自變項中介變項依變項.docVIP

自變項 中介變項 依變項 家庭教養方式 高關懷高權威 高關懷低權威 低關懷高權威 低關懷低權威 Q:我們的架構是依這四種教養方式類型分別和自我控制與物質主義作連結，物質主義和自我控制再和衝動性購買分別作連結。 自我控制、物質主義與衝動性購買皆是高低分的等距尺度，只有家庭教養方式是四個類項的類名尺度。自變項為家庭教養方式，中介則為自我控制與物質主義。 家庭教養會分別影響到自我控制與物質主義，自我控制與物質主義則分別會影響到衝動性購買。我們的架構大致上是如此。可是由於我們的變項是類名尺度的，所以要設成虛擬變項，可是用路徑分析用了虛擬變項去跑也只能跑三個不是嗎？還是我們要用哪一種統計方法來跑呢？ Ａ：其實不需要用到路徑分析，你們應該先跑相關，然後分標挑出達到顯著的變項，再去跑迴規。重點是相關係數只是告訴我們變項間的相關程度高或低，並沒有檢定「自變項」對「依變項」影響至於要檢定假設的話，則需要用其他的統計檢定，Regression。 y= bx + a 　　Simple Regression Analysis y= b1x1+b2x2+...+a 　Multiple Regression Analysisa為常數（截距），b為斜率 藉由迴歸方程式，讓我們能用自變項（x）來預測依變項（y） 軟體操作如下 1.選擇分析、迴歸方法下的「線性」。將interval尺度的自變項及依變項選入。 選擇強迫進入變數法即可按確定。模式摘要中看到的R值，亦即自變項與依變項間的相關（r），而R平方即所謂的PRE（誤差消減比例），R2越大，表示誤差消減越多，解釋力也就越高。因而此迴歸模型的R2＝.128，解釋力即為12.8％。然而此R2只能夠推估此樣本，若要看推估母群體之解釋力，則需看「調過後的R2」。 從變異數分析所做之F檢定，是檢視此迴歸模型是否能顯著預測依變項，F檢定若達顯著，則接下去看迴歸分析。「係數」裡可看到教育程度（x）與常數兩個資料。首先看x的顯著性是否有達顯著，顯著即表示x對依變項有影響，接下來便可寫出一迴歸方程式 來預測受訪者個人收入（y），這部分的資料就要看B之估計值(簡稱B值)，得出之迴歸模型如下：? y = 0.68x + 3.058?因此，當x增加一個單位時，y就會增加0.68，（即教育程度多一年，個人收入會增加0.68個單位）。其中B值為正，表示 x 和 y 之間是正相關，B值若為負，則為負相關。Multiple Regression Analysis　多元迴歸分析　雙變項的分析結果顯著，真的代表自變項影響依變項嗎？它們之間是否為虛假關係？這時候便需要用多變量分析進一步確認。在此，多變量分析首先考量到「控制」的效果，能同時顧慮到不同自變項間對依變項之影響，亦即，當妳控制了其他變項的影響力之下，某個自變項對依變項的影響還有多少。其次，妳還可以比較多個自變項之間，到底誰對依變項的影響力最高。接下來便來看看到底該如何進行比較首先，為避免多重共線性的問題，先將等距的自變項彼此跑相關，只要兩變項間之r值高於0.8，便有共線性之問題，便需剔除其中一個變項才能跑regression。在此兩個自變項間之r＝-.259，為低度負相關，因此這兩個變項間沒有共線性之問題，可以接下去跑multiple regression analysis。同樣選擇分析、迴歸方法的線性。進入線性迴歸後，將研究假設中對依變項有影響的各個等距的自變項選入。依舊選擇強迫進入變數法。 模式摘要與變異數分析部分之解釋和simple regression analysis相同。首先看同時控制教育程度（x1）與受訪者年齡（x2）兩個變項 來預測受訪者個人收入（y），x1、x2皆有達顯著，則其迴歸方程式寫成：??? y=0.726x1 + 0.087x2 - 1.096受訪者年齡之B值為8.676E-02，E-02是指小數第二位，因此正確的B值為0.08676，四捨五入為0.087。若要比較x1、x2兩者誰對y之影響力大，便需看標準化係數之Beta值，因為原本各個自變項B值的基本單位不一樣，必須加以標準化成為同一個單位，才能進行比較。因此，當Beta值越大（不論是正或負值），其對依變項之影響力也就比其他變數高，如本例子中，教育程度對受訪者個人收入的影響便比受訪者年齡的影響來得大。虛擬變項Multiple Regression Analysis雖然能做到多變量的分析，卻只能放interval scale的變項，然而那些用T-test、ANOVA檢定顯著的自變項，卻因為不是等距尺度而無