Part 4 高等统计与理论课件.ppt

Part 4 高等統計與理論 閱讀範圍 邱皓政著 量化研究與統計分析 Chapter 13 線性關係的分析─迴歸 Chapter 14 項目分析與信度估計 Chapter 15 因素分析 陳景堂著 統計分析SPSS for Windows入門與應用 簡單線性迴歸分析模型(Chapter 18) 迴歸分析應用(Chapter 19) 問卷實例解說與信度分析(Chapter 11) 因素分析 (Chapter 24) 1. 線性關係的分析: 線性關係的分析原理 基本條件: 連續變項之間的關係 線性關係 linear relationship ，指兩個變項的關係可以被一條最具代表性的直線來表達之時，所存在的關連情形。 該直線之方程式為Y=bx+a，b為斜率（即Δy/Δx，每單位的X變動時，在Y軸上所變動的量） 線性關係可以散佈圖的方式來表現 線性關係與相關 線性關係的描述與運用 相關分析的目的在描述兩個連續變數的線性關係的強度與方向(僅能說明兩變項之間具有一定程度之關聯，但無法知道兩變項之間的因果與先後關係) 迴歸基於兩變項之間的線性關係，進一步分析兩變項之間的預測關係的探討與運用(即取用某獨立變數去預測另一個依變數)。 迴歸與相關均以線性關係為基礎，即以兩個連續變項的共變數為基礎，其數學原理相似。 相關係數計算之時，同時考慮兩個變項的變異情形，屬於對稱性設計，以X Y表示。但迴歸則由於目的在取用某一變項去預測另一變項的變化情形，X、Y兩個變項各有其角色，在迴歸係數的計算中，X、Y變項為不對稱設計，以X Y或Y X表示。 相關與迴歸分析的圖示 迴歸係數 迴歸係數 迴歸方程式Y=b X+a，代入一個X值以預測Y值。 b係數： 為一未標準化的迴歸係數，其意義為每單位X值的變動時，Y所變動的原始量 b係數大小隨著X與Y兩變項的單位使用，而沒有一定的範圍 b係數適用於實務工作的預測數值的計算 ?係數： 如果將b值乘以X變項的標準差再除以Y變項的標準差，即可去除單位的影響，並控制兩個變項的分散情形，得到新的數值?（Beta），為不具備特定單位的標準化迴歸係數 迴歸係數 ?係數： ?係數也是將X與Y變項所有數值轉換成Z分數(標準常態分配)後，所計算得到的迴歸方程式的斜率，該方程式通過ZX，ZY的零點，因此截距為0 變異數拆解與F考驗 令最佳迴歸預測線為 變異數拆解與F考驗 利用迴歸方程式，依變項Y變異量當中可以被解釋的部分稱為迴歸變異量(SSreg) 無法被解釋的部分稱為誤差變異量(SSe) 迴歸可解釋變異量比 迴歸可解釋變異量比，又稱為R2（R square），表示使用X去預測Y時的預測解釋力，即Y變項被自變項所解釋的比率。反應了由自變項與依變項所形成的線性迴歸模式的契合度（goodness of fit） 又稱為迴歸模型的決定係數（coefficient of determination），R2開方後可得multiple R，為自變項與依變項的多元相關。 R2為0時，表示自變數與依變數之間無線性關係 adjusted R square 以樣本統計量推導出來的R2來評估整體模式的解釋力，並進而推論到母群體時，會有高估的傾向 樣本數越小，越容易高估，解釋力膨脹效果越明顯，樣本數越大，膨脹情形越輕微 校正後R2（adjusted R2），可以減輕因為樣本估計帶來的R2膨脹效果。當樣本數越小，應採用校正後R2。 迴歸分析的基本假設 (一)固定自變項假設（fixed variable） 特定自變數的特定數值應可以被重複獲得，然後得以此一特定的Xi代入方程式而得到預測值。 (二)線性關係假設（linear relationship） 當X與Y的關係被納入研究之後，迴歸分析必須建立在變項之間具有線性關係的假設成立上。 (三)常態性假設（normality） 迴歸分析中的所有觀察值Y是一個常態分配，即Y來自於一個呈常態分配的母群體。因此經由迴歸方程式所分離的誤差項e，即由特定Xi所預測得到的與實際Yi之間的差距，也應呈常態分配。誤差項e的平均數為0。 迴歸分析的基本假設 (四)誤差獨立性假設（independence） 誤差項除了應呈隨機化的常態分配，不同的X所產生的誤差之間應相互獨立，無相關存在，也就是無自我相關（non-autocorrelation）。 (五)誤差等分散性假設（homoscedasticity) 特定X水準的誤差項，除了應呈隨機化的常態分配，且誤差項之變異量應相等，稱為誤差等分散性 (六)多元共線性假設 自變項間相關程度過高，不但變項之間的概念區隔模糊，難以解釋之外，在數學上會因為自變項間共變過高，造成自變項與依變項共變分析上的扭曲現象，稱為多元共線性（multic