两变项间之相关.DOC

第十三章　　兩變項間之相關 (Bivariate Association) 本單元目標 解釋如何應用相關測量來描述及分析變項間關係的重要性（相對於統計顯著性）。 在雙變項交叉表，以及條件性分配變化的基礎上定義「相關」（association）。 列舉並說明三個雙變項關係的特性：有無關係、關係強度，以及關係的方向。 在雙變項交叉表的情況下，如何適當的計算百分比，已檢視雙變項的相關及解釋計算後的結果。 貳、統計顯著性 vs. 理論重要性 　　到目前為止，我們所介紹的各種統計顯著性的假設測定，在社會科學研究過程中有非常重要的地位。當我們是用隨機樣本，而非母群體來做推論時，就無法避免這種假設測定的工作。因為我們要瞭解由樣本所得的研究結果（如樣本之某些特性或樣本間之差異）是否只是隨機(random chance)所造成的（隨機而得的結果自是在虛無假設下極可能發生的）。如果經假設測定，我們發現研究結果並非是隨機的(non-random)，我們就可拒絕虛無假設，並結論說這種結果達到了統計上之顯著（實質的結論是--樣本特性與母群體不同或樣本間之特性有差異，或兩變項間有關係--等說法）。 但如您已知，即使是觀察到的差異並不大，當樣本愈大時，假設測定就愈易拒絕虛無假設（為什麼？），因此統計之顯著度(statistical significance)有時並不具理論上或實質上之重要意義。因此，在我們發現了研究結果達到統計上之顯著差異時，往往需要進一步了解變項間之關係的強度及方向，這就是以後數章所討論之相關的測量(measures of association)（請問這類統計是描述或推論統計？）這類的統計，可以提供我們評估關係重要性，以及理論是否有效的訊息。科學理論往往是陳述因果間的關係，如X變項會影響Y變項。 　　相關之測量有兩個主要的目的，其一為幫助我們了解變項間之因果關係。當然，數字本身不會說話。即使是相關的測量顯示變項間的關係很強，統計結果仍然無法告訴您何變項為因，何變項為果。因果關係的假定是由理論而來，相關之測量只是做為推測因果關係的一種証據。相關測量之第二個目的是幫我們由一變項之變化來預測另一變項的變化。雖然，因果關係亦含有預測之功能，但是預測並不須要假設變項間之因果關係，只有變項間有關係，即可做預測，這也說明了相關和因果關係之不同。 參、兩變項間之相關 　　當我們發現一個變項之類別，或類別內之分數會受到另一變項之類別或分數之影響而發生變化時，我們就可說兩變項間有關聯或相關。相關的觀念可以由一兩變項之交叉表中具體看出（見書中P.320, 表1.1）。這種交叉表基本上表現出兩變項間之共同次數分配的情況(the joint frequency distribution)。一般的做法是將被認為是「因」的變項之類別做為此種交叉表之行（column），而為「果」之變項做為列（row）之變項。「因」之變項就是自變項(the independent variable)--X，而「果」之變項為應變項(the dependent variable)--Y。以書中之表12.1為例，自變項為job satisfaction（工作滿意度），應變項為生產力(productivity)。 了解這個交叉表所表現之相關的方法是先將注意力放在每一行內次數分配的變化上。每一行之各分數是表現應變項中各類別之分數在自變項之某一類別內的變化。這種「類別內」之次數分配是為「Y變項之條件性分配」(the conditional distribution of Y)。表12.1中各行之分數變化之趨勢相當明顯，由於各行之總數(column totals)相當接近，我們很容易就可看出工作滿意度愈低，則生產力愈低之趨勢。 　　事實上，我們先前學到之Chi-Square之測定也是一種相關之指標。只要是χ2值不等於0，就表示兩變項間有某種相關存在，但是Chi-Square不等於0(not statistically independent)。χ2值也不是告訴我們相關之強弱程度。Independence 和 associationChi-Square的測定，然後再做相關的分析。 肆、兩變項相關之三個特徵 　　兩變項間之相關有三個特性。如要充分分析關係之相關，則每一特性都要分析。這三個特性之分析即在回答下列三個問題： 　1、相關是否存在？ 　2、如果相關存在的話，其弱強之程度為何？ 　3、(pattern)或方向(direction)為何？ 1、 　　先前已提過兩變項之相關是否存在可由交叉表中Y之條件性分配的情況，或是非0之χ212.1來說，我們可以看出生產力（Y）的條件性分配會隨著滿意程度（X）的類別而異。但是只看一交叉表之次數分配，並不一定能輕易看出相關是不存在（除了在column totals