$ 是否具有統計顯著性時，虛無假設設定為「該係數等於 0」，即：
   $H_0: \beta_i = 0$
3. 雙尾檢定（Two-tailed Test）：根據題幹表 1 下方的附註（Notes: Based on two-tailed test），本檢定採用雙尾檢定，其對立假設為 $H_1: \beta_1 \neq 0$。而對應的虛無假設即為相等條件 $\beta_1 = 0$。

---

解題方法

1. 定義虛無假設 $H_0$：
   虛無假設永遠包含「相等號（$=$）」。在多元迴歸分析中，測試路徑或自變數的影響時，標準的虛無假設皆為「該路徑的迴歸母體係數為 0」（代表自變數無法預測或影響依變數）。
2. 對假設 1（Hypothesis Path 1: Persuasion Knowledge $\rightarrow$ Coping Behavior）進行建立：
   • 虛無假設 $H_0: \beta_1 = 0$（說服知識對應對行為沒有影響）

核心觀念

本題考驗**假設檢定（Hypothesis Testing）**中的雙尾檢定判決法則、臨界值（Critical Value）與名義顯著水準（Significance Level, $\alpha$）之對應關係，以及統計學論文中常見的「星號（Asterisk）顯著水準標註慣例」。

1. 雙尾 $t$ 檢定之決策法則：
   • 檢定統計量為 $T$-value。
   • 拒絕域（Rejection Region）：若 $|t| > t_{\alpha/2}$，則拒絕虛無假設 $H_0$（代表結果達統計顯著）；反之，若 $|t| \le t_{\alpha/2}$，則無法拒絕 $H_0$（或稱接受 $H_0$）。
2. 題幹星號與顯著水準之對應：
   • $|t| > 1.64$ $\rightarrow$ 通過 $\alpha = 0.10$ 顯著水準雙尾檢定（標註 *）。
   • $|t| > 2.33$ $\rightarrow$ 通過 $\alpha = 0.02$ 顯著水準雙尾檢定（標註 **）。
   • $|t| > 2.58$ $\rightarrow$ 通過 $\alpha = 0.05$ 或 $\alpha = 0.01$ 雙尾檢定（標註 ***，對應標準常態雙尾臨界值 $z_{0.005} = 2.576 \approx 2.58$）。
     註：商管研究所論文常用 $\alpha = 0.05$（雙尾 $z = 1.96$）與 $\alpha = 0.01$（雙尾 $z = 2.576 \approx 2.58$）作為標準判斷基準。

---

解題方法

Step 1：找出假設 2（$H_2$）的檢定統計量
由表 1（Table 1）可知，針對假設 $H_2$: Third-person Perception $\rightarrow$ Coping Behavior：

• 迴歸係數 $\beta_2 = 0.383$
• 檢定統計量 $t = 3.738$

Step 2：進行不同顯著水準下的雙尾檢定比較

1. 當 $\alpha = 0.05$ 時：

   • 雙尾檢定臨界值為 $z_{0.025} = 1.96$。
   • 由於計算出的 $|t| = 3.738 > 1.96$，檢定統計量落在拒絕域內。
   • 判決結果：拒絕虛無假設 $H_{02}$（即支持研究假設 $H_2$ 成立）。

2. 當 $\alpha = 0.01$ 時：

   • 雙尾檢定臨界值為 $z_{0.005} = 2.58$。
   • 由於計算出的 $|t| = 3.738 > 2.58$，檢定統計量依然落在拒絕域內。
   • 判決結果：拒絕虛無假設 $H_{02}$（即支持研究假設 $H_2$ 成立）。

Step 3：分析題目假設敘述之慣例
在假設檢定寫法中，「$H_2$」代表研究假設（Research Hypothesis），其虛無假設為 $H_{02}: \beta_2 = 0$，對立假設為

核心觀念

本題考察雙尾雙樣本/單樣本 $t$ 檢定（Two-tailed $t$-test）中，$t$ 統計量（$t$-value）與 $p$ 值（$p$-value）的對應關係與機率區間判定。

1. $t$ 檢定雙尾 $p$ 值定義：
   在虛無假設 $H_0$ 成立下，獲得比樣本觀察到的 $t$ 統計量更極端（絕對值更大）結果的機率：
   $P = P(|T| > |t_{\text{obs}}|) = 2 \times P(T > |t_{\text{obs}}|)$
2. 臨界值（Critical Values）與 $p$ 值的反比關係：
   $t$ 統計量的絕對值 $|t_{\text{obs}}|$ 越小，尾端累積機率越大，故 $p$ 值越大；反之，$t$ 統計量絕對值越大，尾端累積機率越小，$p$ 值越小。
3. 題目 Notes 提供之顯著水準臨界值（以標準常態分配 $Z$ 或大樣本 $t$ 分配為基準）：
   • $|t| > 1.64 \iff p < 0.10$ （單尾 $0.05$，雙尾 $0.10$）
   • $|t| > 2.33 \iff p < 0.02$ （單尾 $0.01$，雙尾 $0.02$）
   • $|t| > 2.58 \iff p < 0.01$ （單尾 $0.005$，雙尾 $0.01$）

---

解題方法

1. 查表定位 $H_3$ 的 $t$ 統計量：
   由 Table 1 可知，假設 $H_3$（Affection $\rightarrow$ Coping Behavior）估計出的 $t$ 值為：
   $t_{\text{obs}} = 1.027$

2. 比較臨界值並推導 $p$ 值區間：
   根據 Notes 所給定的臨界值：

   • 最小顯著門檻為 $|t| = 1.64$，對應雙尾 $p = 0.10$。
   • 因為 $H_3$ 的 $|t_{\text{obs}}| = 1.027 < 1.64$，說明觀察到的 $t$ 值落在不顯著區（接受域）。

核心觀念

本題考查多元迴歸分析（Multiple Regression Analysis）中迴歸係數（Regression Coefficients）的經濟/統計意義，特別是評估自變數（Explanatory/Independent Variables）對應變數（Dependent Variable）**影響程度（Impact Level / Effect Size）**的比較基準。

在多元迴歸模型中：

1. 迴歸係數（$\beta$ 或 $b$）：若變數已經過標準化（Standardized），或是單位相同、具備相同測量尺度時，迴歸係數的大小（絕對值）即代表自變數對應變數影響效果（Effect Size）的大小。本題表格中給定 $H_1 \sim H_5$ 各路徑之係數（Coefficient），即代表各自變數對 Coping Behavior 的影響係數 $\beta_i$。
2. 統計顯著性（Statistical Significance, $T$-value）：$T$-value 主要用於檢定「該係數是否顯著異於 0」（即判斷變數是否有統計上的影響效果），其數值大小代表拒絕虛無假設（$H_0: \beta_i = 0$）的強度，不等同於變數實質影響力（Effect Size）的大小。

題目詢問「影響程度最大的是哪一個自變數」，應比較各自變數迴歸係數 $\beta$ 的絕對值大小（$|\beta|$）。

---

解題方法

1. 整理各選項/變數之迴歸係數 $\beta$：

   • Persuasion Knowledge：$\beta_1 = 0.147$
   • Third-person Perception：$\beta_2 = 0.383$
   • Affection：$\beta_3 = 0.045$
   • e-WOM：$\beta_4 = 0.865$
   • Narrative persuasion effect：$\beta_5 = 0.490$

2. 比較迴歸係數之絕對值：

核心觀念
本題旨在考驗考生對於不同統計檢定方法之**檢定統計量（Test Statistic）**與實驗設計／研究變數性質的辨識能力。

在單因子變異數分析（One-way ANOVA）或單變量迴歸分析中的整體顯著性檢定中，當我們針對單一自變數（類別變數，包含若干組別）或因子對連續型應變數（Dependent Variable）的影響進行檢定時，其檢定統計量為 $F$ 檢定值（$F$-value）。

---

解題方法
觀察題目提供的 Table 2（表 2）：

1. 應變數（Dependent Variable）：為「Value-in-use」（使用價值），屬於連續型測量變數（Continuous variable）。
2. 解釋變數／控制變數（Control Variables）：包含「Gender」（性別，類別變數）、「Age」（年齡，可分組為類別變數）與「Residential district」（居住地區，類別變數）。
3. 統計量與 $P$ 值（F-value & P-value）：表格中針對各變數分別提供 $F$ 檢定值與對應的 $P$ 值。

由於 Table 2 針對各個控制變數對連續型應變數的檢定結果，呈現的是 $F$ 檢定值（$F$-value），這代表其採用的統計方法是以 $F$ 分配進行組間變異與組內變異的比較，或整體模型的顯著性檢定。在選項所列的統計方法中，只有變異數分析（ANOVA）（或迴歸模型中針對單一多類別變數的 $F$ 檢定/ANOVA 表）是以 $F$-value 作為檢定統計量。

---

選項分析

• (A) 變異數分析（正確）：
  變異數分析（Analysis of Variance, ANOVA）用於比較多個組別平均數是否存在顯著差異，其檢定統計量即為 $F$ 統計量（$F = \frac{MSB}{MSW}$）。

核心觀念

本題考查變異數分析（Analysis of Variance, ANOVA）或迴歸分析中類別變數的檢定（F檢定）之「虛無假設（Null Hypothesis, $H_0$）」設定。

1. 變異數分析/F檢定之目的：檢定類別變數（例如性別：男性 vs. 女性）在連續型依變數（Value-in-use）的母體平均數上是否存在顯著差異。
2. 虛無假設（$H_0$）的定義：虛無假設通常表示「無差異」、「無效果」或「相等」的狀態，等待樣本證據來否定它。
3. 對立假設（$H_1$）的定義：對立假設為研究者希望證實的假設，通常表示「有差異」、「有效果」或「不相等」。

---

解題方法

本題題目詢問：針對性別（Gender / Sex）變數，對 Value-in-use 所建立的虛無假設為何？

性別通常分為兩組（男性與女性）。在檢定性別對依變數 Value-in-use 是否有顯著影響時：

• 虛無假設 ($H_0$)：男性的 Value-in-use 平均值等於女性的 Value-in-use 平均值（即兩組無顯著差異，$\mu_{\text{男}} = \mu_{\text{女}}$）。
• 對立假設 ($H_1$)：男性的 Value-in-use 平均值不等於女性的 Value-in-use 平均值（即兩組有顯著差異，$\mu_{\text{男}} \neq \mu_{\text{女}}$）。

核心觀念

本題主要考查假設檢定（Hypothesis Testing）中 $p$-值（$p$-value）與顯著水準（Significance Level, $\alpha$）的判決法則（Decision Rule）。

在假設計算中，統計檢定的結論取決於 $p$-值與顯著水準 $\alpha$ 的比較結果：

1. 拒絕虛無假設 $H_0$（拒絕域/顯著）：當 $p\text{-value} \le \alpha$ 時，代表在 $H_0$ 為真的條件下發生樣本觀察值的機率極低，達到統計顯著（Statistically Significant），故拒絕 $H_0$。
2. 無法拒絕虛無假設 $H_0$（不拒絕域/不顯著）：當 $p\text{-value} > \alpha$ 時，代表樣本差異可能僅由隨機抽樣誤差所致，未達到統計顯著，故不拒絕 $H_0$。

在商管與社科研究中，未特別指定 $\alpha$ 時，預設之顯著水準通常為 $\alpha = 0.05$。

---

解題方法

1. 對應表資料：
   根據 Table 2 的統計結果，關於「性別（Gender）」欄位：

   • $F\text{-value} = 2.876$
   • $P\text{-value} = 0.091$

2. 進行假設檢定的判決與分析：

   • 當 $\alpha = 0.05$ 時：
     $p\text{-value} = 0.091 > 0.05 = \alpha$
     因為 $p$-值大於 $0.05$，故在 $\alpha = 0.05$ 的顯著水準下無法拒絕虛無假設，結論為無顯著差異。
   • 當 $\alpha = 0.01$ 時：
     $p\text{-value} = 0.091 > 0.01 = \alpha$
     因為 $p$-值同樣大於 $0.01$，故在 $\alpha = 0.01$ 的顯著水準下亦無顯著差異。

核心觀念

本題旨在考量多變量統計學與量表檢定中，關於**信度（Reliability）與效度（Validity）**之基本概念，特別是結構方程式模型（Structural Equation Modeling, SEM）與問卷量表分析中常用來衡量建構效度的指標。

1. 信度（Reliability）：指測量結果的「一致性」或「穩定性」。
   • 內在信度（Internal Consistency Reliability）：常用 Cronbach's $\alpha$ 值或複合信度（Composite Reliability, CR）來衡量問卷內部題目是否一致指向同一構面。
2. 效度（Validity）：指測量工具是否能「真實測出目標構面」的程度。
   • 建構效度（Construct Validity）：指測量工具能夠測量出理論建構的程度，主要包含以下兩個維度：
     • 收斂效度（Convergent Validity）：同一個構面下的各個測量題目，彼此之間相關性或集中程度是否夠高。
     • 區別效度／區別效度（Discriminant Validity）：不同構面之間的題目，彼此是否有足夠的區隔性。
3. 平均變異抽取量（Average Variance Extracted, AVE）：
   • 定義：衡量潛在變數（Latent Variable）能解釋其觀察變數（Indicators/Items）的平均變異量比例。
   • 計算公式：
     $AVE = \frac{\sum_{i=1}^{k} \lambda_i^2}{\sum_{i=1}^{k} \lambda_i^2 + \sum_{i=1}^{k} (1 - \lambda_i^2)}$
     其中 $\lambda_i$ 代表第 $i$ 個觀察題目在該潛在構面上的標準化因素負荷量（Factor Loading），$k$ 為題目數。
   • 判斷標準：通常要求 $AVE \ge 0.5$，代表潛在構面能解釋題目一半以上的變異，代表測量工具具有良好且足夠的收斂效度。

---

解題方法

核心觀念

本題考查**統計抽樣方法（Sampling Methods）的分類與特性，特別是機率抽樣（Probability Sampling）與非機率抽樣（Non-probability Sampling）**的本質差異與適用時機：

1. 機率抽樣（Probability Sampling）：
   • 前提條件：必須擁有完整且可取得的母體清冊（Sampling Frame / Population List），使母體中每一個個體都有一個預先已知且大於零的被抽中機率。
   • 常見方法：簡單隨機抽樣（Simple Random Sampling）、分層隨機抽樣（Stratified Sampling）、集群抽樣（Cluster Sampling）、系統抽樣（Systematic Sampling）。
2. 非機率抽樣（Non-probability Sampling）：
   • 前提條件：當母體清冊無法取得、母體邊界不明確，或受限於時間、經費與實務可行性時使用。抽樣過程包含研究者的主觀判斷或便利性考量，個體被抽中的機率無法事先算出。
   • 常見方法：配額抽樣（Quota Sampling）、便利抽樣（Convenience Sampling）、立意抽樣（Purposive Sampling）、雪球抽樣（Snowball Sampling）。

---

解題方法

本題的切入關鍵在於**「母群體資料無法取得」（即缺乏母體名冊/抽樣清冊）**：

• 當母體清冊不存在或無法取得時，研究者無法建立機率抽樣所需的隨機抽樣架構（Sampling Frame）。
• 此時若強行實施機率抽樣，將面臨無名冊可供抽號或抽選個體的困境。因此，補救與建議採行的替代方案即為非機率抽樣方法。
• 在四個選項中，僅有**配額抽樣（Quota Sampling）**屬於非機率抽樣，其優點是在缺乏母體清冊的情況下，仍能透過控制特定背景變數（如性別、年齡比例）來維持樣本結構的代表性。

---

選項分析

• (A) 系統抽樣（Systematic Sampling）—— 錯誤
  • 原理：將母體清冊按特定順序排列後，計算抽樣間隔 $k = \frac{N}{n}$，隨機選定起始點後每隔 $k$ 個個體抽

核心觀念

本題評量離散型隨機變數（Discrete Random Variable）的**期望值（Expectation / Mean）與變異數（Variance）**之計算。

1. 淨收益（Net Payoff）的定義：
   隨機變數 $X$ 代表財務經理的淨收益，公式為：
   $\text{淨收益 } X = \text{回收金額} - \text{原始投資金額}$
   本題原始投資金額為 $$200,000$。

2. 機率質量函數（PMF）與隨機變數 $X$ 的可能取值：
   根據題目情境，隨機變數 $X$ 有三種可能的取值及其對應機率 $P(X=x)$：

   • 情境 1：有 $40\%$ 的機率拿回 $$500,000$，此時淨收益 $X = 500,000 - 200,000 = 300,000$，機率 $P(X = 300,000) = 0.40$。
   • 情境 2：有 $25\%$ 的機率拿回原始投資（即拿回 $$200,000$），此時淨收益 $X = 200,000 - 200,000 = 0$，機率 $P(X = 0) = 0.25$。
   • 情境 3：有 $35\%$ 的機率連一分錢都拿不回來（即拿回 $$0$），此時淨收益 $X = 0 - 200,000 = -200,000$，機率 $P(X = -200,000) = 0.35$。

3. 期望值與變異數公式：

   • 期望值（Mean）：
     $E(X) = \mu_X = \sum x \cdot P(X=x)$
   • 變異數（Variance）：
     $\operatorname{Var}(X) = \sigma_X^2 = E(X^2) - [E(X)]^2$
     其中 $E(X^2) = \sum x^2 \cdot P(X=x)$。

---

解題方法

步驟一：建立隨機變數 $X$ 的機率分布表

為簡化計算與閱讀，將金額以「萬元」或原始數值表示（以下推導採用原始金額計算）：

情境	回收金額 ($)	淨收益 $X$ ($)	機率 $P(X=x)$
成功	$500,000$	$300,000$	$0.40$
保本	$200,000$	$0$	$0.25$
全虧	$0$	$-200,000$	$0.35$

步驟二：計算期望值 $E(X)$

將各情境的淨收益乘以對應機率後求和：
$E(X) = (300,000) \times 0.40 + (0) \times 0.25 + (-200,000) \times 0.35$
$E(X) = 120,000 + 0 - 70,000 = 50,000$

因此，隨機變數 $X$ 的平均值（Mean）為 $50,000$（或 $50,000）。

步驟三：計算 $E(X^2)$ 與變異數 $\operatorname{Var}(X)$

1. 計算平方期望值 $E(X^2)$：
   $E(X^2) = (300,000)^2 \times 0.40 + (0)^2 \times 0.25 + (-200,000)^2 \times 0.35$

核心觀念

本題考察 隨機變數的線性變換（Linear Transformation of Random Variables） 及其對 期望值（Expectation / Average） 與 變異數（Variance） 的影響。

1. 淨收益（Net Payoff）定義：
   $\text{淨收益 } X = \text{拿回總金額} - \text{投資本金}$
2. 隨機變數線性變換公式：
   若隨機變數 $Y = aX + b$（其中 $a, b$ 為常數），則：
   • 期望值（均值）：$E(Y) = aE(X) + b$
   • 變異數：$Var(Y) = a^2 Var(X)$

---

解題方法

第一步：建立原始投資（$200,000）的隨機變數$X$ 機率分佈

原始本金為 $200,000，隨機變數 $X$ 表示淨收益（Net Payoff，單位：千美元）：

1. 40% 機率拿回 $500,000 $\Rightarrow$ 淨收益 $X = 500 - 200 = 300$
2. 25% 機率保本拿回 $200,000 $\Rightarrow$ 淨收益 $X = 200 - 200 = 0$
3. 35% 機率血本無歸（拿回 $0） $\Rightarrow$ 淨收益 $X = 0 - 200 = -200$

$X$ 的機率質量函數（PMF）如下表：

淨收益 $x$（千美元）	$300$	$0$	$-200$
機率 $P(X=x)$	$0.40$	$0.25$	$0.35$

計算 $X$ 的期望值 $E(X)$ 與二階原點矩 $E(X^2)

核心觀念

本題考查離散型隨機變數的期望值（Expected Value）與收益／損益的機率分布建立。

1. 離散型隨機變數的期望值定義：
   若離散型隨機變數 $X$ 的可能取值為 $x_1, x_2, \dots, x_n$，對應的機率為 $P(X = x_i)$，則期望值定義為：
   $E(X) = \sum_{i=1}^{n} x_i \cdot P(X = x_i)$

2. 保險契約下的淨收益（Net Income）計算：

   • 隨機變數 $X$ 代表廠商最終的淨收益（額度以百萬元 Yuan 計）。
   • 保險理賠機制：美國保險公司承諾保證補足應收帳款缺額（最高補足至 $50$ 百萬），因此無論買方實際支付多少金額（$50$ 百萬、$30$ 百萬、$10$ 百萬或 $0$），廠商經由「買方付款 + 保險公司理賠」最終合計收到的總金額永遠為 $50$ 百萬。
   • 保費成本：廠商需先支付固定保費 $10$ 百萬。
   • 最終淨收益公式：
     $\text{淨收益 } X = (\text{買方付款} + \text{理賠金額}) - \text{保費} = 50 - 10 = 40 \text{（百萬元）}$

---

解題方法

1. 情境分析與隨機變數 $X$ 之定義

題目定義隨機變數 $X$ 為廠商最終「花費或賺取的金額」（即最終淨損益）：

• 初始訂單總額：$50$ 百萬元。
• 保費支出：固定支出 $10$ 百萬元。
• 買方付款情況與保險理賠金額：
  1. 收到 $50$ 百萬（機率 $0.7$）：缺額為 $0$，理賠 $0$ 百萬，總收入 $50$ 百萬。
  2. 收到 $30$ 百萬（機率 $0.15$）：缺額為 $20$ 百萬，理賠 $20$ 百萬，總收入 $30 + 20 = 50$ 百萬。
  3. 收到 $10$ 百萬（機率 $0.1$）：缺額為 $40$ 百萬，理賠 $40$ 百萬，總收入 $10 + 40 = 50$ 百萬。
  4. 收到 $0$ 百萬（機率 $0.05$）：缺額為 $50$ 百萬，理賠 $50$ 百萬，總收入 $0 + 50 = 50$ 百萬。

核心觀念

本題主要考驗**標準化數值（$z$-score）**的定義、公式推導與應用。

1. $z$ 分數（$z$-score / Standard Score）定義：
   $z$ 分數衡量原始數據（$X$）偏離平均數（$\mu$）多少個標準差（$\sigma$）。其公式為：
   $z = \frac{X - \mu}{\sigma}$
   其中 $X$ 為原始分數，$\mu$ 為母體平均數，$\sigma$ 為母體標準差。
2. 標準化數據的比較（Standardization）：
   當兩個不同群體（如東京分公司與香港分公司）的平均數與標準差不同時，不能直接比較原始分數（Raw Score）。透過將原始分數轉化為 $z$ 分數，可剔除單位與整體分配刻度的影響，比較個別資料在各自母體中的「相對位置（Relative Standing）」。$z$ 分數越高，代表該員工在其所屬分公司的相對表現越優秀。

---

解題方法

Step 1：求解東京分公司（Branch Tokyo）的母體平均數 $\mu_T$ 與標準差 $\sigma_T$

已知東京分公司的 $z$ 分數公式為：
$z_T = \frac{X_T - \mu_T}{\sigma_T}$

根據題目條件 (1)：

• 當 $X_{T1} = 84$ 時，$z_{T1} = 0.5$ $\Rightarrow \frac{84 - \mu_T}{\sigma_T} = 0.5 \Rightarrow 84 - \mu_T = 0.5\sigma_T$ ⋯⋯ ⓪
• 當 $X_{T2} = 72$ 時，$z_{T2} = -2.5$ $\Rightarrow \frac{72 - \mu_T}{\sigma_T} = -2.5 \Rightarrow 72 - \mu_T = -2.5\sigma_T$ ⋯⋯ ②

將 ⓪ 式減去 ② 式消去 $\mu_T$：
$(84 - 72) = 0.5\sigma_T - (-2.5\sigma_T)$
$12 = 3.0\sigma_T \Rightarrow \sigma_T = 4$

將 $\sigma_T = 4$ 代回 ⓪ 式：
$84 - \mu_T = 0.5 \times 4 = 2 \Rightarrow \mu_T = 82$

因此，東京分公司的平均數 $\mu_T = 82$，標準差 $\sigma_T = 4$。

Step 2：計算東京分公司推薦員工的 $z$ 分數（$z_{T,\text{rec}}$）

東京分公司推薦員工的原始分數為 $X_{T,\text{rec}} = 90.0$：
$z_{T,\text{rec}} = \frac{90.0 - \mu_T}{\sigma_T} = \frac{90.0 - 82}{4} = \frac{8}{4} = 2.0$

---

Step 3：求解香港分公司（Branch Hong Kong）的母體平均數 $\mu_H$ 與標準差 $\sigma_H$

已知香港分公司的 $z$ 分數公式為：
$z_H = \frac{X_H - \mu_H}{\sigma_H}$

根據題目條件 (2)：

• 當 $X_{H1} = 84$ 時，$z_{H1} = 3.0$ $\Rightarrow \frac{84 - \mu_H}{\sigma_H} = 3.0 \Rightarrow 84 - \mu_H = 3.0\sigma_H$ ⋯⋯ ③
• 當 $X_{H2} = 72$ 時，$z_{H2} = -1.0$ $\Rightarrow \frac{72 - \mu_H}{\sigma_H} = -1.0 \Rightarrow 72 - \mu_H = -1.0\sigma_H$ ⋯⋯ ④

核心觀念
本題旨在考驗考生對研究假設（Research Hypothesis）分類的理解，特別是**方向性假設（Directional Hypothesis）與非方向性假設（Non-directional Hypothesis）**的差別。

• 方向性假設（Directional Hypothesis）：明確指出變數之間關係的方向（如：正相關、負相關、顯著高於、顯著低於）。在統計考驗中，通常對應到單尾檢定（One-tailed Test）。例如：「覺知聲望與購買意願呈正相關（Perceived prestige is positively related to purchase intention.）」。
• 非方向性假設（Non-directional Hypothesis）：僅指出變數之間存在關聯性或差異，但未具體預測其方向。在統計考驗中，通常對應到雙尾檢定（Two-tailed Test）。例如：「覺知聲望與購買意願有所關聯（Perceived prestige and purchase intention are related.）」。

---

解題方法
切入點為檢視題目所給定的研究假設文字：「...perceived prestige and purchase intention are related.」（覺知聲望與購買意願有所關聯）。

1. 分析敘述語氣：句子僅使用「are related」（有關聯），並沒有說明是「正相關（positively related）」還是「負相關（negatively related）」。

核心觀念

本題旨在考驗統計檢定方法的選擇與等價性（Equivalence of Statistical Tests）。

1. 雙樣本 $t$ 檢定（Two-sample $t$-test）：用於比較兩個獨立母體均值是否存在顯著差異，適用於自變數為二元類別變數（如性別：男／女）、因變數為連續變數的情形。
2. 單因子變異數分析（One-way ANOVA）：用於比較三個或三個以上獨立母體均值是否存在顯著差異（$k \ge 3$）。
3. 兩者之關係：當組數 $k = 2$ 時，單因子變異數分析與獨立雙樣本 $t$ 檢定在數學上完全等價（均假設母體常態且具變異數同質性），其檢定統計量滿足關係式 $F = t^2$。

---

解題方法

在統計學實務與理論中：

• 當比較群組只有兩組（例如：Gender，通常分為男性與女性兩類）且反應變數為連續變數時，標準且最常使用的檢定方法為獨立雙樣本 $t$ 檢定（Two-sample $t$-test）。
• 雖然將 One-way ANOVA 應用於兩組比較在數學計算上與雙樣本 $t$ 檢定等價（其 $F$ 檢定統計量等於 $t$ 檢定統計量的平方），但在統計工具的使用慣例上，雙樣本 $t$ 檢定更為直觀且常見。
• 題目敘述宣稱「使用 One-way ANOVA 更好（it is better）」，此說法並不正確。因為兩者在效果與結論上完全相同，One-way ANOVA 並未優於 $t$ 檢定；且在只有兩組時，慣例上優先使用雙樣本 $t$ 檢定。

因此，該敘述為錯誤（False）。

---

選項分析

核心觀念

本題考查時間序列分析中的**簡單單純指數平滑法（Single Exponential Smoothing, SES）**及其平滑常數 $\alpha$ 的物理意義與特性。

單純指數平滑法的預測公式為：
$F_{t+1} = \alpha Y_t + (1 - \alpha) F_t = F_t + \alpha (Y_t - F_t)$
其中：

• $Y_t$ 為第 $t$ 期的實際觀測值（Actual value）。
• $F_t$ 為第 $t$ 期的預測值（Forecasted value）。
• $\alpha$ 為平滑常數（Smoothing constant），且 $0 \le \alpha \le 1$。

將公式展開可得 $F_{t+1}$ 為過去所有歷史資料的加權平均：
$F_{t+1} = \alpha Y_t + \alpha (1 - \alpha) Y_{t-1} + \alpha (1 - \alpha)^2 Y_{t-2} + \cdots$

• 平滑常數 $\alpha$ 接近 $1.0$：近期觀測值 $Y_t$ 的權重極大，舊預測值與歷史資料的權重迅速遞減。這代表預測值對最新資料的反應非常敏感（Responsive），幾乎隨近期波動而大幅上下起伏，因此預測序列的平滑程度較低（Less smoothed out）。
• 平滑常數 $\alpha$ 較小（接近 $0$）：賦予歷史資料較高權重，能有效濾除隨機的不規則變動（Irregular / Random movement），預測序列呈現較為平緩的趨勢（More smoothed out）。

---

解題方法

題目敘述情境如下：
當時間序列資料中包含大量的「不規則變動（Irregular movement）」時，使用接近 $1.0$ 的平滑常數 $\alpha$，其產生的預測值**「不如使用較小平滑常數時來得平滑」**（are not as smoothed out as those that would occur if a smaller smoothing constant was used）。

我們透過理論邏輯切入評估：

1. 若資料包含大量隨機雜訊與不規則變動，理想的平滑應濾除這些雜訊。

核心觀念

本題旨在考驗考生對數據資料「偏態（Skewness）」與「分配圖形形狀（Distribution Shape）」間對應關係的觀念釐清。

1. 偏態的定義：偏態方向（Left-skewed 或 Right-skewed）是由分配圖形的尾巴（Tail）延伸方向來決定，而非由峰值（Top of the curve / Peak / Mode）的位置來命名。
   • 左偏（Left-skewed / Negatively skewed）：資料在左側有長尾巴（Tail is on the left-hand side），多數觀察值集中在右側，因此峰值（最高點）位 resolved在圖形的右側（Right-hand side）。
   • 右偏（Right-skewed / Positively skewed）：資料在右側有長尾巴（Tail is on the right-hand side），多數觀察值集中在左側，因此峰值（最高點）位於圖形的左側（Left-hand side）。
2. 中心趨勢測量數的關係：
   • 常態分配（對稱分配）：$\text{Mean} = \text{Median} = \text{Mode}$
   • 左偏分配（負偏）：$\text{Mean} < \text{Median} < \text{Mode}$
   • 右偏分配（正偏）：$\text{Mode} < \text{Median} < \text{Mean}$

---

解題方法

1. 根據「偏態」的定義，區分「尾巴方向」與「峰值位置」：
   • 題目提及「Comparing with a normal distribution..., a left-skewed distribution of data means that, the top of the curve is on the left-hand side of the

核心觀念

本題屬於**條件機率（Conditional Probability）與全機率定理（Law of Total Probability）的綜合應用，並要求繪製機率樹（Probability Tree）**來表示多階段事件的機率結構。

在機率樹中：

1. 第一層分支（主幹）：代表樣本空間劃分（Partitioning），對應邊際機率（Marginal Probability），即不同年齡層的比例 $P(A)$ 與 $P(B)$。
2. 第二層分支（枝葉）：代表在給定第一層條件下的條件機率，例如在 Group A 條件下擁有駕照的機率 $P(L \mid A)$。
3. 路徑乘積（樹枝末端）：將起點沿著路徑到達終點的機率相乘，根據機率乘法法則（Multiplication Rule），即可得到兩事件的聯合機率（Joint Probability）：
   $P(A \cap L) = P(A) \cdot P(L \mid A)$

---

解題方法

Step 1：定義事件與符號

• 事件 $A$：年齡為 30 歲或以上（Group A）。
• 事件 $B$：年齡在 30 歲以下（Group B），即 $A^c$。
• 事件 $L$：擁有駕駛執照（Has a driver's license）。
• 事件 $L^c$：未擁有駕駛執照（Does not have a driver's license）。

Step 2：整理題目已知條件與計算邊際機率

• 總人數 $N = 400$
• Group A 人數：$n(A) = 150 \implies P(A) = \frac{150}{400} = 0.375$
• Group B 人數：$n(B) = 250 \implies P(B) = \frac{250}{400} = 0.625$
• Group A 中有 $65\%$ 擁有駕照 $\implies P(L \mid A) = 0.65$，則未擁有駕照為 $P(L^c \mid A) = 1 - 0.65 = 0.35$
• Group B 中有 $45\%$ 未擁有駕照 $\implies P(L^c \mid B) = 0.45$，則擁有駕照為 $P(L \mid B) = 1 - 0.45 = 0.55$

Step 3：計算各終點的聯合機率

1. Group A 且擁有駕照：
   $P(A \cap L) = P(A) \cdot P(L \mid A) = 0.375 \times 0.65 = 0.24375$
2. Group A 且未擁有駕照：
   $P(A \cap L^c) = P(A) \cdot P(L^c \mid A) = 0.375 \times 0.35 = 0.13125$
3. Group B 且擁有駕照：
   $P(B \cap L) = P(B) \cdot P(L \mid B) = 0.625 \times 0.55 = 0.34375$
4. Group B 且未擁有駕照：
   $P(B \cap L^c) = P(B) \cdot P(L^c \mid B) = 0.625 \times 0.45 = 0.28125$

Step 4：繪製機率樹（Probability Tree）

完整顯示年齡分類、條件機率以及最終聯合機率的機率樹如下：

核心觀念

本題屬於條件機率與聯合機率（Joint Probability）的計算題。在處理類別資料（Categorical Data）的雙變數問題時，最清晰且不易出錯的方法是建立交叉分類表（Contingency Table / 交叉表）或使用機率樹狀圖（Tree Diagram）。

相關公式與符號定義如下：

1. 事件定義：
   • 事件 $A$：年齡在 30 歲以上（Group A），人數 $N(A) = 150$。
   • 事件 $B$：年齡在 30 歲以下（Group B），人數 $N(B) = 250$。
   • 事件 $L$：擁有駕照（Owns a driver's license）。
   • 事件 $L^c$：未擁有駕照（Does not own a driver's license）。
2. 聯合機率公式：
   $P(A \cap L^c) = \frac{N(A \cap L^c)}{N_{\text{total}}}$
   或利用乘法法則：
   $P(A \cap L^c) = P(A) \times P(L^c \mid A)$

---

解題方法

步驟一：整理題目已知條件與人數分配

• 總樣本數 $N_{\text{total}} = 400$ 人。
• Group A（30 歲以上）：$N(A) = 150$ 人，佔比 $P(A) = \frac{150}{400} = 0.375$。
  • Group A 中有 $65\%$ 擁有駕照 $\Rightarrow P(L \mid A) = 0.65$。
  • 因此，Group A 中未擁有駕照的比例為 $1 - 0.65 = 35\% \Rightarrow P(L^c \mid A) = 0.35$。
• Group B（30 歲以下）：$N(B) = 250$ 人，佔比 $P(B) = \frac{250}{400} = 0.625$。
  • Group B 中有 $45\%$ 未擁有駕照 $\Rightarrow P(L^c \mid B) = 0.45$。
  • 因此，Group B 中擁有駕照的比例為 $1 - 0.45 = 55\% \Rightarrow P(L \mid B) = 0.55$。

步驟二：建立 2×2 交叉人數表（計算人數）

• Group A（30 歲以上）：
  • 有駕照人數 $N(A \cap L) = 150 \times 65\% = 97.5 \approx 97.5$ 人
  • 無駕照人數 $N(A \cap L^c) = 150 \times 35\% = 52.5$ 人
• Group B（30 歲以下）：
  • 有駕照人數 $N(B \cap L) = 250 \times (1 - 0.45) = 250 \times 0.55 = 137.5$ 人

核心觀念

本題考查**條件機率（Conditional Probability）與貝氏定理（Bayes' Theorem）**的應用，同時涉及事件的補集（Complement）概念與事件交集機率的計算。

1. 條件機率定義：
   對於任意兩個事件 $E$ 與 $F$（其中 $P(F) > 0$），在事件 $F$ 發生的條件下，事件 $E$ 發生的條件機率定義為：
   $P(E \mid F) = \frac{P(E \cap F)}{P(F)}$

2. 全機率定理（Law of Total Probability）：
   若事件 $A_1, A_2$ 構成樣本空間的一個分割（Partition），則對於任意事件 $B$，其邊際機率為：
   $P(B) = P(B \cap A_1) + P(B \cap A_2) = P(B \mid A_1)P(A_1) + P(B \mid A_2)P(A_2)$

3. 貝氏定理：
   已知事件 $B$ 發生的條件下，來自特定分割 $A_1$ 的後驗機率為：
   $P(A_1 \mid B) = \frac{P(B \mid A_1)P(A_1)}{P(B \mid A_1)P(A_1) + P(B \mid A_2)P(A_2)}$

---

解題方法

步驟一：定義事件與整理已知資料

設樣本總人數為 $N = 400$ 人。

• 年齡分組事件：

  • $A$：受訪者年齡在 $30$ 歲（含）以上（Group A），人數 $n(A) = 150$。
  • $B$：受訪者年齡在 $30$ 歲以下（Group B），人數 $n(B) = 250$。
  • 年齡分組的先驗機率（Prior Probabilities）：
    $P(A) = \frac{150}{400} = 0.375$
    $P(B) = \frac{250}{400} = 0.625$

• 駕照擁有狀況事件：

  • $L$：擁有駕照（Has a driver's license）。
  • $L^c$：未擁有駕照（Does not own a driver's license）。

• 條件條件機率資料整理：

  • 在 Group A 中，有 $65\%$ 擁有駕照：
    $P(L \mid A) = 0.65$
  • 在 Group B 中，有 $45\%$ 沒有駕照：
    $P(L^c \mid B) = 0.45$
    因此，Group B 中擁有駕照的條件機率為其補集：
    $P(L \mid B) = 1 - P(L^c \mid B) = 1 - 0.45 = 0.55$

---

步驟二：計算各類別的人數與聯合機率（或總人數）

• Group A 中擁有駕照的人數：

核心觀念

本題考查研究方法與統計學中在進行假設檢定（Hypothesis Testing）前的「資料篩選／資料清理」（Data Screening / Data Cleaning）流程。在問卷調查獲得初級資料（Primary Data）後、正式進行高等統計分析（如迴歸分析、變異數分析或結構方程式模型）之前，必須先對原始資料進行資料篩選，以確保資料品質與符合統計檢定的基本假設。

資料篩選主要涵蓋以下六大核心維度：

1. 缺失值處理（Missing Data / Missing Values Analysis）：評估資料遺漏狀況及其遺漏機制（如 MCAR, MAR, MNAR）。
2. 極端值檢視（Outliers Detection）：識別單變項與多變項極端值，評估對統計估計的干擾。
3. 常態性與分配假設檢定（Normality and Distributional Assumptions）：檢查資料是否符合偏態（Skewness）與峰態（Kurtosis）之常態分佈假設。
4. 線性與同變異數性（Linearity and Homoscedasticity）：確保變數間關係符合線性與變異數同質性要求。
5. 多重共線性檢驗（Multicollinearity Inspection）：檢視預測變數之間是否存在高度相關，避免估計的不穩定。
6. 無回應偏誤與反向題／認真度檢視（Non-response Bias & Response Pattern / Attention Checks）：剔除隨機填答、直線填答（Straight-lining）或反向檢核題失敗之無效問卷。

---

解題方法

本題為申論題（問答題），作答切入點應從「邏輯順序與系統化架構」出發。考生在作答時應將資料篩選劃分為具體的考慮面向，並清楚說明每個面向的「評估內容」與「相應處理策略」：

1. 結構化呈現：將資料篩選分為「問卷填答品質與填答習慣」、「資料結構問題（缺失值與極端值）」以及「統計基本假設檢定」三大層次。
2. 專業名詞與工具配套：在說明每個面向時，精準指出統計評估指標（例如：$Z$ 分數、Mahalanobis 距離、VIF 值、Shapiro-Wilk 檢定等）。

---

選項分析

本題為非選擇題型之申論題，無選項分析。

---

解題技巧

• 記憶口訣與實務鏈結：記憶「無（無效問卷）-缺（缺失值）-極（極端值）-常（常態性）-共（共線性）」五字訣，即可完整覆蓋考點。
• 答題拿高分關鍵：不要僅列出項目名稱，務必寫出「用什麼工具檢視」與「發現問題後如何處理（剔除、補值、轉換）」，展現研究所應具備的實證研究分析能力。

---

參考解答內容

在收集完初級問卷資料後、進行假設檢定之前，進行資料篩選（Data Screening）旨在確保資料的品質、完整性與統計假設符合度。具體應考慮的面向如下：

一、 填答品質與無效問卷篩選（Response Quality Assessment）

1. 反向題與反向檢核（Reverse-coded & Attention Check Items）：
   • 檢查反向題答案是否與正向題矛盾，以及注意力檢核題（如：「本題請勾選選單中的『非常同意』」）是否通過。
2. 填答型態異常（Response Patterns）：
   • 檢查是否存在「直線填答」（Straight-lining，即整份問卷皆勾選同一選項）或規律性幾何填答。此類樣本應視為無效問卷直接剔除。

核心觀念

本題考查研究方法與應用統計學中的**資料篩選與清理（Data Screening & Data Cleaning）**技術。

在進行假說檢定或高級統計分析（如迴歸分析、變異數分析、結構方程模型）之前，研究者必須對收集到的原始資料（Primary Data）進行資料篩選，以確保資料品質並滿足統計統計假定。資料篩選主要涵蓋以下四大核心層面：

1. 異常值與極端值檢驗（Outlier Detection）：識別單變數或多變數極端值。
2. 缺失值分析（Missing Data Analysis）：檢查資料缺失的狀況與模式。
3. 統計假定檢驗（Assumption Testing）：
   • 常態性假定（Normality）：檢驗資料是否符合常態分佈。
   • 變異數同質性（Homoscedasticity / Homogeneity of Variance）：檢驗各組變異數是否相等。
   • 線性假定（Linearity）：檢驗變數間是否為線性關係。
4. 多重共線性檢驗（Multicollinearity）：檢驗解釋變數之間是否存在高度相關（多用於多變數分析前置作業）。

主要公式與定義：

• $z$ 分數（Standardized Score）：
  $z = \frac{X - \bar{X}}{s}$
  常用於單變數異常值檢測，一般當 $|z| > 3$（或小樣本下 $|z| > 2.5$）視為極端值。
• 四分位距（Interquartile Range, $IQR$）：
  $IQR = Q_3 - Q_1$
  異常值邊界通常設定為 $[Q_1 - 1.5 \times IQR,\ Q_3 + 1.5 \times IQR]$。
• 馬氏距離（Mahalanobis Distance, $D^2$）：
  $D^2 = (\mathbf{x} - \boldsymbol{\mu})^T \boldsymbol{\Sigma}^{-1} (\mathbf{x} - \boldsymbol{\mu})$
  用於多變數異常值檢測，服從自由度為 $k$（變體數）的卡方分佈 $\chi^2_k$。

---

解題方法

本題為開放式簡答／問答題（Short Answer Question），問及「哪些統計方法／技術／概念可以幫助你快速進行資料篩選？」。

解題切入點應將統計技術分類說明，從敘述統計與圖表法（最直觀快速）延伸至推論與統計檢定法，並依資料篩選的四大重點進行系統化條列：

1. 描述性圖表法（Exploratory Data Analysis / Graphical Methods）

• 箱型圖（Boxplot）：能快速視覺化呈現中位數、四分位距（$IQR$）及邊界外（$1.5 \times IQR$）的單變數極端值。
• 直方圖（Histogram）與 Q-Q 圖（Quantile-Quantile Plot）：快速觀察資料分佈形狀（偏態、峰態）以評估常態性。
• 散佈圖（Scatter Plot）與散佈圖矩陣（Scatter Plot Matrix）：快速檢查兩變數間的線性關係（Linearity）、異麥性（Heteroscedasticity）與二維極端值。

2. 敘述統計量統計法（Descriptive Statistics）

• 偏態係數（Skewness）與峰態係數（Kurtosis）：
  常態分佈之偏態應接近 $0$，峰態（Excess Kurtosis）接近 $0$。若 $|\text{Skewness}| > 2$ 或 $|\text{Kurtosis}| > 7$，代表嚴重偏離常態。
• 次數分配表（Frequency Table）與極值摘要（Min/Max Check）：
  快速檢查是否有超出問卷量表範圍的無效編碼（如 5 點量表中出現數字 $9$ 或 $-1$）。

3. 專門統計檢定與檢驗技術（Statistical Tests & Diagnostic Metrics）

核心觀念

本題屬於**資料篩選與清理（Data Screening and Data Cleaning）**的理論說明題。在問卷調查資料收集完成後、進行假說檢定與統計分析之前，必須先進行「資料篩選」，以確保資料的品質、完整性與統計假設（Statistical Assumptions）符合後續分析的要求。

題目 8-(3) 要求針對前面提到的資料篩選方法、技巧與概念（如：缺失值處理、異常值檢定、常態性檢定、極端值/不認真填答過濾、信度與效度預檢等），詳細說明使用這些方法與技術的原因（Reasons/Motivations）。

---

解題方法

本題切入點應從「未進行資料篩選的後果」與「資料篩選所帶來的統計與實務效益」雙重角度切入。說明時應分點羅列核心技術，並個別闡述採用該技術的理論與實務原因：

1. 處理缺失值（Missing Data Handling）的原因：

   • 樣本數損失：若直接採用刪除法（Listwise Deletion），會大幅削減有效樣本數，降低統計檢定力（Statistical Power）。
   • 估計偏誤（Selection Bias）：若缺失非隨機發生（Missing Not at Random, MNAR），直接刪除缺失個案會導致樣本不再具備母體代表性。

2. 檢測與處理極端值／離群值（Outliers Detection）的原因：

   • 母體參數扭曲：算術平均數與變異數對極端值極為敏感，極端值會嚴重拉抬或拉低平均數，導致樣本標準差過大。
   • 估計效力下降：在迴歸分析與變異數分析（ANOVA）中，極端值會大幅拉高殘差平方和（SSE），使得參數估計的標準誤（Standard Error）偏大，降低假說檢定的顯著性。

3. 檢定常態性與統計假設（Normality & Statistical Assumptions Testing）的原因：

   • 參數統計分析的基礎：許多主流參數檢定（如 $t$ 檢定、ANOVA、結構方程模型 SEM）皆建立在「常態性（Normality）」或「同變異性（Homoscedasticity）」等假設上。若資料嚴重偏態，直接使用參數統計會導致第一型錯誤率（Type I Error Rate）失控或結論失效。

核心觀念

本題旨在考驗考生對統計學與市場調查中「抽樣方法」（Sampling Techniques）的理解，特別是非機率抽樣中的配額抽樣（Quota Sampling）。

抽樣方法主要分為兩大類：

1. 機率抽樣（Probability Sampling）：母體中每個個體被抽中的機率為已知且非零（如簡單隨機抽樣、分層隨機抽樣、集群抽樣、系統抽樣）。
2. 非機率抽樣（Non-probability Sampling）：個體被抽中的機率未知或無法確定，常依賴研究者的主觀判斷或便利性（如配額抽樣、便利抽樣、立意抽樣、滾雪球抽樣）。

配額抽樣（Quota Sampling） 是非機率抽樣中最具代表性且最常被用於市場調查的方法。其基本邏輯為：研究者根據母體已知的重要特徵（如性別、年齡、教育程度、居住地區等），設定各類別樣本數量的「配額比例」，使樣本在這些特徵上的結構分佈與母體一致。然而，在滿足配額限制後，實際受訪者的選取完全由調查員自行決定（非隨機選取）。

---

解題方法

依據題目要求，解答需針對配額抽樣進行以下三個維度的完整論述：

1. 概念涵義（Meaning）

配額抽樣分成兩個主要階段：

• 階段一（設定配額）：根據母體的關鍵人口統計特徵（如男女人數比例 $1:1$、青年／中年／老年比例 $3:4:3$ 等），計算並劃分各次分組（Strata / Quotas）應招募的樣本數量。
• 階段二（非隨機抽樣）：調查員在現場找尋受訪者時，只要符合該配額分類，即可以便利或主觀判斷的方式進行選取，直至該配額額滿為止。

2. 與相關方法之比較與差異（Differences）

考生最容易混淆的是配額抽樣（Quota Sampling）與分層隨機抽樣（Stratified Random Sampling），兩者之異同如下：

• 相同點：兩者皆先將母體依據特定特徵進行分層（Subgroups / Control Variables），確保樣本在這些特徵上具備母體的代表性。
• 主要差異：
  • 分層隨機抽樣：屬於機率抽樣。在分層確定後，層內樣本必須透過隨機抽樣（如簡單隨機抽樣）抽出，具備推論統計的嚴謹性，可計算抽樣誤差與信心區間。
  • 配額抽樣：屬於非機率抽樣。

核心觀念
本題考驗抽樣方法中的分層抽樣（Stratified Sampling）。考生需掌握分層抽樣的核心定義、運作機制、與其他抽樣方法（特別是叢集抽樣 Cluster Sampling 及簡單隨機抽樣 Simple Random Sampling）的差異，以及其最適合應用的研究情境與統計優勢。

---

解題方法
針對題目要求的「意義（Meaning）」、「差異（Differences）」與「適用情境（Context）」，採取三段式結構深入解析：

1. 意義與機制：定義何謂分層抽樣，說明「層內同質、層間異質（Homogeneous within strata, heterogeneous between strata）」的切分原則及抽樣步驟。
2. 差異比較：將分層抽樣與極易混淆的「叢集抽樣」進行對比，說明兩者在分組原則、抽樣單位及變異數控制上的根本差異。
3. 適用情境：說明何時應使用分層抽樣（如母體內部異質性大、關注特定次群體特徵、需提高估計精確度時）。

---

題目要求解析與內容說明

1. 意義（Meaning of Stratified Sampling）

• 定義：分層抽樣屬於機率抽樣（Probability Sampling）的一種。將非同質（Heterogeneous）的目標母體，依據某個與研究變數高度相關的分層變數（如性別、收入、企業規模、年齡層等），分割成若干個互斥且互補的子群體（稱為「層」，Strata）。
• 原則：必須滿足**「層內同質、層間異質」**。即同一層內的個體特徵非常接近（變異小），而不同層之間的個體特徵差異顯著（變異大）。
• 執行步驟：
  1. 依分層變數將母體分為 $K$ 個層。
  2. 在每一個層內，各自獨立採用簡單隨機抽樣（Simple Random Sampling, SRS）或系統抽樣選取樣本。
  3. 可採用**依比例分層配置（Proportional Allocation）或最佳配置（Neyman/Optimal Allocation）**來決定各層應抽取的樣本數。

2. 差異比較（Differences with Other Sampling Techniques）

主要與**叢集抽樣（Cluster Sampling）及簡單隨機抽樣（SRS）**進行對比：

• 與叢集抽樣（Cluster Sampling）之比較：
  • 分組原則：分層抽樣強調「層內同質、層間異質」；叢集抽樣強調「組內異質、組間同質（Heterogeneous within clusters, homogeneous between clusters）」。