-变异数分析.PPT

第四章 相關分析 (correlation  analysis) 4-1　相關分析 4-2　Pearson 積差相關係數 4-3　　相關係數 4-4　點二系列相關 4-5　Spearman 等級相關 4-6　淨相關 4-7　部份相關 4-1 相關分析 　　相關分析探討的是兩個變數之間的關聯程度 (degree of association), 若是兩個變數是名目變數, 請使用X2卡方檢定, 這裏使用的是區間, 比率或順序的計量變數,在統計上, 使用的是兩個變數關連程度的統計量, 例如, 常用的Pearson 相關分析的Pearson相關係數, 就是用來表示兩個變數之間的關連程度 　　相關係數(correlation coefficient) 是本章最重要的判讀依據, 有大小和方向兩種特性, 我們分別介紹如下： 相關係數的大小(magnitude)：表示兩個變數之間, 相關程度的強弱, 相關係 　數的絶對值愈大, 代表相關程度愈強, 相反的, 相關係數的絶對值愈小, 代表 　相關程度愈弱, 若是相關係數的值為0, 代表零相關, 也就是没有相關。 相關係數的方向(direction)：表示兩個變數之間, 是正相關, 還是負相關, 相 　關係數是正值, 代表兩個變數中的一個變數增加時, 另一個變數也會增加, 　 　相關係數是負值, 代表兩個變數中的一個變數增加時, 另一個變數就會減少, 　反之亦然。 　　一般常用的相關分析有Pearson積差相關係數, 相關係數, 點二系列相關, Spearman等級相關, 淨相關, 和部份相關, (複相關大多都使用迴歸，請參考迴歸分析), 相關的內容我們分別介紹如後。 4-2 Pearson積差相關係數 　　Pearson積差相關係數(Product-Moment Correlation Coefficient) 是適用於2個變數都是連續變數, 可以是interval scale (區間變數)或ratio scale(比率變數), 相關係數的計算如下： rXY的圖示 rXY樣本的相關係數是一次方的函數, 可以用散佈圖來查看。 rXY為正相關的圖如下：　　　　 rXY為負相關的圖如下： rXY值的判別 　　在判定rXY值時, 一般常用三級制, 絶對值大於等於0.8時, 為高度相關, 大於等於0.4時, 為中度相關, 小於0.4時, 為低度相關 研究假設如下： 虛無假設 H0：　= 0, 兩個變數之間無相關 對立假設 H1：　　0, 兩個變數之間有相關 範例： 　　Trust有用性(使用資安產品可以加速工作時間)及Risk易用性(資安產品很容易使用)之間是否有相關存在。(題項：Trust、Risk) 假設： 操作步驟如下： 開啟範例 correlation.sav, 出現圖如下： 1. 開啟範例 correlation.sav 2. 按 Analyze ? Correlate ? Bivariate 3. 在 Bivariate Correlations 視窗，選取 信任 Trust和風險 Risk 變數 4. 選取 信任 Trust和風險 Risk 變數，按 〉，選取 Pearson (預設) 5. 按 OK，出現報表結果，如下圖： 報表分析如下： Correlations Correlations ** Correlation is significant at the 0.01 level (2-tailed). 說明：p-value= .001 .05，因此拒絕　　　　　，表示 Trust 及 Risk 間具有顯著相關，相關係數為0.278，屬低度相關。 4-3 　相關係數 　　　相關係數(Phi correlation coefficient) 適用於二個變數都是二分名義變數 (nominal-dichotomous variable), 也就是都是二分類的變數。 例如：性別, 民主和共產國家…等等。 　　　相關係數值為卡方X2的另一種轉換值, 由於X2容易受到, 樣本數大小的影響, 於是將X2轉換成0 ~1之間, 0代表無相關, 1化表高度相關, 值的計算方式如下： 　 = 範例： 學歷與職位間有無關係，題項：grade(學歷)、position (職位) 說明： 　　　　　　H0無關係 ，H1有關係 操作步驟如下： 1. 開啟範例 correlation.sav, 出現圖如下： 2. 按 Descriptive Statistics ? Crosstabs 3. 在 Crosstabs 視窗，選 grade (學歷)到 Row(s) ，選