相关分析CorrelationAnalysis-Sites@Duke.DOC

Binary Logit 一、Binary Logit 适用时机： 不论自变量的型态为何，只要当有兴趣研究的依变量为二分类别变量时，即可采用Binary Logit进行模型建立。 范例说明： 欲探讨台湾桃园的选民在2009年县市长选举的投票参与「即有没有去投票」(f01)，依据过去相关学理探讨，选民的「性别」(是否为女性female)、「年龄」(age)、「政党认同」(蓝绿认同)与「政治效能感」(d01~d03)，可能影响投票意愿。由于有没有去投票是二分类别依变量（无反应将missing，不纳入模型分析），故采Binary Logit建立模型 变量处理： 自变量方面的处理与回归分析相同，连续变量可直接放入（要先设定好遗漏值），类别变量则必须转化成虚拟变量后放入（要先定base category，并设定遗漏值）。若在本范例中，将「性别」、「年龄」及「政党认同」设定为类别数据，即必须转化成虚拟变量后再放入模型中，「政治效能感」则以量表型态建立为连续变量后放入后。至于依变量，由于是二分类，根据Binary Logit的原理，必须设定其中一类为base category（与设定虚拟变量相同），通常会将自己较感兴趣的那一类设定为1，本范例中将「投票」设定为1，而将「未投票」设定为0。 . gen vote=f01 . replace vote=. if vote2 . recode vote (2=0) . label define vote 1 vote 0 not vote . label values vote vote . gen d01a=d01 . replace d01a=. if d01a4 . gen d02a=d0 . replace d02a=. if d02a4 . gen d03a=d03 . replace d03a=. if d03a4 . alpha d01a d02a d03a . gen peff=d01a+d02a+d03a . label var peff political efficacy scale 3-12 Stata语法： (1) glm Y X1 X2 X3 [iw=var.], family(分布型态) link(连接型态) →GLM语法 . glm vote female i.age i.campid peff [iw=w], family(binomial) link(logit) ※ 如果要列出odds ratio，需在语法最后面加上“eform”。 (2) logit Y X1 X2 X3 [iw=var.] →得出coef.，即β-hat . logit vote female i.age i.campid peff [iw=w] (3) logistic Y X1 X2 X3 [iw=var.] →得出odds ratio，即exp(β) . logistic vote female i.age i.campid peff [iw=w] 次指令(option)： (1) eform或or →在glm或logit语法报表中列出odds ratio (2) nolog →报表中省略likelihood iteration (3) leve1(#) →调整模型估计的信心水平（或称信赖区间） (4) noconstant →设定模型没有常数项 Postestimation Analysis： (1) estat summarize →列出模型所有变量的摘述统计 (2) listcoef →列出自变量的估计结果，次指令percent呈现%，help则是说明 (3) lstat →列出正确预测率报表，亦可加上次指令cutoff(0.?)来修正切点 (4) fitstat →列出所有模型适合度的统计量 (5) predict phat →存取Y的估计值 (6) test →检证自变量是否=0 或 自变量彼此之间的系数是否相等 报表结果诠释： 由于Binary Logit模型所呈现出来的是自变量之间的一种「成败对数比」，即Exp(β)，所谓的成败对数比在本模型中的意思是「在某一个自变量中（A、B两分类），A投票与否，相较于B投票与否，两者之间的成败对数比」，藉由这种相对机率的比较，即可得知自变量对于依变量的影响力大小，即： （1）使用odds ratio（成败对数比）来解释：【就是看Exp(β)的比值】 此处要注意的是，Exp(β)是以「1」为判定标准，「＜1」表示该自变量对依变量呈现负相关，「＞1」则表示正相关；至于系数（β）则是以「0」作为判定标准，「＜0」表示该自变量对依变量呈现负相关，「＞0」则表示正相关。 （2）可固定有意义类