第7章 定量研究工具.ppt

7.1定量研究的基础知识 假说检验关心的是否定域的统计值和显著度。 显著性检验是主观预先选定一个显著度。判断实验组的平均值是否落入否定域，如落入，则和控制组的平均值之间差异显著，证实自变量起作用的假说。 7.1定量研究的基础知识 3.统计检验的基本步骤 （1）设立假说 我们会先假设，我们探讨的自变量与因变量之间并无因果关系，直到我们有足够的证据推翻这一假说前，我们会接受这一假说。 （2）抽样：搜集资料 在科学研究中，我们也是通过样本的数据来判断是否有足够的证据推翻原来的假说 7.1定量研究的基础知识 （3）几率的估计 在保守假说正确的前提下，我们会观察到这样一个样本的几率有多大，这个几率我们称为P值（P value）。如果这个P值很小，我们就推翻保守假说。 7.1定量研究的基础知识 （4）下结论不能仅靠统计 在管理学和一般的社会科学研究中，如果计算出来的P值小于5%，我们便会推翻保守假说。 如果P值比我们设定可接受的小，我们会说样本提供了显著（significant）的证据，让我们推翻原来保守的假说，或者说样本提供的证据达到了显著水平（significant level）。 在使用统计方法前，是要慎重思考的，否则便容易流于胡乱判断变量间的因果关系 7.1定量研究的基础知识 ，对增进了解知识上的探索反而有害无益。以下是一些很重要的考虑： （1）理论框架 统计只是一种工具，它不能取代我们原来根据理论背景做出的假说 7.1定量研究的基础知识 （2）几率性的测试 结论只是几率性的，如果以95%显著水平为基础，当我们从样本的数据中推翻保守假说时，其实仍有5%的可能是会出错的，我们把这种错误称为第一类错误； 同样，当我们基于样本的数据而没有推翻保守假说时，其结论仍有可能是错的，即事实上保守假说是错的，这种错误的可能性视样本的大小而定（样本越大，此错误的几率越小），我们称这种错误为第二类错误。 7.1定量研究的基础知识 （3）样本的代表性 如果样本不能代表母体，则无论我们用任何方法来分析样本数据，对母体的结论还是不会正确的。 （4）统计方法的假定 每一种统计方法都是在某种假定之下发展出来的 如果事实偏离这些假定太远，则这些统计方法所下的结论并不可靠 （5）数据的可靠性 除了抽样方法以及样本数外，数据的信度和效度会影响数据的可靠性 7.2线性回归分析 7.2.1回归分析在管理学研究中的应用 线性回归分析假定一列（或多列）数据的变化同另一列数据的变化呈某种线性的函数关系，运用统计学的相关理论，衡量数据联系的强度，并通过指标检验其符合的程度。 7.2线性回归分析 7.2.2线性回归分析的原理 1.对回归原理的形象描述 线性回归分析的基本假设是自变量与因变量呈线性关系，如果X1、X2是自变量，Y是因变量 Y=β0+β1D+β2X2+ε Y=β0+β1X1+ε 7.2线性回归分析 其中：β0是截距；β1代表了X1改变一个单位，Y会改变的程度； β2代表了X2改变一个单位，Y会改变的程度；ε代表随机误差，它符合正态分布。 β1反映了Y与X1的共变量（即A的部分），而β2反映了Y与X2的共变量（即B的部分），这是最简单的情况。 很多时候，X1、X2及Y的真实变异量和共变量是更加复杂的 7.2线性回归分析 图7—4 简单的共变量 图7—5 复杂的共变量 7.2线性回归分析 除非最简单的情况出现，否则回归分析的原理是同时考虑不同自变量对某一因变量的影响，其中有两点是很重要的，包括： （1）整体而言，这些自变量对因变量的解释能力有多大取决于ε的变异量占Y的总变异量的大小，如果越小，则预测或解释的能力越强； （2）在同时考虑了所有自变量的情况下，关于一个自变量对因变量的影响我们可以做出这样的结论： 在其他因素不变的情况下，这个自变量（例如X1）对因变量（Y）的影响是当X1改变一个单位时，Y会改变β1个单位。 7.2线性回归分析 2.应用回归分析时的注意要点 （1）关于因果关系的问题 严格说来，回归分析只是一个统计工具，即使是显著的统计结果也不能证明自变量与因变量之间的因果关系。各变量之间的因果关系需要理论的建构及搜集变量资料时的步骤来提供合理的证据。 （2）自变量与因变量的测量尺度 如果自变量与因变量并非等距尺度，便需要以虚拟变量或其他方法先加以处理。 7.2线性回归分析 （3）线性关系的设定 自变量与因变量之间的关系是线性的，如果不是的话，我们便需要对变量做出相应的调整 （4）单一因变量 回归分析只能处理单一的因变量，不能同时验证多于一个因变量的理论模型。 （5）关于测量误差 回归分析无法处理变量测量时的误差问题，在应用前首先要确定测量是否达到可接受的信度和效度的要求。 7.2线性回归分析 3.调节变量和中介变量的问题 （1）调节变量和中介变量的理论意义