潛在群體分析及對應分析是在探討多個類別變數間關係常用的兩種分析方法，因其運用之領域不同，解說之方式不一，以致過去常被認為是兩種不相關的分析方法，然而實際卻非如此。本研究之目的係就雙變數及多變數的情況，針對這兩種分析方法間之關係作詳細的探討，並說明其對等及不對等的時機。 / Latent class analysis and correspondence analysis are two well-known methods that can be used to study the relationship between categorical variables. Since the two were developed and applied in two different fields in the past, they were never thought to be related. In this study, we examine the relationship between the two in more details. We further point out the situations where they are equivalent, and where they are not.

綠色能源為大多數國家所追求之能源，我國政府也不例外，近年來開始推動綠色能源，如：太陽能、風力發電，依台灣各地區合適之發電條件，採取合適的綠能之發電方式，本研究為探討台灣西部地區離岸風力發電之民意調查，瞭解當地居民對於在當地外海興建離岸風力發電之看法，並深入了解是哪些因素影響對該計畫之贊成程度。 本研究問卷在台灣西部沿海縣市實施面訪，其中最多樣本數之縣市為彰化縣，因此除了觀察整體西部縣市受訪者回應之特性，亦觀察彰化縣之受訪者，並依問卷各項題目與計畫贊成程度題目做交叉分析，瞭解有哪些題目與受訪者是否贊成本計畫相關，並且以對應分析，將與贊成程度相關之選項來判斷與贊成度之關係，瞭解是具備哪些回答要素之受訪者會較不贊成本計畫，以及使用決策樹分析，利用分支來找尋贊成、不贊成、有條件贊成本計畫之因素。 研究結果顯示，所有題目均與計畫贊成與否之題目相關，唯獨有一題目與贊成程度不相關；在決策樹分析無不贊成該計畫之分支，因此若是要瞭解不贊成該計畫之原因，則這決策樹分析無參考價值，但由對應分析發現某縣與不贊成該計畫之選項相近，代表樣本較傾向於不贊成該計畫，因此將之樣本做決策樹分析，研究發現有部分特徵之受訪者一般最後會選擇不贊成本計畫。

本文是就有序變數的模型在 個不同“維度”的架構下做探討，主要可以區分成兩部份。 1.就兩個有序變數的二維列聯表，我們介紹ＲＣ（Ｍ）模型，並分別探討關聯性模型，相關性模型及對應分析模型。 2.就三個變數的三維列聯表，在給定一個變數的情形之下，我們討論了如何運用三變數的ＲＣ（Ｍ）關聯性模型來探討另外兩個有序變數間的關係。 / We examine statistical models for ordinal variables that allow for more then one“ dimension ”of association in this study. The focus are on the following two types of models: 1. RC(M) models for two ordinal variables, including RC(M) association model; RC(M) correlation model and RC(M) correspondence analysis model. 2. Conditional RC(M) association models which can be used to analyze a 3-way contingency table with at least two ordinal variables.

傳統的犯罪學在於研究犯罪者生理與心理的特性以及外在環境因素，藉以 尋求預防犯罪的策略。其實，預防犯罪的目的是要減少被害者數目。因此 ，吾人希望藉由探討被害者家庭形態的特質與社會犯罪的關係，使防範被 害的政策能夠落實到家庭層面。所以本研究的目的就是要利用統計方法， 透過數字及圖形上的表達，來描述住戶之家計負責人的特性(如性別、年 齡、教育程度)與住戶遭受侵害的事實(曾或否)及類型(如財物侵害、暴力 侵害、其他侵害)之間的關係，期為犯罪統計工作提供一些分析的工具。 在本篇論文，首先利用對數線性模式分析，選出最適合的模式，以解釋家 計負責人之性別、年齡、教育程度與住戶是否遭受侵害等四個變數之間的 關聯性。接著利用推理值模式分析探討家計負責人之性別，年齡，教育程 度這三個解釋變數各分級對住戶遭受侵害之影響的主效應及交互作用效應 。最後則是利用對應分析處理資料，透過對應分析的顯示圖形，可以用來 解釋家計負責人之性別、年齡、教育程度以及住戶遭受侵害的犯罪類型之 間的對應關係。

全球智慧型手機的出貨量持續提升，且熱門市集的App下載次數紛紛突破500億次。而在iOS和Android手機App市集中，App的評價和評論對App在市集的排序有很大的影響；對於App開發者而言，透過評論確實可掌握使用者的需求，並在產生抱怨前能快速反應避免危機。然而，每日多達上百篇的評論，透過人力逐篇查看，不止耗費時間，更無法整合性的瞭解使用者的需求與問題。 文字情感分析通常會使用監督式或非監督式的方法分析文字評論，其中監督式方法被證實透過簡單的文件量化方法就可達到很高的正確率。但監督式方法有無法預期未知趨勢的限制，且需要進行耗費人力的文章類別標注工作。 本研究透過情感傾向和熱門關注議題兩個面向來分析App評論，提出一個混合非監督式與監督式的中文情感分析方法。我們先透過非監督式方法標注評論類別，並作視覺化整理呈現，最後再用監督式方法建立分類模型，並驗證其效果。 在實驗結果中，利用中文詞彙網路所建立的情感詞集，確實可用來判斷評論的正反情緒，唯判斷負面評論效果不佳需作改善。在議題擷取方面，嘗試使用兩種不同分群方法，其中使用NPMI衡量字詞間關係強度，再配合社群網路分析的Concor方法結果有不錯的成效。最後在使用監督式學習的分類結果中，情感傾向的分類正確率達到87%，關注議題的分類正確率達到96%，皆有不錯表現。 本研究利用中文詞彙網路與社會網路分析，來發展一個非監督式的中文類別判斷方法，並建立一個中文情感分析的範例。另外透過建立全面性的視覺化報告來瞭解使用者的正反回饋意見，並可透過分類模型來掌握新評論的內容，以提供App開發者在市場上之競爭智慧。 / While the number of smartphone shipment is continuesly growing, the number of App downloads from the popular app markets has been already over 50 billion. By Apple App Store and Google Play, ratings and reviews play a more important role in influencing app difusion. While app developers can realize users’ needs by app reviews, more than thousands of reviews produced by user everday become difficult to be read and collated. Sentiment Analysis researchs encompass supervised and unsupervised methods for analyzing review text. The supervised learning is proven as a useful method and can reach high accuracy, but there are limits where future trend can not be recognized and the labels of individual classes must be made manually. We concentrate on two issues, viz Sentiment Orientation and Popular Topic, to propose a Chinese Sentiment Analysis method which combines supervised and unsupervised learning. At First, we use unsupervised learning to label every review articles and produce visualized reports. Secondly, we employee supervised learning to build classification model and verify the result. In the experiment, the Chinese WordNet is used to build sentiment lexicon to determin review’s sentiment orientation, but the result shows it is weak to find out negative review opinions. In the Topic Extraction phase, we apply two clustering methods to extract Popular Topic classes and its result is excellent by using of NPMI Model with Social Network Analysis Method i.e. Concor. In the supervised learning phase, the accuracy of Sentiment Orientation class is 87% and the accuracy of Popular Topic class is 96%. In this research, we conduct an exemplification of the unsupervised method by means of Chinese WorkNet and Social Network Analysis to determin the review classes. Also, we build a comprehensive visualized report to realize users’ feedbacks and utilize classification to explore new comments. Last but not least, with Chinese Sentiment Analysis of this research, and the competitive intelligence in App market can be provided to the App develops.