25种统计方法秘技..pptVIP

25種統計方法秘技SPSS 17.0 中文版 張偉豪 SPSS宏德國際軟體諮詢資深顧問 成大企管博士候選人 Amos 亞洲一哥 統計方法的分類 次數分配表 交叉分析 多重交叉分析 複選題分析 項目分析（t 檢定） 信度檢定 變異數分析(ANOVA) 多重比較(差異分析) 多變量變異數分析(MANOVA) 相關分析 偏相關 迴歸分析 路徑分析（多個迴歸分析） 偏最小平方迴歸 羅吉斯分析（logistic) 集群分析 區別分析 主成份分析 因素分析 卡方分析 同質性檢定 適合度檢定 獨立性檢定 主成份與因素分析相同之處 二者皆可用來將原有之P 個變項減為m 個成份分數或因素分數(m＜p)，以符合精簡(parsimony)的原則。 當觀察變項數目多且共同性高之情況下，資料採此二種方法分析，所得結果近似。 主成份與因素分析相異之處 因素分析模式屬於統計的模式，變項之測量含有誤差(error)部分，而主成份分析模式屬於數學模式，故主成份分析模式為共同因素分析模式的一個特例。 主成份分析的重點在解釋資料的變異量，而因素分析之重點在解釋變項間的相關。 主成份分析中，成份是觀察變項的線性組合；而在因素分析中，觀察變項為各因素之線性組合加上誤差。 主成份與因素分析相異之處 因數分析中是把變數表示成各因數的線性組合，而主成分分析中則是把主成分表示成個變數的線性組合。 主成分分析的重點在於解釋各個變數的總變異數，而因數分析則把重點放在解釋各變數之間的共變異數。 主成份與因素分析相異之處 主成分分析中不需要有假設(assumptions) ，因數分析則需要一些假設。因數分析的假設包括：各個共同因數之間不相關，獨特因數（specific factor）之間也不相關，共同因數和獨特因數之間也不相關。 主成分分析中，當給定的共變異數矩陣或者相關矩陣的特徵值是唯一的時候，主成分一般是獨特的；而因數分析中因數不是獨特的，可以旋轉得到不同的因數。 主成份與因素分析相異之處 在因數分析中，因數個數需要分析者指定（spss 根據一定的條件自動設定，只要是特徵值大於1的因數進入分析），而指定的因數數量不同而結果不同。在主成分分析中，成分的數量是一定的，一般有幾個變數就有幾個主成分。 主成份與因素分析相異之處 和主成分分析相比，由於因數分析可以使用旋轉技術幫助解釋因數，在解釋方面更加有優勢。 大致說來，當需要尋找潛在的因數，並對這些因數進行解釋的時候，更加傾向於使用因數分析，並且借助旋轉技術幫助更好解釋。而如果想把現有的變數變成少數幾個新的變數（新的變數幾乎帶有原來所有變數的資訊）來進入後續的分析，則可以使用主成分分析。當然，這中情況也可以使用因數得分做到。所以這中間區分不是絕對的。 主成份 vs. 因素分析 充份條件 vs. 必要條件 充份條件 (sufficient condition) ： 該做什麼事，才足以 (suffice) 達成目標？ 必要條件 (necessary condition) ： 一旦達到目標了，必然 (necessarily) 會有那些現象？ 使用因素分析的理由 當變項數目多且共同性高時，主成份分析與共同因素分析之結果十分近似。 因素分析可以轉軸易於解釋命名。 主成份分析之負荷量與真實的負荷量比較之下，有高估的現象。 CFA 在複雜情境下（如偏態或峰度），與PCA 結果之比較，CFA 較能提供穩定的數值。 因素分析(針對變數分類) 為了要證實研究者所設計的測驗的確在測某一潛在特質，並釐清潛在特質的內在結構，能夠將一群具有共同特性的測量分數，抽離出背後潛在構念的統計分析技術，即為因素分析。 主要目的是把數個不易解釋，但卻彼此相關的變項，轉化成少數幾個有概念化意義，而彼此獨立性大的因素；並可大幅縮減欲分析的變項，使之成為少數幾個因素，以利於資料分析的進行。 主要的功能 建立量表的建構效度。 收斂效度及區別效度。 簡化測量的內容。 用來協助測驗編製，進行項目分析，檢驗試題的優劣好壞。 集群分析(針對人群分類) 目的 將資料分成幾個相異性最大的群組，而群組內的相似程度最高。 分析工具 二階段集群分析 200個樣本以內採階層式集群分析(實務上100個判斷就有問題了) 200個樣本以上採 K-means 集群分析(cluster analysis)分組完後，可用區別分析驗證之 樣本大小決定 經驗：以問卷中最大的構面中的題項數目為主，以5～20倍為抽樣數目，依母體大小決定之(multivariate data analysis, 5th ed., Hair, Jr. et al, p.98~99)。 計算： 問卷發展流程 預試(pretest) 目的: 了解問項題意是否清楚及修正錯字等 刪除不具鑑別力的題項，來提升問卷品質 可供應用的統計