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？