性別刻板印象對政治效能感的影響

[1] "/Users/liachang/Library/CloudStorage/OneDrive-個人/中山報告/114上學期/poll/politicalefficacy"

性別刻板印象對政治效能感的影響

壹、研究問題

台灣自1950年代即於憲法中訂定性別配額的相關規範，但時至今日，設有性別配額機制的立法機關，如中央立法機關及地方立法機關，女性的參政仍然有限，因此本研究希望從供給方的角度，從女性本身的參政意願出發，回應女性參政供給不足可能的因素。

Phillips, A. (1998) 提到女性被隔絕於公共權力之外，在性別分工上，女性被歸類於私領域，而男性才在公領域之中，這樣的分工導致了社會角色分工的刻板印象，也鞏固了男性在公領域中的權力掌握。在性別刻板印象的影響下，可能導致女性的政治效能感受影響（Ellemers N ，2018)）而在台灣，性別角色分工及刻板印象同樣影響了性別在政治效能感及政治參與上的差異，楊婉瑩（2007）透過2003年的台灣社會變遷資料發現了台灣不同性別在政治參與形式上具有差異，且整體來看，女性在政治參與上仍舊低於男性。此外，楊婉瑩和林佩婷（2011）發現，女性對於傳統性別角色分工的接受程度會影響其政治效能感。楊婉瑩和林佩婷（2011）使用的民調資料為台灣社會變遷調查，且使用的資料範圍為1984至2009年的資料，此研究距今已歷時十年以上，因此本研究想延續此研究，並運用另一項民調資料檢視民眾對性別角色分工的看法是否對女性政治效能感產生影響，在本研究中想要使用的資料為2020年至2024年的台灣選舉與民主化調查，以此檢視在使用不同的年代及不同的民調資料是否還能說明性別刻板印象對女性政治效能感的影響。此外，從前述文獻內容可以發現，性別刻板印象會影響政治效能感及政治參與，因此本研究提出假設，當女性的性別刻板印象程度愈高，其政治效能感愈低。

貳、使用資料

ㄧ、資料內容描述

（一）民調資料簡介

本研究中所使用的民調計畫為由國科會所支持的大型民調研究：2020至2024年「台灣選舉與民主化調查」四年期研究規劃（4/4）：2024年總統與立法委員選舉選後面訪案。

（二）數據簡介

1.     調查對象：戶籍設於台灣地區（不含金門、馬祖）年滿二十歲以上的成年公民作為調查訪問母體，且受訪民眾限於住家民眾或住商混合的民眾。

2.     樣本數：此資料中包含了獨立樣本以及追蹤樣本，追蹤樣本為2021年曾接受訪問的受訪者。成功獨立樣本的總數為1206份而成功追蹤樣本為1972份。

3.     調查方法：由訪員進行門牌地址面訪

4.     執行時間：民國113年1月15日至5月31日

5.     調查資料：此民調資料為符合母體結構，以性別、年齡、教育程度、地理區域進行檢定與加權。

此資料內容包含了受訪者使用的政治媒介、政治動員及涉入、施政表現的感受、政治效能感及政治信任、經濟評估、民主認知、政治知識、投票參與、候選人能力、政黨認同、對立委及立法院評價、政治分歧、受試者背景及資料等。

二、選擇的問題

在此研究中主要要檢視的為受訪者對性別分工的看法是否影響其政治效能感，因此在民調資料的問題選擇上需檢驗，受訪者對性別角色分工的看法以及其政治效能感的展現。

（ㄧ）對性別角色分工的看法（IV）

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

dataIV<-data%>%
  select(D23,D24a,D24b,D16,SEX)
#檢視各題的狀況
sjmisc::frq(dataIV[c("D23", "D24a", "D24b","D16")])

今年選舉之後，立法委員當中有 41.6 %是女性，請問您認為目前這個比例是太高、太低還是剛好? (D23) <numeric> 
# total N=1206 valid N=1206 mean=13.68 sd=30.20

Value |  Label |   N | Raw % | Valid % | Cum. %
-----------------------------------------------
    1 |   太高 |  84 |  6.97 |    6.97 |   6.97
    2 |   太低 |  59 |  4.89 |    4.89 |  11.86
    3 | 剛剛好 | 924 | 76.62 |   76.62 |  88.47
   95 |   拒答 |   1 |  0.08 |    0.08 |  88.56
   96 | 看情形 |  14 |  1.16 |    1.16 |  89.72
   97 | 無意見 |  65 |  5.39 |    5.39 |  95.11
   98 | 不知道 |  59 |  4.89 |    4.89 | 100.00
 <NA> |   <NA> |   0 |  0.00 |    <NA> |   <NA>

在面對公共衛生的危機時，請問您認為是男性政治人物、女性政治人物，還是兩性都一樣適合擔任國家的領導者? (D24a) <numeric> 
# total N=1206 valid N=1206 mean=7.12 sd=14.95

Value |                    Label |    N | Raw % | Valid % | Cum. %
------------------------------------------------------------------
    1 | 一定是男性政治人物較適合 |   27 |  2.24 |    2.24 |   2.24
    2 | 通常是男性政治人物較適合 |   54 |  4.48 |    4.48 |   6.72
    3 | 通常是女性政治人物較適合 |   63 |  5.22 |    5.22 |  11.94
    4 | 一定是女性政治人物較適合 |    9 |  0.75 |    0.75 |  12.69
    5 |               兩性都適合 | 1021 | 84.66 |   84.66 |  97.35
   95 |                     拒答 |    2 |  0.17 |    0.17 |  97.51
   96 |                   看情形 |    3 |  0.25 |    0.25 |  97.76
   97 |                   無意見 |    5 |  0.41 |    0.41 |  98.18
   98 |                   不知道 |   22 |  1.82 |    1.82 | 100.00
 <NA> |                     <NA> |    0 |  0.00 |    <NA> |   <NA>

那在面對經濟的危機時呢? (D24b) <numeric> 
# total N=1206 valid N=1206 mean=7.89 sd=18.31

Value |                    Label |   N | Raw % | Valid % | Cum. %
-----------------------------------------------------------------
    1 | 一定是男性政治人物較適合 |  53 |  4.39 |    4.39 |   4.39
    2 | 通常是男性政治人物較適合 | 213 | 17.66 |   17.66 |  22.06
    3 | 通常是女性政治人物較適合 |  49 |  4.06 |    4.06 |  26.12
    4 | 一定是女性政治人物較適合 |   4 |  0.33 |    0.33 |  26.45
    5 |               兩性都適合 | 839 | 69.57 |   69.57 |  96.02
   95 |                     拒答 |   1 |  0.08 |    0.08 |  96.10
   96 |                   看情形 |   7 |  0.58 |    0.58 |  96.68
   97 |                   無意見 |   4 |  0.33 |    0.33 |  97.01
   98 |                   不知道 |  36 |  2.99 |    2.99 | 100.00
 <NA> |                     <NA> |   0 |  0.00 |    <NA> |   <NA>

有人說: 「增加選舉中女性席次的政策走過頭了。」請問您同不同意這種說法? (D16) <numeric> 
# total N=1206 valid N=1206 mean=8.62 sd=21.48

Value |            Label |   N | Raw % | Valid % | Cum. %
---------------------------------------------------------
    1 |         非常同意 |  18 |  1.49 |    1.49 |   1.49
    2 |             同意 | 172 | 14.26 |   14.26 |  15.75
    3 | 既不同意也不反對 | 298 | 24.71 |   24.71 |  40.46
    4 |           不同意 | 572 | 47.43 |   47.43 |  87.89
    5 |       非常不同意 |  80 |  6.63 |    6.63 |  94.53
   95 |             拒答 |   1 |  0.08 |    0.08 |  94.61
   96 |           看情形 |   5 |  0.41 |    0.41 |  95.02
   97 |           無意見 |   0 |  0.00 |    0.00 |  95.02
   98 |           不知道 |  60 |  4.98 |    4.98 | 100.00
 <NA> |             <NA> |   0 |  0.00 |    <NA> |   <NA>

（二）政治效能感（DV）

library(dplyr)
dataDV<-data%>%
  select(D1,D3,D12,SEX)
sjmisc::frq(dataDV[c("D1", "D3", "D12")])

有人說: 「我們一般民眾對政府的作為，沒有任何影響力。」 (D1) <numeric> 
# total N=1206 valid N=1206 mean=7.58 sd=20.96

Value |      Label |   N | Raw % | Valid % | Cum. %
---------------------------------------------------
    1 |   非常同意 |  60 |  4.98 |    4.98 |   4.98
    2 |       同意 | 326 | 27.03 |   27.03 |  32.01
    3 |     不同意 | 648 | 53.73 |   53.73 |  85.74
    4 | 非常不同意 | 110 |  9.12 |    9.12 |  94.86
   95 |       拒答 |   0 |  0.00 |    0.00 |  94.86
   96 |     看情形 |   8 |  0.66 |    0.66 |  95.52
   97 |     無意見 |  12 |  1.00 |    1.00 |  96.52
   98 |     不知道 |  42 |  3.48 |    3.48 | 100.00
 <NA> |       <NA> |   0 |  0.00 |    <NA> |   <NA>

有人說: 「政治有時候太複雜了，所以我們一般民眾實在搞不懂。」 (D3) <numeric> 
# total N=1206 valid N=1206 mean=5.16 sd=16.43

Value |      Label |   N | Raw % | Valid % | Cum. %
---------------------------------------------------
    1 |   非常同意 | 147 | 12.19 |   12.19 |  12.19
    2 |       同意 | 644 | 53.40 |   53.40 |  65.59
    3 |     不同意 | 325 | 26.95 |   26.95 |  92.54
    4 | 非常不同意 |  53 |  4.39 |    4.39 |  96.93
   95 |       拒答 |   0 |  0.00 |    0.00 |  96.93
   96 |     看情形 |   8 |  0.66 |    0.66 |  97.60
   97 |     無意見 |   6 |  0.50 |    0.50 |  98.09
   98 |     不知道 |  23 |  1.91 |    1.91 | 100.00
 <NA> |       <NA> |   0 |  0.00 |    <NA> |   <NA>

如果說: 「您認為自己瞭解國家最重要的政治議題。」請問您同不同意這種說法? (D12) <numeric> 
# total N=1206 valid N=1206 mean=6.33 sd=17.63

Value |            Label |   N | Raw % | Valid % | Cum. %
---------------------------------------------------------
    1 |         非常同意 |  58 |  4.81 |    4.81 |   4.81
    2 |             同意 | 350 | 29.02 |   29.02 |  33.83
    3 | 既不同意也不反對 | 389 | 32.26 |   32.26 |  66.09
    4 |           不同意 | 332 | 27.53 |   27.53 |  93.62
    5 |       非常不同意 |  34 |  2.82 |    2.82 |  96.43
   95 |             拒答 |   0 |  0.00 |    0.00 |  96.43
   96 |           看情形 |   3 |  0.25 |    0.25 |  96.68
   97 |           無意見 |   0 |  0.00 |    0.00 |  96.68
   98 |           不知道 |  40 |  3.32 |    3.32 | 100.00
 <NA> |             <NA> |   0 |  0.00 |    <NA> |   <NA>

（三）控制變因（CV)

library(dplyr)
library(haven)
dataCV<-data%>%
  select(Q4a,Q7a,Q1a,Q8,SEX)
sjmisc::frq(dataCV[c("Q4a","Q7a","Q1a","Q8","SEX")])

請問您的教育程度是什麼? (Q4a) <numeric> 
# total N=1206 valid N=1206 mean=9.39 sd=3.95

Value |                      Label |   N | Raw % | Valid % | Cum. %
-------------------------------------------------------------------
    1 |                     不識字 |  26 |  2.16 |    2.16 |   2.16
    2 |               識字但未入學 |   2 |  0.17 |    0.17 |   2.32
    3 |                   小學肄業 |  25 |  2.07 |    2.07 |   4.39
    4 |                   小學畢業 |  82 |  6.80 |    6.80 |  11.19
    5 |               國、初中肄業 |  10 |  0.83 |    0.83 |  12.02
    6 |               國、初中畢業 |  89 |  7.38 |    7.38 |  19.40
    7 |               高中、職肄業 |  31 |  2.57 |    2.57 |  21.97
    8 |               高中、職畢業 | 261 | 21.64 |   21.64 |  43.62
    9 |                   專科肄業 |  10 |  0.83 |    0.83 |  44.44
   10 |                   專科畢業 | 150 | 12.44 |   12.44 |  56.88
   11 |         大學肄業(含在學中) |  50 |  4.15 |    4.15 |  61.03
   12 |                   大學畢業 | 325 | 26.95 |   26.95 |  87.98
   13 | 研究所(含在學、肄業、畢業) | 144 | 11.94 |   11.94 |  99.92
   95 |                       拒答 |   1 |  0.08 |    0.08 | 100.00
 <NA> |                       <NA> |   0 |  0.00 |    <NA> |   <NA>

請問您目前工作或兼差的情形是怎樣? (Q7a) <numeric> 
# total N=1206 valid N=1206 mean=3.75 sd=4.00

Value |                                        Label |   N | Raw % | Valid % | Cum. %
-------------------------------------------------------------------------------------
    1 |             擔任全職工作(每週工作32小時以上) | 595 | 49.34 |   49.34 |  49.34
    2 | 擔任兼職工作(每週工作15小時以上，不滿32小時) |  73 |  6.05 |    6.05 |  55.39
    3 |                     兼差(每週工作少於15小時) |  31 |  2.57 |    2.57 |  57.96
    4 |                                     在家幫忙 |  12 |  1.00 |    1.00 |  58.96
    5 |                     待業中(有找工作但沒找到) |  29 |  2.40 |    2.40 |  61.36
    6 |                           學生或參加職業訓練 |  33 |  2.74 |    2.74 |  64.10
    7 |                                         退休 | 262 | 21.72 |   21.72 |  85.82
    8 |                                         家管 | 157 | 13.02 |   13.02 |  98.84
    9 |                           因身體殘疾無法工作 |  13 |  1.08 |    1.08 |  99.92
   10 |                                     一直無業 |   0 |  0.00 |    0.00 |  99.92
   95 |                                         拒答 |   1 |  0.08 |    0.08 | 100.00
 <NA> |                                         <NA> |   0 |  0.00 |    <NA> |   <NA>

請問您是民國幾年幾月出生的?(出生年) (Q1a) <numeric> 
# total N=1206 valid N=1206 mean=60.01 sd=17.11

Value | Label |  N | Raw % | Valid % | Cum. %
---------------------------------------------
   21 |    21 |  2 |  0.17 |    0.17 |   0.17
   22 |    22 |  2 |  0.17 |    0.17 |   0.33
   23 |    23 |  2 |  0.17 |    0.17 |   0.50
   24 |    24 |  3 |  0.25 |    0.25 |   0.75
   25 |    25 |  4 |  0.33 |    0.33 |   1.08
   26 |    26 |  3 |  0.25 |    0.25 |   1.33
   27 |    27 |  4 |  0.33 |    0.33 |   1.66
   28 |    28 |  9 |  0.75 |    0.75 |   2.40
   29 |    29 |  4 |  0.33 |    0.33 |   2.74
   30 |    30 |  6 |  0.50 |    0.50 |   3.23
   31 |    31 |  3 |  0.25 |    0.25 |   3.48
   32 |    32 |  9 |  0.75 |    0.75 |   4.23
   33 |    33 |  5 |  0.41 |    0.41 |   4.64
   34 |    34 |  5 |  0.41 |    0.41 |   5.06
   35 |    35 | 15 |  1.24 |    1.24 |   6.30
   36 |    36 |  8 |  0.66 |    0.66 |   6.97
   37 |    37 | 17 |  1.41 |    1.41 |   8.37
   38 |    38 | 21 |  1.74 |    1.74 |  10.12
   39 |    39 | 24 |  1.99 |    1.99 |  12.11
   40 |    40 | 25 |  2.07 |    2.07 |  14.18
   41 |    41 | 23 |  1.91 |    1.91 |  16.09
   42 |    42 | 26 |  2.16 |    2.16 |  18.24
   43 |    43 | 19 |  1.58 |    1.58 |  19.82
   44 |    44 | 20 |  1.66 |    1.66 |  21.48
   45 |    45 | 35 |  2.90 |    2.90 |  24.38
   46 |    46 | 27 |  2.24 |    2.24 |  26.62
   47 |    47 | 23 |  1.91 |    1.91 |  28.52
   48 |    48 | 20 |  1.66 |    1.66 |  30.18
   49 |    49 | 26 |  2.16 |    2.16 |  32.34
   50 |    50 | 24 |  1.99 |    1.99 |  34.33
   51 |    51 | 20 |  1.66 |    1.66 |  35.99
   52 |    52 | 18 |  1.49 |    1.49 |  37.48
   53 |    53 | 15 |  1.24 |    1.24 |  38.72
   54 |    54 | 28 |  2.32 |    2.32 |  41.04
   55 |    55 | 21 |  1.74 |    1.74 |  42.79
   56 |    56 | 21 |  1.74 |    1.74 |  44.53
   57 |    57 | 21 |  1.74 |    1.74 |  46.27
   58 |    58 | 20 |  1.66 |    1.66 |  47.93
   59 |    59 | 19 |  1.58 |    1.58 |  49.50
   60 |    60 | 19 |  1.58 |    1.58 |  51.08
   61 |    61 | 21 |  1.74 |    1.74 |  52.82
   62 |    62 | 22 |  1.82 |    1.82 |  54.64
   63 |    63 | 23 |  1.91 |    1.91 |  56.55
   64 |    64 | 21 |  1.74 |    1.74 |  58.29
   65 |    65 | 18 |  1.49 |    1.49 |  59.78
   66 |    66 | 28 |  2.32 |    2.32 |  62.11
   67 |    67 | 19 |  1.58 |    1.58 |  63.68
   68 |    68 | 27 |  2.24 |    2.24 |  65.92
   69 |    69 | 21 |  1.74 |    1.74 |  67.66
   70 |    70 | 25 |  2.07 |    2.07 |  69.73
   71 |    71 | 31 |  2.57 |    2.57 |  72.31
   72 |    72 | 21 |  1.74 |    1.74 |  74.05
   73 |    73 | 24 |  1.99 |    1.99 |  76.04
   74 |    74 | 19 |  1.58 |    1.58 |  77.61
   75 |    75 | 21 |  1.74 |    1.74 |  79.35
   76 |    76 | 19 |  1.58 |    1.58 |  80.93
   77 |    77 | 14 |  1.16 |    1.16 |  82.09
   78 |    78 | 10 |  0.83 |    0.83 |  82.92
   79 |    79 | 14 |  1.16 |    1.16 |  84.08
   80 |    80 | 19 |  1.58 |    1.58 |  85.66
   81 |    81 | 15 |  1.24 |    1.24 |  86.90
   82 |    82 | 19 |  1.58 |    1.58 |  88.47
   83 |    83 |  7 |  0.58 |    0.58 |  89.05
   84 |    84 | 18 |  1.49 |    1.49 |  90.55
   85 |    85 | 10 |  0.83 |    0.83 |  91.38
   86 |    86 | 11 |  0.91 |    0.91 |  92.29
   87 |    87 | 11 |  0.91 |    0.91 |  93.20
   88 |    88 | 16 |  1.33 |    1.33 |  94.53
   89 |    89 | 16 |  1.33 |    1.33 |  95.85
   90 |    90 | 13 |  1.08 |    1.08 |  96.93
   91 |    91 | 16 |  1.33 |    1.33 |  98.26
   92 |    92 | 16 |  1.33 |    1.33 |  99.59
   95 |  拒答 |  5 |  0.41 |    0.41 | 100.00
 <NA> |  <NA> |  0 |  0.00 |    <NA> |   <NA>

請問您目前的婚姻狀況? (Q8) <numeric> 
# total N=1206 valid N=1206 mean=3.10 sd=5.74

Value | Label |   N | Raw % | Valid % | Cum. %
----------------------------------------------
    1 |  已婚 | 678 | 56.22 |   56.22 |  56.22
    2 |  分居 |   8 |  0.66 |    0.66 |  56.88
    3 |  寡居 | 112 |  9.29 |    9.29 |  66.17
    4 |  同居 |   6 |  0.50 |    0.50 |  66.67
    5 |  離婚 |  86 |  7.13 |    7.13 |  73.80
    6 |  未婚 | 312 | 25.87 |   25.87 |  99.67
   95 |  拒答 |   4 |  0.33 |    0.33 | 100.00
 <NA> |  <NA> |   0 |  0.00 |    <NA> |   <NA>

性別 (SEX) <numeric> 
# total N=1206 valid N=1206 mean=1.47 sd=0.50

Value | Label |   N | Raw % | Valid % | Cum. %
----------------------------------------------
    1 |  男性 | 641 | 53.15 |   53.15 |  53.15
    2 |  女性 | 565 | 46.85 |   46.85 | 100.00
 <NA> |  <NA> |   0 |  0.00 |    <NA> |   <NA>

三、資料整理及編碼

接下來這部分會將資料重新整理並進行編碼，以符合本研究需求。

（ㄧ）獨立變項所選題目及資料

在此研究中的獨立變項為性別刻板印象，而在此研究中所指的性別刻板印象指的是女性不屬於公領域場合，女性不適合參與政治事務、從事政治工作等，因此在編碼上會以這個方向進行編碼。

1.有人說: 「增加選舉中女性席次的政策走過頭了。」請問您同不同意這種說法? (D16)

在這一題的回答中包含了非常同意、同意、不同意、非常不同意、既不同意也不反對等，但因為研究中關注性別刻板印象因此將回答重新編碼。非常同意者為2，同意為1，不同意-1，非常不同意-2其餘為0。

#D16
library(sjmisc)
library(dplyr)
library(sjlabelled)

Attaching package: 'sjlabelled'

The following object is masked from 'package:dplyr':

    as_label

The following objects are masked from 'package:haven':

    as_factor, read_sas, read_spss, read_stata, write_sas, zap_labels

 to_collapse <- c(3,95,96,98)
dataIV <- dataIV%>%
  mutate(
    D16_new = case_when(
      D16 %in% to_collapse ~ 0L, 
      D16==1~2L,
      D16==2~1L,
      D16==4~-1L,
      D16==5~-2L,
      TRUE ~ as.integer(D16)  
    )
  )
labs_new <- c(
  "2" = "非常同意",
  "1" = "同意",
  "0" = "其他",
  "-1"="不同意",
  "-2"="非常不同意"
  )
dataIV$D16_new <- set_labels(dataIV$D16_new, labels = labs_new)
 sjmisc::frq(dataIV[c("D16_new")])

D16_new <integer> 
# total N=1206 valid N=1206 mean=-0.43 sd=0.87

Value |      Label |   N | Raw % | Valid % | Cum. %
---------------------------------------------------
   -2 | 非常不同意 |  80 |  6.63 |    6.63 |   6.63
   -1 |     不同意 | 572 | 47.43 |   47.43 |  54.06
    0 |       其他 | 364 | 30.18 |   30.18 |  84.25
    1 |       同意 | 172 | 14.26 |   14.26 |  98.51
    2 |   非常同意 |  18 |  1.49 |    1.49 | 100.00
 <NA> |       <NA> |   0 |  0.00 |    <NA> |   <NA>

2.今年選舉之後，立法委員當中有 41.6 %是女性，請問您認為目前這個比例是太高、太低還是剛好? (D23)

女性政治人物在立法院的描述性代表不足一半但認為女性代表太高，因此為此研究中所關注，具有性別刻板印象的樣本，因此將之編碼為1。

#整理各題資料
#D23:
library(sjmisc)
library(dplyr)
 to_collapse <- c(2,3,95,96,97,98)
dataIV <- dataIV%>%
  mutate(
    D23_new = case_when(
      D23 %in% to_collapse ~ 0L,    
      TRUE ~ as.integer(D23)  
    )
  )
labs_new23 <- c(
  "1" = "太高",
  "0" = "其他"
  )
dataIV$D23_new <- set_labels(dataIV$D23_new, labels = labs_new23)
 sjmisc::frq(dataIV[c("D23_new")])

D23_new <integer> 
# total N=1206 valid N=1206 mean=0.07 sd=0.25

Value | Label |    N | Raw % | Valid % | Cum. %
-----------------------------------------------
    0 |  其他 | 1122 | 93.03 |   93.03 |  93.03
    1 |  太高 |   84 |  6.97 |    6.97 | 100.00
 <NA> |  <NA> |    0 |  0.00 |    <NA> |   <NA>

3.在面對公共衛生的危機時，請問您認為是男性政治人物、女性政治人物，還是兩性都一樣適合擔任國家的領導者? (D24a)

由於此研究中所定義的性別刻板印象，因此將一定是男性及通常是男性的兩個回答編碼為2及1，而通常為女性較適合定義為-1，一定為女性定義為-2，會將通常為女性及一定為女性的選項定義為負的原因為這兩個答案與此研究所定義的性別刻板印象為反向的。

#整理各題資料
#D24a
library(sjmisc)
library(dplyr)

dataIV<- dataIV %>%
  mutate(
    D24a_new = case_when(
      D24a %in%c(5,95,96,97,98)~0L,
      D24a == 1 ~ 2L,
      D24a == 2 ~ 1L,
      D24a == 3 ~ -1L,
      D24a == 4 ~ -2L,
      TRUE ~ as.integer(D24a)
    )
  )

labs_new24a <- c(
  "1" = "通常是男性政治人物較適合",
  "2" = "一定是男性政治人物較適合",
  "-2" = "一定是女性政治人物較適合",
  "-1" = "通常是女性政治人物較適合",
  "0" = "其他"
  )
dataIV$D24a_new <- recode(dataIV$D24a_new, !!!labs_new24a)
 sjmisc::frq(dataIV[c("D24a_new")])

D24a_new <character> 
# total N=1206 valid N=1206 mean=3.10 sd=0.52

Value                    |    N | Raw % | Valid % | Cum. %
----------------------------------------------------------
一定是女性政治人物較適合 |    9 |  0.75 |    0.75 |   0.75
一定是男性政治人物較適合 |   27 |  2.24 |    2.24 |   2.99
其他                     | 1053 | 87.31 |   87.31 |  90.30
通常是女性政治人物較適合 |   63 |  5.22 |    5.22 |  95.52
通常是男性政治人物較適合 |   54 |  4.48 |    4.48 | 100.00
<NA>                     |    0 |  0.00 |    <NA> |   <NA>

4.那在面對經濟的危機時呢? (D24b)

此題為承接24a，因此與前一題相同的編碼及原因。

#整理各題資料
#D24b
library(sjmisc)
library(dplyr)
library(haven)
library(labelled) 

Attaching package: 'labelled'

The following objects are masked from 'package:sjlabelled':

    copy_labels, remove_labels, to_character, to_factor, val_labels

The following objects are masked from 'package:sjmisc':

    to_character, to_factor

dataIV<- dataIV %>%
  mutate(
    D24b_new = case_when(
      D24b %in%c(5,95,96,97,98)~0L,
      D24b == 1 ~ 2L,
      D24b == 2 ~ 1L,
      D24b == 3 ~ -1L,
      D24b == 4 ~ -2,
      TRUE ~ as.integer(D24b)
    )
  )
 sjmisc::frq(dataIV[c("D24b_new")])

D24b_new <numeric> 
# total N=1206 valid N=1206 mean=0.22 sd=0.60

Value |   N | Raw % | Valid % | Cum. %
--------------------------------------
   -2 |   4 |  0.33 |    0.33 |   0.33
   -1 |  49 |  4.06 |    4.06 |   4.39
    0 | 887 | 73.55 |   73.55 |  77.94
    1 | 213 | 17.66 |   17.66 |  95.61
    2 |  53 |  4.39 |    4.39 | 100.00
 <NA> |   0 |  0.00 |    <NA> |   <NA>

（二）依變項所選題目與資料

在這個部分要測量民眾的政治效能感，因此選擇這一類組的題目作為依變項的測量。

1.有人說: 「我們一般民眾對政府的作為，沒有任何影響力。」 (D1)

在這一題中要檢視民眾的政治效能感，因此若認為自己的影響力愈高，則編碼上數值愈大，但因為這一題是反向提問，因此當回答為同意自身不具有影響力時則為負值。

#整理各題資料
#D1
library(sjmisc)
library(dplyr)

dataDV<- dataDV %>%
  mutate(
    D1_new = case_when(
      D1 %in%c(5,95,96,97,98)~0L,
      D1 == 1 ~ -2L,
      D1 == 2 ~ -1L,
      D1 == 3 ~ 1,
      D1 == 4 ~ 2,
      TRUE ~ as.integer(D1)
    )
  )
 sjmisc::frq(dataDV[c("D1_new")])

D1_new <numeric> 
# total N=1206 valid N=1206 mean=0.35 sd=1.12

Value |   N | Raw % | Valid % | Cum. %
--------------------------------------
   -2 |  60 |  4.98 |    4.98 |   4.98
   -1 | 326 | 27.03 |   27.03 |  32.01
    0 |  62 |  5.14 |    5.14 |  37.15
    1 | 648 | 53.73 |   53.73 |  90.88
    2 | 110 |  9.12 |    9.12 | 100.00
 <NA> |   0 |  0.00 |    <NA> |   <NA>

2. 有人說: 「政治有時候太複雜了，所以我們一般民眾實在搞不懂。」 (D3)

   在這一題的部分，和D1的問法相同，因此這部分我一樣會用相同的編碼方式。

   #整理各題資料
   #D3
   library(sjmisc)
   library(dplyr)
   
   dataDV<- dataDV %>%
     mutate(
       D3_new = case_when(
         D3 %in%c(5,95,96,97,98)~0L,
         D3 == 1 ~ -2L,
         D3 == 2 ~ -1L,
         D3 == 3 ~ 1,
         D3 == 4 ~ 2,
         TRUE ~ as.integer(D3)
       )
     )
    sjmisc::frq(dataDV[c("D3_new")])

   D3_new <numeric> 
   # total N=1206 valid N=1206 mean=-0.42 sd=1.14
   
   Value |   N | Raw % | Valid % | Cum. %
   --------------------------------------
      -2 | 147 | 12.19 |   12.19 |  12.19
      -1 | 644 | 53.40 |   53.40 |  65.59
       0 |  37 |  3.07 |    3.07 |  68.66
       1 | 325 | 26.95 |   26.95 |  95.61
       2 |  53 |  4.39 |    4.39 | 100.00
    <NA> |   0 |  0.00 |    <NA> |   <NA>

3. 如果說: 「您認為自己瞭解國家最重要的政治議題。」請問您同不同意這種說法? (D12)

   這一題的問法是正向的詢問，因此編碼方式會改變，當愈同意時編碼數值愈大，相反地，不同意時則為負值。

#整理各題資料
#D12
library(sjmisc)
library(dplyr)

dataDV<- dataDV %>%
  mutate(
    D12_new = case_when(
      D12 %in%c(3,95,96,97,98)~0L,
      D12 == 5 ~ -2L,
      D12 == 4 ~ -1L,
      D12 == 2 ~ 1,
      D12 == 1 ~ 2,
      TRUE ~ as.integer(D12)
    )
  )

 sjmisc::frq(dataDV[c("D12_new")])

D12_new <numeric> 
# total N=1206 valid N=1206 mean=0.05 sd=0.93

Value |   N | Raw % | Valid % | Cum. %
--------------------------------------
   -2 |  34 |  2.82 |    2.82 |   2.82
   -1 | 332 | 27.53 |   27.53 |  30.35
    0 | 432 | 35.82 |   35.82 |  66.17
    1 | 350 | 29.02 |   29.02 |  95.19
    2 |  58 |  4.81 |    4.81 | 100.00
 <NA> |   0 |  0.00 |    <NA> |   <NA>

（三）控制變項

1. 請問您的教育程度是什麼? (Q4a)

   在教育程度上我想要了解不同教育程度的差異，因此不會變動原本的資料。

    sjmisc::frq(dataCV[c("Q4a")])

   請問您的教育程度是什麼? (Q4a) <numeric> 
   # total N=1206 valid N=1206 mean=9.39 sd=3.95
   
   Value |                      Label |   N | Raw % | Valid % | Cum. %
   -------------------------------------------------------------------
       1 |                     不識字 |  26 |  2.16 |    2.16 |   2.16
       2 |               識字但未入學 |   2 |  0.17 |    0.17 |   2.32
       3 |                   小學肄業 |  25 |  2.07 |    2.07 |   4.39
       4 |                   小學畢業 |  82 |  6.80 |    6.80 |  11.19
       5 |               國、初中肄業 |  10 |  0.83 |    0.83 |  12.02
       6 |               國、初中畢業 |  89 |  7.38 |    7.38 |  19.40
       7 |               高中、職肄業 |  31 |  2.57 |    2.57 |  21.97
       8 |               高中、職畢業 | 261 | 21.64 |   21.64 |  43.62
       9 |                   專科肄業 |  10 |  0.83 |    0.83 |  44.44
      10 |                   專科畢業 | 150 | 12.44 |   12.44 |  56.88
      11 |         大學肄業(含在學中) |  50 |  4.15 |    4.15 |  61.03
      12 |                   大學畢業 | 325 | 26.95 |   26.95 |  87.98
      13 | 研究所(含在學、肄業、畢業) | 144 | 11.94 |   11.94 |  99.92
      95 |                       拒答 |   1 |  0.08 |    0.08 | 100.00
    <NA> |                       <NA> |   0 |  0.00 |    <NA> |   <NA>

2. 請問您目前工作或兼差的情形是怎樣? (Q7a)

   在此題我想要將相近的，如兼職合併為同一項。

   #整理背景資料
   #Q7a
   library(sjmisc)
   library(dplyr)
   sjmisc::frq(dataCV[c("Q7a")])

   請問您目前工作或兼差的情形是怎樣? (Q7a) <numeric> 
   # total N=1206 valid N=1206 mean=3.75 sd=4.00
   
   Value |                                        Label |   N | Raw % | Valid % | Cum. %
   -------------------------------------------------------------------------------------
       1 |             擔任全職工作(每週工作32小時以上) | 595 | 49.34 |   49.34 |  49.34
       2 | 擔任兼職工作(每週工作15小時以上，不滿32小時) |  73 |  6.05 |    6.05 |  55.39
       3 |                     兼差(每週工作少於15小時) |  31 |  2.57 |    2.57 |  57.96
       4 |                                     在家幫忙 |  12 |  1.00 |    1.00 |  58.96
       5 |                     待業中(有找工作但沒找到) |  29 |  2.40 |    2.40 |  61.36
       6 |                           學生或參加職業訓練 |  33 |  2.74 |    2.74 |  64.10
       7 |                                         退休 | 262 | 21.72 |   21.72 |  85.82
       8 |                                         家管 | 157 | 13.02 |   13.02 |  98.84
       9 |                           因身體殘疾無法工作 |  13 |  1.08 |    1.08 |  99.92
      10 |                                     一直無業 |   0 |  0.00 |    0.00 |  99.92
      95 |                                         拒答 |   1 |  0.08 |    0.08 | 100.00
    <NA> |                                         <NA> |   0 |  0.00 |    <NA> |   <NA>

   dataCV<- dataCV %>%
     mutate(
       Q7a_new = case_when(
         Q7a %in%c(3,2)~2L,
         TRUE ~ as.integer(Q7a)
       )
     )
    sjmisc::frq(dataCV[c("Q7a_new")])

   Q7a_new <integer> 
   # total N=1206 valid N=1206 mean=3.73 sd=4.00
   
   Value |   N | Raw % | Valid % | Cum. %
   --------------------------------------
       1 | 595 | 49.34 |   49.34 |  49.34
       2 | 104 |  8.62 |    8.62 |  57.96
       4 |  12 |  1.00 |    1.00 |  58.96
       5 |  29 |  2.40 |    2.40 |  61.36
       6 |  33 |  2.74 |    2.74 |  64.10
       7 | 262 | 21.72 |   21.72 |  85.82
       8 | 157 | 13.02 |   13.02 |  98.84
       9 |  13 |  1.08 |    1.08 |  99.92
      95 |   1 |  0.08 |    0.08 | 100.00
    <NA> |   0 |  0.00 |    <NA> |   <NA>

3. 請問您是民國幾年幾月出生的?(出生年) (Q1a)

   此部分我想要分成每十年一組，藉以觀察不同世代間的差異。

   dataCV<- dataCV %>%
     mutate(
       Q1a_new = case_when(
         Q1a %in%c(21,22,23,24,25,26,27,28,29)~20L,
         Q1a %in%c(30,31,32,33,34,35,36,37,38,39)~30L,
         Q1a %in%c(40,41,42,43,44,45,46,47,48,49)~40L,
         Q1a %in%c(50,51,52,53,54,55,56,57,58,59)~50L,
         Q1a %in%c(60,61,62,63,64,65,66,67,68,69)~60L,
         Q1a %in%c(70,71,72,73,74,75,76,77,78,79)~70L,
         Q1a %in%c(80,81,82,83,84,85,86,87,88,89)~80L,
         Q1a %in%c(90,91,92)~90L,
         Q1a %in%c(95)~0
       )
     )
   labs_newQ1a <- c(
     "20" = "20~29",
     "30" = "30~39",
     "40" = "40~49",
     "50" = "50~59",  
     "60" = "60~69",
     "70" = "70~79",
     "80" = "80~89",
     "90" = "90~92",
     "0" = "reject to answer"
     )
   dataCV$Q1a_new <- recode(dataCV$Q1a_new, !!!labs_newQ1a)
    sjmisc::frq(dataCV[c("Q1a_new")])

   Q1a_new <character> 
   # total N=1206 valid N=1206 mean=4.56 sd=1.76
   
   Value            |   N | Raw % | Valid % | Cum. %
   -------------------------------------------------
   20~29            |  33 |  2.74 |    2.74 |   2.74
   30~39            | 113 |  9.37 |    9.37 |  12.11
   40~49            | 244 | 20.23 |   20.23 |  32.34
   50~59            | 207 | 17.16 |   17.16 |  49.50
   60~69            | 219 | 18.16 |   18.16 |  67.66
   70~79            | 198 | 16.42 |   16.42 |  84.08
   80~89            | 142 | 11.77 |   11.77 |  95.85
   90~92            |  45 |  3.73 |    3.73 |  99.59
   reject to answer |   5 |  0.41 |    0.41 | 100.00
   <NA>             |   0 |  0.00 |    <NA> |   <NA>

   library(dplyr) 
   library(ggplot2)

   
   Attaching package: 'ggplot2'

   The following object is masked from 'package:sjlabelled':
   
       as_label

     dataCV_Q1apro<- dataCV %>%
     group_by(Q1a_new) %>%  
     summarise(count = n()) %>%
     mutate(proportion = count / sum(count))
   ggplot(dataCV_Q1apro, aes(x = Q1a_new, proportion,group=1))  +
     geom_line(color = "black", size = 1) +  
     geom_point(color = "red", size = 3) +  
     labs(title = "Sample Age Distribution Chart", 
          x = "Birth Year",  
          y = "Percentage (%)") +  
     theme_minimal() +
     theme(axis.text.x = element_text(angle = 45, hjust = 1))

   Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
   ℹ Please use `linewidth` instead.

   

4. 請問您目前的婚姻狀況? (Q8)

   sjmisc::frq(dataCV[c("Q8")])

   請問您目前的婚姻狀況? (Q8) <numeric> 
   # total N=1206 valid N=1206 mean=3.10 sd=5.74
   
   Value | Label |   N | Raw % | Valid % | Cum. %
   ----------------------------------------------
       1 |  已婚 | 678 | 56.22 |   56.22 |  56.22
       2 |  分居 |   8 |  0.66 |    0.66 |  56.88
       3 |  寡居 | 112 |  9.29 |    9.29 |  66.17
       4 |  同居 |   6 |  0.50 |    0.50 |  66.67
       5 |  離婚 |  86 |  7.13 |    7.13 |  73.80
       6 |  未婚 | 312 | 25.87 |   25.87 |  99.67
      95 |  拒答 |   4 |  0.33 |    0.33 | 100.00
    <NA> |  <NA> |   0 |  0.00 |    <NA> |   <NA>

5. 性別 (SEX)

    sjmisc::frq(dataCV[c("SEX")])

   性別 (SEX) <numeric> 
   # total N=1206 valid N=1206 mean=1.47 sd=0.50
   
   Value | Label |   N | Raw % | Valid % | Cum. %
   ----------------------------------------------
       1 |  男性 | 641 | 53.15 |   53.15 |  53.15
       2 |  女性 | 565 | 46.85 |   46.85 | 100.00
    <NA> |  <NA> |   0 |  0.00 |    <NA> |   <NA>

（四）初步的資料分析

在這部分想要初步的了解男性及女性在獨立變項及依變項上的回答差異，在資料分析前，根據本研究的假設，女性在政治效能感的回答中會顯示更低的政治效能感，而男性相對於女性較高。而在性別刻板印象，兩個性別會顯現差不多的回應。

1. 獨立變項：性別刻板印象

   在此選擇代表獨立變項的題目和SEX變項檢視彼此之間的關係，會選擇SEX變項的原因是在這個研究中主要的IV為性別刻板印象，因此在本研究中最想要先了解不同性別對於性別角色分工的看法是否具有差異，並從民眾的性別刻板印象窺探女性參政不易的原因。

   （1)有人說: 「增加選舉中女性席次的政策走過頭了。」請問您同不同意這種說法? (D16)

   首先第一個是女性的回答，從下表中意外發現多數女性並不認同此題，較少女性具有本題中所述的性別刻板印象。

   D16_new2<-dataIV %>%
     filter(SEX == 2) %>%
     select(D16_new)
   sjmisc::frq(D16_new2)

   D16_new <integer> 
   # total N=565 valid N=565 mean=-0.52 sd=0.81
   
   Value |      Label |   N | Raw % | Valid % | Cum. %
   ---------------------------------------------------
      -2 | 非常不同意 |  39 |  6.90 |    6.90 |   6.90
      -1 |     不同意 | 286 | 50.62 |   50.62 |  57.52
       0 |       其他 | 172 | 30.44 |   30.44 |  87.96
       1 |       同意 |  64 | 11.33 |   11.33 |  99.29
       2 |   非常同意 |   4 |  0.71 |    0.71 | 100.00
    <NA> |       <NA> |   0 |  0.00 |    <NA> |   <NA>

   接著是男性的回答，發現多數男性認同此一說法。

   D16_new1<-dataIV %>%
     filter(SEX == 1) %>%
     select(D16_new)
   sjmisc::frq(D16_new1)

   D16_new <integer> 
   # total N=641 valid N=641 mean=-0.36 sd=0.91
   
   Value |      Label |   N | Raw % | Valid % | Cum. %
   ---------------------------------------------------
      -2 | 非常不同意 |  41 |  6.40 |    6.40 |   6.40
      -1 |     不同意 | 286 | 44.62 |   44.62 |  51.01
       0 |       其他 | 192 | 29.95 |   29.95 |  80.97
       1 |       同意 | 108 | 16.85 |   16.85 |  97.82
       2 |   非常同意 |  14 |  2.18 |    2.18 | 100.00
    <NA> |       <NA> |   0 |  0.00 |    <NA> |   <NA>

   （2)今年選舉之後，立法委員當中有 41.6 %是女性，請問您認為目前這個比例是太高、太低還是剛好? 

   首先為女性的回答，多數女性並未認為此比例有太高的狀況。

   D23_new2<-dataIV %>%
     filter(SEX == 2) %>%
     select(D23_new)
   sjmisc::frq(D23_new2)

   D23_new <integer> 
   # total N=565 valid N=565 mean=0.06 sd=0.24
   
   Value | Label |   N | Raw % | Valid % | Cum. %
   ----------------------------------------------
       0 |  其他 | 530 | 93.81 |   93.81 |  93.81
       1 |  太高 |  35 |  6.19 |    6.19 | 100.00
    <NA> |  <NA> |   0 |  0.00 |    <NA> |   <NA>

   接下來是男性的回答，發現男性認為太高的比例與女性回覆比例差不多，因此從此題較難看出差異。

   D23_new1<-dataIV %>%
     filter(SEX == 1) %>%
     select(D23_new)
   sjmisc::frq(D23_new1)

   D23_new <integer> 
   # total N=641 valid N=641 mean=0.08 sd=0.27
   
   Value | Label |   N | Raw % | Valid % | Cum. %
   ----------------------------------------------
       0 |  其他 | 592 | 92.36 |   92.36 |  92.36
       1 |  太高 |  49 |  7.64 |    7.64 | 100.00
    <NA> |  <NA> |   0 |  0.00 |    <NA> |   <NA>

2. (3)在面對公共衛生的危機時，請問您認為是男性政治人物、女性政治人物，還是兩性都一樣適合擔任國家的領導者? 

   上表為女性的回答而下表為男性的，在這一題中男性及女性的回答並未有太大的差異

   library(dplyr)
   library(haven)
   D24a_new2 <- dataIV %>%
     filter(SEX == 2)%>%
     select(D24a_new)
   sjmisc::frq(D24a_new2)

   D24a_new <character> 
   # total N=565 valid N=565 mean=3.10 sd=0.53
   
   Value                    |   N | Raw % | Valid % | Cum. %
   ---------------------------------------------------------
   一定是女性政治人物較適合 |   6 |  1.06 |    1.06 |   1.06
   一定是男性政治人物較適合 |  10 |  1.77 |    1.77 |   2.83
   其他                     | 493 | 87.26 |   87.26 |  90.09
   通常是女性政治人物較適合 |  31 |  5.49 |    5.49 |  95.58
   通常是男性政治人物較適合 |  25 |  4.42 |    4.42 | 100.00
   <NA>                     |   0 |  0.00 |    <NA> |   <NA>

   library(dplyr)
   library(haven)
   D24a_new1 <- dataIV %>%
     filter(SEX == 1)%>%
     select(D24a_new)
   sjmisc::frq(D24a_new1)

   D24a_new <character> 
   # total N=641 valid N=641 mean=3.10 sd=0.52
   
   Value                    |   N | Raw % | Valid % | Cum. %
   ---------------------------------------------------------
   一定是女性政治人物較適合 |   3 |  0.47 |    0.47 |   0.47
   一定是男性政治人物較適合 |  17 |  2.65 |    2.65 |   3.12
   其他                     | 560 | 87.36 |   87.36 |  90.48
   通常是女性政治人物較適合 |  32 |  4.99 |    4.99 |  95.48
   通常是男性政治人物較適合 |  29 |  4.52 |    4.52 | 100.00
   <NA>                     |   0 |  0.00 |    <NA> |   <NA>

   (4)那在面對經濟的危機時呢? (D24b)

   會選擇這一題的原因為，經濟常被認為是男性較爲拿手的議題，因此選擇這一題檢視不同性別的回答差異，最能檢視出性別刻板印象，雖然前述幾題的回答在男性及女性中無看出明顯的差異，但在這一題中可以發現男性在針對經濟議題時，相較於女性更多比例認為男性政治人物通常比較適合，且在這一題中也可以看出一定男性政治人物比較適合的比例在不同性別的回答中比例均高於一定是女性政治人物比較適合。

   library(dplyr)
   library(haven)
   D24b_new2 <- dataIV %>%
     filter(SEX == 2)%>%
     select(D24b_new)
   sjmisc::frq(D24b_new2)

   D24b_new <numeric> 
   # total N=565 valid N=565 mean=0.19 sd=0.55
   
   Value |   N | Raw % | Valid % | Cum. %
   --------------------------------------
      -2 |   1 |  0.18 |    0.18 |   0.18
      -1 |  22 |  3.89 |    3.89 |   4.07
       0 | 430 | 76.11 |   76.11 |  80.18
       1 |  95 | 16.81 |   16.81 |  96.99
       2 |  17 |  3.01 |    3.01 | 100.00
    <NA> |   0 |  0.00 |    <NA> |   <NA>

   library(dplyr)
   library(haven)
   D24b_new1 <- dataIV %>%
     filter(SEX == 1)%>%
     select(D24b_new)
   sjmisc::frq(D24b_new1)

   D24b_new <numeric> 
   # total N=641 valid N=641 mean=0.24 sd=0.64
   
   Value |   N | Raw % | Valid % | Cum. %
   --------------------------------------
      -2 |   3 |  0.47 |    0.47 |   0.47
      -1 |  27 |  4.21 |    4.21 |   4.68
       0 | 457 | 71.29 |   71.29 |  75.98
       1 | 118 | 18.41 |   18.41 |  94.38
       2 |  36 |  5.62 |    5.62 | 100.00
    <NA> |   0 |  0.00 |    <NA> |   <NA>

3. 依變項：政治效能感

   由於本研究中想要了解性別刻板印象是否影響政治效能感，楊婉瑩和林佩婷（2011）提到女性對於傳統性別角色分工的認同會影響其政治效能感，因此想要了解女性相對於男性是否政治效能感更低，在本研究中選擇了D1、D3、D12作為檢視政治效能感的題目，因此選擇檢視這三個題目與SEX變相之間的關係。結果很有趣的是，在初步的檢視變數間的關係，會發現女性與男性在政治效能感題目的回答差異並不大，

   (1)有人說: 「我們一般民眾對政府的作為，沒有任何影響力。」 (D1)

   女性的回答為上，男性的回答為下，在這一題中檢視男性及女性的回答差異，會發現無法看出明顯的差異。

   library(dplyr)
   library(haven)
   D1_new2 <- dataDV %>%
     filter(SEX == 2)%>%
     select(D1_new)
   sjmisc::frq(D1_new2)

   D1_new <numeric> 
   # total N=565 valid N=565 mean=0.37 sd=1.09
   
   Value |   N | Raw % | Valid % | Cum. %
   --------------------------------------
      -2 |  22 |  3.89 |    3.89 |   3.89
      -1 | 152 | 26.90 |   26.90 |  30.80
       0 |  37 |  6.55 |    6.55 |  37.35
       1 | 303 | 53.63 |   53.63 |  90.97
       2 |  51 |  9.03 |    9.03 | 100.00
    <NA> |   0 |  0.00 |    <NA> |   <NA>

   library(dplyr)
   library(haven)
   D1_new1 <- dataDV %>%
     filter(SEX == 1)%>%
     select(D1_new)
   sjmisc::frq(D1_new1)

   D1_new <numeric> 
   # total N=641 valid N=641 mean=0.33 sd=1.14
   
   Value |   N | Raw % | Valid % | Cum. %
   --------------------------------------
      -2 |  38 |  5.93 |    5.93 |   5.93
      -1 | 174 | 27.15 |   27.15 |  33.07
       0 |  25 |  3.90 |    3.90 |  36.97
       1 | 345 | 53.82 |   53.82 |  90.80
       2 |  59 |  9.20 |    9.20 | 100.00
    <NA> |   0 |  0.00 |    <NA> |   <NA>

   (2)有人說: 「政治有時候太複雜了，所以我們一般民眾實在搞不懂。」 (D3)

   女性的回答為上，男性的回答為下，在這一題中檢視男性及女性的回答差異，會發現無法看出明顯的差異。

   library(dplyr)
   library(haven)
   D3_new2 <- dataDV %>%
     filter(SEX == 2)%>%
     select(D3_new)
   sjmisc::frq(D3_new2)

   D3_new <numeric> 
   # total N=565 valid N=565 mean=-0.45 sd=1.11
   
   Value |   N | Raw % | Valid % | Cum. %
   --------------------------------------
      -2 |  66 | 11.68 |   11.68 |  11.68
      -1 | 311 | 55.04 |   55.04 |  66.73
       0 |  21 |  3.72 |    3.72 |  70.44
       1 | 144 | 25.49 |   25.49 |  95.93
       2 |  23 |  4.07 |    4.07 | 100.00
    <NA> |   0 |  0.00 |    <NA> |   <NA>

   library(dplyr)
   library(haven)
   D3_new1 <- dataDV %>%
     filter(SEX == 1)%>%
     select(D3_new)
   sjmisc::frq(D3_new1)

   D3_new <numeric> 
   # total N=641 valid N=641 mean=-0.40 sd=1.16
   
   Value |   N | Raw % | Valid % | Cum. %
   --------------------------------------
      -2 |  81 | 12.64 |   12.64 |  12.64
      -1 | 333 | 51.95 |   51.95 |  64.59
       0 |  16 |  2.50 |    2.50 |  67.08
       1 | 181 | 28.24 |   28.24 |  95.32
       2 |  30 |  4.68 |    4.68 | 100.00
    <NA> |   0 |  0.00 |    <NA> |   <NA>

   (3)如果說: 「您認為自己瞭解國家最重要的政治議題。」請問您同不同意這種說法? (D12)

   女性的回答為上，男性的回答為下，在這一題中檢視男性及女性的回答差異，會發現無法看出明顯的差異。

   library(dplyr)
   library(haven)
   D12_new2 <- dataDV %>%
     filter(SEX == 2)%>%
     select(D12_new)
   sjmisc::frq(D12_new2)

   D12_new <numeric> 
   # total N=565 valid N=565 mean=-0.12 sd=0.84
   
   Value |   N | Raw % | Valid % | Cum. %
   --------------------------------------
      -2 |  13 |  2.30 |    2.30 |   2.30
      -1 | 188 | 33.27 |   33.27 |  35.58
       0 | 230 | 40.71 |   40.71 |  76.28
       1 | 124 | 21.95 |   21.95 |  98.23
       2 |  10 |  1.77 |    1.77 | 100.00
    <NA> |   0 |  0.00 |    <NA> |   <NA>

library(dplyr)
library(haven)
library(sjPlot)

Attaching package: 'sjPlot'

The following object is masked from 'package:ggplot2':

    set_theme

D12_new1 <- dataDV %>%
  filter(SEX == 1)%>%
  select(D12_new)
sjmisc::frq(D12_new1)

D12_new <numeric> 
# total N=641 valid N=641 mean=0.21 sd=0.98

Value |   N | Raw % | Valid % | Cum. %
--------------------------------------
   -2 |  21 |  3.28 |    3.28 |   3.28
   -1 | 144 | 22.46 |   22.46 |  25.74
    0 | 202 | 31.51 |   31.51 |  57.25
    1 | 226 | 35.26 |   35.26 |  92.51
    2 |  48 |  7.49 |    7.49 | 100.00
 <NA> |   0 |  0.00 |    <NA> |   <NA>

接著，在此部分想要選擇比較D24b和D1、D3、D12之間的關係，因為在前面的觀察中發現男性及女性在D24b的回應差異較大，因此在此部分想要檢視這幾個變數之間的關係，在分析之前，期待在D24b中回答值愈高的女性（經重新編碼，性別刻板印象愈高，值愈高），在D1、D3、D12的回答愈低，兩者呈現負向關係。

#檢視女性在D24b和D1回答的關係
library(dplyr)
library(janitor)

Attaching package: 'janitor'

The following objects are masked from 'package:sjmisc':

    remove_empty_cols, remove_empty_rows

The following objects are masked from 'package:stats':

    chisq.test, fisher.test

library(sjmisc)
library(sjlabelled)
library(gmodels)
library(sjPlot)
#將要檢視的兩個變數放到同一個資料
D24b_D1 <- bind_cols(
  dataIV %>% select(SEX, D24b_new),
  dataDV %>% select(D1_new,D3_new,D12_new)
)
D24b_D1_2 <- D24b_D1%>%filter(SEX == 2)
  tabyl(D24b_D1_2, D24b_new, D1_new)%>%
  adorn_percentages("row") %>%
  adorn_pct_formatting(digits = 1) %>%
  adorn_ns()

 D24b_new        -2           -1         0           1         2
       -2 0.0%  (0) 100.0%   (1) 0.0%  (0)  0.0%   (0) 0.0%  (0)
       -1 9.1%  (2)  18.2%   (4) 9.1%  (2) 63.6%  (14) 0.0%  (0)
        0 3.3% (14)  25.6% (110) 7.0% (30) 54.4% (234) 9.8% (42)
        1 6.3%  (6)  30.5%  (29) 4.2%  (4) 49.5%  (47) 9.5%  (9)
        2 0.0%  (0)  47.1%   (8) 5.9%  (1) 47.1%   (8) 0.0%  (0)

#交叉分析及製表
sjt.xtab(D24b_D1_2$D24b_new,D24b_D1_2$D1_new,
         show.row.prc=TRUE,
         show.col.prc=TRUE,
         show.na=FALSE,
         show.legend = FALSE,
         show.exp=FALSE,
         show.cell.prc = FALSE,
         tdcol.col = "gray")

D24b_new	D1_new					Total
	-2	-1	0	1	2
-2	0 0 % 0 %	1 100 % 0.7 %	0 0 % 0 %	0 0 % 0 %	0 0 % 0 %	1 100 % 0.2 %
-1	2 9.1 % 9.1 %	4 18.2 % 2.6 %	2 9.1 % 5.4 %	14 63.6 % 4.6 %	0 0 % 0 %	22 100 % 3.9 %
0	14 3.3 % 63.6 %	110 25.6 % 72.4 %	30 7 % 81.1 %	234 54.4 % 77.2 %	42 9.8 % 82.4 %	430 100 % 76.1 %
1	6 6.3 % 27.3 %	29 30.5 % 19.1 %	4 4.2 % 10.8 %	47 49.5 % 15.5 %	9 9.5 % 17.6 %	95 100 % 16.8 %
2	0 0 % 0 %	8 47.1 % 5.3 %	1 5.9 % 2.7 %	8 47.1 % 2.6 %	0 0 % 0 %	17 100 % 3 %
Total	22 3.9 % 100 %	152 26.9 % 100 %	37 6.5 % 100 %	303 53.6 % 100 %	51 9 % 100 %	565 100 % 100 %
χ2=16.566 · df=16 · Cramer's V=0.086 · Fisher's p=0.290

在解釋結果之前，先重新解釋表中各個部分所代表的意思，D24b_new指的是面對經濟危機時，是男性還是女性政治人物比較適合，在本研究中將一定為女性設定為-2，女性較適合設定為-1，一定為男性設定為2，男性較適合設定為1。因此當D24b_new愈高代表性別刻板印象愈強。

D1_new的題目為：「我們一般民眾對政府的作為，沒有任何影響力。」，當非常同意時代表政治效能感低落，因此為-2，而同意為-1，不同意為1，非常不同意為0=2，其餘為0。當D1_new愈高時，代表政治效能感愈高。

在看這張圖表時可以注意到多數的女性受試者在哪一種性別的政治人物適合領導經濟危機時，多數回答為0，代表其認為兩性都適合或是都不適合，較難看出有明顯的性別刻板印象，但有趣的是去比較回答男性較適合與女性較適合的會發現，回答男性較適合及男性一定比較適合的相較於回答女性比較適合的還多，且回答男性較適合的為第二多。而從政治效能感來看，會發現多數的結果落於1，代表多數的女性受試者是認為自己對政府的作為是具有影響力的。

接著檢視兩個變數之間的關係，從這個圖表可以看到不管是認為男性較為適合或是女性較為適合的受試者，政治效能感的分佈並無明顯差異，多數都落在1，而第二多的為-1，進一步觀察，可以發現政治效能感為-1的受試者多數人對於哪一種性別較適合解決經濟議題並無明顯的偏好。

此外，在這張圖表中有附上卡方檢定的結果，從結果來看並未達到顯著性，顯示兩者關係不明顯。雖然未達到顯著，但也可以從這張圖發現，其實多數的女性受試者在政治效能感的表現並非如前假設的是低落的，多數女性受試者都認為自己是有影響的。最後，由於在此部分主要針對女性受試者，在之後的分析中也會使用全部的受試者資料進行分析。

#檢視女性在D24b和D3回答的關係
#交叉分析及製表
sjt.xtab(D24b_D1_2$D24b_new,D24b_D1_2$D3_new,
         show.row.prc=TRUE,
         show.col.prc=TRUE,
         show.na=FALSE,
         show.legend = FALSE,
         show.exp=FALSE,
         show.cell.prc = FALSE,
         tdcol.col = "gray")

D24b_new	D3_new					Total
	-2	-1	0	1	2
-2	0 0 % 0 %	1 100 % 0.3 %	0 0 % 0 %	0 0 % 0 %	0 0 % 0 %	1 100 % 0.2 %
-1	2 9.1 % 3 %	9 40.9 % 2.9 %	0 0 % 0 %	10 45.5 % 6.9 %	1 4.5 % 4.3 %	22 100 % 3.9 %
0	49 11.4 % 74.2 %	235 54.7 % 75.6 %	20 4.7 % 95.2 %	108 25.1 % 75 %	18 4.2 % 78.3 %	430 100 % 76.1 %
1	13 13.7 % 19.7 %	55 57.9 % 17.7 %	1 1.1 % 4.8 %	22 23.2 % 15.3 %	4 4.2 % 17.4 %	95 100 % 16.8 %
2	2 11.8 % 3 %	11 64.7 % 3.5 %	0 0 % 0 %	4 23.5 % 2.8 %	0 0 % 0 %	17 100 % 3 %
Total	66 11.7 % 100 %	311 55 % 100 %	21 3.7 % 100 %	144 25.5 % 100 %	23 4.1 % 100 %	565 100 % 100 %
χ2=11.228 · df=16 · Cramer's V=0.070 · Fisher's p=0.805

D3_new所代表的題目為「政治有時候太複雜了，所以我們一般民眾實在搞不懂。」，當非常同意時代表政治效能感低落，因此為-2，而同意為-1，不同意為1，非常不同意為0=2，其餘為0。當 D3_new 的值愈高時，表示受試者對政治的理解程度與自信心愈高，政治效能感也愈強。

從這張圖表中可以發現，，多數女性受試者在「哪個性別的政治人物較適合領導經濟危機」的回答上，與先前分析一致，主要集中於 0，代表她們認為兩性皆適合，顯示整體上並無明顯的性別刻板印象，這部分在前一張圖表時已經論述，此處就簡單介紹。

在對政治效能感的回答中，可以看到超過一半的女性受試者選擇 -1，多數女性受試者同意政治太複雜，其次為 1，顯示多數女性雖關心政治，但仍普遍感受到政治議題的專業性與距離感。這一題所反映的政治效能感相較於前題低，這也提供了我們對女性在參與政治意願的思考，女性可能是因為哪些阻礙而在政治參與上相對於男性較為低落，這也許是在這個題目中能夠引起我們思考的。

接著檢視兩個變數之間的相關性，可以發現不論受試者認為男性或女性較適合領導經濟危機，其政治效能感的分布皆相似，沒有明顯的傾向差異。無論是傾向男性領導、女性領導或持中立態度的受試者，大多都落在 -1。即使在支持女性領導者的受試者中，雖有略高比例回答「不同意政治太複雜」，但樣本數過少，難以形成穩定的統計結論。

此外，在這張圖表底部可看到卡方檢定的結果，未達統計顯著。這代表性別刻板印象與政治效能感（政治理解程度）之間並沒有顯著的相關性。換言之，女性是否具有性別刻板印象，並不會影響其對政治理解的自我評價。整體而言，多數女性受試者在性別態度上中立，且雖感覺政治有些複雜，但仍維持一定程度的政治效能感。在後續分析中，將進一步納入全部受試者資料以檢視整體趨勢。

#檢視女性在D24b和D12回答的關係
#交叉分析及製表
sjt.xtab(D24b_D1_2$D24b_new,D24b_D1_2$D12_new,
         show.row.prc=TRUE,
         show.col.prc=TRUE,
         show.na=FALSE,
         show.legend = FALSE,
         show.exp=FALSE,
         show.cell.prc = FALSE,
         tdcol.col = "gray")

D24b_new	D12_new					Total
	-2	-1	0	1	2
-2	0 0 % 0 %	1 100 % 0.5 %	0 0 % 0 %	0 0 % 0 %	0 0 % 0 %	1 100 % 0.2 %
-1	0 0 % 0 %	7 31.8 % 3.7 %	8 36.4 % 3.5 %	7 31.8 % 5.6 %	0 0 % 0 %	22 100 % 3.9 %
0	12 2.8 % 92.3 %	142 33 % 75.5 %	174 40.5 % 75.7 %	95 22.1 % 76.6 %	7 1.6 % 70 %	430 100 % 76.1 %
1	1 1.1 % 7.7 %	35 36.8 % 18.6 %	42 44.2 % 18.3 %	14 14.7 % 11.3 %	3 3.2 % 30 %	95 100 % 16.8 %
2	0 0 % 0 %	3 17.6 % 1.6 %	6 35.3 % 2.6 %	8 47.1 % 6.5 %	0 0 % 0 %	17 100 % 3 %
Total	13 2.3 % 100 %	188 33.3 % 100 %	230 40.7 % 100 %	124 21.9 % 100 %	10 1.8 % 100 %	565 100 % 100 %
χ2=16.034 · df=16 · Cramer's V=0.084 · Fisher's p=0.421

D12_new所代表的題目為「您認為自己瞭解國家最重要的政治議題。」，當非常同意時為2，同意時為1，不同意時為-1，非常不同意時為-2，其餘為0。因此，D12_new 的值愈高，代表政治效能感愈強、對政治的理解與自信程度愈高。

就政治效能感而言，可以發現多數受試者的回答集中於 0與 -1，分別佔 40.7% 與 33.3%；其次是 1，佔 21.9%。整體來看，女性受試者的政治效能感分布略偏中間值，顯示受試者對自己是否了解國家政治議題的看法相對保留，普遍缺乏明確的自信，但也不完全否定自身的理解能力。

進一步檢視兩變數的關係，可以看到不同性別領導觀的女性在政治效能感的分布上並無明顯差異。無論是認為男性較適合、女性較適合，或持中立態度的受試者，其政治效能感多數仍集中於 -1 與 0。即使在少數認為女性較適合領導的受試者中，雖有略高比例回答「同意自己了解政治議題」，但整體比例差距極小，難以形成統計上的趨勢。這樣的結果顯示，受試者在性別態度上的差異，並未明顯轉化為對自身政治理解的信心差異。

最後，從卡方檢定結果來看，未達統計顯著，表示兩變數之間的相關性較弱。整體而言，多數女性受試者對政治議題的掌握程度並不因性別角色態度而出現顯著差異。

雖然在前三個分析中無法看出性別刻板印象與女性政治效能感間有顯著的相關性，但也在這三個分析中發現很有趣的地方是，女性受試者多數認為自己對政治是有影響力的，但同時對於在政治知識的瞭解上回答相對保守。也許藉由這個發現，我們之後可以進一步檢視男性受試者的回答，檢視男性是否具有相同的傾向，以檢視男性及女性的差異。

（五）多重變數分析

library(dplyr)
library(haven)
dataDVforMCA <- dataDV %>% 
  select(D1_new,D3_new,D12_new)%>%
  na.omit() %>% 
  mutate(across(everything(), haven::as_factor))
par(mfrow = c(2, 3)) 
for(i in 1:ncol(dataDVforMCA)){
  plot(
    dataDVforMCA[[i]],
    main = colnames(dataDVforMCA)[i],
    ylab = "Count",
    xlab = colnames(dataDVforMCA)[i],
    las  = 2
  )
}
par(mfrow=c(1,1))

接著進一步採用多重對應分析，以整體性的方式檢視性別刻板印象、政治效能感與個人背景之間的潛在關聯結構。在這個部分我選擇了D1_new、D3_new、D12_new、D16_new、D23_new、D24a_new、Q4a、Q7a、Q1a、Q8、SEX這幾個變數，加入此一研究中所選作為控制變因的變數進行進一步的分析。

首先先看上面三個圖，這三個圖所代表的為此研究中用以測量政治效能感（DV）的題目。

D1_new：是否覺得對政府的作為沒有任何影響力？

在這個題目中，回答否定的答案會被重新編碼為1及2，代表受試者認為自身對政府作為是有影響的，相反地，當回答是同意的就會被編碼為負值，-1及-2。從圖中可以看到多數集中在-1與1，在2與-2的回答較少，在回答上較無法看出明顯的變異。

D3_new：覺得政治太複雜難以理解？

在這個問題，當同意時被編碼為負值，當否定時被編碼為正值。在這一題中回答為較集中在-1，其次為1，整體無法看出明顯的變異。

D12_new：覺得了解國家政治議題？

在這一題中回答為同意時編碼為正值，而回答為否定時則為負值。從這一題中可以看到在回答中-1、1、0的回答相差較少，可以看到在這一題受試者的回答差異較大且相較於前兩題更為平均，在這一題的變異量較明顯。

library(tidyverse)

── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ forcats   1.0.1     ✔ stringr   1.5.2
✔ lubridate 1.9.4     ✔ tibble    3.3.0
✔ purrr     1.1.0     ✔ tidyr     1.3.1
✔ readr     2.1.5     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ tibble::add_case()       masks sjmisc::add_case()
✖ forcats::as_factor()     masks sjlabelled::as_factor(), haven::as_factor()
✖ ggplot2::as_label()      masks sjlabelled::as_label(), dplyr::as_label()
✖ dplyr::filter()          masks stats::filter()
✖ purrr::is_empty()        masks sjmisc::is_empty()
✖ dplyr::lag()             masks stats::lag()
✖ sjlabelled::read_sas()   masks haven::read_sas()
✖ sjlabelled::read_spss()  masks haven::read_spss()
✖ sjlabelled::read_stata() masks haven::read_stata()
✖ tidyr::replace_na()      masks sjmisc::replace_na()
✖ sjPlot::set_theme()      masks ggplot2::set_theme()
✖ sjlabelled::write_sas()  masks haven::write_sas()
✖ sjlabelled::zap_labels() masks haven::zap_labels()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

library(haven)
library(FactoMineR)
library(factoextra)

Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

dataIVforMCA <- dataIV %>% 
  select(D16_new, D23_new, D24a_new, D24b_new) %>%
  na.omit() %>% 
  mutate(across(everything(), haven::as_factor)) %>% 
  mutate(
    D24a_new = factor(
      D24a_new,
      levels = c("一定是男性政治人物較適合",
                 "通常是男性政治人物較適合",
                 "通常是女性政治人物較適合",
                 "一定是女性政治人物較適合",
                 "兩性都適合"),
      labels = c("2", "1", "-1", "-2", "0") 
    )
  )
par(mfrow = c(2, 3)) 
for(i in 1:ncol(dataIVforMCA)){
  plot(
    dataIVforMCA[[i]],
    main = colnames(dataIVforMCA)[i],
    ylab = "Count",
    xlab = colnames(dataIVforMCA)[i],
    las  = 2
  )
}
par(mfrow=c(1,1))

接著，為此研究中用以測量IV的三個題目，這三個題目分別為D16_new、D23_new、D24a_new。

D16_new：有人說: 「增加選舉中女性席次的政策走過頭了。」請問您同不同意這種說法? 

在這一題中，受試者被問到是否認為「增加選舉中女性席次的政策走過頭」。經由重新編碼後，不同意的答案分別為 -1 與 -2，而不同意也不反對被編碼為 0；同意的選項則被重新編碼為 1 與 2。從圖中可以看到，受試者在 -1 與 0 的回答最多，其次是 -2，顯示多數人對此政策並不認為已走過頭，或對此議題沒有明確立場；而回答 1 與 2，也就是認為政策「走過頭」的比例相對較低。整體而言，回答的分布較無法看出明顯變異，但仍可看出較多受試者並未支持「女性席次過度推動」的說法。

D23_new：今年選舉之後，立法委員當中有 41.6 %是女性，請問您認為目前這個比例是太高、太低還是剛好?

此題詢問受試者對立法院女性比例 41.6% 的評價。重新編碼後，0 表示受試者認為比例「剛好」，1 則代表覺得「太高」。從圖形分布可以看到，絕大多數受試者集中在 0，也就是認為目前女性立委的比例合適；認為比例過高的回答極少。由於大部分的回答都落在同一選項，此題的變異量非常有限，顯示受試者在此題中幾乎呈現一致意見。

D24a_new：在面對公共衛生的危機時，請問您認為是男性政治人物、女性政治人物，還是兩性都一樣適合擔任國家的領導者?

在重新編碼後，正向值代表偏好男性領導者，負向值代表偏好女性領導者，而 0 為其他回答。

從圖中可以看到，回答最集中在 -1，其次為 1，而且正負兩側皆有相當比例，顯示受試者在性別適配性的看法上較為分散。在此題中，不同性別偏好之間的差異較前幾題更為明顯，分布呈現較明顯變異，反映受試者對於領導者適合性在公共衛生領域有較多不同觀點。

D24b_new：那在面對經濟的危機時呢? 

此題的情境變成了經濟危機。編碼方式與 D24a_new 一致。從圖中清楚看到，大部分受試者的回答集中在 0，也就是認為「面對經濟危機時，男性與女性政治人物一樣適合」或是其他無法看出明確偏好的答案；其次是 1，也就是略偏好男性領導者，而偏好女性領導的回答較少。

相較於公共衛生危機，D24b_new 的回答分布更集中、變異更小，顯示受試者在經濟議題上的領導性別偏好較為一致，較多受試者採取性別中立的態度。

dataCVforMCA <- dataCV %>% 
  select(Q7a_new, Q1a_new, Q8, SEX,Q4a) %>% 
  na.omit() %>% 
  mutate(across(everything(), haven::as_factor)) %>% 
  mutate(
    Q1a_new = factor(
      Q1a_new,
      levels = c("95","20~29", "30~39", "40~49", "50~59",
                 "60~69", "70~79", "80~89", "90~92")
    ),
    Q4a = factor(
      Q4a,
      levels = c("不識字","識字但未入學","小學肄業","小學畢業",
                 "國、初中肄業","國、初中畢業","高中、職肄業",
                 "高中、職畢業","專科肄業","專科畢業",
                 "大學肄業(含在學中)","大學畢業",
                 "研究所(含在學、肄業、畢業)","拒答"),
      labels = c("Illiterate",
                 "Literate but not formally educated",
                 "Elementary school (incomplete)",
                 "Elementary school graduate",
                 "Junior high school (incomplete)",
                 "Junior high school graduate",
                 "Senior high/vocational (incomplete)",
                 "Senior high/vocational graduate",
                 "Junior college (incomplete)",
                 "Junior college graduate",
                 "University (incomplete/ enrolled)",
                 "University graduate",
                 "Graduate school (enrolled/incomplete/completed)",
                 "Refused to answer")
    ),
    SEX = factor(
      SEX,
      levels = c("男性","女性"),
      labels = c("male","female")
    ),
    Q8=factor(
     Q8,levels = c("已婚", "分居", "寡居", "同居", "離婚", "未婚", "拒答"),
  labels = c("Married",
             "Separated",
             "Widowed",
             "Cohabiting",
             "Divorced",
             "Never married",
             "Refused to answer")
  ))

par(mfrow = c(2, 3)) 
for(i in 1:ncol(dataCVforMCA)){
  plot(
    dataCVforMCA[[i]],
    main = colnames(dataCVforMCA)[i],
    ylab = "Count",
    xlab = colnames(dataCVforMCA)[i],
    las  = 2
  )
}
par(mfrow=c(1,1))

Q7a：工作狀況

在這題中，受試者需回報目前的工作狀況。從圖中可以看到，大部分的回答集中在選項 1（擔任全職工作），其次為選項 8 （家管）與 9（因身體殘疾無法工作），其餘選項的回答相對較少。在這一題中較難看出明顯變異。

Q1a：出生年代

此題為受試者的出生年代，經分類後可視為年齡世代指標。從圖形可以明顯看到，回答呈現鐘形分布，中高年齡層（40–49 歲）的人數最多，而不到40歲的與80 歲以上人數較少。整體而言，該變項的分布較為平均，具有變異但較少。

Q8：婚姻

在婚姻狀態中，圖中顯示絕大多數受試者為已婚，其次為未婚，而分居、喪偶、同居與離婚的比例相對較少。由於受試者明顯集中在少數幾個婚姻類別，此題的分布呈現高度集中，使得變異度較低。

SEX：性別

在性別分布中，男性與女性的比例大致相當，兩者人數接近。由於此變項僅包含兩類別，且分布相對平均，因此變異度有限，但可作為多重對應分析中重要的背景控制變數。

Q4a：教育程度

此題為受試者的最高教育程度。從圖中可以看到，受試者在大學畢業及大學肄業（含在學）等類別中的人數較多，而低學歷與研究所的比例較低。整體分布並非高度集中，而是呈現中度分散，代表此變項具有一定的變異度，可反映不同教育程度者的差異。

library(dplyr)
library(haven)
library(FactoMineR)
library(factoextra)
library(corrplot)

corrplot 0.95 loaded

library(tidyr)   
data_mca <- data.frame(
  D1_new   = dataDV$D1_new,
  D3_new   = dataDV$D3_new,
  D12_new  = dataDV$D12_new,
  D24a_new = dataIV$D24a_new,
  Q7a_new  = dataCV$Q7a_new,
  Q1a_new  = dataCV$Q1a_new,
  Q4a      = dataCV$Q4a,
  Q8       = dataCV$Q8,
  SEX      = dataCV$SEX
) %>%
  mutate(across(everything(), haven::as_factor)) %>%  
  drop_na()                               
res.mca <- MCA(
  data_mca,
  ncp       = 10,   
  quali.sup = 5:9,   
  graph     = F
)
summary(res.mca,
        nb.dec     = 3,
        nbelements = 10,
        nbind      = 10,
        ncp        = 2,
        file       = "MCA_2dim_result.txt")

res.mca$dimdesc <- dimdesc(res.mca, axes = 1:10)
write.infile(res.mca$dimdesc, file = "MCAresults.txt", append = FALSE)
write.infile(res.mca$eig,     file = "MCAresults.txt", append = TRUE)
write.infile(res.mca$var,     file = "MCAresults.txt", append = TRUE)
suppressWarnings(
  fviz_screeplot(res.mca, ncp = 10)
)

Screen Plot前十維度

Scree plot 顯示前兩個維度的解釋量最高，第一維度解釋 9.40%，第二維度解釋 8.80%，之後的維度開始明顯下降並趨於平緩。這表示資料的主要變異結構集中在前兩個維度中，因此本研究後續 MCA 的解釋將以第一維度與第二維度為主要觀察方向。

corrplot(res.mca$var$cos2,
         is.corr = FALSE,
         tl.cex  = .6)

# 維度貢獻
library(factoextra)
fviz_contrib(res.mca, choice = "var", axes = 1)

fviz_contrib(res.mca, choice = "var", axes = 2)

從這三張圖可以看到D3_new_2和D31new_2在Dim1的貢獻高於其他變項，而D12new_2也具有部分的貢獻，且回答為對於政治效能感題目具有正向且明確的態度。此外，在Dim2中D1_new_0和D3_new_0均具有明顯高於其他變項的貢獻，但0的回答多為未具有特定方向的偏好。

plot(
  res.mca,
  axes        = c(1, 2),
  new.plot    = TRUE,
  choix       = "var",       
  col.var     = "red",       
  col.quali.sup = "darkgreen", 
  label       = c("quali.sup", "var"),
  invisible   = c("ind"),    
  autoLab     = "yes",
  title       = "The Distribution of Variables on the MCA Factor Map",
  cex         = 0.8
)

# 變數分布
plot(
  res.mca,
  axes          = c(1, 2),
  new.plot      = TRUE,
  choix         = "var",
  col.var       = "red",
  col.quali.sup = "darkgreen",
  col.ind.sup   = "black",
  col.quanti.sup= "blue",
  label         = "var",
  selectMod     = "cos2 30",
  invisible     = c("ind", "quali.sup"),
  xlim          = c(-1.2, 1.2),
  ylim          = c(-0.6, 0.5),
  autoLab       = "yes",
  title         = ""
)

Warning: Removed 2 rows containing missing values or values outside the scale range
(`geom_point()`).

Warning: Removed 2 rows containing missing values or values outside the scale range
(`geom_text_repel()`).

MCA變數座標圖

Dim1*Dim2

D1_new、D3_new、D12_new相對於其他變相較為右側，且從前一個圖可以發現主要產生貢獻的為具有相對高政治效能感的回答，像是認為自己能夠理解、影響政治等。

而性別、婚姻、教育、工作、出生年代多集中在原點附近，對整個維度的影響較小。

在變項中，D24a_new稍微靠近右側，讓我們去探討認為兩性都適合擔任領導者的人其政治效能感。

從前面兩個圖，Dim2的貢獻主要來自於D1_new_0、D3_new_0以及D12_new_0，因此在這個部分主要是回答較為中立或是未表態。

參考變數分布圖，在Dim1與Dim2中，最重要的類別為D24a_new與D12_new。兩個變項都位在右側，表示它們主要與Dim1的變異相關，但D12_new的座標更偏右上、距離原點較遠，代表D12_new的解釋力較強，D24a_new對兩者的貢獻較低。

plot(
  res.mca,
  axes        = c(1, 3),
  new.plot    = TRUE,
  choix       = "var",       
  col.var     = "red",       
  col.quali.sup = "darkgreen", 
  label       = c("quali.sup", "var"),
  invisible   = c("ind"),    
  autoLab     = "yes",
  title       = "The Distribution of Variables on the MCA Factor Map",
  cex         = 0.8
)

Warning: ggrepel: 1 unlabeled data points (too many overlaps). Consider
increasing max.overlaps

Dim1*Dim3

在這張圖中可以看到D1_new、D3_new以及D12_new較為集中，而D24a_new稍微偏離原點，在這個圖中可以看到Dim3解釋量較低。

## 受訪者在兩個維度上的分佈
plot(
  res.mca,
  axes          = c(1, 2),
  new.plot      = TRUE,
  choix         = "ind",
  col.ind.sup   = "black",
  label         = "ind",
  xlim          = c(-1.2, 1.2),
  ylim          = c(-0.6, 0.5),
  autoLab       = "yes",
  title         = ""
)

plot(
  res.mca,
  axes          = c(1, 2),
  new.plot      = TRUE,
  choix         = "ind",
  col.ind.sup   = "black",
  label         = "ind",
  selectMod     = "cos2 15",
  select        = "cos2 1",
  xlim          = c(-1, 1),
  ylim          = c(-1, 1),
  invisible     = c("quali.sup", "var"),
  title         = ""
)

受訪者在兩個維度的分布

第一張圖把每一位受訪者放在一個平面上，讓我們看到不同人的回答之間有多像或多不一樣。圖的左右（Dim 1）代表人們在題目上的回答比較偏向哪一邊；上和下（Dim 2）則代表另一種回答方式的差異。點靠得越近，表示他們的想法越相似；點散得越開，表示大家的想法差很多。從圖中可以看到，受訪者並不是全部集中在同一個地方，而是分布在四周，代表不同的人在回答中呈現出不同的模式，有些人比較相像、有些人差異很大。這張圖中，每個點代表一位受訪者，不同的顏色及形狀代表不同的背景，像是性別、婚姻、教育程度、工作等。

在這張圖中可以看到在Dim1的差異，在右側較為集中，顯示受訪者，整體而言比較接近政治效能感較高、態度較為明確，而不是大量落在「覺得自己完全沒有影響力、政治太複雜、或不知道自己懂不懂」的那一端。

第二張圖中未呈現受試者的背景分類。從第二張圖可以了解到較多受訪者分布在右側，顯示樣本中多數人具有相對較高的政治效能感，例如認為自己了解政治議題或對政府具備一定影響力。此外，受試者在Dim2的分布較為均勻，表示在「態度明確與否」上的差異並不如左右方向明顯。整體而言，受訪者在 Dim1 上呈現出較清楚的分化，反映政治效能感是區分受試者群體最重要的因素。

library(FactoMineR)

# 橢圓圖：性別差異
plotellipses(
  res.mca,
  keepvar  = "SEX",
  axes     = c(1, 2),
  magnify  = 5,
  lwd      = 4
)

這張圖顯示不同性別的受訪者，在多重對應分析（MCA）中被放置在Dim1 與 Dim2的空間裡。黑色點代表男性、紅色點代表女性。

從圖中可以看到，男性與女性的點大部分是混合在一起的，代表「性別」對於兩個維度所代表的回答模式並沒有產生很大的區別。換句話說，不論是男性還是女性，形成的回答傾向其實非常相近，沒有明顯分成兩群。雖然有少數個案出現一些差異，但整體來看，性別並不是造成受訪者回答差異的主要因素。

# 橢圓圖：世代差異
plotellipses(
  res.mca,
  keepvar  = "Q1a_new",
  axes     = c(1, 2),
  magnify  = 5,
  lwd      = 4
)

這張圖顯示不同出生年的受訪者，在多重對應分析（MCA）中被放置在Dim1 與 Dim2的空間裡。橢圓代表每個出生年份組在回答模式上的「群聚範圍」，如果某個出生年份的組別橢圓明顯離開原點，代表該出生年份的組別的回答模式與整體平均較不同；反之，如果橢圓靠近原點，表示該出生年份的組別的回答與大多數人相似，不特別突出。

從圖中可以看到40–49 年出生的組別的橢圓分布較分散，且部分點落在 Dim1 的左側，表示這組別在某些題目上較不一致、回答模式較具差異。相對地，70–79 、80–89 年出生的群體則更靠近中心，橢圓較小，顯示其回答分布較接近整體平均，沒有特別明顯的回答傾向。另外，「拒答」（青色）形成獨立小群，表示拒答者的回答模式與其他年齡層明顯不同。整體而言，這張圖讓我們看出不同年齡層在回答上的聚集與分散情形，以及哪些族群的回答模式最具差異。

# 橢圓圖：教育程度差異
levels(res.mca$call$X$Q4a)

 [1] "Q4a_不識字"                     "Q4a_識字但未入學"              
 [3] "Q4a_小學肄業"                   "Q4a_小學畢業"                  
 [5] "Q4a_國、初中肄業"               "Q4a_國、初中畢業"              
 [7] "Q4a_高中、職肄業"               "Q4a_高中、職畢業"              
 [9] "Q4a_專科肄業"                   "Q4a_專科畢業"                  
[11] "Q4a_大學肄業(含在學中)"         "Q4a_大學畢業"                  
[13] "Q4a_研究所(含在學、肄業、畢業)" "Q4a_拒答"                      

plotellipses(
  res.mca,
  keepvar  = "Q4a",
  axes     = c(1, 2),
  magnify  = 5,
  lwd      = 4
)

這張圖是多重對應分析（MCA）中針對教育程度所畫出的信賴橢圓圖。圖上的每一個點代表一位受訪者，而不同顏色的橢圓代表教育程度的不同類別。

從圖中可以看到，教育程度屬於較強作用的背景變項：其中不識字、識字未入學、小學肄業、小學畢業等低教育程度類別形成一個明顯的聚集，橢圓大多偏向 Dim2 的上方，顯示低教育組有較一致、且相對不同於平均的回答傾向。

相對地，大學畢業、研究所、大學肄業等高教育組則明顯集中在 原點附近，代表這些受訪者的回答較接近整體平均，在沒有非常強烈或獨特的回答模式。此外，拒答通常也會落在靠近原點的位置，顯示拒答者的整體回答不會特別集中於某一類型。

綜合多重對應分析的結果，可以看出本研究資料的主要結構，主要是由「政治效能感」三題D1_new、D3_new、D12_new所決定。Dim1大致可理解為政治效能高低的連續光譜：在這個維度的右側，集中的是對政治較有自信、也較相信自己具備影響力的受試者；左側則對應較低或較不確定的政治效能感。Dim2則主要由各題的0選項所貢獻，也就是既不同意也不反對、或回答較中立的人，但由於是此為經重新編碼而得到的結果，因此還可能需要再回去檢視編碼為0的選項在態度上是否確實為較為中性的回答以避免造成缺失。

相較之下，性別刻板印象相關題目（D16_new、D23_new、D24a_new、D24b_new）與背景變數的影響力較小。D24a_new略偏向右側，顯示認為兩性都適合或不特別偏好單一性別者，傾向與較高政治效能感同時出現，這個現象提供我重新思考我原有對性別刻板印象的理解及假設；但整體而言，性別刻板印象變項對兩個主要維度的貢獻有限，並未形成明顯的貢獻。背景變項中，性別與婚姻狀態的座標多落在原點附近，代表男性與女性、已婚與未婚之間在整體回答模式上相當接近；年齡與教育略有差異，特別是低教育程度受訪者在空間中稍微偏離平均，但高教育與中年世代大致圍繞在原點，我想這也是值得探討的點，不同教育程度對於政治效能感的影響。

整體來看，MCA 的結果顯示：在本份資料中，受訪者之間真正拉開距離的關鍵，不是性別或性別刻板印象，而是他們對自己政治理解與影響力的感受。

、參考文獻

一、英文

Ellemers N (2018) Gender Stereotypes. Annual Review of Psychology 69: 275–298.

Phillips, A. (1998). Feminism and politics. OUP Oxford.

二、中文

楊婉瑩（2007）。政治參與的性別差異。選舉研究，14(2)，53-94。https://doi.org/10.6612/tjes.2007.14.02.53-94

楊婉瑩、林珮婷（2011）。當「男女有別」變成「男女不平等」－性別角色認知與政治效能感。女學學誌：婦女與性別研究，(29)，121-172。https://doi.org/10.6255/JWGS.2011.29.121