本章從問卷資料出發，逐步理解資料類型、測量尺度，以及變數在研究問題中的角色。
從一份問卷開始認識資料
在開始統計分析以前，先看看我們每天蒐集到的「資料」， 其實有哪些不同。
在量化研究中，我們經常透過 問卷、測驗或觀察 來蒐集資料。當受試者完成問卷後， 一個個答案就會成為研究者進行分析的資料。
但是，所有資料的意義都一樣嗎？ 有些資料只是用來區分不同的類別； 有些資料雖然也是分類，卻存在一定的順序； 還有一些資料則可以用分數表示某種程度。
不同性質的資料，可以進行的比較與統計分析也不完全相同。 因此，在真正開始分析以前，我們首先要弄清楚： 自己手上的資料究竟代表什麼。
我們蒐集到的，究竟是什麼樣的資料？
先不用急著背「名義、次序、等距、比率」這些名稱。 我們先從生活中很常見的一份 餐廳滿意度調查 開始看看。
如果你是餐廳老闆……
你想了解來店顧客的特性、用餐目的， 以及他們對餐點的滿意程度， 因此設計了下面這份簡短的問卷。
餐廳用餐滿意度調查
感謝您本次蒞臨用餐。 為了解顧客用餐經驗與餐點滿意程度， 請依照您的實際情況回答以下問題。
1 您的性別是？
2 您的年齡組是？
3 您目前的最高學歷是？
4 您本次主要的用餐目的是？
5 請問您對本次餐點的滿意程度為何？
| 餐點 | 非常不滿意 | 不滿意 | 普通 | 滿意 | 非常滿意 |
|---|---|---|---|---|---|
| 主餐 | |||||
| 附餐 | |||||
| 飲料 |
6 您願意將本餐廳推薦給親友的程度為何？
問卷收回來了，然後呢？
假設今天共有 100 位顧客 完成這份問卷。 現在，我們已經取得了一批資料。
隨意抽出其中一位顧客， 他的答案可能是：
這些全部都是從問卷得到的 資料。 但是仔細想一想， 它們代表的意義真的完全一樣嗎？
性別 可以把「男性、女性、其他」 排列大小嗎？
年齡組 也是分類，但是「20–29 歲」與 「30–39 歲」之間， 是不是存在一定的順序？
學歷 可以排列高低， 但是「碩士」可以說成 「大學的兩倍」嗎？
用餐目的 中的「家庭聚餐、朋友聚餐、情侶約會」 只是不同類別， 還是具有高低順序？
餐點滿意度 如果轉換成 1～5 分， 我們是不是就可以進一步計算 顧客的平均滿意度？
例如，我們可以把滿意程度轉換成數字：
到這裡你可能已經發現： 問卷中的每一個答案雖然都是「資料」， 但它們所代表的 性質並不完全相同。
資料的性質不同， 可以進行的比較、運算與統計分析也會不同。 因此，在開始分析之前， 我們必須先判斷資料屬於哪一種類型。
主題一互動小遊戲：看懂這份問卷了嗎？
在餐廳問卷中，下面哪一項資料主要是用來「區分不同類別」？
下面哪一項資料除了可以分成不同類別之外， 還具有明顯的先後或高低順序？
將「非常不滿意～非常滿意」轉換成 1～5 分後， 這些數字主要用來表示什麼？
「問卷中的所有答案雖然都是資料， 但它們所代表的性質不一定相同。」 這個說法正確嗎？
完成！
間斷變數與連續變數
同樣都是問卷得到的資料，為什麼有些適合拿來分類， 有些卻可以進一步計算平均數？
在主題一的問卷中，我們蒐集了很多不同的資料：
雖然這些資料全部來自同一份問卷， 但是它們的性質並不相同。 在本教材中，我們先從 資料呈現與統計分析 的角度，把變數區分成兩大類：
間斷變數 與 連續變數
間斷變數
資料呈現為一個個 不同的類別。 研究者關心的是： 這個人或這筆資料「屬於哪一類」。
連續變數
資料主要用來表示某種 程度或數值大小， 因此通常可以進一步進行平均數、 標準差等統計分析。
把餐廳問卷重新分類看看
如果依照剛才的概念， 我們可以把主題一的問卷資料整理成下面兩類。
| 問卷變數 | 變數類型 | 主要意義 |
|---|---|---|
| 性別 | 間斷變數 | 區分不同性別類別 |
| 年齡組 | 間斷變數 | 區分不同年齡類別 |
| 學歷 | 間斷變數 | 區分不同教育程度 |
| 用餐目的 | 間斷變數 | 區分不同用餐情境 |
| 主餐滿意度 | 連續變數 | 表示主餐滿意程度 |
| 附餐滿意度 | 連續變數 | 表示附餐滿意程度 |
| 飲料滿意度 | 連續變數 | 表示飲料滿意程度 |
| 推薦意願 | 連續變數 | 表示推薦意願程度 |
1 間斷變數：資料是一類一類的
先看「性別」這個變數。 問卷中的回答可能是：
這些答案的主要功能，是把受試者 分到不同類別。 我們不會說「女性比男性多 3 分」， 也不會計算一個人的「平均性別」。
因此，像性別、年齡組、學歷與用餐目的這類資料， 在本教材中先歸入 間斷變數。
例如：性別、用餐目的。 不同類別之間沒有自然的高低順序。
例如：年齡組、學歷。 雖然仍是一類一類的資料， 但類別之間存在一定順序。
這個差別現在先記住即可。 到下一個主題，我們會進一步介紹 名義尺度 與 次序尺度。
2 連續變數：資料可以表示程度
再看看問卷中的 主餐滿意度。 我們可以把回答轉換成 1～5 分：
這時候，數字不只是用來區分類別， 還代表受試者所表達的 滿意程度。
如果有 100 位顧客完成問卷， 研究者就可以進一步描述整體的滿意程度，例如：
因此，在本教材後續的統計分析中， 像滿意度、態度、意願等以分數表示程度的變數， 會視為 連續變數 來進行分析。
⚠️ 關鍵不是「有沒有數字」
初學者最容易出現的誤解，就是看到數字， 就認為它一定是連續變數。 其實真正要判斷的是： 這個數字究竟代表什麼？
這個「3」只是研究者給這個類別的代碼。 即使改成數字，年齡組仍然是間斷變數。
這個「4」用來表示受試者的滿意程度， 在本教材中會作為連續變數進行分析。
對單一 Likert 題目的測量尺度， 不同統計教材可能有不同處理方式。 本教材著重社會科學研究的實際分析， 後續將滿意度、態度與意願等量表分數 視為近似連續資料進行統計分析。
這一節先記住兩件事
重點是「屬於哪一類」。 例如：性別、年齡組、學歷、用餐目的。
重點是「程度多少」。 例如：餐點滿意度、推薦意願。
主題二互動小遊戲：連續還是間斷?
餐廳問卷中的「本次主要用餐目的」 屬於哪一類變數？
餐點滿意度以 1～5 分表示。 在本教材的分析方式中， 「餐點滿意度」屬於哪一類變數？
研究者將年齡組編碼成 1、2、3、4， 因此「年齡組」就變成連續變數。 這個說法正確嗎？
換一個研究情境。 下面哪一個變數，在本教材的分析方式中， 最適合視為連續變數？
完成！
四種測量尺度
同樣都是資料，我們究竟可以比較到什麼程度？ 從名義、次序、等距到比率尺度，一步一步看懂資料的測量方式。
前一個主題，我們把資料先分成 間斷變數 與 連續變數。
但是你可能已經發現： 即使同樣都是間斷變數， 性別 和 學歷 好像還是不太一樣。
要回答這個問題，我們需要再往下一層， 看看研究者究竟是用什麼方式 測量變數。
一般可以將測量尺度區分為四種： 名義尺度、次序尺度、等距尺度與比率尺度。
先看懂整體架構
🧩 間斷變數
📏 連續變數
名義尺度
只能把資料分成不同類別， 類別之間沒有自然的高低或先後順序。
次序尺度
除了可以分類之外， 不同類別之間還具有一定的高低或先後順序。
等距尺度
數值之間的間隔具有一致的意義， 可以比較分數之間相差多少。
比率尺度
除了具有相等的間距之外， 還具有真正代表「沒有」的絕對零點。
1 名義尺度：只用來區分類別
名義尺度最基本的功能就是 命名與分類。 每一個人可以被分到某一個類別， 但這些類別本身沒有高低之分。
我們可以統計每一類有多少人， 例如「男性 40 人、女性 55 人、其他 5 人」， 但不能說女性「高於」男性。
2 次序尺度：除了分類，還可以排序
次序尺度和名義尺度一樣， 都可以把資料分成不同類別； 但多了一個重要特性： 類別之間可以排列順序。
我們知道「碩士」在教育程度的順序上高於「大學」， 但是不能因此說： 碩士的教育程度是大學的兩倍。
3 等距尺度：分數之間的距離具有意義
到了等距尺度， 不只可以判斷高低順序， 還可以進一步比較 數值之間相差多少。
在本教材後續的社會科學統計分析中， 滿意度、態度與意願等量表分數， 將視為近似等距資料進行分析， 因此可以進一步計算平均數與標準差。
但是，等距尺度的「0」不一定表示這個特質完全不存在， 所以不能直接進行「兩倍」這類比率解釋。
4 比率尺度：還具有真正的零點
比率尺度具有前面尺度的特性， 同時還多了一個重要條件： 具有絕對零點。
例如「消費金額 0 元」代表沒有消費金額； 「來店次數 0 次」代表沒有來店。 因為具有真正的零點， 所以比率尺度還可以進行倍數比較。
例如： 800 元確實是 400 元的兩倍。
⭐ 特別注意：「年齡組」和「實際年齡」不一樣
這是學生最容易混淆的地方。 雖然兩個變數都和「年齡」有關， 但資料形式不同，測量尺度也不同。
資料已經被分成一組一組的類別， 而且這些類別具有順序。 因此屬於 間斷變數／次序尺度。
直接記錄實際數值， 數值之間可以比較差距， 並具有真正的零點。 因此屬於 連續變數／比率尺度。
四種尺度到底差在哪裡？
| 測量尺度 | 分類 | 順序 | 等距 | 絕對零點 | 例子 |
|---|---|---|---|---|---|
| 名義尺度 | ✓ | — | — | — | 性別、用餐目的 |
| 次序尺度 | ✓ | ✓ | — | — | 年齡組、學歷 |
| 等距尺度 | ✓ | ✓ | ✓ | — | 滿意度、態度量表 |
| 比率尺度 | ✓ | ✓ | ✓ | ✓ | 實際年齡、金額、次數 |
🧭 不知道是哪一種尺度？可以這樣判斷
只是分成不同類別？ → 想想看是不是 名義尺度。
除了分類，還可以排列高低？ → 想想看是不是 次序尺度。
數值之間的差距具有一致意義？ → 進一步考慮 等距尺度。
還具有真正的零點，可以解釋兩倍、三倍？ → 就是 比率尺度。
四種測量尺度，一句話記住
主題三互動小遊戲
把下面的變數拖到正確的測量尺度。 手機也可以先點選變數，再點選分類區。
完成！
自變數與依變數
知道變數是什麼類型之後，下一步要看它在研究問題中扮演什麼角色。
主題二學會判斷 間斷變數與連續變數； 主題三進一步認識 名義、次序、等距與比率尺度。
但是進入真正的研究問題之後， 我們還要問另一個問題： 這個變數在研究中扮演什麼角色？
老闆現在不只想知道「平均滿意度是多少」， 他還想知道：
不同性別的顧客， 對主餐的滿意度會不會不一樣？
這個研究問題裡出現了兩個變數： 性別 與 主餐滿意度。 但兩者在研究問題中的功能並不相同。
自變數
研究者用來區分、比較， 或用來解釋另一個變數的變數。
依變數
研究者真正想了解、比較， 或試圖解釋其變化的結果變數。
1 把研究問題拆開來看
換句話說，研究者先依照 性別 把顧客分成不同組別， 再比較這些組別的 主餐滿意度 是否不同。
🧠 一個簡單的判斷方法
2 「變數角色」和「資料類型」是兩件不同的事
這裡非常重要。 前面學到的「間斷／連續」是在描述 資料本身的性質； 自變數／依變數則是在描述 變數在某個研究問題中的角色。
→ 間斷變數或連續變數
→ 名義、次序、等距或比率尺度
→ 自變數
→ 依變數
⚠️ 不要把兩套概念混在一起
「自變數」不等於「間斷變數」， 「依變數」也不等於「連續變數」。
一個連續變數也可以成為自變數； 同一個變數在不同研究問題中， 甚至可能扮演不同角色。
3 看幾個研究問題就會更清楚
🔗 為什麼一定要先分清楚？
因為自變數與依變數的資料類型， 會直接影響後面可以使用的統計分析方法。
＋
連續依變數
＋
連續變數
→
依變數
這一節先記住兩個問題
研究者根據什麼來分組、比較， 或用什麼變數來解釋另一個變數？
研究者真正想觀察、比較， 或想要解釋的結果是什麼？
研究問題拆解挑戰
不用背定義。直接從研究問題中找出自變數與依變數。
1 找出自變數
2 找出依變數
3 換一個研究問題
4 最後一題