二因子變異數分析摘要表.pptVIP

量化研究 量化研究的核心 量化研究的推論統計 統計數與母數 推論統計：由樣本統計量推知母體參數的統計方法 Statistic: 樣本統計量 Parameter: 母群體參數 抽樣過程 抽樣分配(sampling distribution) 抽樣誤差(sampling error) 中央極限定理(central limit theorem) 統計決策 經驗分配與理論分配 統計假設 第一(α)與第二類型錯誤(β) 統計檢定力(power) 抽樣與抽樣分配 二項分配的抽樣分配 統計假設與假設考驗 虛無假設（null hypothesis），以H0表示 所陳述的是母群體之間不具有特別的關係 在假設考驗上是作為一個基本的參考點 研究假設（alternative hypothesis），以H1表示 一組描述變項關係的陳述句，有待實證資料來加以檢驗 「喝酒會降低駕駛的注意力，增加他們對於號誌的反應時間」 「喝酒的比未喝酒的駕駛，對於號誌反應需要較長的反應時間」 假設考驗： 研究者訂定一個門檻或關鍵值（cv; critical value），來決定與的差值要多大可視為有顯著差異，進行最後的統計決策。 當研究資料顯示與的差值低於這個關鍵值時，表示兩個母體並無不同，即H0成立、H1不成立；超過這個差值時，表示兩個母體有意義的差異，此時H0無法成立，令H1自動成立。 假設考驗的統計決策 Type I and Type II error Statistical analysis 統計檢定類型 I: 類別IV+類別DV 無母數統計vs.母數統計 單一類別變項的分析 描述統計法 適合度考驗 二元類別變項分析 (列聯表分析; 交叉檢定) 雙母群樣本檢驗 雙變項獨立性檢驗 三元類別變項分析 (多元列聯表分析) 多元列聯表分析 G2統計 無母數統計: 卡方檢定 次數分配的考驗，取觀察值與期望值相比較。兩者的差異越小，越容易得到接受虛無假設考驗的結果；兩者的差異越大，考驗的結果越可能達到顯著水準，而得到拒絕虛無假設、支持對立假設的結論。公式: fo代表觀察次數(observed frequencies)，fe代表期望次數(expected frequencies)，卡方值越大，代表統計量與理論值的差異越大。 卡方檢驗的問題: 1. 卡方值範圍從0到無限大，卡方值本身的大小並無法直接進行比較。 2. 細格數或人數越多，卡方值越大。檢定結果易受樣本數的扭曲。 關聯係數（measures of association），以卡方值的計算為基礎，轉換成以0至1的係數來反應類別變項之間的關聯情形。如: Phi（φ）係數、列聯係數、Cramer’s V係數、Lambda（λ）係數、Tau（Tau-y）係數 期望值與卡方值之計算 統計檢定類型 II: 類別IV+連續DV 連續變項作為依變項: 常態化分配假設需成立 類別變項作為自變項: 將依變項進行分組比較，進行平均數的差異檢定 分兩組時: 進行t考驗 當兩個樣本平均數距離愈大，顯示樣本間愈可能存在顯著的差異 分三組以上時: 進行變異數分析(ANOVA) 當三個或多個平均數彼此距離愈大，也就是分散狀況愈大，則愈可能存在顯著的差異 樣本間的獨立與相依性 獨立樣本: 第一個樣本與第二個樣本無關聯 (不同人)，又稱為受試者間設計 相依樣本: 第一個樣本與第二個樣本有關聯 (同一人)，又稱為受試者內設計 兩個平均數比較: t檢定 三個以上平均數比較: ANOVA ANOVA變異數分析的計算原理: 自變項造成依變項的變化。反應在組平均數的差異。 分子為平均數的變異項，即反應出組間差異。SSbetween//dfbetween；分母為誤差項，即反應出與組別差異無關的隨機差異。SSwithin/dfwithin；兩者的比值為F值(F ratio)，故又稱為F考驗。 變異數分析家族 單因子變異數分析:獨立與相依樣本單因子變異數分析資料型態 單因子變異數分析摘要表 二因子變異數分析資料範例(雙向表) 二因子變異數分析原理 主要效果 (Main Effects): 個別因子(自變項)的效應 A因子平均數的差異稱為A主要效果（A main effect） B因子平均數的差異稱為B主要效果（B main effect） 交互效果(Interaction Effect): 多因子共同造成的影響 AB交互作用下的細格平均數變異 效果顯著性可以經由F考驗來判定 A與B主要效果相互獨立，分別代表A與B變項與依變項的關係，可視為是兩個獨立的單因子變異數檢定 AB交互作用(兩個自變項相互作用對依變項產生的影響)，意涵為： 當「在考慮A的不同水準條件下，檢視B因子對於依變項的影響」[有當a1與a2兩種限定條件下的B效果，稱為B