wsbl門票的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

結合Kano二維品質模式與IPA分析探討觀賞性運動-以SBL、UBA、HBL為例

為了解決wsbl門票的問題，作者黃寯威 這樣論述：

本研究藉由建構完整賽事之研究量表，探討國內最受歡迎的三大聯賽SBL、UBA、及HBL，利用Kano二維品質模式歸類出服務品質屬性後，結合IPA找出目前賽事服務品質的缺失並提出改善方針。本研究回收有效樣本468份，分析結果如下：一、 目前三項賽事SBL、UBA及HBL的現場觀賽觀眾以男性居多並結伴同行，平常都有接觸籃球，此外UBA及HBL的觀眾大多職業為學生。二、 39項服務品質內，沒有被歸類出必要品質屬性及反向屬性的服務品質。三、 在IPA分析中，三項賽事只有一項共同的品質在優先改善區內，為 (37) 門票取得便利性，三項賽事的主辦方要特別注意並改善此項服務品質。四、

服務品質若位於優先改善區且SSI或DDI大於平均數需要被最先改善，SBL有4項需要被優先改善 (1、22、30、37)，UBA有4項 (8、25、30、37)，HBL有5項 (1、8、15、22、37)。五、 SBL的滿意度是三項賽事中最低的，代表三項賽事中目前觀眾對SBL最不滿意。六、 人口背景在SBL賽事會影響觀眾對Kano服務品質之認知，但在UBA及HBL上較不顯著；此外在SBL、UBA及HBL，球隊支持並不會對滿意度有影響。本研究根據研究分析結果提出建議，給予學術上相關研究方式應用之參考外，在實務上也提供相關賽事改善的依據。

2018年UBA大專籃球聯賽女子公開一級攻守數據對籃球比賽勝負分析之研究

為了解決wsbl門票的問題，作者傅姿伶 這樣論述：

本研究目的在於探討2018年UBA大專籃球聯賽女子公開一級之十二支球隊之十一項攻守數據差異情形，以參賽之十二支球隊為研究對象並比較不同背景變項在十一項攻守數據表現之差異情形。以獨立樣本t檢定、單因子變異數分析來解釋其十二支球隊之十一項攻守數據表現之差異情形，再以Pearson積差相關來了解球對得失分與攻守紀錄之間的關係，最後利用Logistic迴歸分析來了解攻守紀錄對球隊勝負的預測狀況。研究結果顯示：一、身高方面以文化大學的平均身高最高；而在年齡方面以臺北市立大學的球員平均年齡21.02歲為最大；體重方面以臺灣體育大學的球員平均體重67.10公斤為最重。二、在先發及替補球員在十一項攻守數據包

括了二分球投籃命中率、三分球投籃命中率、罰球命中率、進攻籃板數、防守籃板球數、助攻數、抄截數、阻攻數、失誤數、犯規數等十項數據達顯著差異，且先發選手數據高於替補選手。三、在不同位置上在十一項攻守數據有罰球命中率、進攻籃板球、防守籃板球、阻攻及犯規上述五項數據中鋒優於後衛及前鋒；在三分球命中率、助攻、失誤及抄截方面後衛優於前鋒與中鋒。四、此外與得分相關之攻守數據，正相關的有三分球投籃命中率、二分球投籃命中率球命中率、進攻籃板球數、助攻數、抄截數、阻攻數、失誤數、犯規數與得分等九項。五、使用十一項攻守數據來預測Hosmer and Lemeshow檢定值為4.78，未達.05顯著水準，此項檢定與上

述卡方檢定值相反，未達顯著水準表示模式的配適度相當理想，可以有效解釋與預測攻守紀錄對比賽勝負之結果。而Cox and Snell與Negelkerke關聯強度檢定值分別為.20及.26，表示十一項攻守紀錄對比賽勝負有低強度之關聯。在Logistic迴歸模式分類預測結果可知整體的分類正確率為68.14%，由上可知本研究結果之十一項攻守紀錄僅能中度預測比賽勝負。