112 年 國立政治大學政治學系碩士班《政治學方法論》

Focus group，中文譯為「焦點團體」或「焦點團體訪談」，是一種常見於質化研究（qualitative research）的資料蒐集方法。其核心概念為透過一個由研究者（通常是主持人或引導者）帶領的小型團體討論，探究參與者對於特定議題、產品、服務、概念或經驗的看法、態度、信念、偏好、經驗與反應。

焦點團體的主要特點包括：

1. 團體互動 (Group Interaction)：這是焦點團體最關鍵的特質。研究者並非單獨訪談個別受訪者，而是讓一群具有相似背景或特徵的參與者（通常 6-10 人）在一個相對輕鬆的環境中進行互動。團體成員之間的對話、意見交換、辯論與相互影響，可以產生個別訪談難以觀察到的豐富資訊。
2. 結構化引導 (Moderated Discussion)：研究者（主持人）會準備一份討論指南（discussion guide），包含一系列開放性問題，引導討論朝向研究目標進行。主持人負責維持秩序、確保所有參與者都有機會發言、深入探究參與者的觀點，並記錄討論過程。

核心觀念

**Reductionism（還原論）**是指：將一個複雜的政治或社會現象，拆解為較基本、較低層次的單位、因素或機制，並試圖透過對這些基本部分的分析，解釋整體現象。

在政治學方法論中，還原論的基本假設是：

$$\text{複雜政治現象} \;\approx\; \text{較基本單位及其互動的結果}$$

例如，研究「政黨為何採取某項政策」時，還原論者可能不從政黨整體的歷史或組織文化出發，而是進一步分析：

• 政黨領袖的偏好；
• 選民的投票選擇；
• 利益團體的遊說；
• 官僚的策略行動；
• 個別行動者在制度限制下的成本與利益計算。

這種分析方式將「政黨」這個集體行動者，還原為組成政黨的個人及其互動。

解題方法

解釋名詞題應掌握三個層次：

1. 先給出明確定義；
2. 說明其在政治學研究中的分析方式；
3. 補充一個政治現象的例子，並指出其優點與限制。

還原論最常見的分析方向，是由較高層次的現象下降至較低層次：

$$\text{國際體系} \rightarrow \text{國家} \rightarrow \text{政府或政黨} \rightarrow \text{組織成員} \rightarrow \text{個人行動者}$$

例如，若要解釋兩國為何發生衝突，還原論的研究者可能不只分析「國際體系」或「國家利益」，而是進一步探討：

• 國家領導人的信念；
• 決策者對威脅的認知；
• 軍方與文官之間的利益競爭；
• 國內選舉對領導人決策的影響。

藉此將國家行為解釋為國內政治行動者與決策過程的結果。

與方法論個人主義的關係

還原論與**方法論個人主義（methodological individualism）**密切相關，但兩者並不完全相同。

方法論個人主義主張，社會現象應以個人行動、個人偏好及個人互動作為基本解釋單位。例如，選舉結果可被解釋為個別選民投票行為的集合。

還原論的範圍則更廣。它不一定只還原到個人，也可能將政治現象還原為：

• 經濟因素；
• 心理因素；
• 生物因素；
• 組織內部機制；
• 個別制度規則。

因此，方法論個人主義可視為還原論的一種重要形式，但還原論不必然等同於方法論個人主義。

還原論的優點

還原論具有以下方法論功能：

一、提高解釋的精確性

將複雜現象拆解後，研究者較容易明確指出因果關係。例如，不只說「經濟不景氣導致政府失去民意支持」，而是進一步分析失業、所得下降、物價上升如何改變選民的政策評價與投票行為。

二、便於建立可檢驗的假設

還原後的變項通常較容易操作化與測量。例如：

$$\text{投票行為} = f(\text{所得},\text{教育程度},\text{政黨認同},\text{政策偏好})$$

研究者可以利用問卷、統計模型或實驗設計，檢驗這些因素是否確實影響投票結果。

三、有助於發現因果機制

Selection bias，中文譯為「選擇偏差」或「抽樣偏差」，是指在研究過程中，由於樣本的選擇或組成方式不當，導致樣本未能正確反映研究母體的特徵，進而影響研究結果的有效性與推論的準確性。簡單來說，就是「選錯了對象」或「選取的過程有系統性的偏差」。

選擇偏差的發生，通常是因為研究者在選擇研究對象時，無意中（或有意地）偏好某些特質的對象，或者某些對象因為其自身特質而更容易（或更不容易）被納入樣本。這會導致樣本與母體之間出現系統性的差異，使得從樣本推論到母體的結論產生錯誤。

選擇偏差的常見類型與發生情境包括：

1. 非機率抽樣的偏差 (Non-probability Sampling Bias)：例如方便抽樣（convenience sampling），研究者選擇最容易接觸到的對象，這些對象可能與母體有系統性差異。
2. 倖存者偏差 (Survivor Bias)：只關注「倖存」下來的樣本，而忽略了那些未能倖存的樣本。例如，二戰時分析戰機損壞部位，只看回航戰機的損壞處，卻忽略了未返航戰機的損壞部位，這會誤導加固措施的決策。
3. 自我選擇偏差 (Self-Selection Bias)：參與者是主動選擇參與研究的，例如網路問卷調查，只有對該議題特別關心或有強烈意見的人才可能填答。

Control variable，中文譯為「控制變項」或「控制變數」，是指在一個研究中，為了探究自變項（independent variable）與依變項（dependent variable）之間的因果關係，而需要被固定、保持不變，或是在分析中加以統計控制的變項。

控制變項的主要目的是排除或降低「潛在的混淆變項」（confounding variable）對自變項與依變項之間真實關係的干擾。潛在的混淆變項是指一個同時與自變項和依變項相關的變項，如果未加以控制，它可能會造成自變項與依變項之間出現虛假的關聯，或掩蓋真實的關聯。

控制變項的引入，有助於提高研究的內部效度（internal validity），確保觀察到的依變項變化，確實是由自變項引起，而不是由其他未被控制的因素所致。

控制變項有兩種主要的操作方式：

1. 實驗室控制 (Experimental Control)：在實驗研究中，研究者透過隨機分派（random assignment）參與者到不同實驗組別，以及在實驗過程中保持其他可能影響結果的條件一致（例如相同的環境、指令等），來控制這些變項。隨機分派是控制所有潛在混淆變項的有效方法。

列項實驗法（List Experiment），又稱「項目實驗法」或「列表實驗」，是一種在調查研究中用於探究敏感問題（sensitive questions）的實驗設計。其核心原理在於透過比較受訪者對兩個不同「列表」的反應，來間接估計群體對於列表中某個敏感問題的態度，同時保護受訪者在回答時免於社會期許效應（social desirability bias）或個人隱私的壓力。

原理與目的：

列項實驗法的基本原理是「間接測量」與「群體推論」。研究者將受訪者隨機分配到兩個組別：

1. 控制組 (Control Group)：被要求對一份包含數個非敏感性陳述（或問題）的列表進行回應。
2. 實驗組 (Treatment Group)：被要求對一份與控制組列表相似的列表進行回應，但其中一個非敏感性陳述被替換為一個敏感性陳述。

研究者不會直接詢問受訪者是否同意敏感陳述。相反地，他們會要求兩組受訪者回答「列表中有多少個陳述您同意？」或者「請列出您同意的陳述」。

目的：

• 降低社會期許效應 (Reducing Social Desirability Bias)：對於敏感問題（如種族歧視、政治極端觀點、性偏好等），受訪者可能傾向於給出社會普遍認為「正確」或「可接受」的答案，而非真實的答案。列項實驗法透過將敏感問題隱藏在一個列表裡，並要求受訪者計算同意的項目數量，而非直接表態，從而降低了受訪者感知到的壓力，使其回答更趨真實。
• 保護受訪者隱私 (Protecting Respondent Privacy)：受訪者不必直接承認自己持有某種敏感的觀點，他們可以透過「同意列表中多個項目」來「掩飾」對敏感項目的同意，從而提高回答的意願，特別是對於那些可能帶來負面後果或社會壓力的議題。
• 估計群體態度 (Estimating Population Attitudes)：雖然無法得知個別受訪者是否同意敏感陳述，但透過比較實驗組和控制組在「同意項目總數」上的差異，研究者可以推算出實驗組受訪者中，同意敏感陳述的比例。這個差異值就是群體對敏感陳述的平均同意比例。

設計一套列項實驗來探究一個敏感問題：

假設我想探究「台灣民眾對於是否應增加對弱勢家庭的政府補助」的態度，這可能是一個敏感議題，因為有些人可能認為補助過多會造成依賴，或者認為資源應優先用於其他地方。

研究問題： 台灣民眾對於政府應否顯著增加對弱勢家庭的補助，其真實的群體態度為何？

實驗設計：

1. 受訪者群體：台灣成年公民。

2. 抽樣方法：採用具代表性的隨機抽樣方法，例如分層比例隨機抽樣，以確保樣本能代表台灣整體人口。

3. 隨機分派：將所有受訪者隨機分成兩組：控制組（約 50%）和實驗組（約 50%）。

4. 列表設計：

   • 控制組列表 (List A)：
     請閱讀以下幾項政府提供的服務，並告訴我您同意其中哪些。
     (A) 政府提供免費的基礎教育。
     (B) 政府提供公立的醫療保健服務。

內生性問題（Endogeneity）是因果推論中的一個核心挑戰，它發生在當我們試圖估計自變項（independent variable, IV）對依變項（dependent variable, DV）的因果效應時，自變項本身卻受到依變項（或與依變項相關的未觀察到的因素）的影響，或者自變項與一個共同的潛在原因（omitted variable, OV）相關。這違反了因果推論的基本假設：自變項應該是外生的（exogenous），即不受依變項影響，且與所有影響依變項的潛在變項不相關。

當存在內生性問題時，傳統的迴歸分析（如普通最小平方法 Ordinary Least Squares, OLS）所估計的係數將會產生偏差（biased）和不一致（inconsistent），無法正確反映 IV 對 DV 的真實因果效應。

兩種可能的內生性問題及其舉例說明：

1. 遺漏重要變項 (Omitted Variable Bias, OVB)

   • 問題說明：當研究中遺漏了一個同時影響自變項和依變項的潛在變項時，該遺漏變項的效應會被錯誤地歸因到模型中存在的自變項上，造成 IV 與誤差項（error term）相關，產生內生性。
   • 舉例說明：研究「教育程度」（IV）對「收入」（DV）的影響。
     • 若研究者僅使用迴歸分析，並未控制「個人能力」這個潛在變項。
     • 通常，能力較高的人不僅教育程度可能較高，收入也可能較高。
     • 因此，「能力」同時是教育程度（IV）和收入（DV）的潛在混淆變項。
     • 如果未控制能力，迴歸模型會將能力對收入的正面效應，誤認為是教育程度對收入的正面效應，導致教育程度的係數被高估。此時，「能力」的遺漏造成了內生性。

2. 互為因果 / 反向因果 (Simultaneity / Reverse Causality)

   • 問題說明：當 IV 和 DV 之間存在雙向的因果關係，即 IV 影響 DV，同時 DV 也影響 IV 時，模型將產生內生性。
   • 舉例說明：研究「犯罪率」（IV）對「警力部署」（DV）的影響。
     • 直覺上，犯罪率較高的地區，政府可能會部署更多的警力。
     • 但同時，更多的警力部署也可能進一步降低犯罪率（產生抑制效應）。
     • 在這個例子中，警力部署（IV）和犯罪率（DV）之間存在互為因果的關係。
     • 如果我們只建立「犯罪率 → 警力部署」的單向迴歸模型，將會低估警力部署對犯罪率的實際影響（因為模型中的犯罪率可能也受到了當前警力部署的影響）。

兩種因應（或解決）內生性問題的可能作法：

1. 工具變項法 (Instrumental Variables, IV)
   • 方法說明：工具變項法是一種強大的統計技術，用於處理內生性問題。它需要找到一個「工具變項」（Instrumental Variable, Z）。這個工具變項必須滿足兩個關鍵條件：
     1. 相關性 (Relevance)：工具變項 Z 必須與內生性自變項 X（例如教育程度）有顯著的相關性，即 Z 能夠「影響」X。
     2. 外生性 (Exogeneity)：工具變項 Z 必須只透過 X 影響依變項 Y（例如收入），而不能直接或透過其他途徑影響 Y。也就是說，Z 與影響 Y 的所有未觀察到的潛在變項（誤差項）不相關。
   • 操作方式：通常透過兩階段最小平方法（Two-Stage Least Squares, 2SLS）來實現。
     • 第一階段：將內生的自變項 X 作為依變項，工具變項 Z 和其他外生變項作為自變項，進行迴歸分析，得到 X 的預測值 $\hat{X}$。
     • 第二階段：將 $\hat{X}$ 作為 X 的替代，與其他外生變項一起，對依變項 Y 進行迴歸分析。
   • 舉例應用（延續教育程度對收入的例子）：
     • 我們想研究教育程度 (X) 對收入 (Y) 的影響，但擔心能力 (OV) 造成內生性。

本題要求設計一個結合量化與質化方法的「COVID-19 疫情的政治效應」研究案。以下將依序回答各小題：

1. 具體的研究問題 (Research Question, RQ)

COVID-19 疫情對全球政治體系產生了深遠影響，從政府的治理模式、權力分配到公民的政治參與和社會信任。本研究欲探討：

RQ：在民主國家中，COVID-19 疫情的嚴重程度（以確診人數、死亡人數及封鎖措施強度為指標）如何影響了政府的民意支持度與公民對政府的信任感？

這個問題聚焦於疫情的「外部衝擊」如何作用於「內部政治反應」，特別是在民主體制的框架下，探究政府表現與公民態度之間的關聯。

2. 分析單位 (Unit of Analysis)

本研究的分析單位是 國家 (Country)。我們將比較不同國家在疫情期間的表現及其對政治影響的差異。

3. 可能的研究範圍 (Scope of the Study)

• 時間範圍：主要涵蓋 2020 年至 2022 年，即疫情爆發初期至主要疫苗接種普及、各國逐步解封的階段。可視研究人力與資料取得情況，將時間軸延伸至 2023 年。
• 地理範圍：選擇 20 個民主國家。這些國家應涵蓋不同的政治制度（如總統制、內閣制）、經濟發展程度、地理區域和疫情應對策略，以提供足夠的變異性。例如，可包含北美（美國、加拿大）、歐洲（德國、英國、法國、義大利、瑞典）、亞洲（日本、韓國、台灣、新加坡）、大洋洲（澳洲、紐西蘭）、南美（智利、烏拉圭）等。
• 議題範圍：聚焦於疫情對「政府民意支持度」與「公民對政府信任感」的影響，而非疫情的經濟、社會或健康層面效應（儘管這些可能作為控制變項）。

4. 可驗證的假設 (Testable Hypothesis) 及其理論意涵

• 假設 (Hypothesis, H)：
  H1：在民主國家中，COVID-19 疫情越嚴重（以更高的確診與死亡人數衡量），政府的民意支持度越低。
  H2：在民主國家中，政府實施更嚴格的封鎖措施（以封鎖指數衡量），短期內可能暫時提高民意支持度，但長期而言，若疫情持續且措施嚴格，將導致政府民意支持度下降。
  H3：在民主國家中，COVID-19 疫情的嚴重程度（以確診與死亡人數衡量）與公民對政府的信任感呈負相關。

• 理論意涵 (Theoretical Implication)：
  這些假設建立在幾個理論基礎上：

  • 績效理論 (Performance Theory)：認為民眾的滿意度與信任度很大程度上取決於政府的實際表現。在危機時刻，如果政府未能有效控制疫情，導致大量生命損失和社會動盪，民眾的滿意度和信任度預期會下降。
  • 危機領導理論 (Crisis Leadership Theory)：在危機初期，強勢、果斷的領導和有效的應對措施（如嚴格封鎖）可能暫時贏得民眾的支持（「團結效應」rally-around-the-flag effect）。但若危機長期化，且措施帶來巨大經濟與社會成本，這種支持可能轉化為不滿。
  • 預期理論 (Expectation Theory)：民眾對政府在危機中的表現有預期，當政府表現不如預期時，信任度會受損。
  • 責任歸因理論 (Attribution Theory)：民眾傾向於將成功歸因於領導者，但更傾向於將失敗歸咎於領導者。因此，疫情失控時，政府較難逃避責任。

5. 操作化依變項 (DV) 與自變項 (IV)

• 依變項 (Dependent Variables, DVs)：

  1. 政府民意支持度 (Government Approval Rating)：
     • 操作化：取自各國主要民意調查機構（如 Gallup, Pew Research Center, Eurobarometer, national election studies 等）在研究時間範圍內定期發布的「總統/總理/政府」支持度民意調查數據。通常以同意/支持政府施政的百分比來衡量。
  2. 公民對政府的信任感 (Trust in Government)：
     • 操作化：取自世界價值觀調查 (World Values Survey, WVS)、歐洲價值觀調查 (European Values Survey, EVS) 或各國官方的社會調查數據。通常以受訪者對「中央政府」的信任程度（例如，從「完全不信任」到「非常信任」的李克特量表分數，再轉換為平均分數或比例）來衡量。

• 自變項 (Independent Variables, IVs)：

  1. 疫情嚴重程度 (Pandemic Severity)：
     • 操作化：
       • 確診人數：累計確診人數，或每百萬人口的確診人數。
       • 死亡人數：累計死亡人數，或每百萬人口的死亡人數。
       • 數據來源：世界衛生組織 (WHO)、約翰霍普金斯大學 (Johns Hopkins University) COVID-19 資源中心等官方數據。
  2. 封鎖措施強度 (Stringency of Lockdowns/Non-Pharmaceutical Interventions, NPIs)：
     • 操作化：使用牛津大學的「牛津 COVID-19 政府反應追蹤器」(Oxford COVID-19 Government Response Tracker, OxCGRT) 提供的「封鎖指數」(Stringency Index)。該指數綜合了學校關閉、工作場所關閉、旅行限制、居家令等多項措施的嚴格程度，給予一個量化分數（例如 0-100）。

• 控制變項 (Control Variables)：
  為了更精確地評估 IV 對 DV 的影響，需要控制其他可能影響民意支持度和信任感的因素，例如：

  • 經濟指標：GDP 成長率、失業率。
  • 政治因素：政府執政黨的任期長短、政府的政治體制（總統制/內閣制）、上一次選舉的得票率。
  • 社會因素：人口密度、平均年齡。
  • 疫情應對策略的有效性：疫苗接種率（作為後期 IV 的補充或替代）。

6. 量化研究法與質化研究法及其應用

• 量化研究法：多層次迴歸分析 (Multilevel Regression Analysis)