SPSS教程CH13 区别分析.ppt

區別分析 內容大綱 13.1　認識區別分析 13.2　區別分析-區別二群 13.3　複區別分析 13.4　虛擬變數區別分析 13.5　二元Logistic迴歸分析 13.6　重要統計檢定值 13.1　認識區別分析 區別分析又稱判別分析（discriminant analysis）的應用範圍很廣， 例如，銀行將信用好的客戶和信用差的客戶，分為二群，看看什麼因素最能夠區別這二個群體；又如某行銷部門欲了解最能區分其產品的重度使用者（heavy users）及輕度使用者（light users）的因素是什麼。 區別分析是一種相依方法，其準則變數（依變數）為事先訂定的類別或組別。其預測變數（自變數）是區間資料或比率資料。 區別分析的目的是： 找出預測變數（自變數）的線性組合，使組間變異相對於組內變異的比值為最大。 找出哪些預測變數具有最大的區別能力。 根據新受試者的預測變數的數值，將該受試者指派到某一群體。換句話說，在區別方程式建立之後，研究者可將某人的有關資料（這些資料是在模式中的變數）代入這個方程式中，以了解這個人被歸類到哪一群。 檢定各係數與0之間是否有顯著性的差異，以及檢定各組的重心（centroid）是否有顯著性的差異。 在區別分析中，研究者常常將不同的人或個體分成不同的群組，但是除此之外，我們還可以從區別函數中來檢視各變數的相對重要性。假設我們用區別分析對成功、不成功的管理者建立如下的區別函數： 其中，X1表示「與人相處的能力」、X2表示「對部屬的激勵」、X3表示「專業技能」。由於區別函數中的各係數值都經過標準化，我們可以說：在分辨管理者的成功與否時，「與人相處的能力」的重要性低於另外兩個變數 區別函數的數目等於從分組數目減一與自變數數目（有幾個自變數）中取最小的數目。例如，分組數目有三個（分成三組），自變數數目有三個，則區別函數的數目等於Min（分組數目減一，自變數數目）Min2。因此會有兩個區別函數。 在單因子多變量變異數分析的檢定達到顯著水準之後，進一步可採用區別分析。區別分析適用的情況是依變數有一個且為名義變數，自變數可為區間變數或名義變數。如自變數為區間變數，則可進行區別分析或者Logistic迴歸分析，如果自變數為名義變數則要進行虛擬變數區別分析，如圖13-1所示。 在樣本數的要求上，全部觀察值數目最好是自變數（預測變數）的10~20倍。每個自變數應有20個觀察值。 進行區別分析有以下的假定： 　自變數（預測變數）所屬母群體是常態分配。 每組樣本均來自多變量常態分配的母群體，亦即每一組內共變異數矩陣應大致相等。 任何自變數（預測變數）都不是其他自變數的線性組合，也就是沒有線性重合的現象。 13.2　區別分析-區別二群 大海軟體公司裡面具有企管碩士學位的幹部30名，分別有15名「前途光明」的幹部，15名「前途黯淡」的幹部。該公司的總經理想要了解，在人力資源管理中的員工錄用上，應特別重視「經驗」、「在校成績」、「測驗成績」中的什麼因素 開啟檔案（檔案名稱：...\Chap13\Discriminant Two Groups.sav）。此檔案包括了組別（分為二組，以1表示「前途光明」組，以2表示「前途黯淡」組）、經驗（工作經驗）、在校成績（在校成績總平均）、測驗成績（應徵測驗成績）。組別為名義變數，其他的變數為區間變數。 進入SPSS，按〔Analyze〕、〔Classify〕、〔Discriminant〕（〔分析〕〔分類〕〔判別〕），在所產生的「Discriminant Analysis」視窗中，將「組別」變數選入右邊的「Grouping Variable」（分組變數）下的空格中，選取〔分組（??）〕，按其下的〔Define Range〕（定義範圍），在「Discriminant analysis: Define」視窗中的「Minimum:」（最小值）填入「1」，「Maximum:」（最大值）填入「2」，如圖13-2所示。表示我們是將資料分成二組。 將「經驗」、「在校成績」、「測驗成績」這些自變數選入「Independents」（自變數）下的方盒內，如圖13-3所示。可以用SPSS內定的「Enter independents together」（使用所有變數）或者「Use stepwise method」（使用逐步方法）。 在「Discriminant Analysis」視窗中，按〔Statistics〕，就會產生「Discriminant Analysis: Statistics」視窗，我們選定的情形如圖13-4所示 圖13-4　「Discriminant Analysis: Statistics」視窗設定 描述性統計量（descriptives）： 在「Discriminant