第四章 研究結果
第八節 影響研究對象自殺意念的預測因子
本研究的研究假設三為瞭解自殺意念的預測因子，故將研究對象的人口學資 料、個人特質、人際關係、憂鬱程度與自殺意念依序進行迴歸分析。
H0：研究對象的人口學資料、個人特質、人際關係、憂鬱程度對自殺意念無顯 著的預測力。
H1：研究對象的人口學資料、個人特質、人際關係、憂鬱程度對自殺意念有顯 著的預測力。
進行迴歸分析前，先檢視研究對象的自殺意念得分是否為常態分佈，完整填
答的人數為450人，超過30人，故以Kolmogorov-Smirnov常態性檢定進行檢測。
結果顯示自殺意念得分達顯著差異（p＜.001），表示呈現非常態分佈，故無法進 一步利用迴歸來分析變項（表13、圖2、圖3）。
表13 自殺意念量表得分常態 分佈性檢定結果 （n＝450）
Kolmogorov-Smirnov檢定a Shapiro-Wilk 常態性檢定
統計量 自由度 顯著性 統計量 自由度 顯著性 自殺意念 .122 450 .000 .914 450 .000 a. Lilliefors 顯著性校正
*p＜.05.**p＜.01.***p＜.001.
圖2 研究對象自殺意念得分直方圖
圖3 研究對象自殺意念得分Q-Q Plot
此外，本研究的自殺意念（依變項）最低分為14分，圖2可看出資料的呈現 出現被截取（censored）的情形，但在本研究中並非自殺意念的測量分數為14分 以下者即表示該研究對象沒有自殺意念，而是受限工具因素無法觀察到被截斷的 部份。一般的研究多採用傳統線性迴歸中的普通最小平方法（Ordinary least squares, OLS）來進行常態資料的分析（Lin & Cheng, 2011），但本研究資料為非 常態分佈，倘若忽略被截取的資料直接採用OLS進行分析，結果可能產生估計的 偏誤（bias）。
多畢模式（Tobit model）不但可協助解決此問題，也能使其分佈趨近於常態
（Lin & Cheng, 2011）；此模式適用於左側、右側或雙側資料被截取的非常態分 佈研究結果。與OLS不同之處，Tobit模式是採用最大概似法（Maximum likelihood, ML）來估計參數，並非像傳統線性迴歸直接針對依變項（y）進行解釋，而是估
計自變項對潛在的變數（latent variable）的效應。
因此，本研究除了使用SPSS 18.0以傳統線性迴歸中的OLS進行預測分析 外，也利用SAS 9.2進行多畢模式迴歸（Tobit model regression），並以AIC（Akaike information criterion）和BIC（Bayesian information criterion）分別檢視OLS及Tobit 的模型配適度（goodness-of-fit）狀況。
一、個人特質、人際關係及憂鬱程度預測自殺意念
表14發現，個人特質、人際關係、憂鬱程度無論是使用OLS或Tobit進行 分析，分別都能有效的預測自殺意念。
OLS結果顯示，憂鬱程度對自殺意念的預測力為最高 ，其解釋變異量高達
62.6％（Adjusted R2：.626），其次為個人特質，對自殺意念的解釋變異量達36.6
％（Adjusted R2：.366），人際關係也能有效預測自殺意念，其解釋變異量為31.1
％（Adjusted R2：.311）；其餘詳述於表14。
表14 個人特質、人際關係、憂鬱程度與自殺意念之預測分析摘要表 （n＝450）
OLS Tobit
研究變項 B SE t p Adjusted R2 B SE t p
常數 74.528 3.019 24.68*** .001 77.622 3.191 24.33*** .001
個人特質 -0.314 0.019 -16.12*** .001 .366 -0.336 0.021 -16.26*** .001
常數 67.965 2.950 23.04*** .001 70.028 3.097 22.61*** .001
人際關係 -0.261 0.018 -14.27*** .001 .311 -0.275 0.019 -14.31*** .001
常數 17.214 0.424 40.59*** .001 16.794 0.447 37.56*** .001
憂鬱程度 0.660 0.024 27.41*** .001 .626 0.677 0.025 26.85*** .001
*p＜.05.**p＜.01.***p＜.001.
表14-1發現，OLS顯示個人特質、人際關係及憂鬱程度，對自殺意念的解 釋變異量達66.4％（Adjusted R2：.664）。此外，個人特質、人際關係及憂鬱程度
無論是使用OLS或Tobit進行分析，皆能有效預測自殺意念。Tobit所得的模型 配適度（AIC：2727, BIC：2748）值較OLS為低（AIC：2802, BIC：2823），表
示Tobit對自殺意念的分析結果較為適切。
Tobit結果顯示，研究對象的個人特質越正向，其自殺意念明顯較低（t＝-5.02,
p＜.001）；人際關係越佳者，其自殺意念明顯較低（t＝-3.09, p＜.01）；憂鬱程度
越高者，其自殺意念明顯較高（t＝17.58, p＜.001）；其餘詳述於表14-1。
表14-1 個人特質、人際關係、憂鬱程度與自殺意念之預測分析摘要表 （n＝450）
OLS Tobit
研究變項 B SE t p B SE t p
常數 41.045 3.290 12.48*** .001 43.089 3.438 12.53*** .001
個人特質 -0.089 0.019 -4.62*** .001 -0.101 0.020 -5.02*** .001
人際關係 -0.052 0.017 -3.05** .002 -0.054 0.018 -3.09** .002
憂鬱程度 0.527 0.029 18.04*** .001 0.531 0.030 17.58*** .001
R2 .666
Adjusted R2 .664 模型配適度
AIC 2802 2727
BIC 2823 2748
*p＜.05.**p＜.01.***p＜.001.
二、個人特質分量表預測自殺意念
表15發現，OLS顯示個人特質分量表對自殺意念的解釋變異量達42.3％
（Adjusted R2：.423）。此外，個人特質分量表無論是使用 OLS或Tobit進行分析，
都僅有情緒表現、友愛親密及樂觀進取能有效預測自殺意念 。Tobit所得的模型 配適度（AIC：2959, BIC：2988）值較OLS為低（AIC：3048, BIC：3077），表
示Tobit 對自殺意念的分析結果較為適切。
Tobit結果顯示，研究對象的個人特質越傾向為情緒表現 （t＝-8.56, p
＜.001）、友愛親密（t＝-2.20, p＜.05）及樂觀進取（t＝-6.59, p＜.001）都可有效
預測自殺意念，該特質越明顯者，其自殺意念越低；其餘詳述於表15。
表15 個人特質分量表與自殺意念之預測分析摘要表 （n＝450）
OLS Tobit
研究變項 B SE t p B SE t p
常數 71.173 2.984 23.85*** .001 74.061 3.135 23.62*** .001
創新變異 0.176 0.100 1.76 .078 0.157 0.103 1.51 .130
情緒表現 -0.510 0.061 -8.40*** .001 -0.541 0.063 -8.56*** .001
友愛親密 -0.218 0.101 -2.16* .031 -0.230 0.105 -2.20* .028
樂觀進取 -0.833 0.130 -6.43*** .001 -0.833 0.134 -6.59*** .001
決策能力 -0.109 0.118 -0.93 .354 -0.099 0.121 -0.82 .414
R2 .429
Adjusted R2 .423 模型配適度
AIC 3048 2959
BIC 3077 2988
*p＜.05.**p＜.01.***p＜.001.
三、人際關係分量表預測自殺意念
表16發現，OLS顯示人際關係分量表對自殺意念的解釋變異量達31.4％
（Adjusted R2：.314）。此外，人際關係分量表（父子關係、母子關係、同儕關係 及師生關係）無論是使用OLS或Tobit進行分析都能有效預測自殺意念 。Tobit 所得的模型配適度（AIC：3041, BIC：3066）值較OLS為低（AIC：3125, BIC：
3149），表示Tobit對自殺意念的分析結果較為適切。
Tobit結果顯示，研究對象的父子關係（t＝-5.55, p＜.001）、母子關係（t＝-4.44, p＜.001）、同儕關係（t＝-2.93, p＜.01）及師生關係（t＝-3.81, p＜.001）都可有 效預測自殺意念，其關係越佳者，自殺意念明顯較低；其餘詳述於表 16。
表16 人際關係分量表與自殺意念之預測分析摘要表 （n＝450）
OLS Tobit
研究變項 B SE t p B SE t p
常數 67.347 3.074 21.91*** .001 69.444 3.216 21.60*** .001
父子關係 -0.395 0.070 -5.61*** .001 -0.407 0.073 -5.55*** .001
母子關係 -0.254 0.058 -4.39*** .001 -0.267 0.060 -4.44*** .001
同儕關係 -0.208 0.073 -2.84** .005 -0.223 0.076 -2.93** .003
師生關係 -0.206 0.056 -3.66*** .001 -0.223 0.059 -3.81*** .001
R2 .320
Adjusted R2 .314 模型配適度
AIC 3125 3041
BIC 3149 3066
*p＜.05.**p＜.01.***p＜.001.
四、人口學資料、個人特質、人際關係、憂鬱程度預測自殺意念
從前述的研究結果中發現，同時使用傳統線性迴歸中的OLS與多畢模式迴 歸（Tobit model regression）進行預測分析，雖然模型配適度（AIC與BIC）都以
Tobit模式所得到的數值較低，但兩者B值的差距不大，這表示對於B值的影響
並不明顯，因此經過Tobit模式的交叉檢驗後，證明OLS亦可用來說明本研究的 結果。
故本研究使用傳統線性迴歸中的逐步多元迴歸（stepwise）來進行預測分析。
前述結果說明人口學資料、個人特質、人際關係與憂鬱程度都會影響自殺意念 ， 故分別將人口學資料中與自殺意念有顯著差異性的變項（性別、年級、物質使用 [抽菸、飲酒]、健康狀況滿意度、父母婚姻狀況、和父母同住、家中領有低收入 戶補助、學業成績滿意度），及個人特質、人際關係、憂鬱程度列為自變項，自 殺意念則列為依變項來進行預測，結果發現性別、物質使用（抽菸）、父母婚姻 狀況、和父母同住及學業成績滿意度 都無法有效預測自殺意念。
由表17可知，在此模式下所得到可預測自殺意念的變項為 年級、飲酒、健
康狀況滿意度、家中領有低收入戶補助、個人特質、人際關係及憂鬱程度都能有 效預測自殺意念。9年級的自殺意念明顯低於7年級（t＝-4.03, p＜.001），飲酒 者的自殺意念明顯較高（t＝2.09, p＜.05），自覺健康狀況滿意度為不滿意者的自 殺意念明顯較滿意者為高（t＝2.91, p＜.01），家中領有低收入戶補助者的自殺意 念明顯較高（t＝2.61, p＜.01），個人特質越負向者的自殺意念明顯較高（t＝-4.80, p＜.001），人際關係得分越低者的自殺意念明顯較高（t＝-3.47, p＜.001），憂鬱
程度越高者的自殺意念明顯越高（t＝16.48, p＜.001）。且此模式調整後的解釋變 異量高達68.5％（Adjusted R2：.685），即在此模式下將可預測 68.5％的自殺意念；
其餘詳述於表17。
表17 人口學資料、個人特質、人際關係、憂鬱程度與自殺意念之逐步預測分析摘要表 （n＝450）
研究變項 B SE t p
常數 42.743 3.212 13.31*** .001
年級
7年級（參考組）
9年級 -2.168 0.538 -4.03*** .001
物質使用
飲酒 2.813 1.346 2.09* .037
健康狀況滿意度 滿意（參考組）
不滿意 4.201 1.444 2.91** .004
家中領有低收入戶補助 1.912 0.732 2.61** .009
個人特質 -0.090 0.019 -4.80*** .001
人際關係 -0.057 0.016 -3.47*** .001
憂鬱程度 0.494 0.030 16.48*** .001
R2 .690
Adjusted R2 .685
*p＜.05.**p＜.01.***p＜.001.
由上述可知，人口學資料（年級、飲酒、健康狀況滿意度、家中領有低收入 戶補助）、個人特質、人際關係及憂鬱程度都會影響自殺意念的得分（t＝13.31, p
＜.001），故推翻H0，H1成立，意即研究對象的人口學資料（年級、飲酒、健 康狀況滿意度、家中領有低收入戶補助）、個人特質、人際關係及憂鬱程度對自 殺意念有顯著的預測力。