Topic4回归题材.ppt

迴歸分析(Regression Analysis) 簡例 研究目的 探討售價與贈品對銷售量的影響. 獨立變數與依變數 依變數 y: 銷售量 ? 量化 獨立變數 x1: 售價 ? 量化 x2: 贈品 ? 非量化 雙變量分析 (1/3) 分析方法 以 ‘相關係數(r)’ 檢定x1(售價)對y(銷售量)的影響. 以 ‘獨立樣本t檢定’ 檢定x2(贈品)對y(銷售量)的影響. 雙變量分析 (2/3) x1與y的相關係數 雙變量分析 (3/3) x2對y的獨立樣本t檢定 簡單迴歸分析 (1/10) 在幾何圖形上, ‘迴歸’ 是在找尋一條直線, 讓這條直線儘量接近依變數(y)的觀測值. 簡單迴歸分析 (3/10) 在代數或統計上, ‘迴歸’ 是企圖配適(fit)一條線性模式: y=b0+b1x+e 讓這一條線性模式產生最小的誤差平方和 (sum of squares error, SEE). b0: 截距項或常數. b1: x的參數或係數. e: 誤差, 殘差, 或干擾項(?, u). 簡單迴歸分析 (5/10) 估計 y與x的資料為已知, 用來估計b0與b1, 並產生誤差e. 簡單迴歸分析 (6/10) 模式(I)之估計結果: x1 on y y = 6,236.289 – 25.180x1 + e 簡單迴歸分析 (7/10) 模式(II)之估計結果: x2 on y y = 1,828.444 + 2,804.556x2 + e 簡單迴歸分析 (8/10) b0的意義 模式(I) 當x1=0 (售價為0), y=b0=6,236.289. 模式(II) 當x2=0 (不送贈品), y=b0=1,828.444. 簡單迴歸分析 (9/10) b1的意義 模式(I) 當Δx1=1 (售價提高1元), Δy=b1=-25.180 (銷售量降低25.180個). 模式(II) 當Δx2=1 (發送贈品), Δy=b1=2,804.556 (銷售量提高2,804.556個). 簡單迴歸分析 (10/10) y的預測 Model (I) 若公司將售價定為230元(x1=230), 則銷售量將成為: y=6,236.289 – 25.180?230 = 444.889 個. 簡單迴歸與相關 簡單迴歸係數的符號與p-value會與相關分析的符號與p-value相同. 但迴歸係數可反映出獨立變數對依變數的影響幅度, 這是相關係數無法辦到的. 複迴歸分析 複迴歸的估計結果 y = 3,739.382 – 13.230x1 + 2,343.358x2 + e 複迴歸的分析程序 範例檔案: 會員.sav y 購買數量(會員去年一年購買的數量). xi 非量化變數: 性別, 婚姻, 居住地區. 量化變數: 家中成員, 小孩數, 年齡, 教育程度, 所得, 購買價格. 複迴歸的分析步驟 確認迴歸分析的目的 迴歸分析的研究設計 迴歸分析的假設 迴歸參數的估計與績效評估 迴歸分析結果的詮釋 迴歸分析結果的驗證 1.確認迴歸分析的目的 解釋與預測 解釋 用x來解釋y的變異 例如: 用 ‘售價(x1)’ 與 ‘贈品(x2)’ 來解釋 ‘銷售量(y)’ 的變異. 預測 用x來預測y的數值 例如: 用 ‘售價(x1)’ 與 ‘贈品(x2)’ 來預測 ‘銷售量(y)’ 的數值. 統計關係 vs. 函數關係 統計關係與函數關係 統計關係: y=10+3x+e. 函數關係: y=10+3x. 複迴歸適合用來探討獨立變數與依變數之間的統計關聯性, 而非函數關係. 變數選擇 (1/2) 研究者在選擇適當的依變數(y)與獨立變數(xi)時, 須有一定的理論依據. 理論支配統計. 變數選擇 (2/2) 變數選擇所可能產生的誤差 量測誤差 (measurement error) 變數選擇也許適當, 但在量測上產生誤差 (如Likert尺度). 模式設定誤差 (specification error) 加入了不當的獨立變數(解釋變數). 忽略了重要的獨立變數(解釋變數). 2.迴歸分析的研究設計 樣本數 (1/2) 適當的樣本數 最少: 20. 較佳: 100. 樣本數與獨立變數的比率 最少: 5 比 1. 較佳: 15 或 20 比 1. 樣本數 (2/2) 注意迴歸模式的 ‘parsimony’ 課題. 自由度(degree of freedom, df) df = 樣本數 – 待估計的參數個數 相依關係 複迴歸是指一個依變數(y)受到許多獨立變數(又稱解釋變數, xi)的影響. y = b0+b1x1+b2x2+…+bmxm+ e b0: 截距項或常數. bi: xi的係數(參數). e: 誤差, 殘差, 或干擾項