性別刻板印象對政治效能感的影響

Author

張瀞云 

here::here()
[1] "/Users/liachang/Library/CloudStorage/OneDrive-個人/中山報告/114上學期/poll/politicalefficacy/1206民意作業/1206民調"
library(sf)
Linking to GEOS 3.13.0, GDAL 3.8.5, PROJ 9.5.1; sf_use_s2() is TRUE
library(haven)
data<-read_sav("台灣民主化調查TEDS2024/Independence/TEDS2024_indQ_utf8.sav")
data1<-data#避免變動原始資料
nrow(data1)
[1] 1206
library(extrafont)
Registering fonts with R
library(showtext)
Loading required package: sysfonts
Loading required package: showtextdb

Attaching package: 'showtextdb'
The following object is masked from 'package:extrafont':

    font_install
library(systemfonts)
font_add_google("Noto Sans TC", "notoTC")
showtext_auto()

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。

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，受訪者（N）為1206，而成功追蹤樣本為1972份，受訪者（N）為1972。

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、選擇的問題及編碼

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。

（一）性別角色分工的選題

在這個部分主要選的題目為D16、D22、D24a、D24b。此外，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。非常同意及同意為1，不同意與非常不同意-1。

library(sjmisc)
library(sjPlot)
data1$D16 <- set_na(data1$D16, na = c(3, 95:98))
data1$D16 <- rec(
  data1$D16,
  rec = "1,2=1 [同意];
         4,5=-1 [不同意]",
  var.label = "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? ",
  val.labels = c("-1"="不同意", "1" = "同意"),
  as.num = FALSE
)
#加權
frq(data1$D16, weights = data1$W, out="v")
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? (xw) <categorical>
val label frq raw.prc valid.prc cum.prc
-1 不同意 645 78.09 78.09 78.09
1 同意 181 21.91 21.91 100.00
NA NA 0 0.00 NA NA
total N=826 · valid N=826 · x̄=-0.56 · σ=0.83 
plot_frq(data1$D16, weight.by = data1$W)

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，此外為了解其他意見的差異，太低為－１，其餘的編碼為0。

library(sjmisc)
data1$D23 <- set_na(data1$D23, na = c( 95:98))
data1$D23 <- rec(
  data1$D23,
  rec = "3 =0[剛剛好];
         2=-1[太低];
         1 = 1 [太高]",
  var.label = "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?",
  val.labels = c("0" = "剛剛好","-1"="太低", "1" = "太高"),
  as.num = FALSE
)
frq(data1$D23, weights = data1$W, out="v")
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? (xw) <categorical>
val label frq raw.prc valid.prc cum.prc
-1 太低 65 6.02 6.02 6.02
0 剛剛好 939 86.94 86.94 92.96
1 太高 76 7.04 7.04 100.00
NA NA 0 0.00 NA NA
total N=1080 · valid N=1080 · x̄=0.01 · σ=0.36 
plot_frq(data1$D23, weight.by = data1$W)

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1，而通常為女性較適合及一定為女性較適合定義為-1，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。

library(sjmisc)
data1$D24a <- set_na(data1$D24a, na = c(5, 95:98))
data1$D24a <- rec(
  data1$D24a,
  rec = "1,2=1 ;
         3,4=-1",
  var.label = "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?" ,
  val.labels = c( "1" = "男性政治人物較適合",
  "-1" = "女性政治人物較適合"),
  as.num = FALSE
)
sjmisc::frq(data1$D24a)
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? (x) <categorical> 
# total N=1206 valid N=153 mean=0.06 sd=1.00

Value |              Label |    N | Raw % | Valid % | Cum. %
------------------------------------------------------------
   -1 | 女性政治人物較適合 |   72 |  5.97 |   47.06 |  47.06
    1 | 男性政治人物較適合 |   81 |  6.72 |   52.94 | 100.00
 <NA> |               <NA> | 1053 | 87.31 |    <NA> |   <NA>
frq(data1$D24a, weights = data1$W, out="v")
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? (xw) <categorical>
val label frq raw.prc valid.prc cum.prc
-1 女性政治人物較適合 76 49.67 49.67 49.67
1 男性政治人物較適合 77 50.33 50.33 100.00
NA NA 0 0.00 NA NA
total N=153 · valid N=153 · x̄=0.01 · σ=1.00 
plot_frq(data1$D24a, weight.by = data1$W)

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。

library(sjmisc)
data1$D24b <- set_na(data1$D24b, na = c(5, 95:98))
data1$D24b <- rec(
  data1$D24b,
  rec = "1,2=1 ;
         3,4=-1",
  var.label = "那在面對經濟的危機時呢?" ,
  val.labels = c( "1" = "男性政治人物較適合",
  "-1" = "女性政治人物較適合"),
  as.num = FALSE
)
sjmisc::frq(data1$D24b)
那在面對經濟的危機時呢? (x) <categorical> 
# total N=1206 valid N=319 mean=0.67 sd=0.75

Value |              Label |   N | Raw % | Valid % | Cum. %
-----------------------------------------------------------
   -1 | 女性政治人物較適合 |  53 |  4.39 |   16.61 |  16.61
    1 | 男性政治人物較適合 | 266 | 22.06 |   83.39 | 100.00
 <NA> |               <NA> | 887 | 73.55 |    <NA> |   <NA>
frq(data1$D24b, weights = data1$W, out="v")
那在面對經濟的危機時呢? (xw) <categorical>
val label frq raw.prc valid.prc cum.prc
-1 女性政治人物較適合 52 17.63 17.63 17.63
1 男性政治人物較適合 243 82.37 82.37 100.00
NA NA 0 0.00 NA NA
total N=295 · valid N=295 · x̄=0.65 · σ=0.77 
plot_frq(data1$D24b, weight.by = data1$W)

（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。

library(sjmisc)
library(sjPlot)
data1$D1 <- set_na(data1$D1, na = c(95:98))
data1$D1 <- rec(
  data1$D1,
  rec = "1=-2 [非常同意沒有影響力] ;
         2=-1 [同意沒有影響力] ;
         3=1 [不同意沒有影響力];
         4=2 [非常不同意沒有影響力]",
  var.label = "我們一般民眾對政府的作為，沒有任何影響力" ,
  val.labels = c( "-2" = "非常同意沒有影響力",
  "-1" = "同意沒有影響力",
  "1" = "不同意沒有影響力",
"2" = "非常不同意沒有影響力"),
  as.num = FALSE
)
frq(data1$D1, weights = data1$W, out="v")
我們一般民眾對政府的作為，沒有任何影響力 (xw) <categorical>
val label frq raw.prc valid.prc cum.prc
-2 非常同意沒有影響力 56 4.90 4.90 4.90
-1 同意沒有影響力 328 28.67 28.67 33.57
1 不同意沒有影響力 652 56.99 56.99 90.56
2 非常不同意沒有影響力 108 9.44 9.44 100.00
NA NA 0 0.00 NA NA
total N=1144 · valid N=1144 · x̄=0.37 · σ=1.14 
plot_frq(data1$D1, weight.by = data1$W)

  1. 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。

    library(sjmisc)
library(sjPlot)
data1$D3 <- set_na(data1$D3, na = c(5, 95:98))
data1$D3 <- rec(
  data1$D3,
  rec = "1=-2[非常同意];
  2=-1[同意] ;
  3=1[不同意];
  4=2[非常不同意]",
  var.label = "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。」" ,
  val.labels = c( "1" = "不同意",
                  "2"="非常不同意",
                    "-1"="同意",
                    "-2"="非常同意"),
  as.num = FALSE
)
sjmisc::frq(data1$D3)
    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。」 (x) <categorical> 
# total N=1206 valid N=1169 mean=-0.43 sd=1.15

Value |      Label |   N | Raw % | Valid % | Cum. %
---------------------------------------------------
   -2 |   非常同意 | 147 | 12.19 |   12.57 |  12.57
   -1 |       同意 | 644 | 53.40 |   55.09 |  67.66
    1 |     不同意 | 325 | 26.95 |   27.80 |  95.47
    2 | 非常不同意 |  53 |  4.39 |    4.53 | 100.00
 <NA> |       <NA> |  37 |  3.07 |    <NA> |   <NA>
    frq(data1$D3, weights = data1$W, out="v")
    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。」 (xw) <categorical>
    val label frq raw.prc valid.prc cum.prc
    -2 非常同意 150 12.77 12.77 12.77
    -1 同意 653 55.57 55.57 68.34
    1 不同意 318 27.06 27.06 95.40
    2 非常不同意 54 4.60 4.60 100.00
    NA NA 0 0.00 NA NA
    total N=1175 · valid N=1175 · x̄=-0.45 · σ=1.15 
    plot_frq(data1$D3, weight.by = data1$W)

  2. 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。

library(sjmisc)
data1$D12 <- set_na(data1$D12, na = c(3, 95,98))
data1$D12 <- rec(
  data1$D12,
  rec = "1=2[非常同意];
  2=1[同意] ;
  4=-1[不同意];
  5=-2[非常不同意]",
  var.label = "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? " ,
  val.labels = c( "-1" = "不同意",
                  "-2"="非常不同意",
                    "1"="同意",
                    "2"="非常同意"),
  as.num = FALSE
)
sjmisc::frq(data1$D12)
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? (x) <categorical> 
# total N=1206 valid N=774 mean=0.09 sd=1.16

Value |      Label |   N | Raw % | Valid % | Cum. %
---------------------------------------------------
   -2 | 非常不同意 |  34 |  2.82 |    4.39 |   4.39
   -1 |     不同意 | 332 | 27.53 |   42.89 |  47.29
    1 |       同意 | 350 | 29.02 |   45.22 |  92.51
    2 |   非常同意 |  58 |  4.81 |    7.49 | 100.00
 <NA> |       <NA> | 432 | 35.82 |    <NA> |   <NA>
frq(data1$D12, weights = data1$W, out="v")
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? (xw) <categorical>
val label frq raw.prc valid.prc cum.prc
-2 非常不同意 34 4.50 4.50 4.50
-1 不同意 348 46.09 46.09 50.60
1 同意 327 43.31 43.31 93.91
2 非常同意 46 6.09 6.09 100.00
NA NA 0 0.00 NA NA
total N=755 · valid N=755 · x̄=0.00 · σ=1.15 
plot_frq(data1$D12, weight.by = data1$W)

（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，因此不會有過多的變動，僅將拒答設定為無效值。

library(sjmisc)
data1$Q4a <- set_na(data1$Q4a, na = c(2,95))
frq(data1$Q4a, weights = data1$W, out="v")
請問您的教育程度是什麼? (xw) <numeric>
val label frq raw.prc valid.prc cum.prc
1 不識字 25 2.08 2.08 2.08
3 小學肄業 23 1.91 1.91 3.99
4 小學畢業 76 6.31 6.31 10.30
5 國、初中肄業 14 1.16 1.16 11.46
6 國、初中畢業 121 10.05 10.05 21.51
7 高中、職肄業 36 2.99 2.99 24.50
8 高中、職畢業 293 24.34 24.34 48.84
9 專科肄業 8 0.66 0.66 49.50
10 專科畢業 129 10.71 10.71 60.22
11 大學肄業(含在學中) 59 4.90 4.90 65.12
12 大學畢業 296 24.58 24.58 89.70
13 研究所(含在學、肄業、畢業) 124 10.30 10.30 100.00
NA NA 0 0.00 NA NA
total N=1204 · valid N=1204 · x̄=9.11 · σ=3.03 
library(sjPlot)
plot_frq(data1$Q4a, weight.by = data1$W)

  1. 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。

    library(sjmisc)
data1$Q7a <- set_na(data1$Q7a, na = 95)
data1$Q7a <- rec(
  data1$Q7a,
  rec = "2,3=2[兼職及兼差];
  1=1[擔任全職工作(每週工作32小時以上)];
  4=4[在家幫忙];
  5=5[ 待業中(有找工作但沒找到)];
  6=6[學生或參加職業訓練];
  7=7[退休];
  8=8[家管 ];
  9=9[因身體殘疾無法工作];
  10=10[一直無業]",
  var.label = "請問您目前工作或兼差的情形是怎樣? " ,
  val.labels = c("1" = "全職工作","2" = "兼職及兼差","4" = "在家幫忙","5" = "失業待業中","6" = "學生或參加職業訓練","7" = "退休","8" = "家管","9" = "因身體殘疾無法工作","10" = "一直無業") ,
  as.num = FALSE
)
sjmisc::frq(data1$Q7a)
    請問您目前工作或兼差的情形是怎樣? (x) <categorical> 
# total N=1206 valid N=1205 mean=3.65 sd=3.02

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 |   49.38 |  49.38
    2 |                       兼職及兼差 | 104 |  8.62 |    8.63 |  58.01
    4 |                         在家幫忙 |  12 |  1.00 |    1.00 |  59.00
    5 |         待業中(有找工作但沒找到) |  29 |  2.40 |    2.41 |  61.41
    6 |               學生或參加職業訓練 |  33 |  2.74 |    2.74 |  64.15
    7 |                             退休 | 262 | 21.72 |   21.74 |  85.89
    8 |                             家管 | 157 | 13.02 |   13.03 |  98.92
    9 |               因身體殘疾無法工作 |  13 |  1.08 |    1.08 | 100.00
   10 |                         一直無業 |   0 |  0.00 |    0.00 |  49.38
 <NA> |                             <NA> |   1 |  0.08 |    <NA> |   <NA>
    frq(data1$Q7a, weights = data1$W, out="v")
    請問您目前工作或兼差的情形是怎樣? (xw) <categorical>
    val label frq raw.prc valid.prc cum.prc
    1 擔任全職工作(每週工作32小時以上) 624 51.74 51.74 51.74
    2 兼職及兼差 109 9.04 9.04 60.78
    4 在家幫忙 13 1.08 1.08 61.86
    5 待業中(有找工作但沒找到) 33 2.74 2.74 64.59
    6 學生或參加職業訓練 42 3.48 3.48 68.08
    7 退休 197 16.33 16.33 84.41
    8 家管 174 14.43 14.43 98.84
    9 因身體殘疾無法工作 14 1.16 1.16 100.00
    10 一直無業 0 0.00 0.00 51.74
    NA NA 0 0.00 NA NA
    total N=1206 · valid N=1206 · x̄=3.49 · σ=3.00 
    plot_frq(data1$Q7a, weight.by = data1$W)

  2. 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。

    library(sjmisc)
data1$Q1a <- set_na(data1$Q1a, na = 95)
data1$Q1a <- rec(
  data1$Q1a,
  rec = "20:29=20;
  30:39=30;
  40:49=40;
  50:59=50;
  60:69=60;
  70:79=70;
  80:89=80;
  90:92=90;",
  var.label = "請問您是民國幾年出生的?(出生年代) " ,
  val.labels = 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") ,
  as.num = FALSE
)
sjmisc::frq(data1$Q1a)
    請問您是民國幾年出生的?(出生年代) (x) <categorical> 
# total N=1206 valid N=1201 mean=55.43 sd=17.44

Value | Label |   N | Raw % | Valid % | Cum. %
----------------------------------------------
   20 | 20~29 |  33 |  2.74 |    2.75 |   2.75
   30 | 30~39 | 113 |  9.37 |    9.41 |  12.16
   40 | 40~49 | 244 | 20.23 |   20.32 |  32.47
   50 | 50~59 | 207 | 17.16 |   17.24 |  49.71
   60 | 60~69 | 219 | 18.16 |   18.23 |  67.94
   70 | 70~79 | 198 | 16.42 |   16.49 |  84.43
   80 | 80~89 | 142 | 11.77 |   11.82 |  96.25
   90 | 90~92 |  45 |  3.73 |    3.75 | 100.00
 <NA> |  <NA> |   5 |  0.41 |    <NA> |   <NA>
    frq(data1$Q1a, weights = data1$W, out="v")
    請問您是民國幾年出生的?(出生年代) (xw) <categorical>
    val label frq raw.prc valid.prc cum.prc
    20 20~29 26 2.17 2.17 2.17
    30 30~39 93 7.76 7.76 9.92
    40 40~49 195 16.26 16.26 26.19
    50 50~59 196 16.35 16.35 42.54
    60 60~69 213 17.76 17.76 60.30
    70 70~79 227 18.93 18.93 79.23
    80 80~89 186 15.51 15.51 94.75
    90 90~92 63 5.25 5.25 100.00
    NA NA 0 0.00 NA NA
    total N=1199 · valid N=1199 · x̄=58.49 · σ=17.69 
    library(sjPlot)
 plot_frq(data1$Q1a,weight.by=data$W,geom.colors="gray")

  3. 請問您目前的婚姻狀況? (Q8)

    library(sjmisc)
data1$Q8 <- set_na(data1$Q8, na = 95)
sjmisc::frq(data1[c("Q8")])
    請問您目前的婚姻狀況? (Q8) <numeric> 
# total N=1206 valid N=1202 mean=2.79 sd=2.20

Value | Label |   N | Raw % | Valid % | Cum. %
----------------------------------------------
    1 |  已婚 | 678 | 56.22 |   56.41 |  56.41
    2 |  分居 |   8 |  0.66 |    0.67 |  57.07
    3 |  寡居 | 112 |  9.29 |    9.32 |  66.39
    4 |  同居 |   6 |  0.50 |    0.50 |  66.89
    5 |  離婚 |  86 |  7.13 |    7.15 |  74.04
    6 |  未婚 | 312 | 25.87 |   25.96 | 100.00
 <NA> |  <NA> |   4 |  0.33 |    <NA> |   <NA>
    frq(data1$Q8, weights = data1$W, out="v")
    請問您目前的婚姻狀況? (xw) <numeric>
    val label frq raw.prc valid.prc cum.prc
    1 已婚 632 52.54 52.54 52.54
    2 分居 8 0.67 0.67 53.20
    3 寡居 106 8.81 8.81 62.01
    4 同居 7 0.58 0.58 62.59
    5 離婚 82 6.82 6.82 69.41
    6 未婚 368 30.59 30.59 100.00
    NA NA 0 0.00 NA NA
    total N=1203 · valid N=1203 · x̄=3.00 · σ=2.27 
    plot_frq(data1$Q8, weight.by = data1$W)

  4. 性別 (SEX)

data1$SEX <- rec(
  data1$SEX,
  rec = "2=2[女性];
         1=1[男性]",
  var.label = "性別",
  val.labels = c("2" = "女性","1" = "男性"),
  as.num = FALSE
)
 sjmisc::frq(data$SEX)
性別 (x) <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>
 frq(data1$SEX, weights = data1$W, out="v")
性別 (xw) <categorical>
val label frq raw.prc valid.prc cum.prc
1 男性 589 48.84 48.84 48.84
2 女性 617 51.16 51.16 100.00
NA NA 0 0.00 NA NA
total N=1206 · valid N=1206 · x̄=1.51 · σ=0.50 
 library(sjPlot)
 plot_frq(data1$SEX,weight.by=data$W,geom.colors="brown")

三、資料分析

（一）變項關聯探索及分析

在這部分我選擇了Q4a、D12、D24b之間的關係，會選擇這三個變項的主要原因為，D24b為本研究中用來檢視是否具有性別刻板印象的重要變項，D12則為衡量政治效能感的變項，在此處想要先透過這兩個變項初步了解在本研究中所關注的性別刻板印象及政治效能感之間的關係。此外，教育為重要的政治社會化途徑，因此我想要了解不同教育程度與政治效能感、性別角色分工之間的關聯性。

  1. D24b與D12之間的關聯

    本研究欲檢視性別刻板印象是否與政治效能感存在關聯，因此選擇 D24b（認為哪一性別較適合處理經濟危機）作為性別角色刻板印象的指標，並以 D12（是否認為自己了解國家最重要的政治議題）作為政治效能感的衡量。在這兩個變數之間，我原先預期「認為男性一定比較適合處理經濟議題」的類別與較低的政治效能感之間具有關聯性。

    library(sjPlot)

plot_xtab(data1$D24b, data1$D12, margin = "row")

    從上圖可以發現，無論是認為女性政治人物較適合或是男性政治人物較適合的受試者，多同意自己能夠了解國家重要政治議題，政治效能感高低在兩組的差異不明顯，這與我一開始所期待的關聯不符。

    接著，進一步檢驗D12與D24b之間關聯，在此處會使用卡方檢定驗證彼此關聯。

    假設

    H0:D24b與 D12之間無關聯

    H1:D24b 與 D12之間有關聯

#卡方檢定
#交叉分析及製表
chisq.test(data1$D24b, data1$D12)
Warning in chisq.test(data1$D24b, data1$D12): Chi-squared approximation may be
incorrect

    Pearson's Chi-squared test

data:  data1$D24b and data1$D12
X-squared = 3.9476, df = 3, p-value = 0.2672
tab_xtab(data1$D24b,data1$D12, 
         show.obs = T, 
         show.row.prc = T, 
         show.col.prc = T, 
         remove.spaces = T)
那在面對經濟的危機時呢? 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?		 Total
非常不同意 不同意 同意 非常同意
女性政治人物較適合 3
8.3 %
42.9 %		 13
36.1 %
14.4 %		 16
44.4 %
15.8 %		 4
11.1 %
19 %		 36
100 %
16.4 %
男性政治人物較適合 4
2.2 %
57.1 %		 77
42.1 %
85.6 %		 85
46.4 %
84.2 %		 17
9.3 %
81 %		 183
100 %
83.6 %
Total 7
3.2 %
100 %		 90
41.1 %
100 %		 101
46.1 %
100 %		 21
9.6 %
100 %		 219
100 %
100 %
χ2=3.948 · df=3 · Cramer's V=0.134 · Fisher's p=0.259

檢定結果p-value = 0.2672

從卡方檢定的結果可以發現D12與D24b中不具有關聯性。這樣的結果反映出在樣本中，政治效能感的高低並不足以區分出誰比較持有性別刻板印象。

  1. Q4a以及D12之間的關係

    在這兩個變數之間，此處預期高教育程度與「同意自己了解重要議題」類別之間具有關聯性。

    plot_xtab(data1$D12, data1$Q4a, margin = "row")

    從此圖可以發現在研究所、大學等高學歷的受試者，多數認同自己能夠了解國家重要的政治議題，且在高中、職畢業以下教育程度的受試者多更傾向不同意自己了解國家最重要的政治議題。因此與一開始預期的關聯相符。

    接著，進一步檢驗Q4a與D12之間關聯，在此處會使用卡方檢定驗證彼此關聯。

    假設

    H0:Q4a與 D12之間無關聯

    H1:Q4a與 D12之間有關聯

#卡方檢定
#交叉分析及製表
chisq.test(data1$D12, data1$Q4a)$p.value
Warning in chisq.test(data1$D12, data1$Q4a): Chi-squared approximation may be
incorrect
[1] 5.736428e-10
tab_xtab(data1$Q4a,data1$D12, 
         show.obs = T, 
         show.row.prc = T, 
         show.col.prc = T, 
         remove.spaces = T)
請問您的教育程度是什麼? 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?		 Total
非常不同意 不同意 同意 非常同意
不識字 5
41.7 %
14.7 %		 4
33.3 %
1.2 %		 3
25 %
0.9 %		 0
0 %
0 %		 12
100 %
1.6 %
小學肄業 3
15.8 %
8.8 %		 7
36.8 %
2.1 %		 7
36.8 %
2 %		 2
10.5 %
3.4 %		 19
100 %
2.5 %
小學畢業 7
12.7 %
20.6 %		 26
47.3 %
7.8 %		 20
36.4 %
5.7 %		 2
3.6 %
3.4 %		 55
100 %
7.1 %
國、初中肄業 0
0 %
0 %		 3
100 %
0.9 %		 0
0 %
0 %		 0
0 %
0 %		 3
100 %
0.4 %
國、初中畢業 4
6 %
11.8 %		 34
50.7 %
10.2 %		 26
38.8 %
7.4 %		 3
4.5 %
5.2 %		 67
100 %
8.7 %
高中、職肄業 1
6.2 %
2.9 %		 4
25 %
1.2 %		 9
56.2 %
2.6 %		 2
12.5 %
3.4 %		 16
100 %
2.1 %
高中、職畢業 6
3.6 %
17.6 %		 83
49.4 %
25 %		 71
42.3 %
20.3 %		 8
4.8 %
13.8 %		 168
100 %
21.7 %
專科肄業 0
0 %
0 %		 3
60 %
0.9 %		 2
40 %
0.6 %		 0
0 %
0 %		 5
100 %
0.6 %
專科畢業 1
1.1 %
2.9 %		 49
52.1 %
14.8 %		 35
37.2 %
10 %		 9
9.6 %
15.5 %		 94
100 %
12.1 %
大學肄業(含在學中) 1
3.6 %
2.9 %		 16
57.1 %
4.8 %		 10
35.7 %
2.9 %		 1
3.6 %
1.7 %		 28
100 %
3.6 %
大學畢業 6
3 %
17.6 %		 77
38.1 %
23.2 %		 103
51 %
29.4 %		 16
7.9 %
27.6 %		 202
100 %
26.1 %
研究所(含在學、肄業、畢業) 0
0 %
0 %		 26
24.8 %
7.8 %		 64
61 %
18.3 %		 15
14.3 %
25.9 %		 105
100 %
13.6 %
Total 34
4.4 %
100 %		 332
42.9 %
100 %		 350
45.2 %
100 %		 58
7.5 %
100 %		 774
100 %
100 %
χ2=108.442 · df=33 · Cramer's V=0.216 · Fisher's p=0.000

從卡方檢定的結果來看，兩者具有顯著的相關性。由於 p < .05，因此拒絕虛無假設 H0。在這份資料中，受訪者的教育程度與其自我對於政治議題理解的認知具有關聯。

  1. Q4a與D24b之間的關聯

    本研究預期教育程度可能影響受訪者是否具有性別刻板印象。較低教育程度者可能更傾向認為「男性政治人物較適合處理經濟危機」，而較高教育程度者則可能較不受此刻板印象影響。

    plot_xtab(data1$Q4a, data1$D24b, margin = "row")

    從此圖中可以發現不管為何種教育程度，多數受試者認為男性政治人物較適合處理經濟危機。但就圖中的結果，較難看出明顯的趨勢。

    接著，進一步檢驗Q4a與D24b之間關聯，在此處會使用卡方檢定驗證彼此關聯。

    假設

    H0:Q4a與 D24b之間無關聯

    H1:Q4a與 D24b之間有關聯

    library(sjPlot)
#卡方檢定
#交叉分析及製表
chisq.test(data1$D24b, data1$Q4a)
    Warning in chisq.test(data1$D24b, data1$Q4a): Chi-squared approximation may be
incorrect
    
    Pearson's Chi-squared test

data:  data1$D24b and data1$Q4a
X-squared = 27.569, df = 11, p-value = 0.003767
    tab_xtab(data1$Q4a,data1$D24b, 
         show.obs = T, 
         show.row.prc = T, 
         show.col.prc = T, 
         remove.spaces = T)
    請問您的教育程度是什麼? 那在面對經濟的危機時呢? Total
    女性政治人物較適合 男性政治人物較適合
    不識字 1
    33.3 %
    1.9 %    		 2
    66.7 %
    0.8 %    		 3
    100 %
    0.9 %
    小學肄業 2
    28.6 %
    3.8 %    		 5
    71.4 %
    1.9 %    		 7
    100 %
    2.2 %
    小學畢業 4
    21.1 %
    7.5 %    		 15
    78.9 %
    5.6 %    		 19
    100 %
    6 %
    國、初中肄業 1
    50 %
    1.9 %    		 1
    50 %
    0.4 %    		 2
    100 %
    0.6 %
    國、初中畢業 3
    13.6 %
    5.7 %    		 19
    86.4 %
    7.1 %    		 22
    100 %
    6.9 %
    高中、職肄業 5
    71.4 %
    9.4 %    		 2
    28.6 %
    0.8 %    		 7
    100 %
    2.2 %
    高中、職畢業 11
    13.4 %
    20.8 %    		 71
    86.6 %
    26.7 %    		 82
    100 %
    25.7 %
    專科肄業 0
    0 %
    0 %    		 3
    100 %
    1.1 %    		 3
    100 %
    0.9 %
    專科畢業 4
    8.5 %
    7.5 %    		 43
    91.5 %
    16.2 %    		 47
    100 %
    14.7 %
    大學肄業(含在學中) 4
    44.4 %
    7.5 %    		 5
    55.6 %
    1.9 %    		 9
    100 %
    2.8 %
    大學畢業 14
    16.7 %
    26.4 %    		 70
    83.3 %
    26.3 %    		 84
    100 %
    26.3 %
    研究所(含在學、肄業、畢業) 4
    11.8 %
    7.5 %    		 30
    88.2 %
    11.3 %    		 34
    100 %
    10.7 %
    Total 53
    16.6 %
    100 %    		 266
    83.4 %
    100 %    		 319
    100 %
    100 %
    χ2=27.569 · df=11 · Cramer's V=0.294 · Fisher's p=0.008

結果顯示 p-value = 0.003767

從卡方檢定的結果來看，兩者具有相關性。由於 p < .05，因此拒絕虛無假設 H0。在這份資料中，受訪者的教育程度與不同性別政治人物處理經濟危機的偏好具有關聯。

（二）多重變數分析

  1. 挑選變數

    在多重變數分析中挑選了D12、D24a、D24b、D16、D1、D3、Q1a、Q7a、SEX、D23這幾個變數進行多重變數分析。

library(haven)
library(tidyverse)
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.1.4     ✔ readr     2.1.5
✔ forcats   1.0.1     ✔ stringr   1.5.2
✔ ggplot2   4.0.1     ✔ tibble    3.3.0
✔ lubridate 1.9.4     ✔ tidyr     1.3.1
✔ purrr     1.1.0     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ tibble::add_case()   masks sjmisc::add_case()
✖ dplyr::filter()      masks stats::filter()
✖ purrr::is_empty()    masks sjmisc::is_empty()
✖ dplyr::lag()         masks stats::lag()
✖ tidyr::replace_na()  masks sjmisc::replace_na()
✖ ggplot2::set_theme() masks sjPlot::set_theme()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
dataforMCA <- select(data1, c(D12, D24a, D24b, D16, D1, D3,Q1a,Q7a,SEX, D23)) %>%
  na.omit()

nrow(dataforMCA)
[1] 57
par(mfrow = c(2, 3))
for(i in 1:ncol(dataforMCA)){
  plot(
    dataforMCA[[i]],
    main = colnames(dataforMCA)[i],
    ylab = "Count",
    col = "steelblue",
    xlab = colnames(dataforMCA)[i],
    las = 2
  )
}

D12：是否同意自己了解國家最重要的政治議題

此題測量受試者對自身政治議題理解程度的自我評估。經重新編碼後，-2 代表非常不同意、-1為不同意；1 代表同意、2代表非常同意。

從圖中可以看到，同意及不同意兩組之間的分布相對平均，但「同意自己了解重要政治議題」的人略高於「不同意」。這顯示在樣本中，然而在非常同意及非常不同意的回答明顯少於同意及不同意。

D24a哪一種性別的政治人物較適合處理公共衛生危機

此題詢問受試者在公共衛生危機中認為哪種性別的政治人物較適合擔任領導者。重新編碼後，-1 代表偏好女性領導者，1 代表偏好男性領導者。

從圖中可看到，樣本中偏好男性領導者的比例高於偏好女性的人。然而分布仍顯示一定程度的變異，不同群體對政治人物性別的看法具有差異。

D24b哪一種性別的政治人物較適合處理經濟危機

此題將情境改為「經濟危機」。編碼方式與 D24a 相同。圖形呈現明顯不同的分布，偏好女性的比例相較於男性低，相較於公共衛生議題，受試者在經濟領域更採取男性較適合的態度，整體分布變異較低。

D16：女性席次政策是否走過頭？

此題探討受試者對「增加選舉中女性席次政策」是否過度的看法。編碼後，-1 表示不同意、1 表示同意。

從圖中可以看到，-1 的回答較1多。整體分布顯示，多數受試者傾向「並不認為女性席次政策走過頭」。然而，也有一定比例的人表示「同意政策已過度推動」，顯示社會大眾仍存在不同解讀，但整體仍以不支持「走過頭說」為主。

D1：對政府是否有影響力

負值為同意自身對政府決策沒有影響力，而正值則為不同意自身對政府決策沒有影響力，其代表自身政治效能感較高。

從圖中可以看到編碼為1的較-1的高，但仍具有一定的變異。

D3：是否同意政治太複雜無法搞懂

此題的編碼與D1相同，而-1的比重較1多，在此題中表現的受試者，較多受試者認為自身不能理解政治。雖然兩者具有差異，但並非懸殊，具有一定變異。

Q1a：出身年代

從圖中可以了解受試者的出生年代多集中在40~60年代間。

Q7a：職業狀況

在職業狀況分佈差異較大，多數受試者為全職工作者，而在家幫忙、長期無業較少。

SEX：性別

SEX 為受試者的生理性別，1 與 2 分別代表兩種性別。從長條圖可以看出，1 的比重高於 2，顯示在這份子樣本中，男性略多於另一性別。

D23：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?

重新編碼後，-1 表示覺得「太低」、1 表示「太高」、0則為「剛剛好」。從圖中可以看到0最多，而太高和太低比較，太低比例較少，整體變異量較少。

library(dplyr)
library(haven)
library(FactoMineR)
library(factoextra)
Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa
library(corrplot)
corrplot 0.95 loaded
library(tidyr)   

res.mca <- MCA(
  dataforMCA,
  ncp = 5,
  quali.sup = c(7, 8, 9),
  graph = FALSE
)

summary(res.mca,
        nb.dec     = 3,
        nbelements = 10,
        nbind      = 10,
        ncp        = 2,
        file       = "MCA_2dim_result.txt")

res.mca$dimdesc <- dimdesc(res.mca, axes = 1:5)
write.infile(res.mca$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)
)
Warning in geom_bar(stat = "identity", fill = barfill, color = barcolor, :
Ignoring empty aesthetic: `width`.

  1. Screen Plot前十維度

Scree plot 顯示前兩個維度的解釋量最高，第一維度解釋超過15%，第二維度解釋為15%，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。

#維次歸納描述
library(corrplot)
corrplot(res.mca$var$cos2,
         is.corr = FALSE,
         tl.cex  = .6)

library(factoextra)
fviz_contrib(res.mca, choice = "var", axes = 1)

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

  1. 維次歸納描述

第一張圖顯示了變數對於形成維次的貢獻程度，當點愈深時表示對維次的貢獻愈大。

第一張圖可以看到維次一中較深的點為D3_-2、D1_-1，接著較具有影響的為D23_-1及D12_-2。D1、D3、及D12為在本研究中作爲了解政治效能感的題目，在此三題中，編碼為正值的為較高的政治效能感，編碼為負值的為較低的政治效能感。因此，可以發現維次一中貢獻較高的主要為政治效能感為負值的回答。而D23的題目在本研究中作為檢視是否有性別刻板印象的題目，可以發現太低的回答貢獻度較高。

進一步檢視維次二，貢獻較大的變數為D23_1、D16_1、D16_-1、D12_-1、D1_1。D23中回答1的為認為現在立法院女性立委佔比太高。D16為討論女性席次政治是否過頭，-1為不同意，而D1及D12在維次一的部分討論過，此處不加以論述內容。

而從第二及第三張圖可以明顯看出他們的貢獻排序差異。

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         = ""
)

  1. 變數關聯分布圖
plot(
  res.mca,
  axes        = c(1, 2),
  new.plot    = TRUE,
  col.var     = "red",
  col.quali.sup = "darkgreen",
  col.ind.sup = "black",
  label       = c("var"),cex=0.8,
  selectMod = "cos2 70",
  invisible   = c("ind","quali.sup"),    
  autoLab     = "yes",
  title       = "變數類別關係圖"
)

plot(
  res.mca,
  axes        = c(1, 2),
  new.plot    = TRUE,
  col.var     = "red",
  col.quali.sup = "darkgreen",
  col.ind.sup = "black",
  col.quanti.sup = "blue",
  label       = c("var"),cex=0.8,
  selectMod = "cos2 30",
  invisible   = c("ind","quali.sup"),
  xlim=c(-1.2,1.2),ylim=c(-0.6,2),
  autoLab     = "yes",
  title       = "變數類別關係圖"
)
Warning: Removed 7 rows containing missing values or values outside the scale range
(`geom_point()`).
Warning: Removed 7 rows containing missing values or values outside the scale range
(`geom_text_repel()`).

  1. 變數類別關係圖
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         = "受試者分布"
)
Warning: Removed 22 rows containing missing values or values outside the scale range
(`geom_point()`).
Warning: Removed 22 rows containing missing values or values outside the scale range
(`geom_text_repel()`).
Warning: Removed 11 rows containing missing values or values outside the scale range
(`geom_point()`).
Warning: Removed 11 rows containing missing values or values outside the scale range
(`geom_text_repel()`).
Warning: Removed 3 rows containing missing values or values outside the scale range
(`geom_point()`).
Warning: Removed 3 rows containing missing values or values outside the scale range
(`geom_text_repel()`).
Warning: ggrepel: 1 unlabeled data points (too many overlaps). Consider
increasing max.overlaps

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         = "受試者分布"
)
Warning: Removed 5 rows containing missing values or values outside the scale range
(`geom_point()`).
Warning: Removed 5 rows containing missing values or values outside the scale range
(`geom_text_repel()`).

  1. 橢圓圖
library(FactoMineR)

# 橢圓圖：性別差異
res.mca <- MCA(dataforMCA, graph = FALSE)
plotellipses(
  res.mca,
  keepvar = "SEX",
  axes     = c(1, 2),
  magnify  = 5,
  lwd      = 4
)
Warning: `aes_string()` was deprecated in ggplot2 3.0.0.
ℹ Please use tidy evaluation idioms with `aes()`.
ℹ See also `vignette("ggplot2-in-packages")` for more information.
ℹ The deprecated feature was likely used in the FactoMineR package.
  Please report the issue at <https://github.com/husson/FactoMineR/issues>.

library(FactoMineR)

# 橢圓圖:出生年代
res.mca <- MCA(dataforMCA, graph = FALSE)
plotellipses(
  res.mca,
  keepvar = "Q1a",
  axes     = c(1, 2),
  magnify  = 5,
  lwd      = 4
)

library(FactoMineR)

# 橢圓圖：職業
res.mca <- MCA(dataforMCA, graph = FALSE)
plotellipses(
  res.mca,
  keepvar = "Q7a",
  axes     = c(1, 2),
  magnify  = 5,
  lwd      = 4
)

（三）迴歸分析

  1. 依變數及自變數的選擇及處理

在此部分我選擇D12作為我要在此處分析的依變項（政治效能感）。因此，首先我要先將D12重新編碼，編碼成二元的變數。

#建立新的資料庫並編碼避免重新編碼問題
library(dplyr)
datalogic <- data
#重新將D12編碼
library(sjmisc)
datalogic$D12  <- set_na(datalogic$D12,  na = c(3, 95, 96,98))
datalogic$D12<- rec(
  datalogic$D12,
  rec = "1,2 = 1 [高政治效能];
         4,5 = 0 [低政治效能]",
  var.label = "是否認為自己了解國家最重要的政治議題（高/低）",
  val.labels = c("0" = "低政治效能", "1" = "高政治效能")
)
frq(datalogic$D12)
是否認為自己了解國家最重要的政治議題（高/低） (x) <numeric> 
# total N=1206 valid N=774 mean=0.53 sd=0.50

Value |      Label |   N | Raw % | Valid % | Cum. %
---------------------------------------------------
    0 | 低政治效能 | 366 | 30.35 |   47.29 |  47.29
    1 | 高政治效能 | 408 | 33.83 |   52.71 | 100.00
 <NA> |       <NA> | 432 | 35.82 |    <NA> |   <NA>

接著選擇自變數，經過前述的分析以後選擇D16、D23、D24a作為自變數，會選擇這幾個變項的原因為，在多重變數分析的結果可以看到第二維度中這三個變數的影響。

datalogic$D16  <- set_na(datalogic$D16,  na = c(3, 95, 96,98))
datalogic$D16 <- rec(
  datalogic$D16,
  rec = "1,2=1 [同意];
         4,5=0 [不同意]",
  var.label = "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? ",
  val.labels = c("0"="不同意", "1" = "同意"),
  as.num = FALSE
)
frq(datalogic$D16)
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? (x) <categorical> 
# total N=1206 valid N=842 mean=0.23 sd=0.42

Value |  Label |   N | Raw % | Valid % | Cum. %
-----------------------------------------------
    0 | 不同意 | 652 | 54.06 |   77.43 |  77.43
    1 |   同意 | 190 | 15.75 |   22.57 | 100.00
 <NA> |   <NA> | 364 | 30.18 |    <NA> |   <NA>
library(sjmisc)
datalogic$D23  <- set_na(datalogic$D23,  na = c(95,96,97,98))
datalogic$D23 <- rec(
  datalogic$D23,
  rec = "1 = 1;
         2,3 = 0",
  var.label = "是否認為女性立委比例太高",
  val.labels = c("0" = "不認為太高", "1" = "認為太高")
)

frq(datalogic$D23)
是否認為女性立委比例太高 (x) <numeric> 
# total N=1206 valid N=1067 mean=0.08 sd=0.27

Value |      Label |   N | Raw % | Valid % | Cum. %
---------------------------------------------------
    0 | 不認為太高 | 983 | 81.51 |   92.13 |  92.13
    1 |   認為太高 |  84 |  6.97 |    7.87 | 100.00
 <NA> |       <NA> | 139 | 11.53 |    <NA> |   <NA>
#D24a處理

library(sjmisc)
datalogic$D24a  <- set_na(datalogic$D24a,  na = c(5, 95,96,97,98))
datalogic$D24a <- rec(
  datalogic$D24a,
  rec = "1,2 = 1;
         3,4 = 0",
  val.labels = c("0" = "女性較適合", "1" = "男性較適合")
)

frq(datalogic$D24a)
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? (x) <numeric> 
# total N=1206 valid N=153 mean=0.53 sd=0.50

Value |      Label |    N | Raw % | Valid % | Cum. %
----------------------------------------------------
    0 | 女性較適合 |   72 |  5.97 |   47.06 |  47.06
    1 | 男性較適合 |   81 |  6.72 |   52.94 | 100.00
 <NA> |       <NA> | 1053 | 87.31 |    <NA> |   <NA>
  1. 提出假設

假設一：認為男性政治人物較適合處理公共衛生危機的受訪者（D24a），其政治效能感較低。
假設二：認為「增加女性席次的政策走過頭」者（D16），其政治效能感較低。

假設三：認為目前女性立委比例「太高」（D23）的受訪者，其政治效能感較低。

  1. 分析

    (1) 二元勝算

    md01 <- glm(
  D12 ~ factor(D16) + factor(D23) + factor(D24a),
  family = binomial,    
  data   = datalogic
)

summary(md01)
    
Call:
glm(formula = D12 ~ factor(D16) + factor(D23) + factor(D24a), 
    family = binomial, data = datalogic)

Coefficients:
              Estimate Std. Error z value Pr(>|z|)
(Intercept)    -0.5140     0.3273  -1.571    0.116
factor(D16)1    0.4452     0.5790   0.769    0.442
factor(D23)1    1.0213     0.7474   1.366    0.172
factor(D24a)1   0.5514     0.4994   1.104    0.270

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 112.28  on 80  degrees of freedom
Residual deviance: 105.10  on 77  degrees of freedom
  (1125 observations deleted due to missingness)
AIC: 113.1

Number of Fisher Scoring iterations: 4

使用三個與性別刻板印象的變項來預測政治效能感是否比較高，從結果來看，無特定變數為顯著的。

三個假設都未受到支持，主要原因可能為在經過資料整理後所剩下的樣本數太少導致。此部分可能的原因為，多數的受試者在對性別的問題中，回答較多偏向中性，不偏向任一性別政治人物，此與本研究一開始的假設不符合。

由於上述三個變數均未有達到顯著，因此接下來會一個一個檢視不同的自變項。

#製作、比較多個模型
md02 <- update(md01, . ~ . - factor(D23)-factor(D16))
summary(md02)

Call:
glm(formula = D12 ~ factor(D24a), family = binomial, data = datalogic)

Coefficients:
              Estimate Std. Error z value Pr(>|z|)  
(Intercept)    -0.2624     0.2974  -0.882   0.3777  
factor(D24a)1   0.7267     0.4031   1.803   0.0714 .
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 142.31  on 102  degrees of freedom
Residual deviance: 139.01  on 101  degrees of freedom
  (1103 observations deleted due to missingness)
AIC: 143.01

Number of Fisher Scoring iterations: 4
exp(0.7267)
[1] 2.068244

模型二為依變項D12，自變項D24a

p-value為0.0714接近顯著，但未達顯著。接著看勝算，可以發現在此處，當D24a為1時，為高政治效能組的勝算為認為女性候選人比較適合的2.068倍。

md03 <- update(md01, . ~ . - factor(D24a)-factor(D16))
summary(md03)

Call:
glm(formula = D12 ~ factor(D23), family = binomial, data = datalogic)

Coefficients:
             Estimate Std. Error z value Pr(>|z|)  
(Intercept)    0.1204     0.0797   1.511   0.1309  
factor(D23)1   0.7179     0.3096   2.319   0.0204 *
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 944.52  on 684  degrees of freedom
Residual deviance: 938.77  on 683  degrees of freedom
  (521 observations deleted due to missingness)
AIC: 942.77

Number of Fisher Scoring iterations: 4
exp(0.7179)
[1] 2.050123

模型三為依變項D12，自變項D23

p-value為0.0204達到顯著，D23對政治效能感的影響為顯著的。接著看勝算比，可以發現在此處，當D23為1時，為高政治效能組的勝算為認為太低或剛剛好的高2.050123倍。這部分與本研究所假設的方向相反，一種原因可能為本研究的理論基礎多建立在女性，但此處的樣本有男性及女性，因此導致結果和假設不同。

md04 <- update(md01, . ~ . - factor(D24a)-factor(D23))
summary(md04)

Call:
glm(formula = D12 ~ factor(D16), family = binomial, data = datalogic)

Coefficients:
             Estimate Std. Error z value Pr(>|z|)  
(Intercept)   0.08468    0.09447   0.896   0.3700  
factor(D16)1  0.34610    0.20163   1.716   0.0861 .
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 801.63  on 580  degrees of freedom
Residual deviance: 798.65  on 579  degrees of freedom
  (625 observations deleted due to missingness)
AIC: 802.65

Number of Fisher Scoring iterations: 4
exp(0.34610)
[1] 1.413544

模型四為依變項D12，自變項D16。在此一變項可以看到接近顯著，但仍然不顯著。近一步看勝算比，認為增加女性席次走過頭的受訪者，出現高效能感的勝算為不同意者的1.41倍，這也與我們假設方向相反。

(2)加入虛擬變數

在此處要加入兩個虛擬變數Q4a及SEX，在加入虛擬變數前，需先對此兩個變數進行整理。

#Q4a整理
attach(datalogic)
table(Q4a)
Q4a
  1   2   3   4   5   6   7   8   9  10  11  12  13  95 
 26   2  25  82  10  89  31 261  10 150  50 325 144   1 
#原本資料過多，整理成五大項
library(sjmisc)

datalogic$Q4a <- set_na(datalogic$Q4a, na = c(90, 95))

datalogic$Q4a <- rec(
  datalogic$Q4a,
  rec = "
    1:6 = 1 [國中以下];
    7:8 = 2 [高中職];
    9:10 = 3 [專科];
    11:12 = 4 [大學];
    13 = 5 [研究所]
  ",
  var.label = "教育程度（五類）",
  val.labels = c("1" = "國中以下", "2" = "高中職", "3" = "專科", "4" = "大學", "5" = "研究所"),
  as.num = FALSE
)
#工作
datalogic$Q7a <- set_na(datalogic$Q7a, na = 95)
datalogic$Q7a <- rec(
  datalogic$Q7a,
  rec = "2,3=2[兼職及兼差];
  1=1[擔任全職工作(每週工作32小時以上)];
  4=4[在家幫忙];
  5=5[ 待業中(有找工作但沒找到)];
  6=6[學生或參加職業訓練];
  7=7[退休];
  8=8[家管 ];
  9=9[因身體殘疾無法工作];
  10=10[一直無業]",
  var.label = "請問您目前工作或兼差的情形是怎樣? " ,
  val.labels = c("1" = "全職工作","2" = "兼職及兼差","4" = "在家幫忙","5" = "失業待業中","6" = "學生或參加職業訓練","7" = "退休","8" = "家管","9" = "因身體殘疾無法工作","10" = "一直無業") ,
  as.num = FALSE
)


#SEX整理
datalogic$male <- ifelse(datalogic$SEX == 1, 1, 0)
datalogic$female <- ifelse(datalogic$SEX == 2, 1, 0)

#出生年代
datalogic$Q1a <- set_na(datalogic$Q1a, na = 95)
datalogic$Q1a <- rec(
  datalogic$Q1a,
  rec = "20:29=20;
  30:39=30;
  40:49=40;
  50:59=50;
  60:69=60;
  70:79=70;
  80:89=80;
  90:92=90;",
  var.label = "請問您是民國幾年出生的?(出生年代) " ,
  val.labels = 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") ,
  as.num = FALSE
)


detach(datalogic)

首先，此虛擬變數female的係數代表「女性相較於男性」在政治效能感上的差異。由於性別僅包含兩類，因此以女性為對照組比較效果。

其次，Q4a（教育程度）經過整理資料包含五種教育類別：國中以下、高中職、專科、大學與研究所。不調整以「國中以下」作為基準組，其餘四類各自轉換為對照組。透過此方式可估計各教育層級相對於基準組在政治效能感上的影響。

第三，Q7a（工作狀況）屬於多類別變項，包括全職、兼職、學生、家管、失業、退休等類別。由於各類別之間不存在自然順序，本研究以 factor 處理，以全職工作作為比較對象，估計不同職業類別在政治效能感上的差異。

最後，Q1a（出生年代）經整理為類別，例如 20 表示 20–29 年出生、30 表示 30–39 年出生等。此模型中比較不同年齡層之間的政治效能差異。

SEXmod <- glm(
  D12 ~ Q7a + Q1a+Q4a +female,
  family = binomial,
  data   = datalogic
)

summary(SEXmod)

Call:
glm(formula = D12 ~ Q7a + Q1a + Q4a + female, family = binomial, 
    data = datalogic)

Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept)  0.32659    0.59269   0.551   0.5816    
Q7a2         0.58934    0.29759   1.980   0.0477 *  
Q7a4         0.71656    0.80979   0.885   0.3762    
Q7a5        -0.18070    0.48868  -0.370   0.7115    
Q7a6         1.21937    0.65216   1.870   0.0615 .  
Q7a7        -0.06191    0.25879  -0.239   0.8109    
Q7a8        -0.05160    0.28341  -0.182   0.8555    
Q7a9        -0.06941    0.71481  -0.097   0.9226    
Q1a30       -0.06858    0.59581  -0.115   0.9084    
Q1a40       -0.17299    0.57634  -0.300   0.7641    
Q1a50       -0.42114    0.60055  -0.701   0.4831    
Q1a60       -0.71710    0.63317  -1.133   0.2574    
Q1a70       -0.70412    0.64240  -1.096   0.2730    
Q1a80       -1.42695    0.66165  -2.157   0.0310 *  
Q1a90       -1.88138    0.81534  -2.307   0.0210 *  
Q4a2         0.42341    0.24847   1.704   0.0884 .  
Q4a3         0.43020    0.29180   1.474   0.1404    
Q4a4         1.10119    0.27292   4.035 5.46e-05 ***
Q4a5         1.75944    0.32942   5.341 9.24e-08 ***
female      -0.92349    0.16878  -5.471 4.46e-08 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 1067.71  on 771  degrees of freedom
Residual deviance:  973.36  on 752  degrees of freedom
  (434 observations deleted due to missingness)
AIC: 1013.4

Number of Fisher Scoring iterations: 4
#共線性檢定
library(car)
Loading required package: carData

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

    recode
The following object is masked from 'package:purrr':

    some
vif(SEXmod)
           GVIF Df GVIF^(1/(2*Df))
Q7a    3.449976  7        1.092485
Q1a    4.050306  7        1.105076
Q4a    1.851951  4        1.080074
female 1.195924  1        1.093583

在本研究的迴歸模型中，Q7a（職業）、Q1a（出生年代）、Q4a（教育程度）以及 female（性別）皆以虛假變數方式納入模型，透過比較各類別與基準組（reference group）來檢視其對政治效能感（D12）的影響。

首先，工作類別（Q7a）的虛假變數多數未達統計顯著，表示不同的就業狀態對政治效能感的差異有限。然而，Q7a2（兼職及兼差）相較於基準組呈現正向且達統計顯著，顯示兼職者的政治效能感較高。其他類別雖有正負不同方向，但皆未達顯著水準，代表其影響力不足以說明政治效能的差異。

第二個為出生年代（Q1a），大部分年齡組別與基準組之間並無顯著差異，唯有 Q1a80與 Q1a90呈現顯著負向效果，表示較年輕的受訪者政治效能反而顯著較低。此結果代表年齡差異並非普遍存在，而是集中於特定青年族群。

第三，教育程度（Q4a）的虛假變數則呈現最清楚的梯度效果。相較於教育程度最低的基準組（國中以下），大學程度與研究所皆呈現高度顯著的正向影響，顯示教育程度越高，政治效能感越強，此結果凸顯教育程度在政治效能形成中的重要性。

第四為性別（female）的虛假變數呈現顯著負向效果，代表女性的政治效能感顯著低於男性。

接著，檢視共線性，此模型沒有明顯共線性。