110 年 國立政治大學社會學系碩士班《社會學研究方法》

本題主要在探討抽樣分配的概念及其在統計推論中，特別是判斷統計顯著性時的角色。

核心觀念：
抽樣分配是統計推論的基石。它描述了從母體中抽取無限多個樣本，並對每個樣本計算某統計量（如樣本平均數、樣本比例）時，這些統計量所形成的機率分布。統計顯著性則是利用抽樣分配來判斷觀察到的樣本結果是否可能來自某個特定的母體狀況（通常是虛無假設成立的母體）。

詳解：

1. 抽樣分配 (Sampling Distribution)：

   • 定義： 抽樣分配是指，從一個特定的母體中，重複進行無限多次的隨機抽樣，每次抽取一個樣本，並計算該樣本的某一個統計量（例如樣本平均數 $\bar{X}$、樣本比例 $\hat{p}$）。所有這些統計量的集合，就會形成一個「抽樣分配」。
   • 重要性： 抽樣分配使我們能夠進行統計推論。即使我們只取得一個樣本，我們也能透過了解該樣本統計量在所有可能樣本統計量中的相對位置，來推論母體的特性。
   • 中心極限定理 (Central Limit Theorem, CLT)： 對於許多統計量（特別是樣本平均數），即使母體分布不是常態，當樣本數夠大時，其抽樣分配也會趨近於常態分布，且其平均值等於母體平均數 ($\mu$)，標準差（稱為標準誤, standard error）等於母體標準差除以樣本數的平方根 ($\sigma/\sqrt{n}$)。

2. 統計顯著性 (Statistical Significance)：

   • 定義： 統計顯著性是一種判斷方法，用來評估觀察到的樣本結果（例如樣本平均數的差異、樣本相關係數）在多大程度上可以被歸因於隨機抽樣的變異，而多大程度上可能反映了母體中真實存在的效應。
   • 判斷方式： 通常是透過建立一個「虛無假設」(null hypothesis, $H_0$)，這個假設通常陳述母體中沒有效應或沒有差異（例如，母體的平均數 $\mu$ 等於某個特定值，或兩個母體的平均數相等）。

本題主要探討迴歸分析中，如何利用 PRE (Proportional Reduction in Error) 的概念來解釋變項之間的關聯性。

核心觀念：
迴歸分析旨在建立一個模型，用一個或多個自變項（預測變項）來預測應變項（結果變項）。PRE 則是一種評估模型預測能力的方法，它衡量了加入自變項後，對應變項的預測誤差相較於沒有加入自變項時的誤差，減少了多少比例。

詳解：

1. 迴歸分析 (Regression Analysis)：

   • 迴歸分析是一種統計技術，用於建立一個或多個預測變項 (independent variables, $X$) 與一個應變項 (dependent variable, $Y$) 之間的數學模型。最簡單的形式是簡單線性迴歸，模型形式為：
     $Y = \beta_0 + \beta_1 X + \epsilon$
     其中 $\beta_0$ 是截距項，$\beta_1$ 是斜率（代表 $X$ 每增加一個單位，對 $Y$ 的預期變化量），$\epsilon$ 是誤差項。
   • 迴歸分析的目標是找到最佳的 $\beta_0$ 和 $\beta_1$ 值，使得模型預測的 $Y$ 值（$\hat{Y}$）與實際觀察到的 $Y$ 值之間的總誤差（通常以殘差平方和 RSS 或總平方和 SST 來衡量）最小。

2. PRE (Proportional Reduction in Error)：

   • PRE 是一種衡量一個預測模型優劣的方法，特別適用於評估自變項對應變項的解釋力或關聯性強度。
   • 基本思想： 我們比較兩種情況下的預測誤差：
     • 情況一：無模型預測 (Null Model)。 在沒有任何自變項的情況下，我們對應變項 $Y$ 的最佳預測值是其平均數 ($\bar{Y}$)。此時的總誤差，通常以「總平方和」(Total Sum of Squares, SST) 來衡量：
       $SST = \sum (Y_i - \bar{Y})^2$
       SST 代表了應變項 $Y$ 的總變異量。
     • 情況二：有模型預測 (Regression Model)。 在使用迴歸模型（例如 $\hat{Y} = \beta_0 + \beta_1 X$）來預測 $Y$ 時，我們計算的是實際值 $Y_i$ 與模型預測值 $\hat{Y}_i$ 之間的差異，即殘差 ($e_i = Y_i - \hat{Y}_i$)。所有殘差的平方和稱為「殘差平方和」(Residual Sum of Squares, RSS)：

本題要求比較量化與質化研究的抽樣策略差異，並針對一特定研究主題，設計量化與質化兩種取向下的抽樣計畫，並分析其優缺點與研究影響。

核心觀念：
量化研究強調樣本的代表性與推論性，通常採用機率抽樣；質化研究則側重於深入理解與豐富性，常採用非機率抽樣，以獲取特定經驗或觀點的受訪者。

詳解：

一、 量化與質化研究抽樣策略的差異

特徵	量化研究抽樣策略	質化研究抽樣策略
目的	尋求普遍性、推論至母體、量化關係。	尋求深度理解、豐富性、特定經驗、理論發展。
樣本大小	通常較大，以確保統計上的代表性。	通常較小，注重訪談的深度與質。
抽樣方法	主要為機率抽樣 (Probability Sampling)：簡單隨機抽樣、系統抽樣、分層抽樣、叢聚抽樣。	主要為非機率抽樣 (Non-probability Sampling)：方便抽樣、目的抽樣、滾雪球抽樣、配額抽樣。
代表性	極度重視，期望樣本能代表母體，以便進行推論。	不一定追求母體代表性，而是尋找特定類型的參與者。
抽樣單位	通常從明確定義的母體名冊中抽取。	抽樣單位可能較模糊，或透過特定管道尋找。
結果應用	統計推論，檢定假設，量化結果。	形成理論、提供洞見、豐富對現象的理解。
抽樣過程	結構化、系統化，有明確的抽樣框。	較彈性、較為探索性，可能隨研究進行調整。

二、 大學生家庭階級研究的抽樣設計

研究主題： 大學生家庭階級的研究。

A. 量化研究抽樣設計

• 目的： 估計大學生中不同家庭階級的比例，以及家庭階級與大學生某些特徵（如學業成績、生涯規劃、價值觀等）之間的關聯強度，並能將結果推論至全國大學生母體。
• 母體： 全國就讀大學（含技職體系）的學生。

1. 抽樣方法一：分層隨機抽樣 (Stratified Random Sampling)

   • 設計：
     1. 將大學生母體依據學校類型（如國立大學、私立大學、科技大學）或地區（北部、中部、南部、東部）進行分層。
     2. 在每一層內，再依據家庭階級（例如，預先調查或依據父母職業、教育程度、收入等指標將家庭分為高、中、低三級）進行二次分層。
     3. 從每個最終的子層（例如，北部國立大學的高階級家庭學生）中，以簡單隨機抽樣的方式抽取固定比例或數量的學生。
   • 優點：
     • 提高代表性： 確保各主要層（如學校類型、地區）以及關鍵次層（如家庭階級）在樣本中得到適當的比例，能更準確地反映母體的結構。
     • 提高估計的精確度： 對於各層內的變異較小，分層抽樣通常比同等樣本數的簡單隨機抽樣能得到更精確的估計值（標準誤較小）。
     • 可進行層內分析： 能夠分析不同家庭階級在不同學校類型中的分布情況。
   • 缺點：
     • 需要分層變數資訊： 事先需要掌握母體的相關分層資訊（如學校名冊、各校學生家庭階級的初步分類），這可能需要額外資料收集。
     • 執行較複雜： 相較於簡單隨機抽樣，執行步驟較為繁瑣。
   • 對研究發現的影響： 能夠對大學生家庭階級的分布情況提供較為精確的估計，並且能準確地探討家庭階級與其他變項（如學業表現）在不同學校類型中的關聯。研究結果更具推論性。

2. 抽樣方法二：叢聚抽樣 (Cluster Sampling)

   • 設計：
     1. 將全國的大學（或學系）視為「一級叢聚」，進行隨機抽樣。
     2. 從被選中的大學（或學系）中，抽取該校（或學系）內所有的學生，或對這些學生進行二次抽樣（如簡單隨機抽樣）。
   • 優點：
     • 執行方便且成本較低： 當母體分散且難以取得完整名冊時，叢聚抽樣非常實用。例如，一次性進入某大學進行調查，比聯繫全國各地的學生容易得多。

本題要求解釋隨機分派與隨機抽樣的定義，並闡述其進行的目的與重要性。

核心觀念：
隨機抽樣是為了讓樣本能代表母體，以進行推論；隨機分派則是為了在實驗中，確保實驗組與對照組之間的均質性，以建立因果關係。

詳解：

1. 隨機抽樣 (Random Sampling)：

   • 定義： 隨機抽樣是指從一個較大的母體 (population) 中，以一種確保母體中每一個單位都有已知且非零的機率被選入樣本的方法來抽取樣本。最基本的隨機抽樣是簡單隨機抽樣 (simple random sampling)，其中母體中的每一個單位都有相同的機率被選中。
   • 目的：
     • 確保樣本的代表性： 隨機性是確保樣本能夠客觀、公正地反映母體特徵的關鍵。透過隨機抽樣，可以最大程度地減少選擇偏差 (selection bias)，使樣本在統計學上被視為母體的「微縮模型」。
     • 進行統計推論： 隨機抽樣是進行統計推論 (statistical inference) 的前提。基於隨機樣本，我們可以計算出母體參數的估計值，並量化這些估計值的精確度（例如，計算信賴區間、進行假設檢定），將樣本的發現推論回母體。

2. 隨機分派 (Random Assignment)：

   • 定義： 隨機分派是指在實驗研究中，將研究對象（參與者）隨機地分配到不同的實驗處理組（如實驗組、對照組）的一種程序。這意味著每個參與者被分配到任何一個組別的機率是相等的，且分配是獨立於參與者自身特性或研究者偏好的。
   • 目的：

本題旨在探討不同研究取向（實證主義、詮釋學、批判理論）在面對「常識與知識的差異」及「科學的價值立場」這兩個議題時，各自會持有的觀點。

核心觀念：

• 實證主義 (Positivism)： 強調客觀性、可觀察性、可量化的事實，追求自然科學式的嚴謹方法，認為知識是客觀存在的，科學應價值中性。
• 詮釋學 (Interpretivism / Hermeneutics)： 強調理解主觀意義、情境、文化，認為現實是透過社會互動建構的，知識是情境化的、主觀的，科學研究應揭示和理解這些意義。
• 批判理論 (Critical Theory)： 強調權力、社會結構、意識形態對知識的影響，認為社會存在壓迫與不公，科學應具有解放性、反思性，追求社會變革，知識與價值是密不可分的。

詳解：

(a) 常識與知識間的差異

1. 實證主義 (Positivism)：

   • 看法： 實證主義者傾向於將「知識」視為經過嚴格的科學方法驗證、客觀且普遍適用的事實或理論。而「常識」則被視為未經系統化、可能充滿個人經驗、偏見、迷信或因果誤判的、日常的信念或理解。
   • 差異點：
     • 驗證性： 知識必須是可被客觀驗證的（透過觀察、實驗），常識則往往難以驗證。
     • 系統性： 知識是系統化、邏輯化的理論體系，常識則較為零散、非系統。
     • 客觀性 vs. 主觀性： 知識追求客觀真理，常識則可能帶有較強的主觀色彩和文化濾鏡。
     • 普遍性 vs. 情境性： 知識追求普遍法則，常識則常局限於特定時空和文化情境。
   • 態度： 實證主義者會認為，科學知識是優於或應取代常識的，常識是需要被科學所修正或證偽的對象。

2. 詮釋學 (Interpretivism)：

   • 看法： 詮釋學者認為，常識本身就是一種重要的社會知識，是人們在特定文化和歷史情境下，透過互動和經驗所建構出來的意義體系。知識（包括科學知識）也是在特定情境下被理解和詮釋的。
   • 差異點：
     • 來源與功能： 常識是人們日常生活行動和理解的基礎，是社會協調的工具；科學知識則是對常識進行反思、系統化、或提出新解釋的產物。
     • 深度與層次： 常識是表層的、直接的理解，而科學知識（透過詮釋）則能揭示更深層的、隱藏的意義和結構。
     • 情境依賴性： 雖然科學知識也受情境影響，但詮釋學更強調常識的強烈情境依賴性。
   • 態度： 詮釋學不必然貶低常識，而是將其視為理解社會現象的重要起點。科學知識的產生，往往是為了更深入地理解或挑戰常識。科學知識與常識的關係是相互建構、相互啟發的。

3. 批判理論 (Critical Theory)：

   • 看法： 批判理論者認為，常識往往是受到現有社會結構、權力關係和意識形態所塑造的，它可能隱藏著壓迫、不公和虛假意識 (false consciousness)。知識（特別是傳統的科學知識）也可能被現有的權力結構所利用，以維護現狀。
   • 差異點：
     • 權力與意識形態： 批判理論特別關注常識和知識如何服務於或挑戰權力結構。