第十六章两等距／比率变项间的相关.DOC

第十六章　　兩等距/比值尺度變項間的相關 壹、本單元目標 解釋散佈圖（scattergram）。 計算及解釋斜率（slope）、截距（intercept）、Pearson’s r及rtotal variance）、已解釋變異量（explained variance），以及未解釋變異量（unexplained variance）等概念。 用迴歸及相關的技巧來分析及描述兩個變項間的關係。 從事Pearson’s r的顯著測定。 貳、前言 兩等距／比值變項間的相關，通常是稱之為correlation（當然我們仍可用association）。雖然這裡談的變項，是用與先前介紹的測量尺度不同，但是一談到相關，我們還是要問相關是否存在， 貳、Scattergrams（散佈圖） 　　在前面章節討論相關時，第一步要做的是檢查交叉表之百分比的情況。自然，在兩變項是類別或等級變項時，我們可以這麼做。當兩變項都是interval-ratio時，我們就不能看百分比之變化，但我們可以先看兩變項之散佈圖。散佈圖即是以資料中每一個案在兩變項之分數而建立之坐標圖。 　　以書中P. 395表15.1之資料為例，可以畫出如圖15.1（P. 395）之散佈圖。表15.1之例共有12X，做家事時間為Y，則每一個案之X、Y值則為圖1.1中之一點。如您所見圖15.1有清楚的標題，X及Y軸亦有軸之標題，通常X及Y軸之長度相等，而其各軸之坐標單位則視情況而定(X、Y)值資料點之散佈情況，這些點之散佈情況顯示出兩變項相關的基本特性。如果我們能畫一條直線盡量穿過或接近各點，則這些特性會更清楚，這條線可稱為迴歸線(regression line)。 　　從散佈圖，我們可以先大致看出兩變項相關是否存在、相關的強弱，以及相關的方向。我們也可大致判斷，這兩變項的相關是否為直線性的（the relationship of linearity）。散佈圖也可用來從一個案在一個變項的分數來預測其在另一變項的分數為何。 如果X和YY之值應隨XX值上方之點，即可視為Y(conditional distribution)，即在此X值之情況下，Y值之分配為何。而X及Y無相關時，Y值並不會隨X值P. 396之圖1.2之CX軸平行。 　　至於說相關之強度，則可視資料點散佈之範圍大小而定，若是散佈之範圍愈小，或是愈接近迴歸線，則相關程度愈強，自然要是有一直線能穿過所有之點，自是完全相關之情況，如圖15.2之A，BX軸之角度及點之散佈方向而定，要是X分數愈高，Y 　　散佈圖中，(a linear relationship)，而後者則為非直線性或曲線性關係(a non-linear or curvilinear relationship)。在此，只介紹適合直線性關係之相關量數，如果發現曲線關係，一個解決的方法是將interval-ratio變項視為等級變項，然後計算相關量數（參考P. 397之圖16.3 參、迴歸及預測 　　利用散佈圖及迴歸線，我們也可做預測之工作，所謂預測(prediction)，是猜測不在資料中之X值會對應什麼樣的YY值，是以Y′X值在XX軸平行之線，與Y軸相交之點，即為Y′ 　　現在，最重要的問題是，這條迴歸線要怎麼畫，當然，最簡單的方法是用目測，找一條直線儘量接近各點，自然，我們有更好的方法。如果我們想要找一條直線儘量靠近各點的話，也就是要找一條線能使各點和此線之距離最短。這條線的找法和以前談過所有分數與其平均數之差的平方和為最小有關，即 　　　　 Σ(Xi－)2＝minimumX軸上之X值上方之Y值，可看成是Y之條件性分配，換言之，每一X值之情況下之Y值之分配可有一平均數，這X(conditional mean)自與在此X值下之YX值情況下之各條件性之Y(Xi ,i)的點連成一直線，就必然是一極佳的與各點距離最近的直線了。但天下事通常沒這麼簡單的。這些 (Xi,i)點常不能連成一直線。我們要再退而求其次，要找的是與所有conditional means of Y之點距離最近之直線，這條直線可以下列公式表示，即　　　　 Y＝a＋bX( 　　　　　　　　 Y＝依變項之分數 　　　　　　　 a ＝在Y軸(the Y intercept) 　　　　　　　　 b ＝(slope)，亦即當X之一個單 　　　　　　　　　　位改變時，所產生之Y值的改變。　 　　　　　　　　 X＝ 這個公式中之b ＝ 　(，而 a ＝ －b　( 這些公式所求出之迴歸線，是用所謂The least-squares method（最小平方法）所求得的。 ※這b之求法和X及Y之variances N）？而a之求法表示出迴歸線及(, )之關係為何？ 而b之求法，如用筆算可用下