邱皓政2007统计原理与分析技术13__共变数分析.pptVIP

讓數字會說話三F 共變數分析 Analysis of Covariance 共變數分析原理 將一個典型的變異數分析中的各個量數，加入一個或多個連續性的共變項(即控制變項)，以控制變項與依變項間的共變為基礎，進行「調整」(correction)，得到排除控制變項影響的單純(pure)統計量 單共變數分析的基本原理 共變數分析的目的 將一個典型的變異數分析中的各個量數，加入一個或多個連續性的共變項(即控制變項)，以控制變項與依變項間的共變為基礎，進行「調整」(correction)，得到排除控制變項影響的單純(pure)統計量 單純統計量 指自變項與依變項的關係，因為先行去除控制變項與依變項的共變，因而不再存有該控制變項的影響，單純的反映研究所關心的自變與依變關係。 共變項也必需為連續變項 研究中對於自變項或依變項具有干擾效應的變項 實驗研究中的前測（pretest）多可作為控制變項 混淆因子的控制 變項關係的檢驗，除了具體明確的界定與陳述其關連或因果特質之外，常取決於研究者是否能夠控制其他無關的干擾變項，減少分析過程的混淆因素。 研究的控制 程序控制（procedural control） 抽樣過程盡可能的隨機化、使研究程序標準化等等 實驗控制（experimental control） 在研究過程中，即針對有可能造成干擾的變項加以測量，再利用實驗設計的操弄與統計的方法，將該因素的效果以「自變項」的角色納入分析 統計控制（statistical control） 以數學原理處理當控制變項與其他自變項對於依變項的影響 單因子共變異數分析摘要表 共變項的影響一：變異量調整 共變數分析的變異數拆解 變異量拆解原理 共變數分析的主要原理係將全體樣本在依變項的得分的變異情形，先以迴歸原理排除共變項的影響，其餘的純淨效果即可區分為「導因於自變項影響的變異」與「導因於誤差的變異」兩個部份 線性迴歸原理 共變數分析是以迴歸的原理，將控制變項以預測變項處理，計算依變項被該預測變項解釋的比率。當依變項的變異量被控制變項可以解釋的部份被計算出來後，剩餘的依變項的變異即排除了控制變項的影響，而完全歸因於自變項效果（實驗處理）。 共變項的影響二：平均數調整 共變數分析對於平均數的調整圖示 迴歸同質假設（assumption of homogeneity of regression） 迴歸同質假設 共變項與依變項的關聯性在各組內相同 ANCOVA檢驗方法 實際操作 ANCOVA需使用型I平方和來檢驗共變項的效果 迴歸同質性檢驗係檢驗共變項與獨變項的交互作用是否顯著 SPSS中，可以自行調整模型，增加共變項與獨變項的交互作用項，即可獲得檢驗數值 相依設計ANCOVA 相依樣本共變數分析 加入了共變項的影響，在分析上與獨立樣本無異。 受試者內設計或區組效果項的存在，共變項在各組所造成的影響，必須考慮相依關係的存在 檢定變異量之時，需特別將共變項與組間效果的交互作用加以獨立估計（等同於組內迴歸係數同質檢驗） 共變數分析與多因子變異數分析之比較 相同點: 兩者對於依變項均有兩個影響因子 相異點: 共變數分析的重點在於檢驗自變項對於依變項的純淨效果 二因子變異數分析在於探討獨立的兩個自變項對於依變項的影響 共變數分析的主要優缺點 優點 1. 利用迴歸技術來進行統計控制，可以獲得自變項對於依變項影響的純淨效果。任何可能影響依變項變異的變項，均可加以控制。 2.使用連續變項來測量，變異量大，對於變項特性的測量細膩敏銳，統計分析精確性高 3.變異數分析中的誤差變異量可以大幅度減少，進而提高統計考驗的檢定力。 缺點: 1. 控制變項必須以連續變數的形式存在（如智商、學業成績等），或是可以視為連續變項處理的變項，如二分名義變項（性別）或順序變數（出生序）。 2.控制變項過多反而會扭曲了統計的意義，增加解釋上的困難 共變數分析操作重點 概念的澄清 為何需要共變項？ 何者為適當的共變項？ 共變效果強度的檢查 相關係數的檢驗 迴歸係數的檢驗 迴歸係數同質性檢驗* 利用模式的調整來檢驗 利用階層化虛擬迴歸技術 調整後平均數的檢查與報告 * 量化研究法二統計原理與分析技術 第13章 Y1 Y2 Level 1 Level 2 相依樣本設計 獨立樣本設計 DV SSb SSw Covariate 加入共變項前，依變項的變異被分割為SSb與SSw 加入共變項後SSt=SSc+(SS’b+SS’w)，SSw被分割的部份多較SSb被分割的部份為大。 (控制變項通常與自變項之間是相互獨立，沒有關連， 控制變項所解釋的變異，主要係從變異數分析誤差(SSwithin)所分割得來，對於組間離均差平方和的數值影響不大。因此在數學原理上，共變項的加入多會提高F值，