量化 vs. 質性：方法論的兩難
QUANTITATIVE VS. QUALITATIVE
Section I
量化研究 ・ Quantitative
大樣本統計分析（LNA ）
強調外部效度、可推廣性
可同時估計競爭性解釋
⚬ 弱點：因果機制不清、測量品質
質性研究 ・ Qualitative
小樣本深度分析（SNA ）
強調因果機制、脈絡理解
過程追蹤（process tracing ）
⚬ 弱點：選擇偏誤、外部效度有限
為何需要混合研究方法？
WHY MIXED METHODS
Section I
「多變數、少個案」問題（Lijphart, 1971 ）
單一方法的固有限制：量化無法揭示因果機制，質性無法確保可推廣性
學者呼籲方法論整合（Achen & Snidal, 1989; Tarrow, 1995 ）
「並非所有混合策略都能提供更深入的洞見」（Bennett, 2002 ）
→ 因此，我們需要系統性的混合方法指南——不只是「同時做兩種研究」，而是有意識地整合、相互引導。
混合方法的核心價值：互補與協同
COMPLEMENTARITY & SYNERGY
Section I
LNA
外部效度
統計控制
競爭性解釋
SNA
因果機制
脈絡證據
測量改進
協同價值
Synergistic Value
大樣本統計分析（LNA）與小樣本深度分析（SNA）的重疊，即為兩者互補所產生的協同價值
「LNA 和 SNA 能夠相互啟發，其分析回報大於各部分之和。」
— Lieberman, 2005
三角驗證 Triangulation
TRIANGULATION
Section I
透過不同方法蒐集的證據相互檢驗，提高研究發現的信心。
但三角驗證只是起點——混合方法的設計遠比「多一種資料來源」更為精細。
什麼是混合研究方法？
DEFINING MIXED METHODS
Section II
「在單一研究或一系列研究中，結合量化和質性的資料蒐集與分析方法，以回答研究問題的一種研究取徑。」
— Creswell & Plano Clark, 2018
關鍵要素
蒐集量化與 質性資料
嚴謹地分析兩種資料
整合（混合）兩種資料
使用特定的研究設計架構
設計混合研究的四個關鍵決策
FOUR KEY DECISIONS
Section II
❶ 互動程度
Level of Interaction
量化與質性兩股研究是獨立進行，還是交互影響？
❷ 優先順序
Priority
量化優先？質性優先？還是平等地位？
❸ 時序安排
Timing
同時進行？還是順序進行？
❹ 混合階段
Mixing
在哪個階段整合？資料蒐集？分析？詮釋？
時序 × 優先 決策矩陣
TIMING × PRIORITY MATRIX
Section II
時序 ＼ 優先
QUAN 優先
QUAL 優先
平等
同時Concurrent
QUAN + qual嵌入式設計
quan + QUAL嵌入式設計
QUAN + QUAL→ 收斂設計
順序Sequential
QUAN → qual→ 解釋型順序設計
QUAL → quan→ 探索型順序設計
QUAN ⇄ QUAL多階段設計
混合方法的知識論立場
EPISTEMOLOGICAL STANCES
Section II
實用主義 Pragmatism
「什麼方法最能回答研究問題？」
不執著於單一知識論立場
強調研究問題導向
接受多元的認識方式
轉化性框架 Transformative
以社會正義為導向，研究應服務於邊緣化群體的需求。
研究問題
為中心
方法論選擇
知識論立場
實用主義
Pragmatism
混合研究方法的三種基本設計
THREE BASIC DESIGNS
Section III
收斂設計
Convergent Design
同時蒐集
解釋型順序設計
Explanatory Sequential
先量化
探索型順序設計
Exploratory Sequential
先質性探索
收斂設計 Convergent Design
同時蒐集、分別分析、合併詮釋
設計類型 ①
目的
比較和對照量化與質性的發現，取得問題的完整圖像。
適用時機
需要三角驗證
需要同時了解量化趨勢與質性脈絡
研究時間有限
研究團隊有兩組成員
核心特徵
量化與質性同時進行
兩者地位平等
分別分析後合併比較
在詮釋階段進行混合
收斂設計流程圖
CONVERGENT DESIGN FLOW
設計類型 ①
QUAN
資料蒐集
QUAN
分析
QUAN
結果
QUAL
資料蒐集
QUAL
分析
QUAL
結果
比較／合併
整合
詮釋
← 同時進行 →
收斂設計的挑戰
CHALLENGES
設計類型 ①
主要挑戰
不同樣本如何整合？
量化與質性結果矛盾時怎麼辦？
需要兩種方法的專業能力
如何呈現兩組結果的合併？
應用範例
研究福利態度——同時進行大規模調查（量化）與焦點團體訪談（質性），比較兩組發現，以取得民眾對社會政策看法的完整圖像。
解釋型順序設計 Explanatory Sequential
先量化、後質性
設計類型 ②
目的
用質性資料來解釋量化結果。
適用時機
量化結果需要進一步解釋
需要解釋統計中的離群值或意外發現
量化研究佔優先地位
研究團隊以量化訓練為主
核心特徵
兩階段順序進行
QUAN → qual（量化優先）量化結果驅動質性設計
質性旨在深化理解
解釋型順序設計流程圖
EXPLANATORY SEQUENTIAL FLOW
設計類型 ②
QUAN
資料蒐集
QUAN
分析
結果驅動
質性設計
qual
資料蒐集
qual
分析
第一階段（優先）
第二階段
詮釋階段：質性（QUAL）如何解釋量化（QUAN）的結果
解釋型順序設計的挑戰
CHALLENGES
設計類型 ②
主要挑戰
需要較長研究時間（兩個階段）
如何從量化結果選擇質性追蹤的焦點？
樣本選取的合理性
第二階段設計取決於第一階段結果
應用範例
先以 ISSP 調查分析東亞福利態度的量化模式，再以深度訪談解釋為何台灣民眾出現與理論預期相悖的態度。
量化發現「異常」→ 質性追蹤「為什麼」
探索型順序設計 Exploratory Sequential
先質性、後量化
設計類型 ③
目的
用質性發現來建構量化工具或理論模型。
適用時機
理論不足，需要歸納性探索
需要開發新的測量工具
質性研究佔優先地位
現有量表或變數無法捕捉現象
核心特徵
兩階段順序進行
QUAL → quan（質性優先）質性發現建構量化假設
量化旨在驗證推廣
探索型順序設計流程圖
EXPLORATORY SEQUENTIAL FLOW
設計類型 ③
QUAL
資料蒐集
QUAL
分析
建構量化
工具／假設
quan
資料蒐集
quan
分析
第一階段（優先）
第二階段
詮釋階段：量化（QUAN）如何驗證質性（QUAL）建構的假設
探索型順序設計的挑戰
CHALLENGES
設計類型 ③
主要挑戰
如何從質性發現轉化為量化變數？
兩階段需要更多時間
量化階段可能推翻質性發現
質性歸納到量化操作化的「翻譯」挑戰
應用範例
Lynch (2002) — 先以義大利和荷蘭的深度案例研究發展假設，再以 20 個 OECD 國家的統計分析進行驗證。
質性建構假設 → 量化跨國驗證
三種設計類型比較
COMPARING THE THREE DESIGNS
Section III
收斂設計
解釋型順序
探索型順序
時序 同時 QUAN → QUAL QUAL → QUAN 優先 平等 QUAN 優先 QUAL 優先 目的 三角驗證 解釋量化結果 建構工具／理論 適用時機 需要完整圖像 統計結果需解釋 理論不足 時間需求 較短 中等 較長 整合點 詮釋階段 連接兩階段 連接兩階段
如何選擇混合研究設計？
CHOOSING A DESIGN
Section III
你有明確的理論模型嗎？
是
否
需要解釋量化結果嗎？
探索型順序設計
先質性探索，再量化驗證
是
否
解釋型順序設計
先量化分析，再質性解釋
收斂設計
同時蒐集，合併比較
巢狀分析 Nested Analysis
Lieberman (2005) 的混合方法策略
Section IV
將大樣本統計分析（LNA ）與深度個案研究（SNA ）在單一架構中結合的系統性方法。
不只是「同時做兩種分析」，而是兩種分析相互引導——統計結果指引案例選擇，案例研究回饋修正統計模型。
LNA 提供鳥瞰：發現整體模式與異常案例
SNA 提供深掘：揭示因果機制與脈絡因素
兩者迭代循環，持續精進理論
巢狀分析取徑概覽
NESTED ANALYSIS OVERVIEW
Section IV
初步 LNA
大樣本統計分析
結果
穩健？
是
Mt-SNA
模型檢驗型
選擇「在線上」案例
過程追蹤驗證
強化理論
信心
否
Mb-SNA
模型建構型
選擇「偏離線」案例
歸納新假設
修正模型
重跑 LNA
迭代循環：Mb-SNA 修正模型後，重新進行 LNA
模型檢驗型小樣本分析 Mt-SNA
MODEL-TESTING SNA
Section IV
何時使用
當 LNA 結果穩健時——統計模型具有良好的解釋力與穩定性。
目標
用質性證據驗證統計模型中所假設的因果機制。
案例選擇策略
選擇「在線上」（on-the-line ）的案例——那些符合迴歸模型預測的案例。
關鍵任務
過程追蹤（Process Tracing ）——展示因果機制確實運作。追蹤從自變數到因變數的完整因果鏈。
經典範例
Swank (2002) ：資本流動與福利國家Martin (1992) ：工會與經濟政策
模型建構型小樣本分析 Mb-SNA
MODEL-BUILDING SNA
Section IV
何時使用
當 LNA 結果不穩健——理論薄弱、統計模型解釋力不足或不穩定。
目標
歸納性地建構新理論——從離群值中發展新的解釋框架。
案例選擇策略
選擇「偏離線」（off-the-line ）的案例——那些不符合模型預測的離群值。
關鍵任務
從離群值中發展新假設，找出統計模型遺漏的變數或機制，然後回到 LNA 重新檢驗修正後的模型。
經典範例
Coppedge (2005) ：委內瑞拉民主崩壞——作為離群值的深度分析
巢狀分析的案例選擇
CASE SELECTION
Section IV
迴歸預測值
因變數實際值
迴歸線
B
E
D
A
C
F
G
H
巢狀分析與基本設計類型的對應
MAPPING TO THE THREE DESIGNS
Section IV
Mt-SNA ≈ 解釋型順序設計（QUAN → QUAL ）
統計結果穩健 → 選擇在線案例 → 質性驗證因果機制
Mb-SNA ≈ 探索型順序設計（QUAL → QUAN 迭代）
統計結果不穩健 → 選擇離群案例 → 歸納新假設 → 重新量化檢驗
整體策略 ：包含收斂設計的三角驗證精神
LNA 與 SNA 的結果相互檢驗，提高整體研究的信心
但巢狀分析更強調迭代性和決策驅動——統計結果決定質性路徑，質性發現反饋修正統計模型。
實施混合方法的挑戰
PRACTICAL CHALLENGES
Section V
⏱ 時間與資源
兩種方法的訓練與執行都需要投入大量時間和經費。
👥 團隊組成
需要不同方法論背景的專家，或研究者本身需具備雙重能力。
🔗 整合困難
不同資料類型如何合併？量化數據與質性文本的「對話」並不自然。
📄 報告挑戰
篇幅限制、審查者可能偏好單一方法、報告架構的複雜性。
然而：分析回報 > 各部分之和。系統性的混合方法能為因果推論提供遠超單一方法的堅實基礎。
應用：東亞福利國家研究中的混合方法
APPLICATION: EAST ASIAN WELFARE STATES
Section V
量化面向
ISSP 跨國調查分析
社會支出比較分析
福利態度的統計模型
混合策略
結合鉅觀制度分析與微觀態度調查的「鉅觀-微觀連結」——制度結構如何形塑個人的福利態度？
研究實例
年金改革研究——先以跨國統計比較找出東亞模式，再深入台灣、日本、韓國的制度分析，追蹤改革的政治過程。
延伸閱讀
FOUNDATIONS OF MIXED METHODS
Section V
典範與整合邏輯
Greene, J. C., Caracelli, V. J., & Graham, W. F. (1989). “Toward a Conceptual Framework for Mixed-Method Evaluation Designs.” Educational Evaluation and Policy Analysis , 11(3), 255–274.
Morgan, D. L. (2007). “Paradigms Lost and Pragmatism Regained: Methodological Implications of Combining Qualitative and Quantitative Methods.” Journal of Mixed Methods Research , 1(1), 48–76.
系統性教科書
Greene, J. C. (2007). Mixed Methods in Social Inquiry . San Francisco: Jossey-Bass.
Teddlie, C., & Tashakkori, A. (2009). Foundations of Mixed Methods Research: Integrating Quantitative and Qualitative Approaches in the Social and Behavioral Sciences . Thousand Oaks, CA: Sage.（第二版 2021，Tashakkori, Johnson & Teddlie）
本頁四筆為授課教師另行補列的方法論基礎文獻，不在本講投影片原有內容之內。