111 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 (sampling distribution) 的概念及其在推論統計中的應用，特別是建構母體平均數的信賴區間。

核心觀念：

1. 抽樣分配 (Sampling Distribution)： 當我們從一個母體中重複抽取多個樣本，並計算每個樣本的統計量（例如樣本平均數），這些樣本統計量本身也會形成一個分布，這個分布就稱為該統計量的抽樣分配。
2. 信賴區間 (Confidence Interval)： 它是用來估計母體參數（如母體平均數）的一個區間，並附帶一個信賴水準 (confidence level)，表示我們有多大的信心，這個區間包含了真實的母體參數。

詳解：

1. 樣本平均數抽樣分配的各項特徵：

根據中央極限定理 (Central Limit Theorem, CLT)，當樣本數 $n$ 足夠大（通常建議 $n \ge 30$），無論母體本身的分布為何，樣本平均數 $\bar{X}$ 的抽樣分配將近似於常態分布 (normal distribution)，其特徵如下：

• 平均數 (Mean)： 樣本平均數抽樣分配的平均數等於母體平均數 $\mu$。即 $E(\bar{X}) = \mu$。
• 標準差 (Standard Deviation)： 樣本平均數抽樣分配的標準差，稱為標準誤 (standard error, SE)，其值為母體標準差 $\sigma$ 除以樣本數的平方根。即 $SE(\bar{X}) = \frac{\sigma}{\sqrt{n}}$。
• 分布形態 (Shape)： 當母體為常態分布時，樣本平均數的抽樣分配也為常態分布，不論樣本數大小。當母體非常態分布，但樣本數 $n$ 足夠大時，根據中央極限定理，樣本平均數的抽樣分配近似於常態分布。

2. 如何運用其抽樣分布進行母體平均數的信賴區間估計：

假設我們要估計母體平均數 $\mu$。

• 情況一：母體標準差 $\sigma$ 已知
  若母體標準差 $\sigma$ 已知，且樣本平均數 $\bar{X}$ 的抽樣分配近似常態分布，則母體平均數 $\mu$ 的信賴區間可表示為：

本題探討迴歸診斷 (regression diagnosis) 的概念及其在迴歸分析中的重要性。

核心觀念：

• 迴歸分析 (Regression Analysis)： 一種統計方法，用於探討一個或多個自變數 (independent variables) 如何影響一個應變數 (dependent variable)，並建立預測模型。
• 迴歸診斷 (Regression Diagnosis)： 在完成迴歸模型估計後，為確保模型的有效性、診斷模型是否存在問題、以及識別對模型估計有顯著影響的資料點，所進行的一系列檢驗與評估程序。

詳解：

1. 何謂迴歸診斷？

迴歸診斷是一系列用來檢驗迴歸模型假設是否被違反、以及評估模型擬合 (model fit) 品質的統計程序。它旨在識別潛在問題，例如：

• 異常值 (Outliers)： 遠離大多數數據點的觀測值。
• 高槓桿點 (High Leverage Points)： 在自變數空間中，與其他觀測值距離較遠的觀測值。
• 影響點 (Influential Points)： 這些點若被移除，會顯著改變迴歸模型的係數估計或整體擬合。
• 殘差模式 (Residual Patterns)： 殘差（實際值與預測值之間的差異）顯示出系統性的模式，而非隨機分布。
• 多重共線性 (Multicollinearity)： 自變數之間高度相關。

2. 其主要內涵為何？

迴歸診斷的主要內涵在於：

• 檢驗模型假設：
  • 線性關係 (Linearity)： 應變數與自變數之間存在線性關係。

本題旨在釐清抽樣誤差 (sampling error) 的概念，並探討影響其大小的關鍵因素。

核心觀念：

• 抽樣誤差 (Sampling Error)： 指的是由於我們是從母體中抽取樣本來進行研究，而非普查 (census) 整個母體，因此樣本統計量（如樣本平均數、樣本比例）與母體參數（如母體平均數、母體比例）之間必然存在的差異。這種差異是由於樣本的隨機性所導致。

詳解：

1. 何謂抽樣誤差？

抽樣誤差是隨機抽樣過程的固有屬性。即使採用最嚴謹的隨機抽樣方法，不同的樣本仍然會產生不同的結果。例如，我們從一個班級抽取 10 位學生的身高來估計全班學生的平均身高，這個樣本平均身高很可能與全班真實的平均身高不完全一致，這之間的差距就是抽樣誤差。抽樣誤差不是由於研究者操作失誤或測量不準確造成的，而是抽樣本身所固有的不確定性。

2. 什麼因素會影響抽樣誤差？

抽樣誤差的大小主要受以下幾個因素影響：

• 樣本數 (Sample Size, $n$)：

  • 影響： 樣本數是影響抽樣誤差最主要的因素。樣本數越大，抽樣誤差越小；樣本數越小，抽樣誤差越大。
  • 說明： 這是因為隨著樣本數的增加，樣本統計量（如樣本平均數）的抽樣分配會變得更加集中於母體參數周圍。標準誤 $SE(\bar{X}) = \frac{\sigma}{\sqrt{n}}$ 的公式清楚地顯示，當 $n$ 增加時，標準誤會減小。

• 母體變異度 (Population Variability, $\sigma^2$)：

本題涵蓋了實驗研究 (experimental research) 的定義、優缺點，以及在社會科學領域的應用與實例。

核心觀念：

• 實驗研究 (Experimental Research)： 一種研究設計，透過操弄 (manipulation) 一個或多個自變數（稱為處理變數，treatment variables），並觀察其對應變數 (dependent variable) 的影響，同時盡可能控制 (control) 其他可能影響應變數的干擾變數 (extraneous variables)。其目的是建立自變數與應變數之間的因果關係 (causal relationship)。

詳解：

1. 何謂實驗研究？

實驗研究的核心在於「操弄」與「控制」。研究者主動介入，改變某個條件（自變數），並觀察這種改變是否會導致應變數的改變。為了確保觀察到的應變數變化確實是由於自變數的操弄所引起，研究者會盡力排除或控制其他可能影響應變數的因素。最常見的實驗設計包括實驗組 (experimental group) 和對照組 (control group)，實驗組接受處理，對照組則不接受或接受標準處理，然後比較兩組的結果。

2. 實驗研究的優點及缺點為何？

優點：

• 建立因果關係： 實驗研究是建立因果關係最有力的方法。透過嚴格控制和操弄，研究者可以更有信心地斷定自變數是應變數變化的原因。
• 高內部效度 (Internal Validity)： 由於對干擾變數的控制，實驗研究能夠較好地排除其他因素對結果的解釋，從而提高結論的內部效度。
• 可重複性 (Replicability)： 嚴謹的實驗設計使其結果更容易被其他研究者重複驗證。

缺點：

• 低外部效度 (External Validity) / 普遍性： 實驗研究通常在高度控制的實驗室環境或特定情境下進行，這可能與真實世界的複雜性有很大差異，導致研究結果難以推論到更廣泛的情境或母體。
• 倫理考量 (Ethical Concerns)： 某些社會現象（如歧視、貧困、創傷）不適合或不可能透過實驗來操弄，這會限制研究的範圍。
• 實施困難與成本高昂： 在社會科學領域，要精確操弄某些社會變數（如教育、社會階層）並進行嚴格控制，往往非常困難且成本高昂。
• 霍桑效應 (Hawthorne Effect)： 受試者知道自己正在被觀察，可能因此改變行為，影響研究結果的真實性。
• 實驗者效應 (Experimenter Effect)： 研究者的期望或行為可能無意識地影響受試者的反應。

3. 社會科學如何進行實驗研究？請舉例說明。

儘管存在挑戰，社會科學領域仍廣泛運用實驗研究，特別是透過以下方式：