3.1 讀入與清洗資料
資料檔為SPSS格式,共有2,015位受訪者與834個變項。讀入時保留原始的數字代碼,因為後續編碼要用數字比對選項。讀入後另存為 .rda檔,之後只要一行指令就能叫回資料。
本研究以sjlabelled套件的read_data()讀入資料,並加上convert.factors = FALSE的設定。這個設定是為了讓變數保留原始的數字代碼。後續編碼需要以數字比對選項,也需要在多題之間取最大值。若讀成類別變數,這些數字運算都無法進行。讀入後先存成備份檔 TCS2022data.rda,再從備份檔讀回並查看資料。
# 如果你是使用本資料夾中的專案檔(.Rproj)點開專案,請用此指令顯示/確認專案(.Rproj)目前的路徑
here::here()
# 第一次使用才需要安裝套件,裝過之後這幾行前面保留 # 即可
# install.packages("sjlabelled")
# install.packages("sjmisc")
# install.packages("dplyr")
## 第一階段:讀入原始資料並轉為rda檔
library(sjlabelled)
Warning: package 'sjlabelled' was built under R version 4.6.2
TCS2022 <- read_data("TCS2022data.sav", convert.factors = FALSE)
# 【與老師範例不同】加上 convert.factors = FALSE,讓變數保留原始數字代碼
# 原因:後面要用數字比對選項(例如 Q51 的 2、7、8),也要在 Q1 至 Q4 之間取最大值
# 如果讀成類別(factor),這些數字運算都做不了
# 存備份檔(到本章資料夾中)及清空暫存區
save(TCS2022, file = "TCS2022data.rda", compress = T)
rm(list = ls())
## 初次查看資料檔內容
load("TCS2022data.rda") # 從本章資料夾中讀取備份後的資料檔
nrow(TCS2022) # 看看有多少觀察值(多少列)--2,015
names(TCS2022[, 1:10]) # 看看有那些變數,以及這些變數的名稱(共834個,這裡只看前 10 個)
[1] "id" "va1" "va2" "va9" "va9o88" "ve1" "va3"
[8] "va3o88" "va4" "va5city"
str(TCS2022$vp6_2) # 看看資料的結構(以 P6_2 為例):無效值的代碼為 96 跳答、97 不知道、98 拒答、99 遺漏值
num [1:2015] 4 4 3 2 2 97 3 4 2 4 ...
- attr(*, "label")= chr "P6_2 有人說:「2012年馬英九政府允許美國牛肉進口的時候,瘦肉精含量沒有遵守國際通用的標準」,您認為這個說法可能是真的還是假的?"
- attr(*, "format.spss")= chr "F8.0"
- attr(*, "display_width")= int 16
- attr(*, "labels")= Named num [1:9] 1 2 3 4 5 96 97 98 99
..- attr(*, "names")= chr [1:9] "非常可能是真的" "可能是真的" "普通" "可能是假的" ...
問卷資料中有幾個特殊代碼,代表受訪者沒有給出真正的答案。96代表受訪者依問卷規定跳過這一題,97與98分別代表回答不知道與拒絕回答,99則為遺漏值。本研究將這些代碼一次改成遺漏值,避免它們被當成答案計算。
不過,媒體使用題(Q1 至 Q9)與資訊動機題(Q27)的96有特別的意義。例如完全不看報紙的人,問卷會讓他跳過報紙題,此時 96 代表「不看報紙」。若直接改成遺漏值,這些人會從分析中消失,因此這兩組題目先不清理。它們的 97 與 98,留到編碼時再設為遺漏值。清理前也確認過,出生年等本研究用到的題目不會被誤刪。
因此,此部分將資料拆成兩半,只清理第一半,再合併回去。第一半是媒體使用題(Q1 至 Q9)與資訊動機題(Q27)以外的變數,其中的93至99全部改成遺漏值。第二半是這兩組題目,不清理以保留代表跳答的96。資訊動機題詢問民眾想獲得政治資訊的原因,完全不獲取政治資訊的人會跳過此題。保留96才能找出這群人。合併後第二半的變數會排在資料最後面,不影響分析。
問卷中的96代表受訪者依問卷規定”跳題”,97代表不知道,98代表拒答。一般的做法是把這些代碼全部改成遺漏值,但在這份問卷中有些變數要靠「96」判斷受訪者是誰。以Q27為例,問卷規定Q1至Q4都答從來沒有、而且Q20答都沒有的人,不需要回答Q27。所以Q27填 96 的人,其實是完全不獲取政治資訊的人。如果把96改成遺漏值,這群人就會從分析中消失。Q1至Q9也有同樣的情況,例如Q4填96的人平常完全不看電視。因此本研究先批次清理大部分變數的無效代碼,但暫時排除Q1至Q9與Q27的各選項,也就是分批清理。等到編碼這些變數時,再依問卷規定判斷96代表什麼,並把97與98設為遺漏值。
本研究也確認過批次清理不會誤刪有效答案。出生年va1的有效值為民國13至92年,沒有落在93至99之間。
## 第二階段:使用`sjmisc::set_na()` 批次清理無效值
library(sjmisc)
library(dplyr)
# 【與老師範例不同】批次清理時排除需要保留96(跳答)的變數
# TCS2022的96代表「依問卷規定跳答」,下列變數要靠96判斷受訪者是誰,所以先不清理
# Q1至Q4(報紙、雜誌、廣播、電視):四題都跳答者歸為「很少或從未」
# Q5至Q9(網路、社群媒體、影音平台、通訊軟體、新聞網站):Q5跳答者歸為「很少或從未」
# Q27各選項(vq27m01 至 vq27m90):跳答者歸為「不獲取政治資訊」
# 這些變數的97不知道、98拒答,會在第三階段編碼時各自設為遺漏值
keep96 <- c(
"vq1", "vq2", "vq3", "vq4", "vq5",
"vq6sq6", "vq6sq7", "vq6sq8", "vq6sq9"
)
TCS2022 <- bind_cols(
set_na(select(TCS2022, -all_of(keep96), -starts_with("vq27m")), na = c(93:99, "NA")),
select(TCS2022, all_of(keep96), starts_with("vq27m"))
)
nrow(TCS2022) # 檢查:清理後觀察值仍為 2,015
3.2.2 自變數:政黨傾向(A1)、資訊動機(A2)、內在思考(A3)、外在查證(A4)
A1:政黨傾向
原始問卷題目
| Q49 |
在目前國內的政黨中,請問您有沒有偏向支持哪一個政黨? |
(01)有(跳答 Q51)、(02)沒有 |
| Q50 |
那相對來說,請問您有沒有稍微偏向支持哪一個政黨? |
(01)有、(02)沒有(跳答 Q53) |
| Q51 |
請問是哪一個政黨? |
國民黨、民進黨等 18 個政黨與(88)其他政黨 |
| Q52 |
請問,您偏向這個政黨的程度是很強,普通,還是有一點? |
(01)很強、(02)普通、(03)有一點、(94)看情形、(95)無意見 |
本研究使用的原始變數為 vq50、vq51 與 vq52。
編碼目的與理由
此變數測量民眾偏向支持哪個陣營,以及支持的程度。本研究以政黨傾向代表動機的方向,藉以了解民眾是否依自己支持的陣營判斷說法的真假。
此變數跨題合併Q49至Q52的選項。首先,Q49與Q50皆回答「沒有」者為無傾向。依問卷設計,只有 Q49回答「沒有」者才需要回答Q50。因此,Q50回答「沒有」者,Q49必定也回答「沒有」。編碼時只需以Q50判斷,不需要再檢查Q49。
其次,依Q51將政黨分為泛綠、泛藍與其他三個陣營。民進黨、綠黨、時代力量、台灣基進與台灣團結聯盟歸為泛綠,國民黨、新黨與親民黨歸為泛藍。其餘政黨(包含台灣民眾黨)歸為其他政黨。
最後,依Q52區分支持程度。回答「很強」者為強烈,回答「普通」或「有一點」者為一般。其他政黨不區分強度。Q52 回答「看情形」的 1 人已在批次清理時設為遺漏值。陣營與程度組合後共分為六類,無傾向者作為比較的對照組。其他政黨沒有對應的己方說法,因此在分析中保留但不解讀。
# 檢查原始編碼
attr(TCS2022$vq50, "labels")
# 檢查原始編碼
frq(TCS2022, vq51)
Q51 您有沒有稍微偏向支持哪一個政黨?是哪一個政黨? (vq51) <numeric>
# total N=2015 valid N=788 mean=3.57 sd=8.09
Value | Label | N | Raw % | Valid % | Cum. %
--------------------------------------------------------
1 | 國民黨 | 256 | 12.70 | 32.49 | 32.49
2 | 民進黨 | 411 | 20.40 | 52.16 | 84.64
3 | 新黨 | 2 | 0.10 | 0.25 | 84.90
4 | 親民黨 | 2 | 0.10 | 0.25 | 85.15
5 | 台澎黨 | 0 | 0.00 | 0.00 | 85.15
6 | 合一行動聯盟 | 0 | 0.00 | 0.00 | 85.15
7 | 綠黨 | 2 | 0.10 | 0.25 | 85.41
8 | 時代力量 | 11 | 0.55 | 1.40 | 86.80
9 | 勞動黨 | 0 | 0.00 | 0.00 | 86.80
10 | 台灣基進 | 15 | 0.74 | 1.90 | 88.71
11 | 台灣民眾黨 | 75 | 3.72 | 9.52 | 98.22
12 | 安定力量 | 1 | 0.05 | 0.13 | 98.35
13 | 中華統一促進黨 | 1 | 0.05 | 0.13 | 98.48
14 | 台灣團結聯盟 | 3 | 0.15 | 0.38 | 98.86
15 | 喜樂島聯盟 | 0 | 0.00 | 0.00 | 98.86
16 | 台灣維新 | 1 | 0.05 | 0.13 | 98.98
17 | 宗教聯盟 | 0 | 0.00 | 0.00 | 98.98
18 | 社會民主黨 | 2 | 0.10 | 0.25 | 99.24
88 | 其他政黨 | 6 | 0.30 | 0.76 | 100.00
<NA> | <NA> | 1227 | 60.89 | <NA> | <NA>
檢查原始編碼
# 檢查原始編碼
attr(TCS2022$vq52, "labels")
缺失值檢查
# 缺失值檢查
table(TCS2022$vq49, exclude = NULL)
table(TCS2022$vq50, exclude = NULL)
table(TCS2022$vq51, exclude = NULL)
1 2 3 4 7 8 10 11 12 13 14 16 18 88 <NA>
256 411 2 2 2 11 15 75 1 1 3 1 2 6 1227
table(TCS2022$vq52, exclude = NULL)
1 2 3 <NA>
195 379 212 1229
把Q51的政黨合併為三個陣營
# 把Q51的政黨合併為三個陣營
# 泛綠:(02)民進黨 (07)綠黨 (08)時代力量 (10)台灣基進 (14)台灣團結聯盟
# 泛藍:(01)國民黨 (03)新黨 (04)親民黨
# 其他:(11)台灣民眾黨與其餘政黨、(88)其他政黨
# table()
party <- rec(TCS2022$vq51,
rec = "2,7,8,10,14=1; 1,3,4=2; 5,6,9,11,12,13,15:18,88=3; else=NA", as.num = T
) # 1綠 2藍 3其他
table(party, exclude = NULL) # 檢查陣營人數
party
1 2 3 <NA>
442 260 86 1227
# frq()
party <- rec(TCS2022$vq51,
rec = "2,7,8,10,14=1[泛綠]; 1,3,4=2[泛藍]; 5,6,9,11,12,13,15:18,88=3[其他]; else=NA", as.num = T
)
frq(party) # 檢查陣營人數
Q51 您有沒有稍微偏向支持哪一個政黨?是哪一個政黨? (x) <numeric>
# total N=2015 valid N=788 mean=1.55 sd=0.68
Value | Label | N | Raw % | Valid % | Cum. %
-----------------------------------------------
1 | 泛綠 | 442 | 21.94 | 56.09 | 56.09
2 | 泛藍 | 260 | 12.90 | 32.99 | 89.09
3 | 其他 | 86 | 4.27 | 10.91 | 100.00
<NA> | <NA> | 1227 | 60.89 | <NA> | <NA>
# 依條件填入政黨傾向的代碼
# 【與老師範例不同】條件一律用 %in% 而不用 ==,可以一次比對多個選項,遇到遺漏值也會直接當作不符合
a1 <- NA
a1[TCS2022$vq50 %in% 2] <- 1 # 無傾向:Q49、Q50 皆答沒有
a1[party %in% 1 & TCS2022$vq52 %in% 1] <- 2 # 強烈泛綠
a1[party %in% 1 & TCS2022$vq52 %in% 2:3] <- 3 # 一般泛綠
a1[party %in% 2 & TCS2022$vq52 %in% 2:3] <- 4 # 一般泛藍
a1[party %in% 2 & TCS2022$vq52 %in% 1] <- 5 # 強烈泛藍
a1[party %in% 3] <- 6 # 其他政黨
# 加上選項標籤
TCS2022$A1 <- rec(a1,
rec = "1=1[無傾向]; 2=2[強烈泛綠]; 3=3[一般泛綠]; 4=4[一般泛藍]; 5=5[強烈泛藍]; 6=6[其他政黨]",
as.num = F
)
# 加上題目標籤(跨題合併的新變數沒有題目標籤,要自己加上)
TCS2022$A1 <- set_label(TCS2022$A1,
label = "A1 政黨傾向類型(Q49 在目前國內的政黨中,請問您有沒有偏向支持哪一個政黨? Q50 那相對來說,請問您有沒有稍微偏向支持哪一個政黨? Q51 請問是哪一個政黨? Q52 請問,您偏向這個政黨的程度是很強,普通,還是有一點?)"
)
# 顯示題目標籤與變數名稱
frq(TCS2022, A1)
A1 政黨傾向類型(Q49 在目前國內的政黨中,請問您有沒有偏向支持哪一個政黨? Q50 那相對來說,請問您有沒有稍微偏向支持哪一個政黨? Q51 請問是哪一個政黨? Q52 請問,您偏向這個政黨的程度是很強,普通,還是有一點?) (A1) <categorical>
# total N=2015 valid N=1955 mean=2.05 sd=1.48
Value | Label | N | Raw % | Valid % | Cum. %
--------------------------------------------------
1 | 無傾向 | 1169 | 58.01 | 59.80 | 59.80
2 | 強烈泛綠 | 105 | 5.21 | 5.37 | 65.17
3 | 一般泛綠 | 335 | 16.63 | 17.14 | 82.30
4 | 一般泛藍 | 188 | 9.33 | 9.62 | 91.92
5 | 強烈泛藍 | 72 | 3.57 | 3.68 | 95.60
6 | 其他政黨 | 86 | 4.27 | 4.40 | 100.00
<NA> | <NA> | 60 | 2.98 | <NA> | <NA>
# 確認資料型態
class(TCS2022$A1)
編碼結果
本變數分為六類。無傾向 1,169 人,強烈泛綠 105 人,一般泛綠 335 人。一般泛藍 188 人,強烈泛藍 72 人,其他政黨 86 人。重新整理後,資料型態為factor。有效回答共1,955人,缺失值共60人。有效回答與缺失值合計2,015人,與原始資料的受訪者人數一致。
A2:資訊動機
原始問卷題目
Q27 請問您想要獲得政治或公共事務相關訊息的原因是什麼?(可複選)
此題有跳答規定,相關的題目如下:
受訪者若在 Q1 至 Q4 都回答「從來沒有」,而且在 Q20 回答「都沒有」,就不需回答 Q27。
此變數使用的原始變數為 vq27m03、vq27m05 與 vq27m90,分別對應 Q27 的「想了解不同的觀點」「想看到更多跟您立場相同的觀點」與「都沒有」。每個選項在資料中是一個變數。0 為沒有勾選,1 為有勾選,96 則為依規定跳答。
編碼目的與理由
本變數測量民眾想要獲得政治或公共事務相關訊息的原因。本研究以資訊動機代表動機的種類,區分想得到特定結論與想得到正確答案的民眾。本研究將「想看到更多跟您立場相同的觀點」視為較接近想得到特定結論的動機,「想了解不同的觀點」則視為較接近想得到正確答案的動機。
本研究依這兩個選項的勾選情形,將民眾分為五類。有回答 Q27(想要獲得政治資訊的原因)但兩個選項都沒有勾選者為「其他想法」。他們勾選的是「想要了解國內外大事」「這是一個公民應該做的事」「習慣」「想要有話題與親朋好友聊」「想要知道大家對於當下議題的看法」或「其他」。
共有 164 人符合上述跳答規定,因此沒有回答 Q27。他們從來不透過報紙、雜誌、廣播與電視獲得政治資訊,除了新聞之外也沒有其他獲得政治資訊的方式。因此,本研究將他們與在 Q27 勾選「都沒有」的 56 人合併為「不獲取政治資訊」,共 220 人。程式碼以 Q27 的跳答代碼 96 找出這群人,沒有直接讀取 Q20 的回答。「沒有」在本研究是重要的對照,所以不將「都沒有」設為遺漏值。回答不知道或拒答者則維持遺漏值。
以下編碼只用到 Q27 的三個選項,因此程式碼只檢查這三個變數。vq27m03 對應(03)「想了解不同的觀點」,vq27m05 對應(05)「想看到更多跟您立場相同的觀點」,vq27m90 對應(90)「都沒有」。前兩個選項用來區分兩種資訊動機,第三個選項用來找出不獲取政治資訊的人。其他選項不需要另外檢查,因為只要前兩個選項都沒有勾選,就歸為「其他想法」。
# 檢查原始編碼(本研究只用到 Q27 的三個選項)
attr(TCS2022$vq27m03, "labels") # (03)想了解不同的觀點
沒有 有 跳答 不知道 拒答 遺漏值
0 1 96 97 98 99
attr(TCS2022$vq27m05, "labels") # (05)想看到更多跟您立場相同的觀點
沒有 有 跳答 不知道 拒答 遺漏值
0 1 96 97 98 99
attr(TCS2022$vq27m90, "labels") # (90)都沒有
沒有 有 跳答 不知道 拒答 遺漏值
0 1 96 97 98 99
# 缺失值檢查(96 為跳答、97 為不知道、98 為拒答,這三個變數沒有經過批次清理)
table(TCS2022$vq27m03, exclude = NULL) # (03)想了解不同的觀點
0 1 96 97 98
1029 810 164 10 2
table(TCS2022$vq27m05, exclude = NULL) # (05)想看到更多跟您立場相同的觀點
0 1 96 97 98
1625 214 164 10 2
table(TCS2022$vq27m90, exclude = NULL) # (90)都沒有
0 1 96 97 98
1783 56 164 10 2
# 檢查:Q27跳答者在Q20是否都勾選 (90) 都沒有
# Q20:除了新聞,請問您平常會用哪種方式獲得政治或公共事務相關訊息?(可複選)
table(TCS2022$vq27m05 %in% 96, TCS2022$vq20m90, exclude = NULL)
0 1 <NA>
FALSE 1306 537 8
TRUE 0 164 0
受訪者若在 Q1 至 Q4 都回答「從來沒有」透過報紙、雜誌、廣播與電視獲得政治資訊,而且在 Q20 回答除了新聞之外「都沒有」其他獲得政治資訊的方式,依問卷規定就不需回答 Q27。檢查結果顯示,跳過 Q27 的 164 人在 Q20 全部勾選「都沒有」。這表示他們是依跳答規定跳過此題,而不是漏答。
# 依條件填入資訊動機的代碼
q03 <- TCS2022$vq27m03
q05 <- TCS2022$vq27m05
a2 <- NA # 建立一個叫 a2 的草稿,裡面先放 NA
a2[q05 %in% 0 & q03 %in% 1] <- 1 # 只想了解不同的觀點
a2[q05 %in% 1 & q03 %in% 0] <- 2 # 只想看到更多跟您立場相同的觀點
a2[q05 %in% 1 & q03 %in% 1] <- 3 # 兩者都有
a2[q05 %in% 0 & q03 %in% 0] <- 4 # 其他想法
a2[q05 %in% 96 | TCS2022$vq27m90 %in% 1] <- 5 # 不獲取政治資訊(放最後,覆蓋前面的歸類)
# 97 不知道、98 拒答不符合以上任何條件,維持遺漏值
# 加上選項標籤
TCS2022$A2 <- rec(a2,
rec = "1=1[只想了解不同的觀點]; 2=2[只想看到更多跟您立場相同的觀點]; 3=3[兩者都有]; 4=4[其他想法]; 5=5[不獲取政治資訊]",
as.num = F
)
# 加上題目標籤
TCS2022$A2 <- set_label(TCS2022$A2,
label = "A2 資訊動機(Q27 請問您想要獲得政治或公共事務相關訊息的原因是什麼?(可複選) Q20 除了新聞,請問您平常會用哪種方式獲得政治或公共事務相關訊息?(可複選))"
)
# 顯示題目標籤與變數名稱
frq(TCS2022, A2)
A2 資訊動機(Q27 請問您想要獲得政治或公共事務相關訊息的原因是什麼?(可複選) Q20 除了新聞,請問您平常會用哪種方式獲得政治或公共事務相關訊息?(可複選)) (A2) <categorical>
# total N=2015 valid N=2003 mean=2.96 sd=1.50
Value | Label | N | Raw % | Valid % | Cum. %
-----------------------------------------------------------------------
1 | 只想了解不同的觀點 | 669 | 33.20 | 33.40 | 33.40
2 | 只想看到更多跟您立場相同的觀點 | 73 | 3.62 | 3.64 | 37.04
3 | 兩者都有 | 141 | 7.00 | 7.04 | 44.08
4 | 其他想法 | 900 | 44.67 | 44.93 | 89.02
5 | 不獲取政治資訊 | 220 | 10.92 | 10.98 | 100.00
<NA> | <NA> | 12 | 0.60 | <NA> | <NA>
# 確認資料型態
class(TCS2022$A2)
編碼結果
本變數分為五類。只想了解不同的觀點 669 人,只想看到更多跟您立場相同的觀點 73 人。兩者都有 141 人,其他想法 900 人,不獲取政治資訊 220 人。重新整理後,資料型態為factor。有效回答共2,003人,缺失值共12人。有效回答與缺失值合計2,015人,與原始資料的受訪者人數一致。
A3:內在思考
原始問卷題目
P7_5 當您看到不確定可不可以相信的新聞報導時,下面哪些是您心裡出現的想法?(可複選)
本研究使用的原始變數為 vp7_5m01 至 vp7_5m06,依序對應上表的六個選項。每個選項在資料中是一個變數,0 為沒有勾選,1 為有勾選。
編碼目的與理由
本變數測量民眾看到不確定能否相信的新聞報導時,心裡有沒有停下來想。本研究以內在思考作為不專注的測量之一。
由於 P7_5 可以複選,本研究依序判斷受訪者的類別。只要勾選「試著確認訊息來源是否可靠」或「試著從報導的用字遣詞來判斷它是否可靠」,就歸為「會停下來檢查」。勾選「依自己的知識、經驗判斷該報導的正確性」,但沒有勾選上述兩項者,歸為「憑自己判斷」。前三項都沒有勾選,而勾選「以上都沒有」「都不相信新聞報導」或「都相信新聞報導」者,歸為「沒有想」。程式碼採「優先順序低的先填,高的後填」的寫法,後填的類別會覆蓋前面的類別。
# 檢查原始編碼
# P7_5 可以複選,每個選項是一個變數,變數名稱最後的 m01 至 m06 就是選項編號
# 六個選項變數的編碼都相同(0 沒有勾選、1 有勾選),所以只看 m01 一個
attr(TCS2022$vp7_5m01, "labels") # (01)您會依自己的知識、經驗判斷該報導的正確性
缺失值檢查(0 沒有勾、1 有勾、NA 為不知道或拒答)
# 缺失值檢查(0 沒有勾、1 有勾、NA 為不知道或拒答)
table(TCS2022$vp7_5m01, exclude = NULL)
table(TCS2022$vp7_5m02, exclude = NULL)
table(TCS2022$vp7_5m03, exclude = NULL)
table(TCS2022$vp7_5m04, exclude = NULL)
table(TCS2022$vp7_5m05, exclude = NULL)
table(TCS2022$vp7_5m06, exclude = NULL)
# 依條件填入內在思考的程式碼(優先順序低的先填,高的後填,後填的會覆蓋前面)
a3 <- NA
a3[TCS2022$vp7_5m04 %in% 1 | TCS2022$vp7_5m05 %in% 1 | TCS2022$vp7_5m06 %in% 1] <- 3 # 沒有想
a3[TCS2022$vp7_5m01 %in% 1] <- 2 # 憑自己判斷
a3[TCS2022$vp7_5m02 %in% 1 | TCS2022$vp7_5m03 %in% 1] <- 1 # 會停下來檢查
# 加上選項標籤
TCS2022$A3 <- rec(a3,
rec = "1=1[會停下來檢查]; 2=2[憑自己判斷]; 3=3[沒有想]",
as.num = F
)
# 加上題目標籤
TCS2022$A3 <- set_label(TCS2022$A3,
label = "A3 內在思考(P7_5 當您看到不確定可不可以相信的新聞報導時,下面哪些是您心裡出現的想法?(可複選))"
)
# 顯示題目標籤與變數名稱
frq(TCS2022, A3)
A3 內在思考(P7_5 當您看到不確定可不可以相信的新聞報導時,下面哪些是您心裡出現的想法?(可複選)) (A3) <categorical>
# total N=2015 valid N=1989 mean=1.64 sd=0.77
Value | Label | N | Raw % | Valid % | Cum. %
------------------------------------------------------
1 | 會停下來檢查 | 1070 | 53.10 | 53.80 | 53.80
2 | 憑自己判斷 | 564 | 27.99 | 28.36 | 82.15
3 | 沒有想 | 355 | 17.62 | 17.85 | 100.00
<NA> | <NA> | 26 | 1.29 | <NA> | <NA>
# 確認資料型態
class(TCS2022$A3)
編碼結果
本變數分為三類。會停下來檢查 1,070 人,憑自己判斷 564 人,沒有想 355 人。重新整理後,資料型態為factor。有效回答共1,989人,缺失值共26人。有效回答與缺失值合計2,015人,與原始資料的受訪者人數一致。
A4:外在查證
原始問卷題目
P7_6 詢問「如果您想要確認一則新聞報導是不是正確時,您會用下列哪些方法?」,此題可以複選。
本研究使用的原始變數為 vp7_6m01 至 vp7_6m07,依序對應上表的七個選項。每個選項在資料中是一個變數,0 為沒有勾選,1 為有勾選。
編碼目的與理由
本變數測量民眾想確認一則新聞報導是否正確時,有沒有實際動手查證。本研究以外在查證作為不專注的另一個測量。勾選「上網搜尋相關討論」「上網搜尋專業說法」「您會看其他媒體是否也有類似的報導」「與親朋好友討論」「去圖書館找資料」或「聽取身邊專業人士對那則新聞的判斷」任一種方法者,歸為「會查證」。勾選「不會做任何事」者,歸為「不會查證」。
# 檢查原始編碼
# P7_6 可以複選,每個選項是一個變數,變數名稱最後的 m01 至 m07 就是選項編號
# 七個選項變數的編碼都相同(0 沒有勾選、1 有勾選),所以只看 m07 一個
attr(TCS2022$vp7_6m07, "labels") # (07)不會做任何事
缺失值檢查
# 缺失值檢查(0 沒有勾、1 有勾、NA 為不知道或拒答)
table(TCS2022$vp7_6m01, exclude = NULL) # (01)上網搜尋相關討論
table(TCS2022$vp7_6m02, exclude = NULL) # (02)上網搜尋專業說法
table(TCS2022$vp7_6m03, exclude = NULL) # (03)看其他媒體是否也有類似的報導
table(TCS2022$vp7_6m04, exclude = NULL) # (04)與親朋好友討論
table(TCS2022$vp7_6m05, exclude = NULL) # (05)去圖書館找資料
table(TCS2022$vp7_6m06, exclude = NULL) # (06)聽取身邊專業人士的判斷
table(TCS2022$vp7_6m07, exclude = NULL) # (07)不會做任何事
# 判斷是否勾選 (01) 至 (06) 任一種方法
m0106 <- TCS2022$vp7_6m01 %in% 1 | TCS2022$vp7_6m02 %in% 1 | TCS2022$vp7_6m03 %in% 1 |
TCS2022$vp7_6m04 %in% 1 | TCS2022$vp7_6m05 %in% 1 | TCS2022$vp7_6m06 %in% 1
# 依條件填入外在查證的代碼
a4 <- NA
a4[TCS2022$vp7_6m07 %in% 0 & m0106] <- 1 # 會查證
a4[TCS2022$vp7_6m07 %in% 1] <- 2 # 不會查證
# 加上選項標籤
TCS2022$A4 <- rec(a4,
rec = "1=1[會查證]; 2=2[不會查證]",
as.num = F
)
# 加上題目標籤
TCS2022$A4 <- set_label(TCS2022$A4,
label = "A4 外在查證(P7_6 如果您想要確認一則新聞報導是不是正確時,您會用下列哪些方法?(可複選))"
)
# 顯示題目標籤與變數名稱
frq(TCS2022, A4)
A4 外在查證(P7_6 如果您想要確認一則新聞報導是不是正確時,您會用下列哪些方法?(可複選)) (A4) <categorical>
# total N=2015 valid N=2001 mean=1.30 sd=0.46
Value | Label | N | Raw % | Valid % | Cum. %
--------------------------------------------------
1 | 會查證 | 1402 | 69.58 | 70.06 | 70.06
2 | 不會查證 | 599 | 29.73 | 29.94 | 100.00
<NA> | <NA> | 14 | 0.69 | <NA> | <NA>
# 確認資料型態
class(TCS2022$A4)
編碼結果
本變數分為兩類。會查證 1,402 人,不會查證 599 人。重新整理後,資料型態為factor。有效回答共2,001人,缺失值共14人。有效回答與缺失值合計2,015人,與原始資料的受訪者人數一致。
3.2.3 控制變數
本研究納入七個控制變數,依序為性別、年齡、教育程度、政治興趣,以及從傳統媒體、社群媒體與新聞網站獲取政治資訊的頻率。
性別(sex)
原始問卷題目:原始變數為 sel_gen,原始類別為(01)男與(02)女。
編碼目的與理由:將男編為 1、女編為 0。
缺失值檢查
# 缺失值檢查
table(TCS2022$sel_gen, exclude = NULL)
重新編碼(男編為1、女編為0)並加上題目標籤
# 重新編碼(男編為1、女編為0)
TCS2022$sex <- rec(TCS2022$sel_gen, rec = "1=1[男]; 2=0[女]", as.num = F)
# 加上題目標籤
TCS2022$sex <- set_label(TCS2022$sex, label = "性別")
# 顯示題目標籤與變數名稱
frq(TCS2022, sex)
性別 (sex) <categorical>
# total N=2015 valid N=2015 mean=0.48 sd=0.50
Value | Label | N | Raw % | Valid % | Cum. %
-----------------------------------------------
0 | 女 | 1057 | 52.46 | 52.46 | 52.46
1 | 男 | 958 | 47.54 | 47.54 | 100.00
<NA> | <NA> | 0 | 0.00 | <NA> | <NA>
# 確認資料型態
class(TCS2022$sex)
編碼結果
本變數分為兩類。女 1,057 人,男 958 人。重新整理後,資料型態為factor。本變數沒有缺失值,合計2,015人。
年齡(age_grp)
原始問卷題目:A1 詢問「請問您是民國哪一年出生的?」,回答不知道或拒答者再以 A2 詢問「請問您今年大概幾歲?」。本研究使用的原始變數為 va1 與 va2。
編碼目的與理由:以調查年份民國 111 年減去出生年,算出受訪者的年齡,再分為四組。出生年為不知道或拒答的 4 人,則改用 A2 的年齡區間歸類。
缺失值檢查
# 缺失值檢查(A2 只有出生年缺失的 4 人有回答)
table(TCS2022$va2, exclude = NULL)
出生年回答不知道或拒答的 4 人,在 A2 中有 1 人為 50~54 歲,2 人為 65~69 歲,1 人為 70 歲及以上。其餘 2,011 人已填寫出生年,依規定不需回答 A2。
# 算出年齡(調查年份為民國 111 年,年齡 = 111 - 出生年)
age111 <- 111 - TCS2022$va1
# 依年齡分組,再以 A2 補上出生年缺失者
ag <- rec(age111, rec = "18:29=1; 30:44=2; 45:64=3; 65:max=4; else=NA", as.num = T)
ag[is.na(ag) & TCS2022$va2 %in% 1:3] <- 1 # 18 至 29 歲
ag[is.na(ag) & TCS2022$va2 %in% 4:6] <- 2 # 30 至 44 歲
ag[is.na(ag) & TCS2022$va2 %in% 7:10] <- 3 # 45 至 64 歲
ag[is.na(ag) & TCS2022$va2 %in% 11:12] <- 4 # 65 歲以上
# 加上選項標籤
# 【與老師範例不同】新變數取名 age_grp,因為資料原本就有一個名為 age 的變數,避免覆蓋
TCS2022$age_grp <- rec(ag,
rec = "1=1[18-29歲]; 2=2[30-44歲]; 3=3[45-64歲]; 4=4[65歲以上]",
as.num = F
)
# 加上題目標籤(不重新加上的話,會沿用 va1 的題目標籤)
TCS2022$age_grp <- set_label(TCS2022$age_grp,
label = "年齡組(A1 請問您是民國哪一年出生的? A2 請問您今年大概幾歲?)"
)
# 顯示題目標籤與變數名稱
frq(TCS2022, age_grp)
年齡組(A1 請問您是民國哪一年出生的? A2 請問您今年大概幾歲?) (age_grp) <categorical>
# total N=2015 valid N=2015 mean=2.61 sd=0.98
Value | Label | N | Raw % | Valid % | Cum. %
-------------------------------------------------
1 | 18-29歲 | 304 | 15.09 | 15.09 | 15.09
2 | 30-44歲 | 606 | 30.07 | 30.07 | 45.16
3 | 45-64歲 | 679 | 33.70 | 33.70 | 78.86
4 | 65歲以上 | 426 | 21.14 | 21.14 | 100.00
<NA> | <NA> | 0 | 0.00 | <NA> | <NA>
# 確認資料型態
class(TCS2022$age_grp)
編碼結果
本變數分為四組。18-29歲 304 人,30-44歲 606 人,45-64歲 679 人,65歲以上 426 人。重新整理後,資料型態為factor。本變數沒有缺失值,合計2,015人。
教育程度(edu)
原始問卷題目:A9 詢問「請問您的教育程度是什麼(包含肄業、就學中)?」。使用的原始變數為 va9。
編碼目的與理由:將原始八個類別合併為四組。
# 檢查原始編碼
frq(TCS2022, va9)
A9 您的教育程度是什麼(包含肄業、就學中)? (va9) <numeric>
# total N=2015 valid N=2015 mean=4.78 sd=1.55
Value | Label | N | Raw % | Valid % | Cum. %
------------------------------------------------------
1 | 不識字 | 44 | 2.18 | 2.18 | 2.18
2 | 自修/小學 | 154 | 7.64 | 7.64 | 9.83
3 | 國(初)中/初職 | 189 | 9.38 | 9.38 | 19.21
4 | 高中職 | 517 | 25.66 | 25.66 | 44.86
5 | 專科 | 238 | 11.81 | 11.81 | 56.67
6 | 大學 | 665 | 33.00 | 33.00 | 89.68
7 | 碩士 | 192 | 9.53 | 9.53 | 99.21
8 | 博士 | 16 | 0.79 | 0.79 | 100.00
88 | 其他 | 0 | 0.00 | 0.00 | 100.00
<NA> | <NA> | 0 | 0.00 | <NA> | <NA>
# 缺失值檢查
table(TCS2022$va9, exclude = NULL)
1 2 3 4 5 6 7 8
44 154 189 517 238 665 192 16
重新編碼
# 重新編碼
TCS2022$edu <- rec(TCS2022$va9,
rec = "1:3=1[國中以下]; 4=2[高中職]; 5:6=3[專科大學]; 7:8=4[研究所]; else=NA",
as.num = F
)
# 加上題目標籤
TCS2022$edu <- set_label(TCS2022$edu,
label = "教育程度(A9 請問您的教育程度是什麼(包含肄業、就學中)?)"
)
# 顯示題目標籤與變數名稱
frq(TCS2022, edu)
教育程度(A9 請問您的教育程度是什麼(包含肄業、就學中)?) (edu) <categorical>
# total N=2015 valid N=2015 mean=2.46 sd=0.92
Value | Label | N | Raw % | Valid % | Cum. %
-------------------------------------------------
1 | 國中以下 | 387 | 19.21 | 19.21 | 19.21
2 | 高中職 | 517 | 25.66 | 25.66 | 44.86
3 | 專科大學 | 903 | 44.81 | 44.81 | 89.68
4 | 研究所 | 208 | 10.32 | 10.32 | 100.00
<NA> | <NA> | 0 | 0.00 | <NA> | <NA>
# 確認資料型態
class(TCS2022$edu)
編碼結果
本變數分為四組。國中以下 387 人,高中職 517 人,專科大學 903 人,研究所 208 人。重新整理後,資料型態為factor。本變數沒有缺失值,合計2,015人。
政治興趣(interest)
原始問卷題目:Q46詢問「整體來說,請問您對政治的事情,感不感興趣?」。使用的原始變數為 vq46。
編碼目的與理由:將原始五個類別合併為三組。
# 檢查原始編碼
attr(TCS2022$vq46, "labels")
非常不感興趣 有點不感興趣 普通 有點感興趣 非常感興趣
1 2 3 4 5
# 缺失值檢查
table(TCS2022$vq46, exclude = NULL)
1 2 3 4 5 <NA>
571 447 707 226 49 15
# 重新編碼
TCS2022$interest <- rec(TCS2022$vq46,
rec = "1:2=1[不感興趣]; 3=2[普通]; 4:5=3[感興趣]; else=NA",
as.num = F
)
# 加上題目標籤
TCS2022$interest <- set_label(TCS2022$interest,
label = "政治興趣(Q46 整體來說,請問您對政治的事情,感不感興趣?)"
)
# 顯示題目標籤與變數名稱
frq(TCS2022, interest)
政治興趣(Q46 整體來說,請問您對政治的事情,感不感興趣?) (interest) <categorical>
# total N=2015 valid N=2000 mean=1.63 sd=0.71
Value | Label | N | Raw % | Valid % | Cum. %
--------------------------------------------------
1 | 不感興趣 | 1018 | 50.52 | 50.90 | 50.90
2 | 普通 | 707 | 35.09 | 35.35 | 86.25
3 | 感興趣 | 275 | 13.65 | 13.75 | 100.00
<NA> | <NA> | 15 | 0.74 | <NA> | <NA>
# 確認資料型態
class(TCS2022$interest)
編碼結果
本變數分為三組。不感興趣 1,018 人,普通 707 人,感興趣 275 人。重新整理後,資料型態為factor。有效回答共2,000人,缺失值共15人。有效回答與缺失值合計2,015人,與原始資料的受訪者人數一致。
從傳統媒體獲取政治資訊(trad)
原始問卷題目:Q1至Q4分別詢問民眾有多常透過報紙、雜誌、廣播與電視獲得政治或公共事務的訊息。原始類別為(01)從來沒有、(02)很少、(03)有時與(04)經常。本研究使用的原始變數為 vq1 至 vq4。
編碼目的與理由:取四題中最常的頻率,合併為一個變數。從來沒有與很少合併為「很少或從未」。四題都依問卷規定跳答者,代表沒有使用這四種媒體,因此也歸為很少或從未。這四題沒有經過批次清理,所以先將1至4以外的代碼設為遺漏值再取最大值。
# 檢查原始編碼
attr(TCS2022$vq1, "labels")
從來沒有 很少 有時 經常 跳答 不知道 拒答 遺漏值
1 2 3 4 96 97 98 99
# 缺失值檢查(96 跳答、97 不知道、98 拒答都還在)
table(TCS2022$vq1, exclude = NULL)
1 2 3 4 96 97
24 173 137 119 1561 1
table(TCS2022$vq2, exclude = NULL)
1 2 3 4 96
54 208 129 32 1592
table(TCS2022$vq3, exclude = NULL)
1 2 3 4 96 97
103 273 233 133 1271 2
table(TCS2022$vq4, exclude = NULL)
1 2 3 4 96 97
105 352 599 651 299 9
# 取四題中最常的頻率(先把1至4以外的程式碼設為NA再取最大值)
f4 <- function(x) ifelse(x %in% 1:4, x, NA)
trad_max <- pmax(f4(TCS2022$vq1), f4(TCS2022$vq2), f4(TCS2022$vq3), f4(TCS2022$vq4), na.rm = TRUE)
table(trad_max, exclude = NULL) # 檢查最大值的分布
trad_max
1 2 3 4 <NA>
117 339 647 726 186
# 1 從來沒有、2 很少、3 有時、4 經常;NA 為四題都沒有 1 至 4 的答案(多為依規定跳答)
以上步驟取Q1至Q4四題中最常的頻率,作為每位受訪者從傳統媒體獲取政治資訊的頻率。四題的原始選項編號為 1 從來沒有、2 很少、3 有時與 4 經常,數字越大代表越常使用。程式碼先將 1 至 4 以外的選項編號設為遺漏值,再從四題中取出最大的數字。例如某位受訪者幾乎不看報紙,但經常看電視,他的頻率就是 4 經常。取最大值時不會改動原始選項編號,因此結果的 1 至 4 仍對應原本的選項。四題都沒有 1 至 4 答案的受訪者,結果為遺漏值。這些人大多是依問卷規定跳答,會在下一步歸為很少或從未。
# 依條件填入代碼(四題都跳答者歸為很少或從未)
tr <- NA
tr[trad_max %in% 1:2] <- 1
tr[trad_max %in% 3] <- 2
tr[trad_max %in% 4] <- 3
tr[TCS2022$vq1 %in% 96 & TCS2022$vq2 %in% 96 & TCS2022$vq3 %in% 96 & TCS2022$vq4 %in% 96] <- 1
# 加上選項標籤
TCS2022$trad <- rec(tr, rec = "1=1[很少或從未]; 2=2[有時]; 3=3[經常]", as.num = F)
# 加上題目標籤
TCS2022$trad <- set_label(TCS2022$trad,
label = "從傳統媒體獲取政治資訊(Q1 至 Q4 請問您有多常透過報紙、雜誌、廣播、電視獲得政治或公共事務的訊息呢?)"
)
# 顯示題目標籤與變數名稱
frq(TCS2022, trad)
從傳統媒體獲取政治資訊(Q1 至 Q4 請問您有多常透過報紙、雜誌、廣播、電視獲得政治或公共事務的訊息呢?) (trad) <categorical>
# total N=2015 valid N=2007 mean=2.05 sd=0.82
Value | Label | N | Raw % | Valid % | Cum. %
---------------------------------------------------
1 | 很少或從未 | 634 | 31.46 | 31.59 | 31.59
2 | 有時 | 647 | 32.11 | 32.24 | 63.83
3 | 經常 | 726 | 36.03 | 36.17 | 100.00
<NA> | <NA> | 8 | 0.40 | <NA> | <NA>
# 確認資料型態
class(TCS2022$trad)
編碼結果
本變數分為三組。很少或從未 634 人,有時 647 人,經常 726 人。重新整理後,資料型態為factor。有效回答共2,007人,缺失值共8人。有效回答與缺失值合計2,015人,與原始資料的受訪者人數一致。
從社群媒體獲取政治資訊(soc)
原始問卷題目:Q5詢問民眾有沒有透過網路蒐尋、瀏覽、點閱或觀看和「政治或公共事務」有關的新聞、訊息或影片。回答有者,再以Q6至Q8詢問透過社群媒體、影音平台與通訊軟體的頻率。本研究使用的原始變數為 vq5 與 vq6sq6 至 vq6sq8。
編碼目的與理由:本研究取Q6至Q8中最常的頻率,合併為一個變數。Q5回答沒有或依問卷規定跳答者,歸為很少或從未。
# 檢查原始編碼
frq(TCS2022,vq5)
Q5 您有沒有透過網路蒐尋、瀏覽、點閱或觀看和「政治或公共事務」有關的新聞、訊息或影片?(E1答2、3、4、5、97、98,不需答此題) (vq5) <numeric>
# total N=2015 valid N=2015 mean=15.57 sd=33.85
Value | Label | N | Raw % | Valid % | Cum. %
---------------------------------------------------------
1 | 有 | 1137 | 56.43 | 56.43 | 56.43
2 | 沒有(跳答Q10) | 575 | 28.54 | 28.54 | 84.96
96 | 跳答 | 299 | 14.84 | 14.84 | 99.80
97 | 不知道(跳答Q10) | 4 | 0.20 | 0.20 | 100.00
98 | 拒答(跳答Q10) | 0 | 0.00 | 0.00 | 100.00
99 | 遺漏值 | 0 | 0.00 | 0.00 | 100.00
<NA> | <NA> | 0 | 0.00 | <NA> | <NA>
attr(TCS2022$vq6sq6, "labels") # vq6sq6和vq6sq8一樣
從來沒有 很少 有時 經常 跳答 不知道 拒答 遺漏值
1 2 3 4 96 97 98 99
# 缺失值檢查
table(TCS2022$vq5, exclude = NULL)
table(TCS2022$vq6sq6, exclude = NULL)
1 2 3 4 96 97
170 197 395 372 878 3
table(TCS2022$vq6sq7, exclude = NULL)
1 2 3 4 96 97
118 246 422 348 878 3
table(TCS2022$vq6sq8, exclude = NULL)
1 2 3 4 96 97
126 270 393 345 878 3
# 取Q6至Q8中最常的頻率(沿用上面的f4)
soc_max <- pmax(f4(TCS2022$vq6sq6), f4(TCS2022$vq6sq7), f4(TCS2022$vq6sq8), na.rm = TRUE)
# 依條件填入代碼(Q5答沒有或跳答者歸為很少或從未)
so <- NA
so[soc_max %in% 1:2] <- 1
so[soc_max %in% 3] <- 2
so[soc_max %in% 4] <- 3
so[TCS2022$vq5 %in% c(2, 96)] <- 1
# 加上選項標籤
TCS2022$soc <- rec(so, rec = "1=1[很少或從未]; 2=2[有時]; 3=3[經常]", as.num = F)
# 加上題目標籤
TCS2022$soc <- set_label(TCS2022$soc,
label = "從社群媒體獲取政治資訊(Q5 有沒有透過網路觀看政治或公共事務的新聞、訊息或影片 Q6 至 Q8 社群媒體、影音平台、通訊軟體)"
)
# 顯示題目標籤與變數名稱
frq(TCS2022, soc)
從社群媒體獲取政治資訊(Q5 有沒有透過網路觀看政治或公共事務的新聞、訊息或影片 Q6 至 Q8 社群媒體、影音平台、通訊軟體) (soc) <categorical>
# total N=2015 valid N=2011 mean=1.80 sd=0.86
Value | Label | N | Raw % | Valid % | Cum. %
---------------------------------------------------
1 | 很少或從未 | 995 | 49.38 | 49.48 | 49.48
2 | 有時 | 431 | 21.39 | 21.43 | 70.91
3 | 經常 | 585 | 29.03 | 29.09 | 100.00
<NA> | <NA> | 4 | 0.20 | <NA> | <NA>
# 確認資料型態
class(TCS2022$soc)
編碼結果
本變數分為三組。很少或從未 995 人,有時 431 人,經常 585 人。重新整理後,資料型態為factor。有效回答共2,011人,缺失值共4人。有效回答與缺失值合計2,015人,與原始資料的受訪者人數一致。
從新聞網站獲取政治資訊(news)
原始問卷題目:Q9詢問民眾透過新聞網站蒐尋、瀏覽、點閱或觀看政治或公共事務相關內容的頻率。使用的原始變數為 vq5 與 vq6sq9。
編碼目的與理由:只將原題的(01)與(02)合併為很少或從未。Q5回答沒有或依問卷規定跳答者,同樣歸為很少或從未。
# 檢查原始編碼
attr(TCS2022$vq6sq9, "labels")
從來沒有 很少 有時 經常 跳答 不知道 拒答 遺漏值
1 2 3 4 96 97 98 99
# 缺失值檢查
table(TCS2022$vq6sq9, exclude = NULL)
1 2 3 4 96 97
132 229 431 343 878 2
# 依條件填入代碼(Q5 答沒有或跳答者歸為很少或從未)
nw <- NA
nw[TCS2022$vq6sq9 %in% 1:2] <- 1
nw[TCS2022$vq6sq9 %in% 3] <- 2
nw[TCS2022$vq6sq9 %in% 4] <- 3
nw[TCS2022$vq5 %in% c(2, 96)] <- 1
# 加上選項標籤
TCS2022$news <- rec(nw, rec = "1=1[很少或從未]; 2=2[有時]; 3=3[經常]", as.num = F)
# 加上題目標籤
TCS2022$news <- set_label(TCS2022$news,
label = "從新聞網站獲取政治資訊(Q5 有沒有透過網路觀看政治或公共事務的新聞、訊息或影片 Q9 新聞網站)"
)
# 顯示題目標籤與變數名稱
frq(TCS2022, news)
從新聞網站獲取政治資訊(Q5 有沒有透過網路觀看政治或公共事務的新聞、訊息或影片 Q9 新聞網站) (news) <categorical>
# total N=2015 valid N=2009 mean=1.56 sd=0.77
Value | Label | N | Raw % | Valid % | Cum. %
----------------------------------------------------
1 | 很少或從未 | 1235 | 61.29 | 61.47 | 61.47
2 | 有時 | 431 | 21.39 | 21.45 | 82.93
3 | 經常 | 343 | 17.02 | 17.07 | 100.00
<NA> | <NA> | 6 | 0.30 | <NA> | <NA>
# 確認資料型態
class(TCS2022$news)
清除暫存物件
編碼過程中建立的暫存物件,在編碼完成後全部刪除,只留下資料檔。
# 清掉編碼過程中用到的暫存物件,只留下資料檔
rm(party, a1, q03, q05, a2, a3, m0106, a4, ag, f4, trad_max, tr, soc_max, so, nw)
編碼後檢查
不加控制變數
# 檢查:只放四個自變數時,各變數皆有效的人數(不加控制變數)
iv <- c("A1", "A2", "A3", "A4")
for (b in c("ind_p6_2", "ind_p6_3", "ind_p6_4", "ind_p6_5")) {
cat(b, sum(complete.cases(TCS2022[, c(b, iv)])), "\n")
}
ind_p6_2 1668
ind_p6_3 1679
ind_p6_4 1633
ind_p6_5 1631
後續的迴歸分析只會納入所有變數都有答案的受訪者。只要依變數或任何一個自變數、控制變數是遺漏值,這位受訪者就會被排除。因此,實際進入迴歸的人數會少於 2,015 人。此步驟的目的是事先算出實際進入迴歸的人數,以確認排除的人數不會過多,並作為之後報告迴歸結果時的樣本數。由於依變數有四題,每題回答不知道或拒答的人數不同,因此分別計算四題的人數。
各變數皆有效的人數
# 檢查:各變數皆有效的人數
ctrl <- c("A1", "A2", "A3", "A4", "sex", "age_grp", "edu", "interest", "trad", "soc", "news")
for (b in c("ind_p6_2", "ind_p6_3", "ind_p6_4", "ind_p6_5")) { # python for loop
cat(b, sum(complete.cases(TCS2022[, c(b, ctrl)])), "\n")
}
ind_p6_2 1665
ind_p6_3 1676
ind_p6_4 1629
ind_p6_5 1627
以上各變數皆有效的人數,P6_2 為1,665人,P6_3 為1,676人,P6_4 為1,629人,P6_5 為1,627人。四題的人數不同,是因為各題回答不知道或拒答的人數不同。四題皆有 1,600 人以上,足以進行後續的迴歸分析。
變數之間的重疊
為檢查變數之間是否高度重疊,本研究製作以下交叉表。高度重疊的變數同時放進迴歸時,可能會互相影響估計結果。
# 把編碼後的變數換成選項標籤,交叉表才會顯示文字而不是代碼
# 只用在檢查,不改動TCS2022本身
chk <- sjlabelled::as_label(TCS2022[, ctrl])
# 注意:一定要寫sjlabelled::as_label()
# dplyr也有一個同名的as_label(),直接寫as_label()會叫到dplyr的版本而出錯
# 資訊動機與傳統媒體、政治興趣的重疊
with(chk, table(A2, trad, exclude = NULL))
trad
A2 很少或從未 有時 經常 <NA>
只想了解不同的觀點 155 241 273 0
只想看到更多跟您立場相同的觀點 21 21 31 0
兩者都有 21 43 77 0
其他想法 245 323 329 3
不獲取政治資訊 186 17 14 3
<NA> 6 2 2 2
with(chk, table(A2, interest, exclude = NULL))
interest
A2 不感興趣 普通 感興趣 <NA>
只想了解不同的觀點 263 282 124 0
只想看到更多跟您立場相同的觀點 28 28 17 0
兩者都有 42 50 49 0
其他想法 509 308 80 3
不獲取政治資訊 167 38 4 11
<NA> 9 1 1 1
# 三個媒體變數之間的重疊
with(chk, table(soc, news, exclude = NULL))
news
soc 很少或從未 有時 經常 <NA>
很少或從未 951 26 18 0
有時 135 247 49 0
經常 149 158 276 2
<NA> 0 0 0 4
with(chk, table(trad, soc, exclude = NULL))
soc
trad 很少或從未 有時 經常 <NA>
很少或從未 434 98 99 3
有時 272 190 185 0
經常 281 143 301 1
<NA> 8 0 0 0
編碼結果
此交叉表檢查三個媒體變數之間是否高度重疊。結果顯示,社群媒體為很少或從未的 995 人中,有 951 人在新聞網站也是很少或從未。這主要可能是問卷跳答結構造成的。Q5 回答沒有透過網路獲得政治資訊,或依問卷規定跳答者,在社群媒體與新聞網站都會歸為很少或從未。相較之下,傳統媒體與社群媒體的重疊較低。例如,經常從傳統媒體獲取政治資訊的人,在社群媒體為很少或從未、有時與經常者分別有 281 人、143 人與 301 人。本研究保留這三個變數,並在研究限制中適時說明社群媒體與新聞網站的重疊。
如何讀這張表
社群媒體 × 新聞網站:左上角的 951 特別大,代表很多人在兩個變數都是「很少或從未」。這兩個變數重疊明顯。
傳統媒體 × 社群媒體:各格的人數比較分散,例如「經常」看傳統媒體的人,社群媒體三類都有不少人。這兩個變數各自提供不同的資訊。