阶层回归分析.PPT

讓數字會說話三F 多元迴歸 Multiple Regression 簡單迴歸與多元迴歸Simple and Multiple regression 基本定義 簡單迴歸：以單一自變項去解釋（預測）依變項的迴歸分析 多元迴歸：同時以多個自變項去解釋（預測）依變項的迴歸分析 各變項均為連續性變項，或是可虛擬為連續性變項者 方程式 簡單迴歸：Y=b1x1+a 多元迴歸：Y=b1x1+b2x2+b3x3+……+bnxn+a 多元迴歸的特性： 對於依變項的解釋與預測，可以據以建立一個完整的模型。 各自變項之間概念上具有獨立性，但是數學上可能是非直交（具有相關） 自變項間的相關對於迴歸結果具有關鍵性的影響。 預測與解釋 預測型迴歸 主要目的在實際問題的解決或實務上的應用 從一組獨變項中，找出最關鍵與最佳組合的迴歸方程式，產生最理想的預測分數 獨變項的選擇所考慮的是要件為是否具有最大的實務價值，而非基於理論上的適切性 最常用的變項選擇方法是逐步迴歸法（stepwise regression） 解釋型迴歸 主要目的則在瞭解現象的本質與理論關係，也就是探討獨變項與依變項的關係 檢驗變項的解釋力與變項關係，對於依變項的變異提出一套具有最合理解釋的迴歸模型 理論的重要性不僅在於決定獨變項的選擇與安排，也影響研究結果的解釋 最常用的變項選擇方法是為同時迴歸法（simultaneous regression）或階層迴歸法（hierarchical regression） 多元迴歸的資料結構 多元相關 R：多元相關（multiple correlation） 依變項的迴歸預測值（Y’）與實際觀測值（Y）的相關 R2：多元相關平方 表示Y被X解釋的百分比，是一種機率的概念 簡單迴歸中，僅有一個獨變項，R=r， R2 =r2 多元迴歸中，有多個獨變項，R≠r， R為多個獨變項的線性整合分數與依變項的相關 多元迴歸方程式 迴歸模型：對於依變項的迴歸方程式 迴歸變異量拆解與F考驗 依變項的變異可拆解成迴歸效果與誤差效果 殘差為估計變異誤，開方即得估計標準誤 迴歸解釋力的統計顯著性，可利用F考驗來檢驗。 分子為迴歸解釋變異數（SSreg/dfreg），分母為誤差變異數（SSres/dfres），相除得到F值。 多元迴歸的參數檢定 迴歸分析的檢定 整體考驗 對於R2的F考驗 事後考驗 對於個別解釋變數的顯著性考驗：t test 若R2具有統計顯著性，需進行參數的估計檢定，來決定各獨變項的解釋力 ?係數 ? 標準化迴歸係數 b係數去除單位效果（乘以自變項標準差，除以依變項標準差） 表示其他解釋變數被控制後的淨解釋力（邊際解釋力） 迴歸的基本假設 基本假設一:固定自變項假設（fixed variable） 自變項是研究者在進行研究之初，所指定會影響依變數的主要變數，其選用並非隨機選擇得來，因此，如果一個研究可以被重複驗證，特定自變數的特定數值應可以被重複獲得，然後得以此一群特定的X變數值(自變數)代入方程式而得到預測值。 我們關心的是依變項，是否能夠找到重要的自變項來對依變項加以闡釋，因此我們假設可以找到這些變項的重要數據。 基本假設二 : 線性關係假設（linear relationship） -當X們與Y的關係被納入研究之後，迴歸分析必須建立在Y與X變項們之間具有線性關係的假設上。 -非線性的變項關係，需將數據進行數學轉換才能視同線性關係來進行迴歸分析(非線性迴歸)，而類別自變項則需以虛擬變項的方式，將單一的類別自變項依各水準分成多個二分的自變項，以視同連續變項的形式來進行(虛擬回歸)。 -回歸係數是線性。 基本假設三:常態性假設（normality） -常態性的假設係指迴歸分析中的所有觀察值Y被迴歸方程式解釋剩下的殘差是一個常態分配，即Y來自於一個呈常態分配的母群體。因此經由迴歸方程式所分離的誤差項e，即由特定ㄧ群Xi特定值所預測得到預測值的與實際Yi之間的差距，也應呈常態分配。 -誤差項e的平均數為0是ㄧ個假設。 -此假設是為了迴歸係數的檢定。 基本假設四: 誤差獨立性假設（independence） 誤差項除了應呈隨機化的常態分配外，不同特定值X所產生預測值的誤差之間應相互獨立，無相關存在，也就是無自我相關（non-autocorrelation），而誤差項也需與自變項X們相互獨立。當誤差項出現自我相關，無法獲得有效的參數估計值(有效:估計參數的變異數)，降低統計檢定力，易得到不顯著的結果。 基本假設五:誤差等分散性假設或稱同質性（homoscedasticity） 基本假設六:無多重共線性假設 -在多元迴歸分析，若自變項間相關程度過高，不但自變項