108 年 國立臺灣大學社會學系碩士班《社會研究方法（含社會統計學）》

本題考查對「隨機變數」基本概念的理解。

詳解：
隨機變數（Random Variable）是指一個變數，其值是由隨機事件的結果所決定。換句話說，隨機變數的值是隨機的，我們無法預先確定其具體數值，但可以知道其所有可能的值以及對應的機率。

隨機變數可以分為兩種類型：

1. 離散型隨機變數 (Discrete Random Variable)： 其所有可能的值是有限個或可數無限個，例如擲骰子出現的點數，或是某班級的學

本題旨在釐清「不偏估計式」的核心意涵，這是統計推論中非常重要的概念。

詳解：
不偏估計式（Unbiased Estimator）是統計學中用於估計母體參數（population parameter）的一個重要概念。當我們使用樣本數據來估計母體的某些特徵（如母體平均數 $\mu$ 或母體比例 $\pi$）時，我們需要一個估計量（estimator）。

一個估計量被稱為「不偏的」，是指如果我們從母體中重複抽取無限多次樣本，並計算每次樣本所得到的估計值，這些估計值的平均（期望值）會等於我們要估計的母體參數。

數學上表示，若 $\hat{\theta}$ 是用來估計母體參數 $\theta$ 的估計量，則 $\hat{\theta}$ 是 $\theta$ 的一個不偏估計量，當且僅當：

本題考查對「抽樣分配」這個統計學核心概念的理解，這是連結樣本與母體的關鍵。

詳解：
抽樣分配（Sampling Distribution）是指，當我們從一個母體中重複抽取許多個大小相同的樣本，並對每個樣本計算某一個統計量（如樣本平均數 $\bar{X}$、樣本比例 $\hat{p}$、樣本標準差 $s$ 等），這些統計量所形成的機率分配，就稱為該統計量的抽樣分配。

簡單來說，抽樣分配描述了「樣本統計量」在不同樣本之間可能出現的變異性。它告訴我們，如果我們不斷重複抽樣，會得到怎樣的統計量值，以及這些值出現的機率。

抽樣分配是統計推論（statistical inference）的基礎，它讓我們能夠：

1. 估計母體參數： 知道抽樣分配的性質，我們可以用樣本統計量來估計母體參數，並知道估計的準確度（例如透過信賴區間）。

本題考查對「統計檢定力」這個統計推論中重要的概念的理解。

詳解：
統計檢定力（Statistical Power），又稱為檢定力或檢驗力，是指在虛無假設（Null Hypothesis, $H_0$）為假時，我們正確地拒絕虛無假設的機率。換句話說，它衡量的是一個統計檢定能夠偵測到真實存在的效應（effect）或差異的能力。

統計檢定力通常用 $1-\beta$ 來表示，其中 $\beta$ 是第二類錯誤（Type II Error）的機率。第二類錯誤是指，當虛無假設實際上為假時，我們卻未能拒絕虛無假設。因此，檢定力越高，犯第二類錯誤的機率就越低。

$\text{Power} = P(\text{Reject } H_0 | H_0 \text{ is false}) = 1 - \beta$

影響統計檢定力的因素主要有以下幾點：

1. 樣本數 (Sample Size, $n$)： 樣本數越大，檢定力通常越高。因為較大的樣本數能提供更多資訊，減少抽樣變異，使我們更容易偵測到真實的效應。

本題是一道關於單一樣本比例檢定的應用題，考驗考生對假設檢定步驟、統計量解釋、P值判讀、信賴區間優勢以及結論判斷的能力。

核心觀念： 單一樣本比例檢定，假設檢定步驟，P值與信賴區間的關係，統計顯著性與實際意義的連結。

詳解：

這是進行單一樣本比例檢定的標準流程。我們想要檢驗的是，美國人願意為環保支付更高稅款的比例是否為 50%（即是否為多數或少數）。

1.1. Specify the null and alternative hypotheses (虛無與對立假設) that are tested. (2分)

• 虛無假設 ($H_0$)： 母體中願意為環保支付更高稅款的比例等於 0.5。
  $H_0: \pi = 0.5$
• 對立假設 ($H_1$ 或 $H_a$)： 母體中願意為環保支付更高稅款的比例不等於 0.5。
  $H_1: \pi \neq 0.5$
  （題目中提到「whether a majority (or minority) of Americans would answer yes」，這暗示了檢定方向可能是單尾，但軟體輸出的是雙尾檢定的 P-value，且 Z-value 是 -3.91，通常 P-value=0.000 是對應雙尾檢定。若題目明確問「是否為多數」，則 $H_1: \pi > 0.5$。但此處「majority (or minority)」通常理解為「不等於 0.5」，故採雙尾檢定。）

1.2. Report and interpret (詮釋) the test statistic value (檢定統計值).(4分)

• 報告 (Report)： 檢定統計值 (Z-value) 為 -3.91。
• 詮釋 (Interpret)： Z-value 為 -3.91 表示，觀察到的樣本比例 (0.4331) 比虛無假設所設定的母體比例 (0.5) 低了 3.91 個標準誤。這個值非常極端，遠離了標準常態分配的中心 (0)，說明樣本結果與虛無假設存在很大的差異。

1.3. Report and interpret the P-value as a probability. (2分)

• 報告 (Report)： P-value 為 0.000。
• 詮釋 (Interpret)： P-value 為 0.000 表示，如果母體中願意為環保支付更高稅款的比例確實是 0.5（即虛無假設為真），那麼觀察到像本研究這樣極端（或更極端）的樣本比例（0.4331）的機率非常非常小，趨近於零。

本題是一道關於簡單線性迴歸分析的應用題，考驗考生對迴歸輸出的判讀、變項定義、單位分析、預測、相關係數與判定係數的理解，以及如何從分析結果回答研究問題。

核心觀念： 簡單線性迴歸模型、迴歸係數解釋、單位分析、預測、相關係數、判定係數、標準誤。

詳解：

此題提供了一個簡單線性迴歸的輸出結果，分析避孕措施使用率 (x) 與生育率 (y) 之間的關係。

2.1. State a research question that could be addressed with this output (Table 2). (2分)

• 研究問題範例：
  • 「避孕措施的使用率是否與生育率（平均每位女性的子女數）有關聯？如果有關聯，這種關聯是正向還是負向的？」
  • 「在不同國家之間，避孕措施的普及程度（佔成人比例）如何影響該國的平均生育率？」
  • 「避孕措施使用率每提高一個百分點，平均生育率會如何改變？」

2.2. What is the unit of analysis(分析單位) in this study? (2分)

• 分析單位 (Unit of Analysis)： 國家 (Nation)。
  因為迴歸分析的數據是來自 22 個國家，變數如「避孕措施使用率」和「生育率」都是針對每個國家進行測量和比較的。

2.3. Report the prediction regression equation and find the predicted fertility when (a) x=0, (b) x=100. (4分)

• 預測迴歸方程式 (Prediction Regression Equation)：
  迴歸方程式的形式為 $\hat{y} = b_0 + b_1 x$。
  從 TABLE 2 中，我們可以找到：

  • Constant (截距項, $b_0$) = 6.6633
  • CONTRACEPTIVE (斜率項, $b_1$) = -0.064843
    因此，預測迴歸方程式為：
    $\hat{y} = 6.6633 - 0.064843x$
    其中 $\hat{y}$ 是預測的生育率， $x$ 是避孕措施使用率。

• 預測生育率：

  • (a) 當 $x=0$ (避孕措施使用率為 0%)：
    $\hat{y} = 6.6633 - 0.064843 \times 0 = 6.6633$
    預測生育率約為 6.66 個子女。
  • (b) 當 $x=100$ (避孕措施使用率為 100%)：
    $\hat{y} = 6.6633 - 0.064843 \times 100 = 6.6633 - 6.4843 = 0.179$
    預測生育率約為 0.18 個子女。

2.4. Find and interpret the correlation coefficient (r) and R². (4分)

• 尋找 $R^2$：
  從 TABLE 2 的 SOURCE 欄位，我們可以找到：
  • Regression Sum of Squares = 37.505
  • Total Sum of Squares = 47.644
    判定係數 $R^2$ 的計算公式為：
    $R^2 = \frac{\text{Regression Sum of Squares}}{\text{Total Sum of Squares}} = \frac{37.505}{47.644} \approx 0.787$
    解釋 $R^2$： $R^2 \approx 0.787$ 或 78.7%。這表示，在這些國家中，避孕措施使用率 (x) 可以解釋生育率 (y) 變異的約 78.7%。

本題屬於研究方法應用題，要求考生挑選兩項研究方法，並從執行、適用性、限制與偏誤、以及如何避免偏誤等四個面向進行深入闡述。這類題目考驗考生對不同研究方法的掌握程度，以及批判性思考能力。

由於題目要求挑選「兩項」來進行說明，且每項包含四個子題，總共需要說明八個部分。以下我將選擇「網路問卷調查」和「紮根理論研究法」作為範例進行說明。

---

選擇項目一：網路問卷調查 (Online Survey)

1) 通常如何執行 (How it is typically conducted):
網路問卷調查是透過網際網路收集數據的一種量化研究方法。其執行步驟通常包括：

• 研究設計： 明確研究問題，定義目標母體，並設計問卷內容（包括量表、單選題、複選題、開放式問題等）。
• 問卷製作： 利用線上問卷平台（如 Google Forms, SurveyMonkey, Qualtrics 等）製作電子問卷，並進行預試（pilot test）以確保問卷清晰、無歧義且有效。
• 抽樣與發放： 確定抽樣方法（如隨機抽樣、立意抽樣、滾雪球抽樣等），並透過電子郵件、社群媒體、網站連結、QR Code 等方式將問卷發送給目標受訪者。
• 資料收集： 受訪者透過網路填答問卷，數據會自動匯入線上平台或資料庫。
• 資料清理與分析： 匯出原始數據，進行清理（如剔除無效問卷、處理遺失值），然後使用統計軟體（如 SPSS, R, Stata）進行描述性統計、推論性統計分析。

2) 較適用於哪些研究目的或情境 (What research purposes or contexts it is more suitable for):

• 描述性研究： 了解母體對特定議題的態度、行為、偏好、人口統計特徵等。例如，調查某產品的使用者滿意度、公眾對某政策的看法、特定族群的消費習慣。
• 探索性研究： 快速收集大量數據，以初步了解變項之間的關係，為後續深入研究提供方向。
• 需要廣泛收集數據的項目： 當研究母體龐大且分散時，網路問卷是相對經濟有效率的工具。
• 涉及敏感或隱私問題： 相較於面對面訪談，網路問卷能提供匿名性，可能提高受訪者對敏感問題的回答意願。

3) 研究設計、與分析推論上的限制, 及可能的誤用 (Limitations in research design, analysis, inference, and potential misuse):

• 抽樣偏差 (Sampling Bias)：
  • 無樣本框 (Lack of Sampling Frame)： 難以獲得完整的母體抽樣名單，難以進行真正意義上的隨機抽樣，可能導致樣本無法代表母體。
  • 自我選擇偏差 (Self-Selection Bias)： 只有對研究議題感興趣、具備上網能力且有時間的人才會參與，導致樣本非隨機。例如，受過較高教育、社經地位較高者可能參與率較高。
• 測量偏差 (Measurement Bias)：
  • 問卷設計不良： 問題不清、引導性問題、選項不全等，都會影響數據的品質。
  • 對網路環境的依賴： 受訪者填答時可能分心、倉促作答、或受到其他網頁干擾，影響回答的真實性。
  • 匿名性問題： 雖然聲稱匿名，但部分受訪者仍可能擔心資料外洩，影響誠實度。
• 數據品質問題：
  • 重複填答： 同一人可能填答多次。
  • 「機械式」填答 (Straight-lining/Speeding)： 受訪者可能隨意選擇答案，尤其是在長問卷中。
  • 遺失值 (Missing Data)： 受訪者可能跳過某些問題。
• 分析推論限制： 由於抽樣偏差，將樣本結果推論到母體時需格外謹慎，常被質疑代表性不足。
• 誤用： 將非隨機樣本的結果，未加說明地推論為母體的普遍情況；使用過於簡化或有偏見的問卷設計。

4) 研究者若想使用這個研究方法或策略, 應如何避免可預見的偏誤 (How researchers can avoid foreseeable biases):

• 嚴謹的抽樣設計：
  • 盡可能確立抽樣框，並採用機率抽樣方法（如分層抽樣、叢聚抽樣），或至少清楚說明樣本的特性，避免過度推論。
  • 可考慮結合其他抽樣技術，如滾雪球法輔助尋找特定群體。
• 優化問卷設計：
  • 進行充分的預試，確保問題清晰、中立、無歧義。
  • 問題順序合理，避免影響後續回答。
  • 控制問卷長度，避免過度疲勞。
  • 適當使用隨機化選項順序（randomize response order）減少順序效應。
• 提升數據品質：
  • 在問卷中加入「陷阱題」（attention checks）或「速度檢查」（speed checks）來辨識敷衍的填答者。
  • 透過 IP 位址或使用者帳號限制重複填答。
  • 提供誘因（如抽獎、小額回饋），但要小心誘因過高可能影響回答動機。
• 透明的報告：

本題屬於研究設計題，要求考生設計一個量化研究來探討台大碩士生未取得學位的現象。考生需要涵蓋研究假設、變項定義、測量方法、抽樣、統計方法及推論限制等關鍵要素。

核心觀念： 量化研究設計，假設建立，變項操作化，抽樣策略，統計分析方法，研究限制。

詳解：

研究主題： 影響台灣大學碩士生未取得學位的因素。

研究假設 (Research Hypothesis)：
我們預期某些因素會顯著影響碩士生是否能順利畢業。例如：

• 假設一 (H1)： 學生過去的學業表現（如大學 GPA）與其碩士班畢業率呈現正相關。
• 假設二 (H2)： 學生在校期間參與研究計畫的數量與其碩士班畢業率呈現正相關。
• 假設三 (H3)： 學生在學期間的工作經驗（如全職工作年資）與其碩士班畢業率呈現負相關。
• 假設四 (H4)： 學生選擇的研究領域（如理工 vs. 文史）與其碩士班畢業率有關聯。

主要變項 (Key Variables)：

• 依變項 (Dependent Variable, DV)：

  • 碩士班畢業狀況 (Master's Graduation Status)。
    • 操作化：這是一個二元變項，可以定義為：1 = 已取得碩士學位 (畢業)，0 = 未取得碩士學位 (休學/退學)。

• 自變項 (Independent Variables, IVs)：

  • 過去學業表現 (Previous Academic Performance)：
    • 操作化：大學學業平均成績 (GPA)。
  • 參與研究計畫的經驗 (Research Involvement)：
    • 操作化：在學期間參與研究計畫的數量（例如：0, 1, 2+ 個）。
  • 工作經驗 (Work Experience)：
    • 操作化：在進入碩士班前或在學期間的全職工作年資（以年為單位）。
  • 研究領域 (Field of Study)：
    • 操作化：將不同領域的系所進行分類（例如：工程學、科學、人文學、社會科學、管理學等）。這可以作為類別自變項。

• 控制變項 (Control Variables, CVs)：

  • 性別 (Gender)：
    • 操作化：男性 (1) / 女性 (0)。
  • 入學管道 (Admission Channel)：
    • 操作化：例如：甄試入學 (1) / 考試入學 (0)。
  • 碩士班修業年限 (Duration of Master's Program)：
    • 操作化：實際修業年限（例如：1年、1.5年、2年、2年以上）。這可以作為連續變項或類別變項。
  • 家庭社經地位 (Socioeconomic Status, SES)：
    • 操作化：父母教育程度、家庭年收入等（若能取得）。

測量方法 (Measurement Methods)：

• 依變項 (畢業狀況)：
  • 透過查詢學校教務處或研究生教務組的官方記錄，取得每位學生的註冊和畢業資料。這是最客觀的數據來源。
• 自變項與控制變項：
  • 學業成績 (GPA)： 學校官方成績單記錄。
  • 研究計畫數量、工作年資、修業年限： 學生資料庫記錄、官方學籍資料。
  • 性別、入學管道： 學生基本資料。
  • 研究領域： 根據學生所屬系所進行分類。
  • 家庭社經地位： 若學校有收集或可透過問卷詢問（但問卷法可能面臨誠實度與代表性問題）。

抽樣 (Sampling)：

• 目標母體： 過去 X 年（例如：過去 5-10 年）進入台灣大學各碩士班就讀的全部學生。
• 抽樣方法：
  • 分層隨機抽樣 (Stratified Random Sampling)： 這是較為理想的方法。可以依據「學院」或「領域」進行分層，然後在每一層內進行隨機抽樣。

本題要求考生設計深度訪談問題，並分析訪談法的困難與限制，以及如何克服。這部分是結合質性研究設計與批判性思考的綜合題。

核心觀念： 深度訪談問題設計，質性研究的挑戰，研究者反思與策略。

詳解：

在進行量化研究後，質性訪談能幫助我們深入理解「為什麼」會有這樣的結果，特別是針對未畢業的學生，他們的經驗和感受是量化數據無法呈現的。

深度訪談問題設計 (3-5個)：

以下設計的問題旨在探究這些學生未畢業的原因、過程、感受與經驗，並期望能與量化研究的結果產生對話。

1. 【起始與背景】
   「您當初選擇進入台大碩士班就讀的動機和期望是什麼？在您就學期間，您認為有哪些主要的挑戰或困難是您原本沒有預期到的？請您回想一下，有哪些具體的事件或情況，讓您開始覺得可能無法順利完成學業？」

   • 目的： 了解學生的初衷與期望，以及實際就學經驗與預期的落差，這是探究未畢業原因的起點。同時引導受訪者回憶關鍵的轉折點。

2. 【核心原因探究】
   「我們在量化研究中發現，例如學業表現、研究投入、工作經驗等因素可能與畢業與否有關。從您的個人經驗出發，您覺得在這些方面（或您認為其他方面），具體是哪些因素最直接地影響了您最終未能取得學位？能否請您詳細描述一下當時的情況、您的感受，以及您採取的應對方式？」

   • 目的： 連結量化發現，讓受訪者從自身經驗來解釋或驗證量化變項的意義。探究這些「量化」因素在「質性」經驗中的具體展現與影響。例如，GPA低是因為課業壓力大？還是個人興趣轉移？研究投入少是因為指導教授不夠支持？還是自己對研究失去熱情？

3. 【過程與決策】
   「當您面臨學業困難或考慮休學/退學時，您曾經尋求過哪些幫助或資源（例如：學校輔導單位、系所師長、同學、家人等）？這些資源的幫助程度如何？您在做出最終的決定（休學或退學）過程中，最掙扎或最關鍵的考量是什麼？」

   • 目的： 了解學生在面對困難時的求助行為、資源的有效性，以及他們做出重大決定的心路歷程。這有助於理解學校輔導機制或支持系統的不足之處。

4. 【經驗反思與建議】
   「回顧這段未完成的碩士學位經驗，您認為這段經歷對您目前的生活或職涯發展產生了哪些影響（正面或負面）？如果讓您給下一屆或未來的碩士班新生一些建議，您會建議他們注意哪些事情，或者如何為可能遇到的困難做準備，以提高順利畢業的機率？」

   • 目的： 讓受訪者進行經驗總結，並從他們的視角提供對學校或學生的具體建議，這也是研究成果的重要應用價值。

訪談法可能遭遇的困難、分析推論上的限制 (Difficulties and Limitations):

1. 受訪者招募困難 (Difficulty in Recruiting Participants)：

   • 困難： 找到「具代表性」的未畢業碩士生可能很困難。他們可能因為感到羞恥、尷尬、或希望忘記這段經歷而不願受訪。
   • 限制： 如果只能招募到少數或特定類型的未畢業生（例如，只願意受訪那些認為是學校或老師問題的學生），樣本的代表性將大打折扣，影響推論。

2. 回憶偏差與主觀性 (Recall Bias and Subjectivity)：

   • 困難： 受訪者對過去事件的回憶可能不準確，會受到時間、個人情緒、後續經驗的影響而產生偏差（例如，選擇性記憶、合理化自己的決定）。
   • 限制： 訪談數據是受訪者主觀的陳述，難以完全驗證其客觀性。研究者對數據的詮釋也可能帶有主觀色彩。

3. 訪談的深度與廣度平衡 (Balancing Depth and Breadth)：

   • 困難： 雖然是深度訪談，但要在有限的時間內涵蓋研究的各個面向，並深入探究其原因，需要技巧。有時受訪者可能過於簡略，或過於集中在某個點上。
   • 限制： 可能無法獲得所有關鍵資訊，或者對某些重要因素的探究不夠深入。