研究結果與結論 | ZL1.index.html

研究結果 - 單因子變異數分析

付費遊戲 vs 免費遊戲 :

以「是否為付費遊戲」作為自變數，對三項依變數進行單因子變異數分析，結果顯示：

平均每天遊玩人數：p = 0.632 > 0.05 → 不顯著
平均每天遊玩時數：p = 0.111 > 0.05 → 不顯著
近月平均留存率：p = 0.543 > 0.05 → 不顯著

結論：在本研究的 345 筆 Steam 熱門遊戲樣本中，
付費遊戲與免費遊戲在玩家數、遊玩時數與留存率上皆未呈現統計上顯著差異。
換言之，僅從「是否付費」這一項屬性，無法解釋黏著度指標的差異。

單人遊戲 vs 多人遊戲 :

單因子變異數分析結果顯示：

平均每天遊玩人數：p = 0.001 < 0.05 → 顯著
- 多人遊戲的玩家數顯著高於單人遊戲
平均每天遊玩時數：p = 0.033 < 0.05 → 顯著
- 單人遊戲的平均遊玩時數顯著高於多人遊戲
近月平均留存率：p = 0.822 > 0.05 → 不顯著

結論 : 在本資料中：

多人遊戲確實擁有較高的平均玩家數（顯著）。
單人遊戲的玩家平均每天停留時間較長（顯著）。
單人與多人遊戲在「近月平均留存率」並無顯著差異。

也就是說，是否支援多人連線與社群互動，與「玩家規模」與「平均遊玩時數」有關，
但在本研究觀察的期間內，並不能說明留存率的差異。

類型比較 :

對三類型進行單因子變異數分析，結果如下：

平均每天遊玩人數：p = 0.91 > 0.05 → 不顯著
平均每天遊玩時數：p = 0.806 > 0.05 → 不顯著
近月平均留存率：p = 0.08 > 0.05 → 不顯著

結論：在本研究樣本中，
RPG、Action 與 Casual 在玩家數、平均遊玩時數與留存率三項指標上皆未呈現統計顯著差異。
換言之，僅用「三大類型標籤」難以解釋黏著度的差異。

地區比較 :

單因子變異數分析結果：

平均每天遊玩人數：p= 0.488 > 0.05 → 不顯著
平均每天遊玩時數：p= 0.053 > 0.05 → 接近顯著，但未達 0.05 標準
近月平均留存率：p= 0.465 > 0.05 → 不顯著

結論：
在 α = 0.05 的常用顯著水準下，開發地區對三項黏著度指標皆未達統計顯著差異。
雖然描述統計顯示東亞遊戲的遊玩時數平均值較高，
但 p 值約 0.053，僅可視為「接近顯著的趨勢」，尚不足以下明確結論。

單因子變異數分析統整結果表格

研究結果 - 相關分析

5.7.1 與「玩家數」的相關

從表中可以看到，只有「玩家數」與這四個指標呈現顯著相關：

評論數（r = 0.36）
- 顯示評論越多的遊戲，其平均玩家數通常也較高。
- 相關程度屬中度偏低，說明評論聲量與玩家規模有關，但並非唯一解釋因素。
更新頻率（r = 0.22）
- 更新頻率較高的遊戲，其玩家數略高。
- 相關屬低度，代表更新「有關連」，但影響力有限。
好評率（r = -0.12）
- 呈現小幅負相關，表示好評率較高的遊戲，其玩家數不一定比較多，甚至略低。
- 可能反映部分高人氣遊戲因爭議或營運調整導致評分被拉低，但在本研究中僅能說明「方向」，不推論原因。
DLC 數量（r = 0.13）
- DLC 較多的遊戲，其玩家數略高。
- 相關強度偏弱，僅能視為輕微關聯。

5.7.2 與「遊玩時數」、「留存率」的相關

對「平均遊玩時數」與「近月留存率」而言：

與四個指標的相關係數都非常接近 0（|r| 約 0.01～0.08），且多數不顯著。
資料顯示：
- 評論數、更新頻率、好評率與 DLC 數量，皆無法有效解釋遊玩時數或留存率的差異。

這代表：在本研究樣本中，
外在可見的評價與營運指標，主要反映的是「玩家規模」，而非玩家在遊戲中停留多久、也不是玩家是否長期留下。

相關分析統整結果表格

研究結果 - 迴歸分析

模型 A：平均每天遊玩人數 :

評論數（Review Count）為最重要的正向預測因子

在控制類型、模式、地區等條件下，評論愈多的遊戲，其平均玩家數也愈多。

更新頻率亦與玩家數呈正向且顯著關聯

更新較頻繁的遊戲，其玩家數傾向較高。

但係數大小小於評論數，影響力相對次要。

好評率呈現顯著負向關係

模型顯示，在控制其他因素後，好評率較高的遊戲玩家數反而略低。

此結果僅能解讀為「相關方向」，現階段無法從本研究資料推論其背後原因。

類型、商業模式、地區大多不顯著

除 Action 類別相對 Casual 玩家數略低外，多數類別變數對玩家數並未達顯著影響。

模型 B：平均每天遊玩時數 :

模型整體解釋力非常低（R² = 0.02）

僅約 2% 的遊玩時數差異能由這些外顯變數解釋，表示遊玩時數主要由本研究未納入的因素決定（例如實際玩法設計、劇情內容等）。

唯一達顯著的變數為「單人遊戲」

單人遊戲的平均遊玩時數顯著高於多人遊戲。

此結果與前述 ANOVA「單人遊戲時數較長」相互呼應。

評論數、更新頻率、好評率、DLC 數量皆不顯著

即便在迴歸模型中一併納入控制，仍無法說明遊玩時數的差異

模型 C：近月平均留存率 :

模型幾乎沒有解釋力（R² = 0.002）

僅約 0.2% 的留存率變異可以由這些變數解釋，等同於「本研究所使用的外顯指標，幾乎無法預測留存率」。

所有自變數的 p 值皆大於 0.05代表在本資料中，

類型

商業模式（免費 / 付費）

單人 / 多人

地區

評論數、更新頻率、好評率、DLC
都不是留存率的顯著預測因子。

這個結果與前面 ANOVA、相關分析的觀察一致：

留存率相對獨立，難以由外在屬性與平台可見指標加以解釋。

研究結論

遊戲屬性（付費 / 免費、單人 / 多人、類型、地區）多數不構成黏著度差異

在四個主要類別變數中：

付費 vs 免費 → 三項黏著度指標皆未達顯著
RPG / Action / Casual → 三項黏著度皆未達顯著
歐美 / 東亞 / 其他地區 → 三項黏著度皆未達顯著
單人 vs 多人 → 只有「玩家數」與「遊玩時數」呈現方向相反的顯著差異
- 多人遊戲玩家數較高（顯著）
- 單人遊戲平均遊玩時數較長（顯著）
- 留存率無差異

總結：

遊戲類型、商業模式與開發地區，在本研究資料中並非解釋黏著度差異的關鍵因素。
多數常見的市場印象（如「東亞較耐玩」、「免費遊戲玩家多但不黏」）皆未獲得統計支持。

7.1.2 玩家規模（平均玩家數）主要由「評論數」與「更新頻率」解釋

在相關與迴歸模型中：

總評論數（Review Count）為最強預測因子。
更新頻率（30/90/120 日更新次數）亦與玩家數呈顯著正向關係，但係數大小次於評論數。
好評率在模型中呈現顯著但較小幅度的負向關係；DLC 數量則多數分析中未達顯著。因此：

玩家規模受到「社群討論度」與「持續更新」影響較大。

評論量越高、更新較頻繁的遊戲，其平均玩家數通常較高。

然而值得強調的是：

此結果僅能解釋玩家規模，不代表這些因素能提高玩家留存或遊玩時數。

7.1.3 平均遊玩時數難以由外顯變數解釋
在以「平均遊玩時數」為依變數的迴歸模型中：

模型解釋度僅約 R² = 0.02，整體解釋力非常有限。
唯一達到顯著水準的是「單人遊戲」變數，顯示在控制其他條件後，單人遊戲的平均遊玩時數仍略高於多人遊戲。
其他外顯指標（評論數、更新頻率、好評率、DLC 數量、類型與地區）在模型中皆未呈現顯著影響。

代表：本研究所蒐集的外顯變數，對於解釋玩家實際投入時間的效果非常有限。
遊玩時數更可能受到遊戲內部內容設計所影響，例如劇情深度、系統複雜度、養成與關卡設計等，但這些層面的變數並未納入本次實證模型，只能作為後續研究的推論方向。

7.1.4 留存率最具挑戰性，僅與「平均遊玩時數」呈中度關聯

留存率的迴歸模型解釋度最低（R² ≈ 0.002），所有外顯變數皆不顯著。

唯一有中度相關的是：

平均遊玩時數（r = 0.44）

說明：

願意長時間遊玩的玩家，也更容易在後續月份中持續留在遊戲中。

但除此之外，其他如：

評論數
更新次數
好評率
類型
地區
商業模式

都無法有效解釋留存率差異。

代表黏著度在 Steam 熱門遊戲中極難由外顯資料推估，
實際影響留存率的因素可能來自：

系統設計
敘事品質
玩法深度
階段性活動
玩家社群互動
負面體驗（毒性、匹配品質等）

這些內容層面的因素，本研究無法量化，但非常值得後續深入。

需要注意的是，留存率與平均遊玩時數之間僅能確認中度線性相關，無法由本研究推論哪一者為因、哪一者為果。