一、研究問題
本研究旨在探討民眾的 TikTok 使用行為與其對網路的心理依附程度，是否會影響其對政府「全面禁止 TikTok」政策的支持態度。隨著 TikTok 在台灣社會的普及，使用者對該平台的依賴程度與實際使用經驗，可能形塑其對平台管制政策的評價方式。
基於此，本研究聚焦於以下三個研究問題：
使用 TikTok 的頻率是否會影響民眾對「全面禁止 TikTok」政策的支持程度？
當使用者在無法上網時產生焦慮或沮喪等情緒反應時，其對禁止 TikTok 的政策態度是否有所不同？
在同時考量 TikTok 使用頻率與網路心理依附程度的情況下，哪一個因素對支持或反對禁止 TikTok 的影響較為顯著？
二、文獻回顧
過去研究已指出，社群媒體的使用行為會影響個體接收政治資訊的方式，進而影響其政治態度與公共議題判斷。Gil de Zúñiga、Weeks 與 Ardèvol-Abreu（2017）以「news-finds-me perception」為核心概念，說明社群媒體使用頻率提高，可能改變使用者對政治資訊的接觸模式與參與形式，進而影響其政治態度與公共議題立場。該研究顯示，媒體使用強度本身即是一個具有解釋力的政治態度變項，並非僅是背景特徵。因此，學界普遍認為，社群媒體使用頻率可作為分析政治態度形成的重要切入點。然而，既有研究多聚焦於政治參與、政治知識或選舉行為，較少直接探討社群媒體使用行為與具體政策支持態度之間的關聯，特別是在涉及平台治理或禁令政策的情境下，仍有進一步研究空間。
除了使用行為本身，學界亦長期關注個體對媒體的心理依附程度如何影響其態度與判斷。Ball-Rokeach 與 DeFleur（1976）提出的媒體依賴理論指出，當個體在資訊獲取、情緒調節或社交互動上高度依賴媒體時，媒體對其認知與態度的影響力也會隨之提高。換言之，媒體不僅是資訊管道，更可能成為個體日常生活中不可或缺的心理資源。進一步來看，政治心理學研究強調情緒在政治判斷中的關鍵角色。Marcus、Neuman 與 MacKuen（2000）指出，當個體感受到焦慮、不確定性或風險時，往往會提高對威脅的敏感度，並傾向支持較具保護性或管制性的政策選擇。這些研究顯示，心理層面的媒體依附可能透過情緒與風險感知機制，影響個體的政策態度。然而，現有文獻較少將「網路心理依附」與「對特定數位平台的政策立場」直接連結，特別是在以禁令作為政策選項的研究中，此一心理機制仍有待進一步檢驗。
近年來，隨著數位平台在公共生活中的影響力日益擴大，平台治理與公共價值之間的張力逐漸成為重要的政治議題。van Dijck、Poell 與 de Waal（2018）指出，政府對數位平台的管制不僅涉及技術或市場問題，更反映社會在自由、效率與安全之間的價值權衡。在此脈絡下，民眾對於是否支持限制特定平台的政策，本身即是一種具有政治意涵的態度表現。然而，既有平台治理研究多從制度設計或政策層面出發，較少結合個體層次的媒體使用行為與心理特質，來分析民眾為何會支持或反對平台禁令。基於此，本研究嘗試結合社群媒體使用行為、網路心理依附與政策態度三個層面，補足現有文獻在個體層次解釋上的不足。
三、資料來源
本研究所使用的資料來自 2025 年台灣 TikTok 使用者網路調查，由「民主實驗室（Democracy Lab）」所建置並公開提供。此份資料的核心目的在於理解台灣民眾在不同程度的 TikTok 使用習慣下，於媒體接觸行為、國家安全感受、兩岸議題態度與一般公共議題立場之間的差異。TikTok 作為一高度演算法導向的短影音平台，其資訊呈現方式具有快速、碎片化以及強烈推播效果的特性，因此特別適合用來分析其是否可能影響使用者對政治議題的理解、判斷與情緒反應。
此外，TikTok 涉及資料安全、平台審查與演算法透明度等爭議，其背後與中國企業的關聯也引發對民主制度與言論空間的潛在風險討論。因此，本資料庫提供的題項可協助檢視台灣受訪者在此情境下的政策態度與心理指標，並深入探討使用者的行為與政治態度之間是否存在關聯。
本次調查的研究範圍涵蓋台灣地區所有縣市（包含金門與連江），調查對象為 年滿 15 歲以上之台灣民眾。資料收集方式採取網路問卷調查，並透過社群平台與線上抽樣機制邀請符合資格的受訪者填答。調查期間為 2025 年 3 月 10 日至 3 月 20 日。問卷內容涵蓋多個面向，包括：TikTok 使用行為、使用頻率、網路依附程度、政策態度、兩岸認同、媒體接觸行為、人口背景與心理感受等。
本調查最終共取得 2,616 份有效樣本，其中包含 1,097 位 TikTok 活躍使用者。由於本研究特別關注 TikTok 使用者在政策與心理態度上的差異，因此本資料庫提供的族群區隔（活躍使用者、非活躍使用者）對研究分析具有重要價值。所有樣本均通過系統檢核，以確保資料品質與填答一致性。
本研究在進行資料處理前，先針對相關題項進行重新編碼、無效值處理，並依照分析需求將部分變項轉換為類別形式，以利後續卡方檢定與多重對應分析（MCA）的執行。
四、變數選擇說明
本研究以個體層次的媒體使用行為與心理狀態，作為解釋民眾是否支持「全面禁止 TikTok」政策的核心切入點，並依據研究問題選擇三個主要變項，分別對應行為、心理與政策態度三個分析層面。
首先，在行為層面，本研究選擇「近一年使用 TikTok 的頻率（S1）」作為主要自變項。此變項能直接反映受訪者實際接觸 TikTok 平台的程度與使用強度，是衡量媒體接觸行為的重要指標。既有媒體效果研究指出，媒體使用頻率會影響個體接收資訊的方式，進而形塑其對公共議題與政策的評價。因此，本研究將 S1 視為分析民眾對 TikTok 禁令態度的關鍵行為因素。
其次，在心理層面，本研究選擇「無法上網時會感到沮喪或焦慮，但只要能上網情緒便會改善（Q6）」作為衡量網路心理依附程度的指標。此題反映個體在情緒調節與日常生活中對網路的依賴程度，可視為一種心理層面的媒體依附。透過納入此變項，本研究得以檢驗，當個體在心理上高度依賴網路時，是否會影響其對政府限制數位平台使用之政策態度。
最後，在政策態度層面，本研究以「是否同意『TikTok 對台灣國家安全有深遠影響，台灣應全面禁止』（Q32）」作為依變項。此題直接呈現受訪者對全面禁止 TikTok 的政策立場，具體反映其在國家安全與平台治理議題上的態度選擇，是分析行為與心理因素是否轉化為政治立場的核心指標。
綜合而言，本研究透過同時納入 TikTok 使用頻率（S1）、網路心理依附（Q6）與政策支持態度（Q32），建構一個涵蓋行為、心理與政策態度三個層面的分析架構，藉此檢驗實際使用經驗與心理依附程度，是否會共同影響民眾對全面禁止 TikTok 政策的支持與反對。
五、重新編碼理由
在重新編碼上，本研究依分析目的分別採取「保留原尺度」與「適度合併類別」兩種策略。首先，「近一年使用 TikTok 的頻率（S1）」保留原始編碼（1＝從未使用至5＝每天好幾次），不再合併為少數類別。原因在於 S1 本身具有清楚的序位意涵，可直接代表使用強度的連續差異；若過度合併，將使「使用越密集／越不密集」的訊息被稀釋，也降低後續描述統計與關聯檢定的辨識度。
其次，「無法上網時會感到沮喪或焦慮，但只要能上網情緒便會改善（Q6）」原為五點量表，為了提升交叉分析的穩定性與可讀性，本研究將其合併為三類：不同意（原始1–2）、普通（原始3）與同意（原始4–5），並記為 Q6r。此做法的目的不是追求更細的心理程度差異，而是更清楚地區分「低依附／中立／高依附」三種狀態，避免五類在交叉表中出現格子過度稀疏而影響解讀。
最後，「是否同意『TikTok 對台灣國家安全有深遠影響，台灣應全面禁止』（Q32）」原為六點量表，因研究關注的是政策立場的支持與否，且後續需進行二元邏輯斯迴歸，因此將其合併為二類並記為 Q32r：不同意（原始1–3）與同意（原始4–6）。此處的二元化能更貼近「支持／反對禁令」的政策選擇邏輯，也使迴歸模型的依變項定義更直觀一致。
需要說明的是，本研究並非在所有分析中皆使用重新編碼後之變項。重新編碼主要用於後續二元邏輯斯迴歸分析，以對應「是否支持全面禁止 TikTok」的二元政策選擇，並提升模型估計的穩定性；而在描述統計、多重對應分析與卡方檢定階段，則保留原始量表進行分析，以避免過早壓縮資訊，並呈現變項之間較為完整的分布與關聯樣態。此種依分析目的選擇不同變項版本的做法，符合既有實證研究中對於變項操作化的常見處理方式。
六、預期假設
H1: 使用 TikTok 越頻繁的使用者，越不支持全面禁止 TikTok。
H2: 對網路依附程度越高（越容易因無法上網而焦慮）的使用者，越傾向反對禁止 TikTok。
七、卡方分析
(一)分析方法說明
為檢驗三個核心變項之間的關聯性，本研究採用 卡方獨立性檢定。
S1 × Q6：TikTok 使用頻率與網路依附程度
S1 × Q32：TikTok 使用頻率與政策支持態度
Q6 × Q32：網路依附程度與政策支持態度
(二)結果呈現
S1 × Q6
χ² = 206.35
df = 16
p < 0.001
顯著
S1 × Q32
χ² = 375
df = 20
p < 0.001
顯著
Q6 × Q32
χ² = 152.83
df = 20
p < 0.001
顯著
(三)假設驗證結果
H1（S1 × Q32）：TikTok使用頻率與政策支持程度
在政策態度的交叉表中，越常使用 TikTok 的受訪者，反對「全面禁止 TikTok」的比例明顯較高；相反地，很少或從不使用 TikTok 的族群中，支持禁令的比例相對較多。
這個結果顯示，在樣本裡「使用經驗」和「政策立場」是連在一起的：常用者比較傾向維持現狀，不希望平台被封鎖；非使用者則較能接受或支持禁令。不過，同樣地，這裡只能說兩者關係密切，不能單憑這項檢定說「多用 TikTok 會讓人變得反對禁令」。
H2（Q6 × Q32）：網路依附程度與政策支持態度
就網路依附與政策態度的交叉分布來看，越覺得自己離不開網路的受訪者，在是否支持「全面禁止 TikTok」的立場上，較常出現反對禁令的比例；而依附感較低者，相對較容易支持禁令。此一分布顯示，網路依附程度可能與政策態度存在關聯，高依附者或許較重視使用自由，對政府介入平台使用持保留態度。然而，此結果僅反映雙變項層次下的分布樣態，尚不足以推論網路依附對政策支持的最終影響方向，仍需搭配後續多變量分析加以檢驗。
補充分析（S1 × Q6）：TikTok使用頻率與網路依附程度
從交叉表可以看到，使用 TikTok 越頻繁的受訪者，較常出現在「較高網路依附」的格子裡；反之，幾乎不使用 TikTok 的受訪者，多分布在「較低依附」的類別。 這代表在這份樣本中，TikTok 使用頻率與整體網路依附感是有所連動的，但卡方檢定只能說明它們「有關」，並不能直接推論是 TikTok 造成高度依附，或是本來就高依附的人比較常用 TikTok。
(四)綜合討論與解釋
綜合卡方檢定結果可以看到，TikTok 使用頻率（S1）與禁令政策態度（Q32）之間存在顯著關聯：使用越頻繁者，越傾向反對全面禁止；使用較少或未使用者，則較傾向支持禁令。這顯示在樣本中，「使用經驗」與「政策立場」高度連動，較符合「立場防衛／現狀偏好」的直覺機制，也為後續多變量模型提供重要的探索性線索。
同時，網路心理依附（Q6）與政策態度（Q32）亦達顯著，表示心理依附程度較高者，在是否支持全面禁止 TikTok 的立場上，較常出現反對禁令的比例；但值得注意的是，TikTok 使用頻率（S1）與網路心理依附（Q6）之間同樣呈現顯著關聯，顯示使用頻率與心理依附彼此連動。換言之，卡方結果更像是在提醒：心理依附可能與政策態度相關，但其影響也可能是透過實際使用型態而共同出現，因此仍需在後續迴歸模型中同時納入 S1 與 Q6，才能判斷心理依附是否仍具有獨立解釋力。
八、多重對應分析(MCA)
(一)分析方法說明
為了更清楚呈現TikTok使用者在網路依附、政策立場及政策態度上的差異，本研究進行多重對應分析(MCA)。此分析方法能將類別型變項放置於同一多維空間中，觀察彼此之間的距離與群聚情形，協助我辨識不同特徵之間的潛在關聯。
(二)選用變項
本次分析納入八個重要變項，皆為與TikTok使用行為與政治態度相關的重要指標包括:
1.S1:TikTok使用頻率
2.Q6:網路依附程度
3.Q32:政策支持態度
4.Q44:性別
5.S0_AGE:年齡層
6.Q45:教育程度
7.Q11:政治立場
8.Q1_1:主要使用的媒體類型
所有變項皆已轉換為類別型資料，並移除缺漏值以利後續分析。
(三)主要分析結果
從多重對應分析（MCA）的結果來看，整體而言並沒有出現非常明顯的分類結構。雖然第一與第二維度的解釋力相對較高，但其累積解釋比例仍偏低，顯示這些變項之間的差異並未集中於少數幾個清楚的解釋方向。因此，本研究在解讀 MCA 圖時，主要著重於整體分布趨勢，而非針對單一維度進行過度詮釋。
從類別點在空間中的分布情形來看，多數變項皆集中在座標軸中心附近，顯示不同使用行為、心理狀態與背景特徵之間的區隔程度有限。以研究核心變項而言，TikTok 使用頻率（S1）與網路依附程度（Q6）在空間上雖略為接近，但並未形成清楚的群聚，表示兩者之間的關聯並不足以構成明確的使用者類型或分群結構。
進一步觀察背景變項，性別、年齡與教育程度等類別點同樣分布於中心附近，未能有效拉開支持與反對「全面禁止 TikTok」政策的空間距離。這代表在本資料中，單靠這些人口背景特徵，較難清楚區分不同的政策態度群體。
就空間維度的意義而言，第一與第二維度皆僅呈現非常輕微的差異，大部分類別點接近 0，顯示這兩個維度本身並不具備強烈的區隔能力。雖然政治立場與政策態度在理論上可能存在關聯，但在 MCA 的空間呈現中，並未顯示出鮮明且穩定的分化方向。
整體而言，MCA 的結果顯示，受訪者在使用行為、網路心理依附與政策態度之間，並未形成明確的分類結構。因此，本研究將 MCA 視為一項輔助性的探索分析工具，主要用來確認資料中是否存在顯著的群聚趨勢；而關於哪些因素實際影響民眾對全面禁止 TikTok 政策的支持與反對，仍需仰賴後續的卡方檢定與二元邏輯斯迴歸分析進一步判斷。
(四)總結
綜合上述分析結果來看，這次的 MCA 並沒有呈現出非常明顯的群組或方向。雖然 TikTok 使用頻率、網路依附程度與政策態度在理論上可能彼此有關，但從圖上可以看到，它們的類別點大多集中在中心附近，彼此距離也不遠，表示樣本之間的差異其實沒有那麼強烈。
同樣的性別、年齡、教育程度等背景變項在圖上的位置也偏向分散，沒有形成清楚的分類線索，代表這些變項對整體維度的貢獻比較小。換句話說，它們在這份資料中雖然提供了背景資訊，但並不是主要區隔受訪者的因素。
因此，這次的 MCA 比較像是讓我們初步了解各變項在空間中的相對關係，而不是用來做強烈結論的工具。若要更精確判斷變項之間是否真的有關聯，仍需要搭配像是交叉表、百分比分布或卡方檢定等方法，才能更完整地驗證變項之間的統計關係。
九、二元勝算對數迴歸分析
(一)研究假設
以下為本研究設定的六項假設：
H1：TikTok 使用越密集者較不支持全面禁止 TikTok。
H2：網路依附程度越高者越不支持全面禁止 TikTok。
H3：女性比男性更支持全面禁止 TikTok。
H4：高教育程度者較支持全面禁止 TikTok。
H5：政治立場偏綠者較支持全面禁止 TikTok。
H6：主要使用影片平台者較支持全面禁止 TikTok。
(二)邏輯斯迴歸模型設定
本次模型的依變項為是否支持全面禁止 TikTok，自變項則包含 TikTok 使用強度、網路依附程度、性別、教育程度、政治立場以及主要媒體類型。
本研究將 Q32（六點量表）二分化為 banTikTok（同意=1，不同意=0），作為二元邏輯斯迴歸之依變項，以對應「支持／反對禁令」的政策立場。
(三)模型主要結果
下表整理了迴歸模型的核心結果，包括方向、顯著性與可作出的初步解讀：
TikTok 使用強度（重度 vs 輕度）
負向
顯著
重度使用者顯著較不支持全面禁止 TikTok
網路依附程度（高 vs 低）
正向
不顯著
在控制其他因素後，網路依附未呈現顯著效果
性別（女性 vs 男性）
正向
顯著
女性顯著較支持全面禁止 TikTok
教育程度（高 vs 低）
正向
不顯著
教育程度與政策態度關聯不明確
政治立場（偏綠 vs 非偏綠）
正向
不顯著
政治立場效果未達顯著
主要媒體使用（影片平台 vs 其他）
正向
顯著
影片平台使用者較支持禁令
(四)結果解讀
整體而言，二元邏輯斯迴歸模型的結果顯示，在同時控制多項背景因素後，實際的 TikTok 使用行為與媒體接觸型態，相較於心理依附或政治立場，對是否支持全面禁止 TikTok 具有較穩定且明確的解釋力。這代表民眾對禁令政策的態度，並非僅由抽象的心理狀態或政治認同所決定，而更深受其日常媒體使用經驗所影響。
首先，在使用行為方面，TikTok 使用強度呈現顯著的負向效果。相較於輕度或非使用者，重度使用 TikTok 的受訪者顯著較不支持全面禁止 TikTok。此結果顯示，實際的使用經驗與平台接觸程度，會影響個體對禁令政策的評估方式。對於高度使用者而言，TikTok 已成為日常生活中的重要媒介，其對禁令的反對態度，可能反映出一種基於自身使用需求與便利性的立場防衛，或對現狀的偏好。此結果不僅支持本研究的第一項假設，也與前述卡方分析中觀察到的趨勢相互呼應。
其次，在媒體接觸型態方面，主要以影片平台作為媒體來源的受訪者，顯著較支持全面禁止 TikTok。此結果顯示，不同媒體生態可能形塑受訪者對平台風險與國家安全議題的理解框架。相較於文字或傳統媒體，影片型內容往往強調情緒與視覺衝擊，可能使使用者更容易接觸到與平台風險或威脅相關的敘事，進而提高其對管制或禁令政策的支持程度。這也突顯媒體使用結構在平台治理議題中的重要角色。
此外，性別亦呈現顯著影響。相較於男性，女性受訪者更傾向支持全面禁止 TikTok。此結果可能反映性別在風險感知、對數位平台潛在危害的評估，以及對政府介入必要性的判斷上存在差異。然而，由於本研究未進一步探討性別差異背後的具體心理機制，相關解釋仍需後續研究加以釐清。
相對而言，原先預期具有影響力的網路心理依附程度，在納入使用行為、媒體接觸型態與人口背景等變項後，其效果不再呈現顯著。這表示心理層面的網路依附，並未形成一項獨立且穩定的解釋因素。此結果暗示，網路依附可能更多是一種與實際使用行為高度相關的背景特徵，而非直接影響禁令政策態度的關鍵機制。換言之，當使用頻率與媒體型態同時被納入模型後，心理依附的解釋力便被削弱。
整體來看，本研究的結果顯示，在涉及平台禁令這類高度政治化且具爭議性的政策議題中，民眾的實際使用經驗與媒體接觸環境，比單純的心理依附或政治立場，更能穩定解釋其政策態度差異。此發現提醒，若僅從情緒或心理依附層面理解平台禁令的支持與反對，可能會高估其直接影響力，而忽略了日常媒體使用行為在形塑政策立場上的關鍵作用。
(五)假設驗證整理
從二元邏輯斯迴歸的結果來看，本研究提出的假設並非全部都得到資料支持。首先，在 TikTok 使用行為的部分，結果顯示重度使用者確實較不支持全面禁止 TikTok，表示實際的使用經驗仍會影響個人對相關政策的態度。這樣的結果也與前面卡方分析所觀察到的趨勢一致，顯示使用行為本身具有一定的解釋力。
相較之下，原先預期會影響政策態度的網路心理依附程度，在納入其他變項後並未呈現顯著效果。這代表雖然在雙變項分析中，網路依附與是否支持禁令之間存在關聯，但當同時控制使用行為、媒體接觸型態與人口背景後，其影響力並不足以單獨解釋政策立場。換言之，網路依附在本研究中較可能是一項與其他因素相關的背景特徵，而非直接左右政策態度的關鍵因素。
整體而言，本研究的假設驗證結果顯示，在「是否支持全面禁止 TikTok」這類具爭議性的政策議題中，實際使用行為與媒體接觸方式，相較於心理依附程度，更能穩定解釋民眾態度上的差異。
H1
支持
TikTok 使用強度呈顯著負向效果：重度使用者較不支持全面禁止 TikTok
H2
不支持
在控制其他因素後呈正向但不顯著，未能支持「越依附越反對禁令」的預期方向。
H3
支持
女性呈現著正向效果:女性較支持全面禁止TikTok
H4
不支持
教育程度效果未達顯著
H5
不支持
政治立場偏綠未呈現顯著效果
H6
支持
主要使用影片平台者顯著較支持禁令
參考文獻
Ball-Rokeach, S. J., & DeFleur, M. L. (1976). A dependency model of mass-media effects. Communication Research, 3 (1), 3–21.
Gil de Zúñiga, H., Weeks, B., & Ardèvol-Abreu, A. (2017). Effects of the news-finds-me perception in communication: Social media use implications for news seeking and political engagement. Journal of Computer-Mediated Communication, 22 (3), 105–123.
Marcus, G. E., Neuman, W. R., & MacKuen, M. (2000). Affective intelligence and political judgment . University of Chicago Press.
van Dijck, J., Poell, T., & de Waal, M. (2018). The platform society: Public values in a connective world . Oxford University Press.
library (readxl)<- read_excel ("C:/R4surveyresearch-master/民主實驗室2025TikTok使用者調查/民主實驗室TikTok使用者網路調查_資料檔0326.xlsx" )
Warning: Expecting logical in AD1361 / R1361C30: got '社會民主黨'
Warning: Expecting logical in AD1975 / R1975C30: got '不一定'
Warning: Expecting logical in AD2298 / R2298C30: got '勞工黨'
# A tibble: 6 × 77
編號 抖音活躍使用者 S0 S0_AGE S1 S2 Q1_1 Q1_2 Q1_3 Q1_4 Q1_5
<chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 A0001 1 8 21 4 4 1 10 3 9 NA
2 A0002 1 27 40 5 3 11 10 5 12 9
3 A0003 1 14 27 4 4 10 13 NA NA NA
4 A0004 1 23 36 4 3 2 9 NA NA NA
5 A0005 1 21 34 5 3 7 6 1 4 9
6 A0006 1 39 52 5 2 6 10 5 9 2
# ℹ 66 more variables: Q1_O <chr>, Q2_1 <dbl>, Q2_2 <dbl>, Q2_3 <dbl>,
# Q2_O <chr>, Q3_1 <dbl>, Q3_2 <dbl>, Q3_3 <dbl>, Q3_O <chr>, Q4 <dbl>,
# Q4_O <chr>, Q5 <dbl>, Q6 <dbl>, Q7 <dbl>, Q8 <dbl>, Q9 <dbl>, Q9_O <chr>,
# Q10 <dbl>, Q10_O <lgl>, Q11 <dbl>, Q11_O <chr>, Q12 <dbl>, Q13 <dbl>,
# Q13_O <chr>, Q14 <dbl>, Q15 <dbl>, Q16 <dbl>, Q17 <dbl>, Q18 <dbl>,
# Q19 <dbl>, Q20 <dbl>, Q21 <dbl>, Q22 <dbl>, Q23 <dbl>, Q23_O <chr>,
# Q24 <dbl>, Q25 <dbl>, Q26 <dbl>, Q27 <dbl>, Q28 <dbl>, Q29 <dbl>, …
dir.create ("data" ,showWarnings = FALSE )save (data,file = "data/tiktok_data.rda" )file.exists ("data/tiktok_data.rda" )load ("data/tiktok_data.rda" )nrow (data)
[1] "編號" "抖音活躍使用者" "S0" "S0_AGE"
[5] "S1" "S2" "Q1_1" "Q1_2"
[9] "Q1_3" "Q1_4" "Q1_5" "Q1_O"
[13] "Q2_1" "Q2_2" "Q2_3" "Q2_O"
[17] "Q3_1" "Q3_2" "Q3_3" "Q3_O"
[21] "Q4" "Q4_O" "Q5" "Q6"
[25] "Q7" "Q8" "Q9" "Q9_O"
[29] "Q10" "Q10_O" "Q11" "Q11_O"
[33] "Q12" "Q13" "Q13_O" "Q14"
[37] "Q15" "Q16" "Q17" "Q18"
[41] "Q19" "Q20" "Q21" "Q22"
[45] "Q23" "Q23_O" "Q24" "Q25"
[49] "Q26" "Q27" "Q28" "Q29"
[53] "Q30" "Q31" "Q32" "Q33"
[57] "Q34" "Q35" "Q36" "Q37"
[61] "Q38" "Q39" "Q40" "Q41"
[65] "Q42" "Q43" "Q44" "Q45"
[69] "Q45_O" "Q46" "Q47" "Q48"
[73] "SEX" "AGE" "EDU" "AREA"
[77] "WT"
tibble [2,612 × 77] (S3: tbl_df/tbl/data.frame)
$ 編號 : chr [1:2612] "A0001" "A0002" "A0003" "A0004" ...
$ 抖音活躍使用者: num [1:2612] 1 1 1 1 1 1 1 1 1 1 ...
$ S0 : num [1:2612] 8 27 14 23 21 39 20 26 52 26 ...
$ S0_AGE : num [1:2612] 21 40 27 36 34 52 33 39 65 39 ...
$ S1 : num [1:2612] 4 5 4 4 5 5 4 3 3 5 ...
$ S2 : num [1:2612] 4 3 4 3 3 2 4 4 4 3 ...
$ Q1_1 : num [1:2612] 1 11 10 2 7 6 2 2 10 12 ...
$ Q1_2 : num [1:2612] 10 10 13 9 6 10 10 10 2 3 ...
$ Q1_3 : num [1:2612] 3 5 NA NA 1 5 1 NA 1 NA ...
$ Q1_4 : num [1:2612] 9 12 NA NA 4 9 9 NA 13 NA ...
$ Q1_5 : num [1:2612] NA 9 NA NA 9 2 NA NA NA NA ...
$ Q1_O : chr [1:2612] NA NA NA NA ...
$ Q2_1 : num [1:2612] 3 2 8 9 1 16 3 12 20 10 ...
$ Q2_2 : num [1:2612] 6 11 9 2 9 5 9 4 2 18 ...
$ Q2_3 : num [1:2612] 16 NA NA NA 7 7 1 NA NA 17 ...
$ Q2_O : chr [1:2612] NA NA NA NA ...
$ Q3_1 : num [1:2612] 1 1 1 5 2 1 5 4 1 2 ...
$ Q3_2 : num [1:2612] NA 4 3 2 1 4 1 1 3 4 ...
$ Q3_3 : num [1:2612] NA 3 NA NA 5 NA NA NA NA 3 ...
$ Q3_O : chr [1:2612] NA NA NA NA ...
$ Q4 : num [1:2612] 7 3 1 7 5 1 7 1 7 3 ...
$ Q4_O : chr [1:2612] NA NA NA NA ...
$ Q5 : num [1:2612] 2 5 4 3 5 5 5 5 3 5 ...
$ Q6 : num [1:2612] 2 5 5 4 4 5 4 5 3 5 ...
$ Q7 : num [1:2612] 3 5 3 4 5 4 4 5 2 5 ...
$ Q8 : num [1:2612] 2 5 3 4 4 3 3 4 3 5 ...
$ Q9 : num [1:2612] 14 2 3 6 1 2 14 14 1 11 ...
$ Q9_O : chr [1:2612] NA NA NA NA ...
$ Q10 : num [1:2612] 10 1 3 1 2 1 10 10 2 6 ...
$ Q10_O : logi [1:2612] NA NA NA NA NA NA ...
$ Q11 : num [1:2612] 3 3 1 8 1 2 10 6 1 4 ...
$ Q11_O : chr [1:2612] NA NA NA NA ...
$ Q12 : num [1:2612] 4 4 1 1 1 5 4 6 1 6 ...
$ Q13 : num [1:2612] 2 2 10 1 1 1 10 2 2 6 ...
$ Q13_O : chr [1:2612] NA NA NA NA ...
$ Q14 : num [1:2612] 1 1 3 2 1 1 3 3 2 1 ...
$ Q15 : num [1:2612] 4 5 1 4 2 6 4 6 4 6 ...
$ Q16 : num [1:2612] 3 3 1 3 5 1 4 6 4 6 ...
$ Q17 : num [1:2612] 3 5 1 4 5 3 2 5 4 6 ...
$ Q18 : num [1:2612] 3 2 1 6 5 1 5 5 2 5 ...
$ Q19 : num [1:2612] 2 1 1 4 1 1 2 5 4 6 ...
$ Q20 : num [1:2612] 2 2 1 5 4 1 2 6 4 5 ...
$ Q21 : num [1:2612] 3 2 1 6 1 3 5 5 3 6 ...
$ Q22 : num [1:2612] 2 3 1 6 5 1 4 5 5 6 ...
$ Q23 : num [1:2612] 3 3 1 3 1 3 3 1 1 1 ...
$ Q23_O : chr [1:2612] NA NA NA NA ...
$ Q24 : num [1:2612] 2 1 1 4 2 1 3 6 4 6 ...
$ Q25 : num [1:2612] 3 4 1 4 2 4 3 6 4 6 ...
$ Q26 : num [1:2612] 4 3 1 3 4 1 5 6 3 6 ...
$ Q27 : num [1:2612] 3 3 1 4 4 3 4 6 2 6 ...
$ Q28 : num [1:2612] 3 3 1 3 4 3 5 5 2 5 ...
$ Q29 : num [1:2612] 4 2 1 6 4 1 1 6 4 6 ...
$ Q30 : num [1:2612] 2 1 1 6 6 1 3 6 4 6 ...
$ Q31 : num [1:2612] 2 5 1 6 4 6 5 5 4 5 ...
$ Q32 : num [1:2612] 4 5 1 5 2 3 5 6 2 6 ...
$ Q33 : num [1:2612] 3 4 1 4 3 3 4 6 4 5 ...
$ Q34 : num [1:2612] 3 1 1 3 1 1 3 6 4 6 ...
$ Q35 : num [1:2612] 3 1 1 5 1 1 4 6 4 5 ...
$ Q36 : num [1:2612] 3 4 1 4 2 4 4 5 4 5 ...
$ Q37 : num [1:2612] 3 4 1 4 2 4 4 5 4 5 ...
$ Q38 : num [1:2612] 3 4 1 3 3 4 4 5 4 4 ...
$ Q39 : num [1:2612] 3 2 1 5 4 2 1 5 3 5 ...
$ Q40 : num [1:2612] 3 2 4 4 2 2 3 4 2 3 ...
$ Q41 : num [1:2612] 3 3 1 3 3 3 4 5 4 5 ...
$ Q42 : num [1:2612] 3 3 2 3 2 3 3 5 3 5 ...
$ Q43 : num [1:2612] 3 3 1 3 2 3 3 5 3 5 ...
$ Q44 : num [1:2612] 2 2 1 1 1 1 2 2 1 1 ...
$ Q45 : num [1:2612] 6 7 7 6 7 6 6 6 5 7 ...
$ Q45_O : logi [1:2612] NA NA NA NA NA NA ...
$ Q46 : num [1:2612] 2 2 2 2 2 1 3 1 2 1 ...
$ Q47 : num [1:2612] 1 6 1 5 7 11 4 5 7 7 ...
$ Q48 : num [1:2612] 12 3 2 8 3 3 4 15 8 15 ...
$ SEX : num [1:2612] 2 2 1 1 1 1 2 2 1 1 ...
$ AGE : num [1:2612] 1 3 1 2 2 4 2 2 5 2 ...
$ EDU : num [1:2612] 5 5 5 5 5 5 5 5 4 5 ...
$ AREA : num [1:2612] 6 2 2 1 2 2 4 5 1 5 ...
$ WT : num [1:2612] 0.588 0.424 0.833 0.398 0.407 ...
library (sjmisc)<- set_na (data, na= c (93 : 99 , "NA" )) names (data)
[1] "編號" "抖音活躍使用者" "S0" "S0_AGE"
[5] "S1" "S2" "Q1_1" "Q1_2"
[9] "Q1_3" "Q1_4" "Q1_5" "Q1_O"
[13] "Q2_1" "Q2_2" "Q2_3" "Q2_O"
[17] "Q3_1" "Q3_2" "Q3_3" "Q3_O"
[21] "Q4" "Q4_O" "Q5" "Q6"
[25] "Q7" "Q8" "Q9" "Q9_O"
[29] "Q10" "Q10_O" "Q11" "Q11_O"
[33] "Q12" "Q13" "Q13_O" "Q14"
[37] "Q15" "Q16" "Q17" "Q18"
[41] "Q19" "Q20" "Q21" "Q22"
[45] "Q23" "Q23_O" "Q24" "Q25"
[49] "Q26" "Q27" "Q28" "Q29"
[53] "Q30" "Q31" "Q32" "Q33"
[57] "Q34" "Q35" "Q36" "Q37"
[61] "Q38" "Q39" "Q40" "Q41"
[65] "Q42" "Q43" "Q44" "Q45"
[69] "Q45_O" "Q46" "Q47" "Q48"
[73] "SEX" "AGE" "EDU" "AREA"
[77] "WT"
library (readxl);library (dplyr)
Attaching package: 'dplyr'
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
[1] "編號" "抖音活躍使用者" "S0" "S0_AGE"
[5] "S1" "S2" "Q1_1" "Q1_2"
[9] "Q1_3" "Q1_4" "Q1_5" "Q1_O"
[13] "Q2_1" "Q2_2" "Q2_3" "Q2_O"
[17] "Q3_1" "Q3_2" "Q3_3" "Q3_O"
[21] "Q4" "Q4_O" "Q5" "Q6"
[25] "Q7" "Q8" "Q9" "Q9_O"
[29] "Q10" "Q10_O" "Q11" "Q11_O"
[33] "Q12" "Q13" "Q13_O" "Q14"
[37] "Q15" "Q16" "Q17" "Q18"
[41] "Q19" "Q20" "Q21" "Q22"
[45] "Q23" "Q23_O" "Q24" "Q25"
[49] "Q26" "Q27" "Q28" "Q29"
[53] "Q30" "Q31" "Q32" "Q33"
[57] "Q34" "Q35" "Q36" "Q37"
[61] "Q38" "Q39" "Q40" "Q41"
[65] "Q42" "Q43" "Q44" "Q45"
[69] "Q45_O" "Q46" "Q47" "Q48"
[73] "SEX" "AGE" "EDU" "AREA"
[77] "WT"
#選擇變數問題 #S1.請問您最近一年有多常使用TikTok抖音？ #(1) 從來沒有(2) 很少使用(3) 每週數次(4)每天一次(5)每天好幾次 table (data$ S1)
1 2 3 4 5
477 689 579 286 581
#Q6.您會因為不能使用網路而感到沮喪、心情不好、或覺得緊張，但是只要能上網，這些情況就會改善。 #(1) 非常不同意(2) 不同意(3) 普通(4)同意(5)非常同意 table (data$ Q6)
1 2 3 4 5
57 202 889 1013 451
$ Q6r <- rec (data$ Q6, rec= "1,2=1; 3=2; 4,5=3" , as.num = FALSE )table (data$ Q6r)#Q32.TikTok抖音對於台灣的國家安全有著深遠的影響，台灣應全面禁止。請問您同不同意這樣的說法？ #(1) 非常不同意(2) 還滿不同意(3) 有點不同意(4)有點同意(5)還滿同意(6)非常同意 table (data$ Q32)
1 2 3 4 5 6
207 367 705 705 308 320
$ Q32r <- rec (data$ Q32, rec= "1,2,3=1; 4,5,6=2" , as.num = FALSE )table (data$ Q32r)
x <numeric>
# total N=2612 valid N=2612 mean=2.93 sd=1.41
Value | N | Raw % | Valid % | Cum. %
--------------------------------------
1 | 477 | 18.26 | 18.26 | 18.26
2 | 689 | 26.38 | 26.38 | 44.64
3 | 579 | 22.17 | 22.17 | 66.81
4 | 286 | 10.95 | 10.95 | 77.76
5 | 581 | 22.24 | 22.24 | 100.00
<NA> | 0 | 0.00 | <NA> | <NA>
x <categorical>
# total N=2612 valid N=2612 mean=2.46 sd=0.67
Value | N | Raw % | Valid % | Cum. %
---------------------------------------
1 | 259 | 9.92 | 9.92 | 9.92
2 | 889 | 34.04 | 34.04 | 43.95
3 | 1464 | 56.05 | 56.05 | 100.00
<NA> | 0 | 0.00 | <NA> | <NA>
x <categorical>
# total N=2612 valid N=2612 mean=1.51 sd=0.50
Value | N | Raw % | Valid % | Cum. %
---------------------------------------
1 | 1279 | 48.97 | 48.97 | 48.97
2 | 1333 | 51.03 | 51.03 | 100.00
<NA> | 0 | 0.00 | <NA> | <NA>
# 1. S1 × Q6：使用頻率 vs 網路依附 <- table (data$ S1, data$ Q6)
1 2 3 4 5
1 18 70 172 146 71
2 6 56 313 223 91
3 10 33 202 257 77
4 15 19 74 129 49
5 8 24 128 258 163
Pearson's Chi-squared test
data: tab_S1_Q6
X-squared = 206.35, df = 16, p-value < 2.2e-16
# 2. S1 × Q32：使用頻率 vs 政策支持 <- table (data$ S1, data$ Q32)
1 2 3 4 5 6
1 26 29 78 118 85 141
2 33 60 205 225 93 73
3 40 78 203 166 53 39
4 35 42 73 74 34 28
5 73 158 146 122 43 39
Pearson's Chi-squared test
data: tab_S1_Q32
X-squared = 375, df = 20, p-value < 2.2e-16
# 3. Q6 × Q32：網路依附 vs 政策支持 <- table (data$ Q6, data$ Q32)
1 2 3 4 5 6
1 12 4 8 17 6 10
2 25 18 58 39 35 27
3 48 110 267 296 83 85
4 66 146 279 284 130 108
5 56 89 93 69 54 90
Warning in chisq.test(tab_Q6_Q32): Chi-squared approximation may be incorrect
Pearson's Chi-squared test
data: tab_Q6_Q32
X-squared = 152.83, df = 20, p-value < 2.2e-16
library (dplyr)load ("data/tiktok_data.rda" )library (FactoMineR)library (factoextra)
Loading required package: ggplot2
Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa
library (ggplot2)library (corrplot)<- data %>% select (S1, Q6, Q32, Q44, S0_AGE, Q45, Q11, Q1_1)<- lapply (mca_data, factor)<- na.omit (mca_data)par (mfrow = c (2 ,4 ))for (i in 1 : ncol (mca_data)){plot (mca_data[, i], main = colnames (mca_data)[i],col = "steelblue" ,las = 2 )par (mfrow = c (1 ,1 ))<- MCA (mca_data, graph = FALSE )fviz_screeplot (res.mca, addlabels = TRUE )
Warning in geom_bar(stat = "identity", fill = barfill, color = barcolor, :
Ignoring empty aesthetic: `width`.
<- dimdesc (res.mca, axes = 1 : 2 )
$`Dim 1`
Link between the variable and the categorical variable (1-way anova)
=============================================
R2 p.value
Q32 0.3633059 2.585722e-252
Q11 0.3376977 3.019837e-224
S1 0.3200614 1.760649e-216
S0_AGE 0.2866909 7.911797e-147
Q1_1 0.2195612 2.007986e-130
Q6 0.1979737 3.336431e-123
Q45 0.1868745 2.979241e-112
Q44 0.0588497 2.698113e-36
Link between variable and the categories of the categorical variables
================================================================
Estimate p.value
Q11=Q11_10 0.30521210 2.328406e-129
Q32=Q32_4 0.39583386 2.153161e-93
Q6=Q6_3 0.21600378 3.636453e-78
Q1_1=Q1_1_10 0.47991171 8.658795e-65
S1=S1_2 0.27572403 2.192386e-62
Q45=Q45_5 0.31614945 2.501019e-38
Q44=Q44_2 0.12041278 2.698113e-36
S1=S1_1 0.22246527 4.926591e-25
S0_AGE=52 0.55694220 3.274395e-15
Q1_1=Q1_1_1 0.35030580 1.361876e-14
Q45=Q45_3 0.55189491 8.549484e-14
Q45=Q45_4 0.19000260 8.051955e-13
S0_AGE=42 0.21232168 2.103284e-11
Q45=Q45_2 0.69954735 7.962946e-09
S0_AGE=51 0.49774215 1.173175e-08
S0_AGE=59 0.82268425 7.918511e-08
S0_AGE=44 0.12930525 1.284952e-07
Q11=Q11_3 0.15803850 1.447189e-07
S0_AGE=71 0.42028472 1.838590e-07
S0_AGE=65 0.46821521 5.167379e-07
Q6=Q6_2 0.13746429 6.727856e-07
S0_AGE=47 0.16825669 7.983985e-07
S0_AGE=50 0.35591348 7.320643e-06
Q1_1=Q1_1_3 0.03620369 1.409822e-05
S0_AGE=67 0.55122965 2.008205e-05
S0_AGE=58 0.38761785 7.999885e-05
Q32=Q32_5 0.18010633 1.878611e-04
S0_AGE=57 0.28699676 3.794811e-04
Q1_1=Q1_1_5 0.01990165 4.383537e-04
S0_AGE=48 0.13027484 7.836001e-04
S0_AGE=43 0.05071356 1.752483e-03
S0_AGE=46 0.07143520 1.886087e-03
S0_AGE=53 0.25649233 1.902023e-03
S0_AGE=41 0.04895760 1.960019e-03
Q6=Q6_1 0.15849090 3.938473e-03
S0_AGE=54 0.16837092 3.994334e-03
Q1_1=Q1_1_7 0.07129046 4.563805e-03
S0_AGE=64 0.32416217 4.954470e-03
S0_AGE=70 0.33783341 9.594640e-03
Q32=Q32_3 0.12060757 1.310367e-02
Q1_1=Q1_1_2 0.22865626 1.730301e-02
S0_AGE=62 0.18537551 1.837594e-02
S0_AGE=69 0.18122540 2.004826e-02
S1=S1_3 0.05421882 2.087427e-02
Q32=Q32_6 0.13799154 2.829059e-02
S0_AGE=18 0.60097994 4.103055e-02
S0_AGE=55 0.08869716 4.706507e-02
S0_AGE=28 -0.31054125 3.919403e-03
S0_AGE=24 -0.37529527 8.614873e-04
S0_AGE=31 -0.30977724 7.727884e-04
S0_AGE=25 -0.29363465 5.428516e-04
S1=S1_4 -0.08566566 4.076146e-04
S0_AGE=38 -0.28705215 3.079532e-04
S0_AGE=37 -0.27484941 2.413441e-04
S0_AGE=34 -0.33218190 2.622211e-06
S0_AGE=23 -0.63739218 1.283764e-06
S0_AGE=22 -0.58355791 5.120395e-07
S0_AGE=30 -0.37747913 1.155640e-07
S0_AGE=32 -0.40350654 7.600193e-08
S0_AGE=27 -0.44366838 6.544974e-08
Q1_1=Q1_1_4 -0.22717311 2.939827e-08
Q1_1=Q1_1_13 -0.26103259 1.181411e-09
Q1_1=Q1_1_12 -0.16306828 1.003100e-09
S0_AGE=26 -0.53183016 2.952336e-10
Q45=Q45_6 -0.06521143 1.216007e-10
S0_AGE=29 -0.48139447 1.400241e-11
Q1_1=Q1_1_8 -0.46149745 5.847147e-13
Q1_1=Q1_1_6 -0.12812263 2.371378e-13
Q6=Q6_4 -0.13071901 4.639445e-17
Q1_1=Q1_1_9 -0.06964403 3.413724e-17
Q45=Q45_7 -0.22610049 1.102999e-21
Q45=Q45_8 -1.03378547 1.702936e-28
Q44=Q44_1 -0.12041278 2.698113e-36
Q32=Q32_1 -0.33801773 8.424698e-38
Q6=Q6_5 -0.38123996 5.197387e-65
Q32=Q32_2 -0.49652157 5.836727e-144
S1=S1_5 -0.46674247 9.399123e-178
Q11=Q11_1 -0.40313345 3.445787e-186
$`Dim 2`
Link between the variable and the categorical variable (1-way anova)
=============================================
R2 p.value
Q32 0.35903799 1.532793e-248
S1 0.29275375 3.148422e-194
S0_AGE 0.31403722 1.884829e-167
Q45 0.25762078 2.244201e-163
Q11 0.25942738 1.294727e-161
Q6 0.18331220 5.561573e-113
Q1_1 0.09920181 3.396796e-51
Link between variable and the categories of the categorical variables
================================================================
Estimate p.value
S1=S1_1 0.48418421 3.989414e-177
Q32=Q32_6 0.52820413 6.233544e-158
Q11=Q11_2 0.34287279 9.485922e-107
Q45=Q45_2 1.52228264 1.359812e-63
S0_AGE=71 1.35687427 1.553684e-51
Q6=Q6_2 0.22100359 2.225181e-46
Q6=Q6_1 0.51635604 2.989186e-34
Q45=Q45_3 0.44876140 8.797770e-33
Q32=Q32_5 0.19669991 1.996150e-30
S0_AGE=64 1.49970105 3.341761e-27
Q1_1=Q1_1_1 0.22476639 1.782273e-17
S0_AGE=60 0.49801539 1.177840e-07
S0_AGE=56 0.60234313 3.551456e-07
S0_AGE=15 1.23111100 1.148904e-06
Q1_1=Q1_1_2 0.14368399 2.016462e-06
Q11=Q11_90 0.47648543 2.390888e-06
S0_AGE=36 0.13544969 4.916944e-06
S0_AGE=65 0.39350117 1.399385e-05
S0_AGE=61 0.33437556 5.176089e-04
S0_AGE=67 0.42547515 5.680900e-04
S0_AGE=69 0.31972848 8.080006e-04
S0_AGE=27 0.08884649 2.472371e-03
S0_AGE=37 0.03341331 3.791398e-03
S0_AGE=59 0.39066534 4.100013e-03
S0_AGE=34 0.03987661 4.123503e-03
S0_AGE=55 0.19091733 4.620370e-03
S1=S1_4 0.04009082 9.394692e-03
Q1_1=Q1_1_7 0.12509253 1.385555e-02
Q11=Q11_6 0.24100062 2.177704e-02
Q1_1=Q1_1_4 0.19155780 2.798679e-02
Q1_1=Q1_1_3 0.10513594 3.217491e-02
S0_AGE=38 -0.19106142 1.850188e-02
S0_AGE=22 -0.30146356 1.435105e-02
S0_AGE=42 -0.21286067 6.123436e-03
S0_AGE=26 -0.25919505 5.510464e-03
S0_AGE=52 -0.31548993 4.601010e-03
S0_AGE=43 -0.24623502 1.405744e-03
Q1_1=Q1_1_11 -0.08614644 1.271968e-03
S0_AGE=17 -0.95853225 1.269378e-03
Q1_1=Q1_1_8 -0.23821987 8.787281e-04
Q1_1=Q1_1_12 -0.13481428 8.048440e-04
S0_AGE=54 -0.42581818 2.678491e-04
S0_AGE=25 -0.26758257 1.770067e-04
Q1_1=Q1_1_6 -0.10708374 1.631023e-04
Q11=Q11_7 -0.71079778 5.112980e-05
S0_AGE=21 -0.44598327 4.329762e-05
S0_AGE=23 -0.54403295 6.817645e-06
S1=S1_2 -0.10515094 4.811141e-07
Q45=Q45_4 -0.26022907 2.944802e-07
Q6=Q6_4 -0.29516990 8.370162e-10
Q45=Q45_6 -0.45399752 4.344568e-13
Q6=Q6_5 -0.07224633 2.863640e-14
S0_AGE=47 -0.49930415 2.508220e-14
S0_AGE=44 -0.50934465 2.759689e-22
Q45=Q45_7 -0.19091271 1.473365e-22
S1=S1_5 -0.20824223 3.151034e-26
S1=S1_3 -0.21088187 7.435643e-27
Q1_1=Q1_1_9 -0.27207931 1.348084e-30
Q6=Q6_3 -0.36994340 1.272994e-30
Q45=Q45_5 -0.70438399 2.419851e-37
Q32=Q32_3 -0.28749313 5.331218e-41
Q32=Q32_4 -0.29996930 2.877268e-46
Q11=Q11_10 -0.27955062 1.292988e-101
plot (res.mca,axes = c (1 ,2 ),new.plot = TRUE ,choix = "var" ,invisible = c ("ind" ),col.var = "red" ,col.quali.sup = "darkgreen" ,cex = 0.8 ,title = "MCA Variables Factor Map" )plot (res.mca,axes = c (1 , 2 ),new.plot = TRUE ,choix = "var" , invisible = c ("ind" ), col.var = "red" ,col.quali.sup = "darkgreen" ,autoLab = "yes" ,title = "Distribution of Categories on MCA Map" )plot (res.mca,axes = c (1 , 2 ),new.plot = TRUE ,choix = "var" ,invisible = c ("ind" ),selectMod = "cos2 30" , col.var = "red" ,col.quali.sup = "darkgreen" ,autoLab = "yes" ,title = "Top 30 Categories on MCA Map" )
library (dplyr)<- data %>% mutate (# 依變數：是否支持禁止 TikTok（Q32） banTikTok = ifelse (Q32 %in% c (4 ,5 ,6 ), 1 , 0 ),# 自變數 1：重度使用者（S1） S1_heavy = ifelse (S1 %in% c (4 ,5 ), 1 , 0 ),# 自變數 2：高網路依附（Q6） Q6_high = ifelse (Q6 %in% c (4 ,5 ), 1 , 0 ),# 自變數 3：女性（Q44） female = ifelse (Q44 == 2 , 1 , 0 ),# 自變數 4：高教育程度（Q45） edu_high = ifelse (Q45 >= 3 , 1 , 0 ),# 自變數 5：政治立場偏綠（Q11） camp_green = ifelse (Q11 %in% c (4 ,5 ), 1 , 0 ),# 自變數 6：以短影音為主要媒體（Q1_1） media_video = ifelse (Q1_1 == 3 , 1 , 0 )%>% select (%>% na.omit ()<- glm (~ S1_heavy + Q6_high + female + edu_high + camp_green + media_video,family = binomial,data = data_logitsummary (model1)
Call:
glm(formula = banTikTok ~ S1_heavy + Q6_high + female + edu_high +
camp_green + media_video, family = binomial, data = data_logit)
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -0.64542 0.49355 -1.308 0.1910
S1_heavy -0.72932 0.08687 -8.396 < 2e-16 ***
Q6_high 0.05509 0.08196 0.672 0.5015
female 0.39885 0.07996 4.988 6.09e-07 ***
edu_high 0.67045 0.49207 1.363 0.1730
camp_green 0.38136 0.27711 1.376 0.1688
media_video 0.28308 0.14411 1.964 0.0495 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 3619.9 on 2611 degrees of freedom
Residual deviance: 3514.0 on 2605 degrees of freedom
AIC: 3528
Number of Fisher Scoring iterations: 4
exp (cbind (OR = coef (model1), confint (model1)))
Waiting for profiling to be done...
OR 2.5 % 97.5 %
(Intercept) 0.5244444 0.1896485 1.358797
S1_heavy 0.4822390 0.4064994 0.571450
Q6_high 1.0566319 0.8999353 1.240963
female 1.4901081 1.2741983 1.743300
edu_high 1.9551143 0.7567574 5.392009
camp_green 1.4642784 0.8548166 2.546716
media_video 1.3272070 1.0018071 1.763635
