第二十七讲定量资料分析（二）.pptVIP

第二十六讲 定量资料分析（二） 社会调查研究方法 主讲：田 飞 第十一章 定量资料分析 第一节 资料的整理与录入 第二节 单变量统计分析 第三节 双变量统计分析 第四节 多变量统计分析 第三节 双变量统计分析 交互分类表与卡方检验 不同层次变量的相关测量与检验 回归分析 交互分类 交互分类（Cross-tabulation）：专门用来分析两个定性变量之间关系的统计分析方法。 表11-11 500名工人的文化程度与工资收入交互分类表（%） 卡方检验 是否显著与数据分布和样本规模有关。 不同层次变量的相关测量与检验 卡方检验说明在总体中两定性变量是否相互独立。 相关测量说明两种变量在样本中的相关程度。 相关检验说明在总体中两种变量是否相互独立。 消减误差比例 消减误差比例 Y Y X 不同层次变量相关测量系数 不同层次变量相关测量检验 回归分析 指简单线性回归 R=r 第四节 多变量统计分析 阐释模式 复相关分析 多元回归分析 阐释模式 阐释模式（Elaboration)：关心两个变量之间的关系，通过引入并控制第三个变量，来进一步了解和探讨原来两变量之间关系性质的统计分析方法。 类型： 因果分析 阐明分析 条件分析 阐释模式--因果分析 目的：自变量X与因变量Y之间是否确实存在因果关系。 思想：引入若干与X和Y密切相关的前置变量（第三变量），以判明X与Y之间的因果关系是否为虚假的，即二者的关系是否为前置变量影响的结果。 方法：当引进并控制住第三变量后，原来两个变量之间的关系消失，则可以肯定这两个变量之间的关系是虚假的，它们之间的相关实际上是由于第三变量作用的结果。但当两个变量之间的关系仍然存在，则不能肯定两个变量的因果关系是确定的，只能说“可能”存在。或者说，对它们的因果关系的信心增加了，引入的第三变量数目越多，且不改变两个变量关系时，我们对因果关系存在的信心越大。 阐释模式—阐明分析 目的：探讨因果关系的作用方式或作用途径。 思想：当变量X与变量Y相关时，通过引进并控制第三变量，以判明自变量X是否“通过”第三变量而对因变量Y产生影响的。 方法：如果控制了第三变量，原来两个变量之间的关系消失了,那么这个第三变量是X与Y因果关系之间的关键环节，即X是通过第三变量影响因变量Y的。如果控制了第三变量，与原来两个变量之间的关系没有改变，则可以认为X并非通过第三变量影响Y的。 阐释模式—条件分析 目的：原关系在不同条件下是否会有所不同。 思想：通过控制第三变量，了解X与Y之间的关系是否具有普遍性。 方法：控制了第三变量，发现原来两个变量之间的关系在各种不同的条件下（即第三变量取不同不同值时）依然存在，且大体相同，则表示X与Y之间的关系具有普遍性。反之，如果控制了第三变量后，发现在不同的条件下，二者的关系不同，那么，则表示X与Y之间的关系具有一定的条件性。 阐释模式 从操作上看三种分析方法都是相同的。 具体的分析是属于哪一个？ 取决于研究者的理论假设和理论分析框架。即在理论分析框架中，第三变量处于什么位置，扮演什么角色。 注意：如果一个分析要控制多个第三变量，那么分表就会很多，与此对应的是每一个分表中所能够包含的个案个数就会很少，则两变量之间关系就会测不准确。所以，研究者往往只能选择几个相对重要的第三变量，而不能随意把所有可能的变量都引入进来。 复相关分析 复相关分析：用一个统计值来简化多个自变量和一个因变量的关系的统计分析方法。 要求：所有的变量都是定距以上的层次。 复相关系数（R）：表示多个自变量与因变量之间的相关的程度。[0，1]，1表示自变量与因变量的关系最强，0表示没有关系。 决定系数（R2）：具有消减误差比例的意义。 复相关分析 复相关分析 例如： x1:人们的受教育年限 x2:他们的兄弟姐妹数目 y:生育理想子女个数 ry1=-0.068 ry2=+0.36 r12=-0.57 R2y,12=0.46 Ry,12=0.68 结论：人们的受教育年限和现有兄弟姐妹数目对他们所具有的理想子女数目的影响是比较强的（R=0.68），二者能够消减46%的误差。 多元回归分析 多元回归分析：了解各个自变量单独对因变量的影响力有多大。 表达式： b值称为净回归系数，它表示的是在控制了其它变量以后，某一变量对因变量的单独效果。 但由于各自变量的衡量单位不同（比如教育年限、人均收入、家庭人口数等），因而其b值不能直接相互比较。 为此，将b值标准化处理，获得标准化回归方程： 多元回归分析 此时，方程中的B值称为标准化净回归系数，也称为B系数，它表示各个具体的自变量对因变量影响的大小和方向。