单一样本.DOC

□單一樣本 描述性統計 名義 次序 連續 M X X O Me X O O Mo O O O 推論統計 尺度 方法 說明 名義尺度 P（比例值） 二項分配 名義或次序（類別）尺度 χ2（適合度卡方） 比較母體與樣本變異數 連續尺度 單一樣本t-test 比較母體與樣本平均數 □雙樣本 X變項 Y變項 方法 說明 連續 連續 Pearson r（積差相關） 可檢驗變項間的獨立性，及兩變項間之相關形式（正相關或負相關）及強度。 但不一定表示變項間有因果關係存在，兩者可能同時均為因，或均為果，或真有因果關係存在。 故Pearson r無法確知兩變項間的因果與先後關係，若要知因果關係，則必須採用迴歸分析。 連續 連續 簡單迴歸 Yi=a+bXi+ei Yi：效標變項 a：常數（表示迴歸直線在Y軸上的截點與原點之間的距離） b：迴歸係數（迴歸直線的斜率，它表示每單位Xi變動所引起Yi機率分配平均的變動） Xi：預測變項 ei：隨機誤差項 名義 名義 Pearson χ2（獨立性） 可檢驗變項間的獨立性，卻無法告知兩變項間之關聯形式或強度 名義 名義 ψ(Phi) ψ乃是Pearson χ2的修正，在2*2列聯表中，ψ係數=Pearson r，ψ只能說明強度。但當列聯表的一個向度大於2時，ψ不一定落在0與1之間，因此χ2值可能會大於樣本數，故應改用列聯係數C 名義 名義 列聯係數C(coefficient of contingency) C值一定介於0與1之間（2*3列聯表） 名義（3個以上） 名義（3個以上） Cramer’s V 3*3列聯表 ?名義 名義 誤差比例遞減 λ(lambda) λ值介於0與1之間，當λ=0時，代表自變項無法預測依變項，當λ=1時，代表自變項可以完全解釋依變項。但，若兩變項獨立（互無關係）時，λ必為0，但λ=0時，並不一定表示兩變數互不相關，可能只是因兩個變項間每有特殊型態的關聯。 名義（二組） 連續 獨立性t-test 檢驗兩組（實驗組及控制組）平均數是否有差異 先判斷同質性 再依據同質性檢定判斷t-test T-test無法測出強度，若t檢定顯著，則另進行效果大小計算Eta2值 名義（三組以上） 連續 獨立樣本One-way ANOVA 相依樣本 目的：檢驗各組平均數與總平均數間是否有差異 Ho:u1=u2=…un Contrast（事前比較） Post Hoc（事後比較） 先檢驗同質性 再依據同質性檢驗結果，選擇正確的事後檢定方法(equal variance assumed or equal variance not assumed) 如果顯著，再進行事後兩組多重比較【Mean Difference：兩組間平均數之差異，if其值為正，代表對於依變項而言，第一組顯著性優於第二組】 4.ANOVA無法測出顯著強度，必須用以Eta2值測之 次序 次序 Spearman Kendall(ta ) 名義 連續 Eta係數 Eta2值用以測差異強度 □三樣本 X變項 Y變項 方法 說明 名義 名義 G2 名義 次序 名義 連續 2-way ANOVA 2個X變項，1個依變項 名義 連續 3-way ANOVA 3個X變項，1個依變項 名義 連續 MANOVA 2個依變項以上 次序 次序 次序 連續 連續【預測變項，Predictor】 連續【效標變項，Criterion】 多元迴歸 2個X變項以上，1個依變項 一、多元迴歸方程式 未標準化：Y=a+b1x1+b2x2+b3X3+….bkxk 標準化：zY=β1zx1+β2zx2+β3zx3+……+βkzxk β(beta) R2：判斷係數 二、共線性(collinarity)問題：指由於自變項間的相關性太高，造成迴歸分析的情境困擾，如果有嚴重的共線性問題，則模式之參數將無法完全被估計出來。共線性判斷標準有三： ■自變項的共線性問題 1.容忍度(1-R2)：容忍度值介於0-1之間，如果一個自變項的容忍度太小，表示此自變項與其他自變項間有共線性問題，其值若接近0，表示此自變項幾乎是其他自變項的組合，代表此迴歸係數的估計值不夠穩定，故迴歸係數的計算值也會有很大誤差。 2.變異數膨脹係數(Variance Inflation Factor, VIF)：為容忍度的倒數（1/1-R2），VIF值越大，表示自變項的容忍度越小，越有共線性問題。 3.條件指標(Condition Index, CI)：CI值越大，越有共線性問題。CI為最大特徵值(Eigenvalue)與個別特徵值比例的平方根。 (1)Tacq認為：CI＞15，表示可能有共線性問題，CI＞30，則表示有嚴重共線性問題。 (2)B