獨立或繼承？論台灣民眾黨的支持圖像
Yihung Chen
2021/6/25
研究動機
政黨作為政治學研究者富饒興趣的所在，其支持群眾的構成無論是學界，更是實務界上感興趣的研究標的。然而，台灣民眾黨作為一個剛起步的新興政黨，其支持群眾並未有一個清晰的輪廓。此外，民眾黨的政治菁英宣稱自己是務實派、「統獨是假議題」，儘管政治菁英真的有朝向此方面做努力，但其支持群眾就並無明顯的統獨立場嗎？其支持群眾與傳統兩大黨或其他新興政黨的差別又為何？
我們也可從另外一個角度來檢視台灣民眾黨，若我們將台灣的主要政黨放置於統獨的政治光譜(political spectrum)上，中間(維持現狀)偏獨到獨派可能有民進黨、時代力量、台聯及基進黨，而中間偏統到統派可能有國民黨、親民黨及新黨。而2020年國民黨的不分區立委代表，納入充滿了統派色彩的立委吳斯懷，若我們將這點暗示(cue)象徵國民黨的不分區往統派靠攏，那麼原本國民黨空出來的光譜是由民眾黨所補上嗎？它是否就是取代國民黨內原先維持現狀派？
研究問題
- 在2020年總統大選中台灣民眾黨的支持者與其他政黨支持者的差異為何？
研究目的
- 勾勒台灣藍綠政黨的支持圖像，藉以比較民眾黨支持群眾與藍綠兩大黨或其他政黨的差異。
資料檔簡介
本文採用由國立政治大學選舉研究中心所主持之2016 年至 2020 年「台灣選舉與民主化調查」四年期研究規劃(4/4)：2020 年總統與立法委員選舉面訪案。此筆資料為2020年大選後首次的深入訪談，除了能夠反映出2020年的選舉概況外，更是包含像是「政治興趣」、「對菁英政治態度」、「經濟評估」、「民主認知」等各面向的題組。故可以最大概度的去建構出主要政黨的支持者特性，藉以與台灣民眾黨的支持群眾比較。
執行單位：國立政治大學選舉研究中心、中央研究院政治學研究所、世新大學行政管理學系、東吳大學政治學系、東海大學政治學系、淡江大學全球政治經濟學系、國立中正大學政治學系暨研究所、國立成功大學政治學系、國立中山大學政治學研究所。
調查時間：2020 年 1 月 13 日～5 月 31 日。
共計完成有效樣本（N）=1,680。
資料讀入與處理
- 讀入TEDS2020.rda資料
load("TEDS2020.rda")- 清理無效值
library(sjmisc)
TEDS2020 <- set_na(TEDS2020, na=c(92:99, "NA")) 變數編碼
自台灣民眾黨建黨以來，對於其支持者的論述多集中於幾個方面：反對兩大黨及政黨惡鬥、反對既有菁英政治、具有民粹特性（此指的民粹特性，係指訴諸於人民、回歸於人民）、或是對既有由政治菁英運行的經濟體制感到不滿。
因此，以下的變數的挑選由上述的理由產生，分別為對既有政治的想法（如政治興趣、政治效能感、菁英政治、民主認知等）、經濟評估，以及對於社會重大議題的看法（如身分認同、統獨立場、對九二共識的看法等）。此外，本文也放入幾個可能是影響台灣民眾黨支持者的重要變數：性別、世代、地區（以台北市作為虛擬變數）以及社會階層。
另外，由於民眾黨支持者可能存在著反對傳統政治菁英的特性，因此本文也採用九題對於2020年總統候選人能力的連續變數作為輔助連續變數，。
A. 政治興趣 & 政治效能感 & 現任滿意度 &政治理解 &政治信任
#1. Ｂ１整體來說，請問您對政治的事情，感不感興趣？
# (01)非常有興趣 (02)有興趣 (03)不太有興趣 (04)完全沒興趣
# (96)看 情 形 (97)無意見 (98)不知道 (95)拒答
library(sjmisc)
TEDS2020$B1r <- rec(TEDS2020$B1, rec="1=1; 2=2; 3=3; 4=4", as.num=F,
val.labels=c("非常有興趣","有興趣","不太有興趣","完全沒興趣"),
var.label = "政治興趣")#2. Ｃ１請問您對蔡英文擔任總統期間的整體表現，您覺得是非常滿意、還算滿意、不太滿意、還是非常不滿意
# (01)非常滿意 (02)還算滿意 (03)不太滿意 (04)非常不滿意
# (96)看情形 (97)無意見 (98)不知道 (95)拒答
TEDS2020$C1r <- rec(TEDS2020$C1, rec="1=1; 2=2; 3=3; 4=4", as.num=F,
val.labels=c("非常滿意","還算滿意","不太滿意","非常不滿意"),
var.label = "總統表現")#3. Ｄ１有人說：「我們一般民眾對政府的作為，沒有任何影響力。」
# (01)非常同意 (02)同意 (03)不同意 (04)非常不同意
# (96)看情形 (97)無意見 (98)不知道 (95)拒答
TEDS2020$D1r <- rec(TEDS2020$D1, rec="1=1; 2=2; 3=3; 4=4", as.num=F,
val.labels=c("非常同意","同意","不同意","非常不同意"),
var.label = "內部政治效能感")#4. Ｄ２有人說：「政府官員不會在乎我們一般民眾的想法。」
# (01)非常同意 (02)同意 (03)不同意 (04)非常不同意
# (96)看情形 (97)無意見 (98)不知道 (95)拒答
TEDS2020$D2r <- rec(TEDS2020$D2, rec="1=1; 2=2; 3=3; 4=4", as.num=F,
val.labels=c("非常同意","同意","不同意","非常不同意"),
var.label = "外部政治效能感")#5. 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。」
# (01)非常同意 (02)同意 (03)不同意 (04)非常不同意
# (96)看情形 (97)無意見 (98)不知道 (95)拒答
TEDS2020$D3r <- rec(TEDS2020$D3, rec="1=1; 2=2; 3=3; 4=4", as.num=F,
val.labels=c("非常同意","同意","不同意","非常不同意"),
var.label = "政治理解程度")#6. Ｄ４有人說：「政府所做的事大多數是正確的。」
# (01)非常同意 (02)同意 (03)不同意 (04)非常不同意
# (96)看情形 (97)無意見 (98)不知道 (95)拒答
TEDS2020$D4r <- rec(TEDS2020$D4, rec="1=1; 2=2; 3=3; 4=4", as.num=F,
val.labels=c("非常同意","同意","不同意","非常不同意"),
var.label = "政府信任程度")B. 對菁英政治的態度
#7. Ｅ１有人說：「在民主政治中，社會上不同的意見尋求互相妥協是很重要的。」
# (01)非常同意 (02)同意 (03)既不同意也不反對 (04)不同意 (05)非常不同意
# (96)看情形 (98)不知道 (95)拒答
TEDS2020$E1r <- rec(TEDS2020$E1, rec="1=1; 2=2; 3=3; 4=4; 5=5", as.num=F,
val.labels=c("非常同意","同意","既不同意也不反對","不同意","非常不同意"),
var.label = "政治妥協")#8. Ｅ２有人說：「大多數的政治人物並不關心一般民眾。」
# (01)非常同意 (02)同意 (03)既不同意也不反對 (04)不同意 (05)非常不同意
# (96)看情形 (98)不知道 (95)拒答
TEDS2020$E2r <- rec(TEDS2020$E2, rec="1=1; 2=2; 3=3; 4=4; 5=5", as.num=F,
val.labels=c("非常同意","同意","既不同意也不反對","不同意","非常不同意"),
var.label = "菁英是否關心民眾")#9. Ｅ３有人說：「大多數的政治人物是值得信任的。」
# (01)非常同意 (02)同意 (03)既不同意也不反對 (04)不同意 (05)非常不同意
# (96)看情形 (98)不知道 (95)拒答
TEDS2020$E3r <- rec(TEDS2020$E3, rec="1=1; 2=2; 3=3; 4=4; 5=5", as.num=F,
val.labels=c("非常同意","同意","既不同意也不反對","不同意","非常不同意"),
var.label = "對政治人物信任與否")#10. Ｅ４有人說：「政治人物是我們國家最主要的問題所在。」
# (01)非常同意 (02)同意 (03)既不同意也不反對 (04)不同意 (05)非常不同意
# (96)看情形 (98)不知道 (95)拒答
TEDS2020$E4r <- rec(TEDS2020$E4, rec="1=1; 2=2; 3=3; 4=4; 5=5", as.num=F,
val.labels=c("非常同意","同意","既不同意也不反對","不同意","非常不同意"),
var.label = "政治人物是否是問題")#11. Ｅ５．有人說：「我們的政治領導者為了把事情做好，即使有時候硬拗法律的規定也沒有關係。」
# (01)非常同意 (02)同意 (03)既不同意也不反對 (04)不同意 (05)非常不同意
# (96)看情形 (98)不知道 (95)拒答
TEDS2020$E5r <- rec(TEDS2020$E5, rec="1=1; 2=2; 3=3; 4=4; 5=5", as.num=F,
val.labels=c("非常同意","同意","既不同意也不反對","不同意","非常不同意"),
var.label = "硬拗法律與否")#12. Ｅ６有人說：「我們國家最重要的政策，應該由一般民眾決定，不是由政治人物來決定。」
# (01)非常同意 (02)同意 (03)既不同意也不反對 (04)不同意 (05)非常不同意
# (96)看情形 (98)不知道 (95)拒答
TEDS2020$E6r <- rec(TEDS2020$E6, rec="1=1; 2=2; 3=3; 4=4; 5=5", as.num=F,
val.labels=c("非常同意","同意","既不同意也不反對","不同意","非常不同意"),
var.label = "政策是否訴諸人民")#13. Ｅ７有人說：「大多數的政治人物只重視有錢有勢者的利益。」
# (01)非常同意 (02)同意 (03)既不同意也不反對 (04)不同意 (05)非常不同意
# (96)看情形 (98)不知道 (95)拒答
TEDS2020$E7r <- rec(TEDS2020$E7, rec="1=1; 2=2; 3=3; 4=4; 5=5", as.num=F,
val.labels=c("非常同意","同意","既不同意也不反對","不同意","非常不同意"),
var.label = "是否只重視有權者")C. 經濟評估
#14. Ｇ１首先，請問您覺得臺灣現在的經濟狀況與一年前相比，是比較好、還是比較不好，或是差不多？
# (01)好很多 (02)比較好 (03)差不多 (04)比較壞 (05)壞很多
# (96)看情形 (97)無意見(98)不知道 (95)拒答
TEDS2020$G1r <- rec(TEDS2020$G1, rec="1=1; 2=2; 3=3; 4=4; 5=5", as.num=F,
val.labels=c("好很多","比較好","差不多","比較壞","壞很多"),
var.label = "過去一年台灣經濟狀況")#15. Ｇ２請問您覺得臺灣在未來的一年經濟狀況會變好、還是變不好，或是差不多？
# (01)變很好 (02)變好一些 (03)差不多 (04)變差一些 (05)變很差
# (96)看情形 (97)無意見(98)不知道 (95)拒答
TEDS2020$G2r <- rec(TEDS2020$G2, rec="1=1; 2=2; 3=3; 4=4; 5=5", as.num=F,
val.labels=c("變很好","變好一些","差不多","變差一些","變很差"),
var.label = "台灣經濟狀況預估")#16. Ｇ３請問您覺得您家裡現在的經濟狀況與一年前相比，是比較好、還是比較不好，或是差不多？
# (01)好很多 (02)比較好 (03)差不多 (04)比較壞 (05)壞很多
# (96)看情形 (97)無意見(98)不知道 (95)拒答
TEDS2020$G3r <- rec(TEDS2020$G3, rec="1=1; 2=2; 3=3; 4=4; 5=5", as.num=F,
val.labels=c("好很多","比較好","差不多","比較壞","壞很多"),
var.label = "過去一年家庭經濟狀況")#17. Ｇ４請問您覺得您家裡在未來的一年經濟狀況會變好、還是變不好，或是差不多？
# (01)變很好 (02)變好一些 (03)差不多 (04)變差一些 (05)變很差
# (96)看情形 (97)無意見(98)不知道 (95)拒答
TEDS2020$G4r <- rec(TEDS2020$G4, rec="1=1; 2=2; 3=3; 4=4; 5=5", as.num=F,
val.labels=c("變很好","變好一些","差不多","變差一些","變很差"),
var.label = "家庭經濟狀況預估")D. 民主認知
#18. Ｈ３整體來說，請問您對臺灣民主政治實行的情況，是非常滿意、還算滿意、不太滿意、還是非常不滿意？
# (01)非常滿意 (02)還算滿意 (03)不太滿意 (04)非常不滿意
# (96)看情形 (97)無意見(98)不知道 (95)拒答
TEDS2020$H3r <- rec(TEDS2020$H3, rec="1=1; 2=2; 3=3; 4=4", as.num=F,
val.labels=c("非常滿意","滿意","不滿意","非常不滿意"),
var.label = "對民主實行滿意度")#19. Ｈ５有人說：「選區選出的立委，應該關注全國的利益。」也有人認為：「選區選出的立委，應該關注選區的利益。」請問您比較同意哪一種說法？
# (01)全國的利益 (02)選區的利益 (91)都要兼顧
# (96)看情形 (97)無意見(98)不知道 (95)拒答
TEDS2020$H5r <- rec(TEDS2020$H5, rec="1=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "立委照顧全國利益")#20. Ｈ６整體來說，請問您認為我們國家政治人物貪污的情形普不普遍？
# (01)非常普遍 (02)普遍 (03)不普遍 (04)幾乎沒有
# (96)看情形 (97)無意見(98)不知道 (95)拒答
TEDS2020$H6r <- rec(TEDS2020$H6, rec="1=1; 2=2; 3=3; 4=4", as.num=F,
val.labels=c("非常普遍","普遍", "不普遍", "幾乎沒有"),
var.label = "貪汙情形")E. 候選人能力
#21.22.23 Ｋ２ａ、Ｋ２ｂ、Ｋ２ｃ我們想要請您用0到10來表示您對這次總統選舉幾個候選人的看法，0表示您「非常不喜歡」這個候選人，10 表示您「非常喜歡」這個候選人。請問，0 到 10 您會給宋楚瑜多少？
# (96)很難說 (97)無意見 (98)不知道 (95)拒答
TEDS2020$K2ar <- rec(TEDS2020$K2a, rec="else=copy", as.num=T,
var.label = "宋楚瑜好感度")
TEDS2020$K2br <- rec(TEDS2020$K2b, rec="else=copy", as.num=T,
var.label = "韓國瑜好感度")
TEDS2020$K2cr <- rec(TEDS2020$K2c, rec="else=copy", as.num=T,
var.label = "蔡英文好感度")#24.25.26 Ｋ５ａ、Ｋ５ｂ、Ｋ５ｃ那如果0表示您覺得這個候選人「根本不能」維護臺灣利益，10表示「完全能夠維護臺灣利益。
# (96)很難說 (97)無意見 (98)不知道 (95)拒答
TEDS2020$K5ar <- rec(TEDS2020$K5a, rec="else=copy", as.num=T,
var.label = "宋楚瑜維護台灣利益")
TEDS2020$K5br <- rec(TEDS2020$K5b, rec="else=copy", as.num=T,
var.label = "韓國瑜維護台灣利益")
TEDS2020$K5cr <- rec(TEDS2020$K5c, rec="else=copy", as.num=T,
var.label = "蔡英文維護台灣利益")#27.28.29 Ｋ６ａ、Ｋ６ｂ、Ｋ６ｃ那如果 0 表示您覺得這個候選人「根本不能」維護兩岸和平，10 表示您覺得這個候選人「完全能夠」維護兩岸和平。
# (96)很難說 (97)無意見 (98)不知道 (95)拒答
TEDS2020$K6ar <- rec(TEDS2020$K6a, rec="else=copy", as.num=T,
var.label = "宋楚瑜能維護兩岸和平")
TEDS2020$K6br <- rec(TEDS2020$K6b, rec="else=copy", as.num=T,
var.label = "韓國瑜能維護兩岸和平")
TEDS2020$K6cr <- rec(TEDS2020$K6c, rec="else=copy", as.num=T,
var.label = "蔡英文能維護兩岸和平")G. 議題態度
#30.Ｐ１在我們社會上，有人說自己是「臺灣人」，也有人說自己是「中國人」，也有人說都是。請問您認為自己是「臺灣人」、「中國人」，或者都是？
# (01)台灣人 (02)都是 (03)中國人
# (98)不知道 (95)拒答
#Ｐ１ｂ．那請問您有沒有認為自己比較偏向臺灣人，還是比較偏向中國人？
# (01)偏向台灣人 (02)偏向中國人 (03)都不偏 (95)拒答
TEDS2020$P1r <- NA
TEDS2020$P1r[TEDS2020$P1=="1"] <- 1
TEDS2020$P1r[TEDS2020$P1b=='1'] <- 2
TEDS2020$P1r[TEDS2020$P1b=="3"] <- 3
TEDS2020$P1r[TEDS2020$P1b=="2"] <- 4
TEDS2020$P1r[TEDS2020$P1=="3"] <- 5
TEDS2020$P1r <- rec(TEDS2020$P1r, rec="1,2=1; 3=2; 4,5=3", as.num=F,
val.labels=c("台灣人或偏向台灣人", "兩者都是", "中國人或偏向中國人"),
var.label = "身分認同")
#身分認同的虛擬變數
TEDS2020$twnese <- rec(TEDS2020$P1r, rec="1=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "台灣人認同")
TEDS2020$bothtwcn <- rec(TEDS2020$P1r, rec="2=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "兩者都是")
TEDS2020$cnese <- rec(TEDS2020$P1r, rec="3=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "中國人認同")#31.Ｐ２您認為未來兩岸關係會變更緩和、更緊張，還是沒有改變？
# (01)非常緩和 (02)有點緩和 (03)沒有改變 (04)有點緊張 (05)非常緊張
# (96)看情形 (97)無意見 (98)不知道 (95)拒答
TEDS2020$P2r <- rec(TEDS2020$P2, rec="1=1; 2=2;3=3;4=4;5=5", as.num=F,
val.labels=c("非常緩和","有點緩和","沒有改變", "有點緊張", "非常緊張"),
var.label = "未來兩岸關係")#32.Ｐ３在兩岸協商的議題上，有些人主張我們應該繼續用九二共識（一個中國、各自表述）與中國大陸協商，也有些人主張我們不應該再用九二共識，請問您比較支持哪一種？
# (01)繼續用九二共識 (02)不應該再用九二共識 (03)沒有九二共識 (04)都支持 (05)都不支持
# (96)看情形 (97)無意見 (98)不知道 (95)拒答
# 問卷選項不互斥(exclusive)？
TEDS2020$consensus92 <- rec(TEDS2020$P3, rec="1=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "支持九二共識")#33. Ｐ４關於臺灣和大陸的關係，這張卡片上有幾種不同的看法：
# 1：儘快統一 2：儘快獨立
# 3：維持現狀，以後走向統一 4：維持現狀，以後走向獨立
# 5：維持現狀，看情形再決定獨立或統一 6：永遠維持現狀，請問您比較偏向哪一種？
# (01)儘快統一 (02)儘快獨立 (03)維持現狀，以後走向統一 (04)維持現狀，以後走向獨立 (05)維持現狀，看情形再決定獨立或統一 (06)永遠維持現狀 (90)其他 (96)看情形 (97)無意見 (98)不知道 (95)拒答
TEDS2020$P4r <-rec(TEDS2020$P4, rec="1,3=1; 2,4=2; 5,6=3", as.num=F,
val.labels=c("統一或傾向統一","獨立或傾向獨立","維持現狀"),
var.label = "統獨三分類")
TEDS2020$indpt <- rec(TEDS2020$P4, rec="2,4=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "獨立dummy")
TEDS2020$unif <- rec(TEDS2020$P4, rec="1,3=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "統一dummy")
TEDS2020$stsq <- rec(TEDS2020$P4, rec="5,6=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "維持現狀dummy")H. 政黨票
#34. Ｊ４ｂ下面我們列出這次參加不分區立委選舉的政黨，請問您把票投給哪一個政黨？
# (01)國民黨 (02)民進黨 (03)新黨 (04)親民黨 (06)臺聯 (09)綠黨 (13)勞動黨 (17)台灣基進 (19)時代力量 (25)中華統一促進黨 (37)國會政黨聯盟 (38)合一行動聯盟 (39)安定力量 (40)宗教聯盟 (41)台灣民眾黨 (42)台灣維新 (43)台澎黨 (44)喜樂島聯盟 (45)一邊一國行動黨
TEDS2020$KMT <- rec(TEDS2020$J4b, rec="1=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "投給國民黨")
TEDS2020$DPP <- rec(TEDS2020$J4b, rec="2=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "投給民進黨")
TEDS2020$PFP <- rec(TEDS2020$J4b, rec="4=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "投給親民黨")
TEDS2020$NPP <- rec(TEDS2020$J4b, rec="19=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "投給時代力量")
TEDS2020$TPP <- rec(TEDS2020$J4b, rec="41=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "投給台灣民眾黨")
TEDS2020$Camp <- rec(TEDS2020$J4b, rec="1,3,4=1; 2,6,9,17,19=2; 41=3; else=0", as.num=F,
val.labels=c("其他政黨","泛藍政黨","泛綠政黨","台灣民眾黨"),
var.label = "泛藍泛綠")
TEDS2020$Party <- rec(TEDS2020$J4b, rec="1=1; 2=2; 41=3; else=0", as.num=F,
val.labels=c("其他政黨","KMT","DPP","TPP"),
var.label = "政黨")I. 其他變數
#35. 世代
#Ｓ１．請問您是民國幾年幾月出生的？
TEDS2020$birthyear <- TEDS2020$S1a+1911
TEDS2020$generation <- NA
TEDS2020$generation[TEDS2020$birthyear<=1935] <- 1
TEDS2020$generation[TEDS2020$birthyear>=1936 & TEDS2020$birthyear<=1945] <- 2
TEDS2020$generation[TEDS2020$birthyear>=1946 & TEDS2020$birthyear<=1960] <- 3
TEDS2020$generation[TEDS2020$birthyear>=1961 & TEDS2020$birthyear<=1975] <- 4
TEDS2020$generation[TEDS2020$birthyear>=1976] <- 5
TEDS2020$generation <- rec(TEDS2020$generation, rec="1=1;else=copy", as.num=F,
val.labels=c("中國認同或大陸移民世代","政權交接或白色恐怖世代", "經濟起飛或威權統治世代", "民主轉型或學運衝擊世代", "政黨輪替或網路傳播世代"),
var.label = "政治世代")
#世代的虛擬變數
TEDS2020$gen.1 <- rec(TEDS2020$generation, rec="1=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "中國認同或大陸移民世代")
TEDS2020$gen.2 <- rec(TEDS2020$generation, rec="2=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "政權交接或白色恐怖世代")
TEDS2020$gen.3 <- rec(TEDS2020$generation, rec="3=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "經濟起飛或威權統治世代")
TEDS2020$gen.4 <- rec(TEDS2020$generation, rec="4=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "民主轉型或學運衝擊世代")
TEDS2020$gen.5 <- rec(TEDS2020$generation, rec="5=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "政黨輪替或網路傳播世代")- 有關於世代的編碼年分，主要取決於成年時期會經歷的重大事件為主。以第四世代為例，1961年出身的受訪者，再其成年、政治態度趨於成熟之時，恰好會經歷1970年代的民主轉型時期。參照林宗弘（2015）。
#36. 性別
TEDS2020$Gender <- rec(TEDS2020$S23, rec="1=1; 2=0", as.num=F,
val.labels=c("female","male"),
var.label = "Gender")#37. 住在台北市與否？
TEDS2020$Taipei <- rec(TEDS2020$City, rec="63=1; else=0", as.num=F,
val.labels=c("否","是"),
var.label = "Taipei")#38.Ｓ１５如果我們把社會地位分成上層、中上層、中層、中下層、和下層，請問您認為您是屬於哪一類？
# (01)非常緩和 (02)有點緩和 (03)沒有改變 (04)有點緊張 (05)非常緊張
# (96)看情形 (97)無意見 (98)不知道 (95)拒答
TEDS2020$S15r <- rec(TEDS2020$S15, rec="1=1; 2=2;3=3;4=4;5=5", as.num=F,
val.labels=c("上層","中上層","中層", "中下層", "下層"),
var.label = "社會地位")變數挑選
library(dplyr)##
## 載入套件：'dplyr'## 下列物件被遮斷自 'package:stats':
##
## filter, lag## 下列物件被遮斷自 'package:base':
##
## intersect, setdiff, setequal, unionTEDS2020forMCA <- select(TEDS2020,
c(Party,
#政治興趣 & 政治效能感 & 現任滿意度 &政治理解 &政治信任
B1r, C1r, D1r, D2r, D3r, D4r,
#菁英政治
E1r, E2r, E3r, E4r, E5r, E6r, E7r,
#經濟評估
G1r, G2r, G3r, G4r,
#民主認知
H3r, H5r, H6r,
#身分認同
twnese, bothtwcn, cnese,
#兩岸關係預期
P2r, consensus92,
#統獨立場
indpt, unif, stsq,
#輔助類別變數
gen.1, gen.2, gen.3, gen.4, gen.5,
Gender, Taipei, S15r,
#輔助連續變數
K2ar, K2br, K2cr,
K5ar, K5br, K5cr,
K6ar, K6br, K6cr))# 扣除無效值
TEDS2020forMCA.nona <- na.omit(TEDS2020forMCA)
nrow(TEDS2020forMCA.nona)## [1] 920# 快速預覽次數分配
par(mfrow=c(2,3)) #兩列三欄
for (i in 1:ncol(TEDS2020forMCA.nona)) {
plot(TEDS2020forMCA.nona[,i], main=colnames(TEDS2020forMCA.nona)[i],
ylab = "Count", col="steelblue", las = 2, ylim=c(0,1500))
}
MCA運算
library(FactoMineR)
library(factoextra)## 載入需要的套件：ggplot2## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBanames(TEDS2020forMCA.nona) ## [1] "Party" "B1r" "C1r" "D1r" "D2r"
## [6] "D3r" "D4r" "E1r" "E2r" "E3r"
## [11] "E4r" "E5r" "E6r" "E7r" "G1r"
## [16] "G2r" "G3r" "G4r" "H3r" "H5r"
## [21] "H6r" "twnese" "bothtwcn" "cnese" "P2r"
## [26] "consensus92" "indpt" "unif" "stsq" "gen.1"
## [31] "gen.2" "gen.3" "gen.4" "gen.5" "Gender"
## [36] "Taipei" "S15r" "K2ar" "K2br" "K2cr"
## [41] "K5ar" "K5br" "K5cr" "K6ar" "K6br"
## [46] "K6cr"res<-MCA(TEDS2020forMCA.nona, ncp=10, quanti.sup=c(38:46),
quali.sup=30:37, graph= F) #ncp 為主觀定的維次個數
summary(res, nb.dec = 3, nbelements=10, nbind = 10,
ncp = 2, file="result2dim.txt")
res$dimdesc <- dimdesc(res, axes = 1:10) # 前三維次陡坡圖
fviz_screeplot(res, ncp=10)
維次分析
變數關聯分析圖
library(FactoMineR)
library(factoextra)
plot(res, axes=c(1, 2), new.plot=TRUE, choix="var",
col.var="red", col.quali.sup="darkgreen",
label=c("quali.sup", "quanti.sup", "var"),
invisible=c("ind"),
autoLab = "yes",
# title="The Distribution of Variables on the MCA Factor Map",
title="", cex=1,
xlim=c(-0.1,0.6), ylim=c(-0.1, 0.4))## Warning: ggrepel: 12 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
若將這些變數放入第一、第二維度所建構的空間，則變數之間的相對距離顯示出彼此的相關程度。變數之間的相對距離愈近，顯示出變數之間的關聯程度愈高。在上圖中，有兩組變數之間的距離特別相近：
（1）D4r 與 G4r ：分別為對政府的信任程度（有人說：「政府所做的事大多數是正確的。」），以及對家庭經濟未來一年的預測（請問您覺得您家裡在未來的一年經濟狀況會變好、還是變不好，或是差不多？）。
（2）D3r 、E5r 與 E6r：分別為政治理解程度（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。」）、領導者是否能硬拗法律（有人說：「我們的政治領導者為了把事情做好，即使有時候硬拗法律的規定也沒有關係。」），以及政策是否訴諸人民（有人說：「我們國家最重要的政策，應該由一般民眾決定，不是由政治人物來決定。」）
卡方值檢定：D4r 與 G4r
library(sjPlot)## Registered S3 methods overwritten by 'lme4': ## method from ## cooks.distance.influence.merMod car ## influence.merMod car ## dfbeta.influence.merMod car ## dfbetas.influence.merMod cartab_xtab(TEDS2020$D4r, TEDS2020$G4r, encoding="utf-8", show.row.prc = TRUE, # 顯示列百分比 show.col.prc = TRUE, # 顯示欄百分比 show.na = FALSE, # 不顯示無效值（預設） show.legend = FALSE, # 不顯示圖示（預設） show.exp = FALSE, # 不顯示期望值 （預設） show.cell.prc = FALSE, # 不顯示細格的百分比 （預設） tdcol.col = "gray", # 將欄百分比顏色改為灰色 （預設為綠色） tdcol.row = "brown" # 將列百分比顏色改為褐色 （預設為藍色） )## Warning in sprintf(" <td class=\"summary tdata\" colspan=\"%i\">%s=%.3f · ## df=%i · %s=%.3f · %s=%.3f</td>", : one argument not used by format ## ' <td class="summary tdata" colspan="%i">%s=%.3f · df=%i · %s=%.3f ## · %s=%.3f</td>'摨縑隞餌 漲 摰嗅滬蝬
<8b>瘜 摯 Total
霈
末 霈末銝鈭<9b>
撌桐
<9a> 霈榆銝鈭<9b>
霈
榆 <9d>虜 <90><84><8f> 4
44.4 %
11.8 %1
11.1 %
0.4 %4
44.4 %
0.4 %0
0 %
0 %0
0 %
0 %9
100 %
0.6 %<90><84><8f> 9
2.3 %
26.5 %84
21.1 %
32.7 %261
65.4 %
27.7 %38
9.5 %
18.7 %7
1.8 %
14.3 %399
100 %
26.9 %銝<90><84><8f>
16
1.7 %
47.1 %161
16.6 %
62.6 %622
64.3 %
66 %143
14.8 %
70.4 %26
2.7 %
53.1 %968
100 %
65.1 %<9d>虜銝<90><84><8f> 5
4.5 %
14.7 %11
10 %
4.3 %56
50.9 %
5.9 %22
20 %
10.8 %16
14.5 %
32.7 %110
100 %
7.4 %Total
34
2.3 %
100 %257
17.3 %
100 %943
63.5 %
100 %203
13.7 %
100 %49
3.3 %
100 %1486
100 %
100 %χ2=141.552 · df=12 · Cramer’s V=0.178 · Fisher’s p=0.000
其中，χ2 =141.552 、p值 < .05，顯示在95%信心水準之下，政府信任程度與個人對家庭未來一年經濟狀況的預估是有相關的。換言之，愈相信政府所做的事是對的，其對於家庭未來一年經濟狀況的預估愈正向。
卡方值檢定：D3r 、E5r 與 E6r，兩兩之間的相關性得到卡方檢定的確認（顯著水準 p值 < .01）。換言之，愈覺得政治太複雜，離人民太遠了，所以人民搞不懂的民眾，愈覺得政策應該直接訴諸於人民（D3r 與 E6r）；以及愈覺得領導者能把事情做好的話，硬拗法律也無妨（D3r 與 E5r）。
以變數與兩軸的接近程度則為該變數對於該維度形成的貢獻程度，我們也可直接從 factoextra 套件中直接計算各維次中變數的貢獻程度。
維次貢獻
library(factoextra)
# 第一維度的重要變數類別
fviz_contrib(res, choice ="var", axes = 1)
# 第二維度的重要變數類別
fviz_contrib(res, choice ="var", axes = 2)
由第一維度的主要構成的幾個變數來看：twnese_0、C1r_4、G2r_5，分別代表著「非台灣人認同」、「對蔡英文執政表現非常不滿意」、「對台灣未來一年經濟狀況預估變很差」。可見第一維度分別由著「身分認同」、「執政滿意度」、「經濟預估」等面向構成。
而第二維度的主要構成變數為 D2r_4、D1r_4、C1r_1、G2r_1，分別代表者「政府會在乎一般民眾看法」、「民眾對政府作為有影響力」、「對蔡英文執政表現非常滿意」、「對台灣未來一年經濟狀況預估變很好」。可見第二維度的構成要素包括「政治效能感」、「執政滿意度」、「經濟預估」。
維次命名？由於本文所形成之兩個維度彼此之間可能會產生扞格的情形，尤其是受訪者處於第一象限的時候（若以維度的角度來看，同時會有對蔡英文執政不滿意，以及滿意的情形）。本文認為，維度的貢獻是由多個變數共同產生的，其背後運行原理難以得知，但並不能完全以該變數去做為維度的唯一思考。不過，從另一個角度來看，維度之間的解釋力也有所差異，第一維度與第二維度之間具有一個明顯的陡坡，這使我們能夠較有信心以第一維度為主作為解釋，而以第二維度為輔。
變數類別（categories）關係圖
plot(res, axes=c(1, 2), new.plot=TRUE, col.var="red", col.ind="black", col.ind.sup="black", col.quali.sup="darkgreen", col.quanti.sup="blue", label=c("var"), cex=1, selectMod = "cos2 40", #共52個變數 invisible=c("ind", "quali.sup"), xlim=c(-1,1.5), ylim=c(-0.6,2), autoLab = "yes", # title="Top 30 Critical Elements on the MCA Factor Map") title="")## Warning: Removed 17 rows containing missing values (geom_point).## Warning: Removed 17 rows containing missing values (geom_text_repel).## Warning: ggrepel: 6 unlabeled data points (too many overlaps). Consider ## increasing max.overlaps
若我們討論類別變數中各選項之間的關聯，可以在類別變數關係圖中發現，在目前所建構的第一維次中，最右邊為「認為自己不是台灣人」、「投給國民黨」及「認為自己台灣人、中國人兩者都是」等。而第二維次上端則是包含「預估未來台灣經濟變好」、「投給民進黨」、「覺得對蔡英文執政表現非常滿意」等。
因此，我們應該可以預期受訪者的分布，可能會集中在第二、第三、第四象限，因為由於上述分析，第一象限所建構的維次，可能難以同時出現在同位受訪者（但也並非完全不可能，因維次的形成不僅只來源於前幾重要變數的貢獻）。
受訪者的分佈
## 受訪者在兩個維度的分佈
plot(res, axes=c(1, 2), new.plot=TRUE, choix="ind",
col.var="red", col.quali.sup="darkgreen",
label=c("var"),
selectMod ="cos2 15", select="cos2 1",
xlim=c(-1,1),
invisible=c("quali.sup", "var"),
#title="The Distribution of Individuals on the MCA Factor Map")
title="")## Warning: Removed 42 rows containing missing values (geom_point).## Warning: Removed 42 rows containing missing values (geom_text_repel).
- 誠如上述，受訪者分布的區域中以第二、第三、第四象限最為多，其中第二象限的受訪者較屬於偏民進黨；第三象限屬於獨立選民或不屬於兩大黨；而第四象限則是屬於偏國民黨。
世代隔閡？
library(factoextra)
plotellipses(res, keepvar = c("gen.1","gen.2","gen.3",
"gen.4","gen.5"))
- 從世代之間的差異可以看出，從年長世代到年輕世代的分布，從第一象限開始向中間趨中，往二三象限集中，尤其在第四世代（1961至1975）及第五世代（1976年以後）中，或許在成年時刻陸續經歷學運衝擊、民主化、政黨輪替及網路洗禮，使其的思想不如同前幾世代較僵固於主要由「非台灣人認同」所構成的第一維次之中。
民眾黨的支持群眾
## 藍綠白支持者分佈的差異
library(factoextra)
plotellipses(res, keepvar = c("Party"), label="ind.sup")
最後，我們觀看各政黨支持者在象限分布，確實可以發現，2020選舉時支持民進黨者，多集中在第二象限；而國民黨的支持者會集中在第一象限。並且在兩大黨中，都各自有支持者在第一與第三象限游移。
而台灣民眾黨在2020選舉支持群眾，整體趨勢上與國民黨的支持者在挑選變數的特性上較為接近。回歸這次的選舉的軸線，構成第一維次的右端，最大貢獻的變數是為「非台灣人認同」，雖歷次選舉中非台灣人認同或許是國民黨的支持群眾（也可能在新黨、親民黨等），但2020卻成為建構維次的主要概念之一，從下列的卡方檢定中也可驗證，台灣人認同與所投政黨具有相關性（顯著水準p<.01 )。可見國民黨此次無法吸納到的選票中，有部分被台灣民眾黨所承接。
library(sjPlot)
tab_xtab(TEDS2020$twnese, TEDS2020$Party, encoding="utf8",
show.row.prc = TRUE, # 顯示列百分比
show.col.prc = TRUE, # 顯示欄百分比
show.na = FALSE, # 不顯示無效值（預設）
show.legend = FALSE, # 不顯示圖示（預設）
show.exp = FALSE, # 不顯示期望值 （預設）
show.cell.prc = FALSE, # 不顯示細格的百分比 （預設）
tdcol.col = "gray", # 將欄百分比顏色改為灰色 （預設為綠色）
tdcol.row = "brown" # 將列百分比顏色改為褐色 （預設為藍色）
)## Warning in sprintf(" <td class=\"summary tdata\" colspan=\"%i\">%s=%.3f ·
## df=%i · %s=%.3f · %s=%.3f</td>", : one argument not used by format
## ' <td class="summary tdata" colspan="%i">%s=%.3f · df=%i · %s=%.3f
## · %s=%.3f</td>'|
|
|
Total | |||
|---|---|---|---|---|---|
|
|
KMT | DPP | TPP | ||
|
|
60 19.8 % 17.2 % |
178 58.7 % 48.1 % |
32 10.6 % 6.3 % |
33 10.9 % 20.5 % |
303 100 % 21.8 % |
|
|
289 26.6 % 82.8 % |
192 17.6 % 51.9 % |
479 44 % 93.7 % |
128 11.8 % 79.5 % |
1088 100 % 78.2 % |
| Total |
349 25.1 % 100 % |
370 26.6 % 100 % |
511 36.7 % 100 % |
161 11.6 % 100 % |
1391 100 % 100 % |
χ2=227.218 · df=3 · Cramer’s V=0.404 · p=0.000 |
可惜之處：TEDS2020資料中並無有關道德原則的問題，難以建構出以道德原則與。
分析與討論
本文從台灣民眾黨的建黨後，許多研究者對於其支持者的特性的不明白，且眾說紛紜出發，愈探討民眾黨支持者與藍綠兩大黨支持者的差異。並以2020年台灣選舉與民主化調查作為主要參考資料，本文建立了能夠置入台灣政黨支持者的象限，其中第一維度分別由「身分認同」、「執政滿意度」、「經濟預估」等面向構成；而第二維度的組成則包括「政治效能感」、「執政滿意度」、「經濟預估」。
在此分析象限之上，本文分析了2020年的受訪者分布、世代之間的關係，以及將民眾黨的支持圖像與藍綠兩黨進行比較。首先，在受訪者分布來說，由於檢購維次變數的特性，我們得以發現受訪者多集中在第二、第三、第四象限，分別對映著傳統上較符合偏向民進黨、獨立選民或小黨，以及偏向國民黨的特性。再者，就世代關係而言，可以發現自從第四世代（民主轉型及學運思潮世代）以後，多數人（圖中以桃紅色呈現）的特行開始從偏向國民黨開始解構，這符合許多台灣世代研究的結果。最後，民眾黨的支持圖像而言，其在2020年支持者的特性中，與國民黨支持者的特性較為符合，其多集中在第三及第四象限，這顯示出民眾黨在2020年承接部分原先的國民黨支持者，但值得注意的是，民眾黨確實也具備獨立選民或小黨的支持特色。但或許正是因其為剛起步的新興政黨，其能夠同時含括兩部分的支持群眾，民眾黨往後支持群眾的特性還是可能受到政黨解組（party dealignment)，或是本身發展路線改變而改變。
本文認為較為可惜之處在於，台灣選舉與民主化調查並未提供有關道德層次之問題，因此未能提供一個由道德載體分析的支持者圖像，是以這或許是之後研究可以朝向的部分。