回归分析（RegressionAnalysis）.pdfVIP

迴歸分析 —徐清郎製作 迴歸分析(Regression Analysis) 本文主要是說明迴歸分析的用途、分類、模型型態 ，以及模型建構，以釐清迴歸分析的基 本觀念。至於詳細的計算過程 ，可參閱教科書或相關的迴歸分析書籍 ，在此不再贅述 。 首先認識迴歸分析的用途 ，迴歸分析可以幫助我們建立依變數 (Dependent Variable)或 稱反應變數 (Response Variable) 與自變數(Independent Variable)或稱控制變數 (Control Variable)間關係的統計模型 ，俾能藉由所選取的適當自變數以預測依變數 ，在所有統計分 析工具中算是最常被使用者 。例如想預測身高這個依變數 ，可以選取與依變數相關性高的 自變數 ，諸如體重 、父母親身高與國民所得等，進行身高對這些自變數的迴歸分析 。 其次 ，應辨別迴歸分析的分類 。當一個依變數對一個或多個自變數進行迴歸分析時 ， 稱為單變量 (Univariate)迴歸 ；而當多個依變數對一個或多個自變數進行迴歸分析時，則稱 為多變量(Multivariate)迴歸 。另外 ，當所有自變數均為性別或地區等屬質變數時 ，迴歸分 析實乃變異數分析(Analysis Of Variance) ；而當自變數混合屬質變數與一般常見可計量的 屬量變數時 ，迴歸分析實乃共變異數分析 (Analysis Of Covariance) 。本文限於篇幅，僅討 論一個依變數對一個或多個屬量自變數的單變量迴歸 。 單變量迴歸的模型一般又可概分成三種型態 ： 1.線性迴歸(Linear Regression) 線性迴歸分成簡單(Simple)線性迴歸與多元(Multiple)線性迴歸兩種 。簡單線性迴歸的自 變數僅有一個 ，而多元線性迴歸的自變數則為兩個以上。兩者的迴歸模型均為線性關 係 ，最簡單的模型乃依變數 Y 與自變數X間為直線方程式 。 2. 非線性迴歸(Nonlinear Regression) 迴歸模型無法呈現線性關係 ，亦即依變數 Y 與自變數 X間無法表示為線性方程式 ，需 以另種函數關係呈現。 3. 其他類型迴歸 線性迴歸模型與非線性迴歸模型雖為最常用的迴歸模型 ，但有些情況下則需另採其他 迴歸模型 。例如依變數 Y若為二擇一的屬質變數時 ，則需以羅吉斯迴歸 (Logistic Regression)模型來處理 。 接著就線性迴歸 、非線性迴歸 ，以及羅吉斯迴歸三種迴歸模型，分別扼要說明於後： 1. 線性迴歸 1 迴歸分析 —徐清郎製作 線性迴歸是在自變數 X已知下 ，求解依變數Y的條件期望值模型 。下列舉例用資料為 某校 12位大二學生的統計學成績及其大一微積分成績 ，可藉以解釋線性迴歸模型的建 構 。 大二統計學成績Y 74 76 74 76 81 85 85 90 94 87 91 98 大一微積分成績X 50 50 55 55 55 55 65 65 68 70 70 75 很明顯地 ，大二統計學成績與大一微積分成績有正向關係(相關係數為 0.905) ，所以想以微 積分成績預測統計學成績似乎可行 。但是大一微積分成績 50 分者 ，其大二統計學成績竟 有 74 分與76 分之別 ，同樣情形在大一微積分成績 55 分者尤多 ，其大二統計學成績竟有4 種不同分數 。這現象本屬正常 ，試想同一身高下也是會出現不同體重的人 。所以想預測微 積分成績 50 分者其大二統計學成績為何 ，最方便的估計值就是 74 分與76 分的平均數75 分 ，而想預測微積分成績55 分者其大二統計學成績的估計值 ，就是 74 分、76 分、81 分 與85 分的平均數79 分了 ，以此類推。 進一步推廣 ，也就是把大一微積分成績當