隨著科技進步與時代變遷，近年來臺灣面臨單底冊電話樣本的涵蓋誤
差日益增大問題，不論市話調查或手機調查；而雙底冊電話調查的施行應
可有效降低此一缺失。惟有關雙底冊電話調查的資料合併策略與加權處
理，當下臺灣學界仍莫衷一是。本文旨在利用臺灣學界甚少觸及的變異數
與偏差，以2020年雙底冊電話調查的實務資料，來評比各類型雙底冊調查
的合併組合在各種加權策略下的加權效果，包括重疊設計與篩選設計；此
外，本文也進一步探討非等比例樣本配置的雙底冊電話調查在資料推估上
的差異，提供實務應用參考。
本文分析結果顯示：1.在雙底冊各自具有完整代表性且樣本數近乎等
比例的條件下，採用一般的母體人口特徵變項來校正加權，不論是使用重
疊設計或篩選設計來合併，因加權而增加的變異並不大，且僅事後分層組
合估計的樣本估計值與其他合併組合有所差距。2.若雙底冊的樣本採用不等比例配置，以一個完整代表性底冊搭配另一個僅具有1/3或1/2樣本數的底冊，利用篩選設計、重疊設計的直接合併及有效樣本數合併等三種方式進行比較後發現，因應加權所衍生的加權耗損不大，而彼此之間在樣本估計值上的差異也很小。

本研究探討2018年臺北市市長選舉因為延遲投票而造成的投票轉向。在選舉過程中，現任市長柯文哲面臨來自丁守中（國民黨）與姚文智（民進黨）的嚴峻挑戰。在投票當天，當投票所於下午四點開始記票時，大多數的新聞媒體都報導了柯與丁之間的激烈競爭。最終選舉結果柯文哲以些微票數擊敗對手。對丁守中來說，這個選舉結果相當具有爭議。由於此次選舉與公民投票同時進行，導致投票時間嚴重延遲，相當一部分的選民在下午四點以後才開始投票，那時已經可以同時從新聞報導中瞭解到其他投票所的開票結果。這個開票訊息可能導致選民投票發生轉向，造成進一步的策略性棄保，影響最後的選舉結果。為檢驗丁守中的論據，本文蒐集中央選舉委員會發布的各投開票所選舉結果與完成登錄時間。透過空間迴歸(SLM和SEM)與地理加權回歸(GWR)的方法，我們發現，在村里層次，確實有些選票流動的現象，但是在整體層次，丁守中的擔憂並沒有經驗證據的支持，延遲投票對三位候選人的整體影響並不顯著。

Survey research as a method of collecting sample data is supposed to produce sample statistics which can estimate the corresponding population parameters if the sampling design is appropriate. However, for reasons such as unit non-response, survey data is usually weighted by the institutes that collect the data or by researchers who analyse the data in order to correct or diminish the discrepancies between sample and population. Sample statistics based on weighted data are more representative of the population parameters than unweighted data in terms of some demographic characteristics.Therefore, to some extent, it seems legitimate to weight data and this manipulation has become a routine when dealing with survey data.

It is true that to weight data could be helpful, but this manipulation needs justifications. This paper therefore tries to argue that to weight data is no panacea and should not be taken for granted when considering the examples in Taiwan’s Election and Democratization Studies (TEDS) surveys. The first section discusses why weighted data is not necessarily representative of the population. As the TEDS surveys show, the turnout, the vote shares of parties, and marital status become more deviant from the population parameters after weighting the data.

If the focus is the relationships between variables, the correlations may be changed by weighting the data in bivariate or multivariate analysis. However, it is not clear whether we manufacture relationships which do not exist or if weighting the data actually helps us approximate the relationships that already exist in the population. Besides, it should be noted that to weight data set as a whole only deals with the problem of unit non-response, but does not solve the problem of item non-response.

The third section discusses why most efforts should be devoted to examining and improving questionnaires, sampling designs, and interviewerm straining and supervision, instead of simply appealing to post-weighting. If everything necessary has been tried, weighting data may be the last resort to improve the estimates. But the justifications for the selection of auxiliary variables and the methods of calculating weight factors should be provided rather than doing it without any explicit considerations. It is also important to consider whether the consequence of weighting is positive or negative.

經由抽樣設計恰當的調查研究所收集到的樣本資料應該能夠準確估計母體參數。但是因為單位無反應的問題，執行調查的單位或分析資料的學者通常會以加權的方式來 減少樣本統計量與母體參數之間的差距。加權後的資料在人口學變項上比未加權資料較為接近母體參數，因此加權似乎是一個合理處理樣本資料的做法。

然而，即使加權是可行的解決方法，也絕非萬靈丹。在加權前也必需提出事後操弄資料的理由，而不是將加權視為理所當然。本文以台灣選舉與民主化調查為例，首 先說明加權後的資料不必然較接近母體參數的原因。投票率、各政黨得票率、與婚姻狀況在加權後反而和母體參數有較大的差距。

除了單一變數分析之外，當討論的主題是變數間的關係時，加權可能增加也可能減少相關性的強度。雖然加權似乎會影響相關性，但其影響究竟是更接近真實的關 係，抑或是扭曲真正的相關性則不得而知。此外，通常對整筆資料作加權只處理了單元無反應的問題，但仍然沒有解決多變量分析一定會遇到的項目無反應問題。

不論是單一變數分析或是多變量分析，在加權之前應該先嘗試其他增加樣本代表性與提高資料品質的方法。如果沒有先投入更多時間與心力在問卷設計、抽樣設計、 訪員訓練與監督上，加權只是低成本的取巧做法。最後，假使一定要加權，必須說明與討論為什麼要加權、以哪些變數加權、如何加權、以及加權所產生的影響，而 非不加思考地將加權當作例行公事。

樣本代表性檢定的目的，在發覺樣本是否被過度扭曲，而影響對母群特質的推估。大多數的民意調查計畫，包括電訪與面訪，如果發現樣本結構與母群不符，所採取的補救措施，不外乎「事後分層加權」或是「反覆多重加權」這兩種方式。然而，調查研究需要檢定的變數，通常超過一個以上，而「事後分層加權」所需之母群多變數聯合分佈值，往往為未知。因此，目前最常採用的是「反覆多重加權」的方式，但「反覆多重加權」實際執行時，最大的問題在於其檢定方式是透過卡方檢定，通常只要其檢定P值大於0.5，就認定樣本與母群一致，而未考慮一個最佳化的加權值。

本文旨在提出第三種事後加權的處理方式，也就是「最小差異加權」的方法，它能同時考慮數個變項，而找出最佳的加權值。我們以「2001年台灣選舉與民主化調查（TEDS 2001）資料為例，分別進行「反覆多重加權」與「最小差異加權」，並與2000年戶口普查之母群資料比較，發現就性別、年齡、教育與地理區堿四個變數的聯合分佈估計值，整體而言，最小差異加權的估計值，有將近七成比「反覆多重加權」的估計值更接近母群的聯合分佈值，應值得後續研究進一步探討。