第十八章-净相关复回归及复相关.docVIP

社會統計 關秉寅 第十八章 淨相關，複迴歸及複相關 （Partial Correlation, Multiple Regression and Multiple Correlation） 壹、本單元目標 計算並說明淨相關係數（partial correlation coefficients）。 認識及解釋最小平方複迴歸（the least-squares multiple regression）方程式及淨斜率（partial slopes）。 計算並說明複相關係數（multiple correlation coefficients）。 說明淨迴歸及複迴歸分析的限制。 貳、簡介 基本上社會科學研究所探討的議題是屬於多變項性質的，從統計分析的角度來看，就是要能同時處理多個變項。本單元所要介紹的就是當前社會科學研究中一些非常重要且常用的分析方法。這些方法可以幫助我們了解因果關係，以及做出預測。 以下所介紹的是以Pearson’s r為基礎，且比上個單元所介紹的方法更具彈性。第一個要介紹的是淨相關（partial correlation）分析。此方法如同分表的分析一樣，是要看在控制第三個變項後，兩變項間之相關係數為何。（因此，此分析與Partial Gamma所提供之訊息類似。）其次要介紹的是複迴歸及複相關。這些方法可幫助研究者評估多個自變項對一應變項之影響（不論是個別或一起）為何。 參、淨相關 當研究者想要知道兩個等距/比值變項在第三變項出現時會有什麼樣的關係，即可用淨相關之分析。透過對淨相關係數之了解，我們可推測變項間之因果關係，以及是否有直接、中介或虛假關係之情形存在。淨相關之分析並非在控制變項中之每一類別內觀察兩變項之關係，因此淨相關之分析比較有效率，但也因此並不能看出變項間是否有交互作用（interaction）之情形。 在介紹淨相關之分析前，要先介紹一些符號。淨相關分析需要處理多過一個雙變項的相關，所以需要區辨不同雙變項間的相關。首先ryx表示Y和X之間的簡單相關之係數，ryz則為Y和Z之間的簡單相關之係數。（rxz代表哪兩個變項間的相關呢？）這種兩變項間之簡單相關，亦稱為zero-order correlations（零階相關）。 當我們控制了第三個變項後，再看原來兩變項之相關，即為first-order（一階）的相關或淨相關，其係數之符號為ryx．z。而 ryx．z = ----- (1) 由上面公式可看出，要計算ryx．z須計算由X，Y及Z三個變項所形成的各對變項之間的簡單相關，由公式亦可看出淨相關之分析是在排開控制變項與我們所關心之兩個變項相關的部分後，所計算出之相關。（看清楚了！） 兩變項在控制第三變項後之相關與原來之zero-order相關相差很少時，即表示控制變項對此兩變項之關係並無影響，亦即此兩變項間有直接關係（direct relationship）。 若ryx．z較ryx小很多時，則原來兩個變項的關係可能是spurious，即控制變項為二者之共同因（common cause），但也可能是控制變項為一中介變項，如下圖所示 一、 Spurious relationship between X and Y： 　 Ｚ ?　 ? Ｘ　 Ｙ 二、 Z as an intervening variable between X and Y： Z ? ? X Y 不論如何，當ryx．z小於ryx極多，但ryx ≠ 0時，我們必須將Z放入因果關係中。要注意的是，淨相關的分析結果無法告訴我們，究竟Z是X和Y的共同因，還是X與Y之間的中介變項。這三者間的因果關係是要基於發生時間的先後，或是理論。 第三個可能出現之情況是ryx．z＞ryx極多，這狀況可能是X和Z對Y之影響是獨立的，即如下圖： X Y Z 換言之，Ｘ與Ｚ無相關，但加入Ｚ後，因Ｙ與Ｚ共同變異部分已排除（或是說因為Y部份的變異量已被Z所解釋），故Ｘ與Ｙ之相關係數會升高（因為X只需解釋Y變異量中尚未被Z解釋的部份）。當Ｘ與Ｚ對Ｙ之影響，是獨立時（或較不嚴格的條件是Ｘ與Ｚ相關相當弱時），即是進行複迴歸及複相關分析之良好基礎。透過複迴歸之分析，我們可以知道，每個自變項對應變項之獨立影響力為何，以及那個自變項對應變項之影響力較強。 肆、複迴歸 先前我們已經介紹過以一最小平方迴歸線來描述兩等距/比值變項間之線性關係。這個方法可以加以延伸以描述多個自變項與一應變項之關係（自然在三個變項之迴歸分析時，迴歸方程式不是一條線，而是一個迴歸面了）。三個變項間最小平方之複迴歸的方程式即為 Y = a + b1X1 + b2X2 --------------------------- (2) 其中b1是X1與Y之