第十八章 净相关，复回归及复相关.DOC

第十八章 淨相關，複迴歸及複相關 （Partial Correlation, Multiple Regression and Multiple Correlation） 壹、本單元目標 計算並說明淨相關係數（partial correlation coefficients）。 認識及解釋最小平方複迴歸（the least-squares multiple regression）方程式及淨斜率（partial slopes）。 計算並說明複相關係數（multiple correlation coefficients）。 說明淨迴歸及複迴歸分析的限制。 貳、簡介 基本上社會科學研究所探討的議題是屬於多變項性質的，從統計分析的角度來看，就是要能同時處理多個變項。本單元所要介紹的就是當前社會科學研究中一些非常重要且常用的分析方法。這些方法可以幫助我們了解因果關係，以及做出預測。 以下所介紹的是以Pearson’s r為基礎，且比上個單元所介紹的方法更具彈性。第一個要介紹的是淨相關（partial correlation）分析。此方法如同分表的分析一樣，是要看在控制第三個變項後，兩變項間之相關係數為何。（因此，此分析與Partial Gamma所提供之訊息類似。）其次要介紹的是複迴歸及複相關。這些方法可幫助研究者評估多個自變項對一應變項之影響（不論是個別或一起）為何。 參、淨相關 當研究者想要知道兩個等距/比值變項在第三變項出現時會有什麼樣的關係，即可用淨相關之分析。透過對淨相關係數之了解，我們可推測變項間之因果關係，以及是否有直接、中介或虛假關係之情形存在。淨相關之分析並非在控制變項中之每一類別內觀察兩變項之關係，因此淨相關之分析比較有效率，但也因此並不能看出變項間是否有交互作用（interaction）之情形。 在介紹淨相關之分析前，要先介紹一些符號。淨相關分析需要處理多過一個雙變項的相關，所以需要區辨不同雙變項間的相關。首先ryx表示Y和Xryz則為Y和Zrxz代表哪兩個變項間的相關呢？）這種兩變項間之簡單相關，亦稱為zero-order correlations（零階相關）。 當我們控制了第三個變項後，再看原來兩變項之相關，即為first-order（一階）的相關或淨相關，其係數之符號為ryx．z ryx．z = ----- (1) ryx．z須計算由X，Y及Z 兩變項在控制第三變項後之相關與原來之zero-order相關相差很少時，即表示控制變項對此兩變項之關係並無影響，亦即此兩變項間有直接關係（direct relationship）。 若ryx．z較ryxspurious，即控制變項為二者之共同因（common cause），但也可能是控制變項為一中介變項，如下圖所示 一、 Spurious relationship between X and Y： 　 Ｚ (　 ( Ｘ　 Ｙ 二 Z as an intervening variable between X and Y： Z ( ( X Y ryx．z小於ryx極多，但ryx ≠ 0時，我們必須將ZZ是X和YX與Y 第三個可能出現之情況是ryx．z＞ryx極多，這狀況可能是X和Z對Y X Y Z 換言之，Ｘ與Ｚ無相關，但加入Ｚ後，因Ｙ與Ｚ共Y部份的變異量已被ZＸ與ＹX只需解釋Y變異量中尚未被ZＸ與Ｚ對ＹＸ與Ｚ 肆、複迴歸 先前我們已經介紹過以一最小平方迴歸線來描述兩等距/比值變項間之線性關係。這個方法可以加以延伸以描述多個自變項與一應變項之關係（自然在三個變項之迴歸分析時，迴歸方程式不是一條線，而是一個迴歸面了）。三個變項間最小平方之複迴歸的方程式即為 Y = a + b1X1 + b2X2 --------------------------- (2) 其中b1是X1與Y(the partial slope，也稱做是未標準化的迴) b2為 X2與 Y之淨斜率，而 b1及 b2 b1 = -------------- (3) 　　 b2 = -------------- (4)　　 而a = Y - b1Ｘ１- b2Ｘ２ ｙ是之標準差 　　１是１之標準差 　　２是２之標準差 　　ｙ１是與１之簡單相關 ｙ２是與２之簡單相關 　　１２是１與２之簡單相關b１及b２，我們可以預測X１及X２Y之分數的影響為何。 伍、比較複迴歸中各個自變項之影響力 從公式2所得之各個自變項的影響力常常是無法互相比較，因為X１及X２之測量的單位，可能是不同的，如X１可能是受教育之年數，而X２為職業聲望之分數，在此情況下，我們