以部分區分（或部份類別無法區分）(partially-classified) 失去部份訊息資料 (censored data) 的類別抽樣 (categorical sampling) 在許多的應用領域中都非常重要。這類問題的研究探討已行之有年，但大部份都把重點放在〝失去部份訊息資料但無價值性〞(non-informative censoring) 以及〝誠實回答〞(truthful reporting) 的前提下。Thomas J. Jiang取消了以上二個前提的限制，並提出了quasi-Bayes method來近似這類問題的貝氏解(Bayes solution)。此一quasi Bayes methood與Makov and Smith (1977)與Smith and Maikov (1978) 所整合出的〝quasi Bayes procedure for mixture〞相類似。本文所引用的quasi-Bayes method的計算公式都已導出，而且只需要少許的時間便可解出答案。本文重站在比較quasi-Bayes method與Bayes method的效卒，quasi-Bayes近似狀況的好壞，並探討在何種情況下quasi-Bayes的近似狀況較差。

在講求品質創新與顧客導向之時代中，隨著顧客的需求和期望，創造產品之一元品質和魅力品質，是促使企業不斷地精益求精之動力，同時也使企業更具競爭力，進而使企業能永續經營。 本研究以CK電腦公司之工業用筆記型電腦HDD為研究對象。公司提出因RT686型號工業用筆記型電腦無法通過軍規振動測試，公司正準備開發新型號。本研究將對舊型號之電腦HDD內部緩衝材做設計，待找到防振效果最佳之緩衝材設計後，將其應用至新機型電腦，使其能通過軍規振動測試。 透過實驗設計方法規劃和執行三階段之HDD振動實驗，並收集實驗數據，再分別利用MSE法、變異數分析結合迴歸分析法、回應圖和回應表分析法、類別資料分析法和倒傳遞類神經網路方法分析，以決定最佳緩衝材設計。在進行確認實驗後，找到不會因為外部環境之振動，使HDD之運轉速度發生暫停和轉慢情形之最佳緩衝材設計，防振效果良好，而且此緩衝材設計只使用一種材質，更是節省公司材料生產上之成本。

進行調查時，最後的抽樣單位常是從不同的群集取得的，而同一群集內的樣本對象，因背景類似而對於某些問題常會傾向相同或類似的反應，研究者若忽略這種群內相關性，仍以獨立性樣本進行分析時，因其共變異數矩陣通常會與多項模式的共變異數矩陣相差懸殊，而造成所謂的額外變異或不足變異的現象。本文在不同的情況下，提出了Dirichlet-Multinomial模式(簡稱DM模式)、擴展的DM模式、以及兩種平均數-共變異數矩陣模式，以適當的彙整所有的群集資料。並討論DM與EDM模式中相關之參數及格機率之最大概似估計法，且分別對此兩種平均數-共變異數矩陣模式，提出求導廣義最小平方估計的程序。此外，也針對幾種特殊的二維表及三維表結構，探討對應的參數及格機率之估計方法。並提出計算簡易的Score統計檢定量以判斷群內相關(intra-cluster correlation)之存在性，及判斷資料集具有額外或不足變異，而對於不同母體的群內相關同質性檢定亦提出討論。 / This paper presents a modelling method of analyzing categorical data with overdispersion or underdispersion.　In many studies, data are collected from differ clusters, and members within the same cluster behave similary.　Thus, the responses of members within the same cluster are not independent and the multinomial distribution is not the correct distribution for the observed counts.　Therefore, the covariance matrix of the sample proportion vector tends to be much different from that of the multinomial model.　We discuss four different models to fit counts data with overdispersion or underdispersion feature, witch include Dirichlet-Multinomial model (DM model), extended DM model (EDM model), and two mean-covariance models.　Method of maximum-likelihood estimation is discussed for DM and EDM models.　Procedures to derive generalized least squares estimates are proposed for the two mean-covariance models respectively. As to the cell probabilities, we also discuss how to estimate them under several special structures of　two-way and three-way tables.　More easily evaluated Score test statistics are derived for the DM and EDM models to test the existence of　the intra-cluster correlation.　And the test of homogeneity of intra-cluster correlation among several populations is also derived.