回归分析与迳路分析.PPT

多元迴歸分析 一、基本概念 在社會科學的研究中，只使用一個預測變數的解釋力通常不高，此時研究者便會採用兩個以上的預測變數，對效標變數進行多元迴歸分析 (multiple regression analysis, 或稱複迴歸)，以增加解釋力。 為了增加迴歸分析的解釋力，所有的預測變數之間的相關要愈低愈好， 每個預測變數與效標變數的相關則要愈高愈好。 一、基本概念 以下圖為例，如果兩個預測變數之間的相關是0，則預測變數與效標變數的多元相關就等於個別相關係數的總和 (也就是 )，此時預測變數對效標變數的整體解釋力最大。 一、基本概念 不過，實際上的情形兩個預測變數卻經常是有相關的，此時 。 如果兩個預測變數是低度相關，則 與 差異不會太大。 一、基本概念 但是，如果兩個預測變數是高度相關，則 與 差異就會變得比較大。 假設兩個預測變數是完全相關，則 僅等於 ，或是只等於 。 此時，也會產生多元共線性 (multicollinearity) 的問題，使得迴歸分析無法進行，或是變得難以解釋。 一、基本概念 當只有兩個預測變數時，迴歸方程式為： 未標準化迴歸係數 ， 截距： 標準化迴歸係數 ： ， 所以 ， 一、基本概念 未標準化迴歸方程式的主要用途： 可以直接將各預測變數的原始數值代入方程式，用原始迴歸係數當加權來預測效標變數 標準化迴歸係數： 用來比較個別預測變數的相對重要性 如果沒有多元共線問題，則係數愈大者對效標變數變異量的解釋量愈大。 實際上，一般統計軟體在進行多元迴歸分析時，是以矩陣形式運算，其解為： 如果將X矩陣、y向量化為z分數，稱之為Xz矩陣、yz行向量，則其解為： 因為XX矩陣要求反矩陣，所以矩陣X必須是非特異矩陣 (nonsingular matrix) 亦即各行的向量必須線性獨立(linearly independent)，某一行向量不可以是其它行向量的線性組合。 換言之，在進行多元迴歸分析時，自變數間不可以有線性組合的情形，也就是某一個變數不可以等於其他自變數經由某種加權(係數可以為正負之整數、小數，或0) 後的總和。 F考驗可以整體檢定所有預測變數是否可以聯合預測效標變數， ，其中N為總人數，p為預測變數的數目 多元迴歸分析的 稱為決定係數， 則稱為多元相關，它等於Y與 的簡單相關。 如果預測變數愈來愈多，則 會愈來愈大，但是如果加入無關的預測變數，則調整之 反而會愈來愈小，甚至小於0 因此 也有判別預測變數是否重要的功能 當預測變數為名義變數或次序變數之非計量性資料時，不可以直接投入分析，必須轉換成虛擬變數 (dummy variable)，以0、1代表 另一種轉換方式，則是將參照組的代碼設為–1，不過一般較少使用。 轉換成虛擬變數時，虛擬變數的數目必須是水準 (level) 數減1，以避免線性相依 (linearly dependent) 的情形 在選取預測變數的方法方面，其方法大約有： 強迫進入法 (SPSS中文版翻譯為強迫進入變數法) (enter method) 前向選取法 (向前法) (forward method) 後向選取法 (向後法) (backward method) 逐步法 (逐步迴歸分析法) (stepwise method) 所有可能法 依學者的意見，在正式研究中，最好使用強迫進入法，將研究者在文獻探討後所選取的自變數全部投入迴歸分析 其他四種方法比較屬於試探性質，最好只在前導研究 (pilot study) 或試探性研究 (exploratory study) 中才使用，儘量不要在驗證性研究 (confirmatory study) 中使用 第二節　多元迴歸分析 二、研究範例 研究者以2002年臺灣社會變遷調查資料進行分析，想要了解： 父親及母親的受教年數是否可以預測子女受教年數。 第二節　多元迴歸分析 三、SPSS分析步驟 1. 在《統計圖》中之《互動式》中選擇《散佈圖》。 三、SPSS分析步驟 2. 先選擇《3D座標》，並將自變數分別點選至X軸及Y軸，依變數則選至Z軸。 三、SPSS分析步驟 3. 在《適合度》中選擇《迴歸》方法。 三、SPSS分析步驟 4. 在《分析》中之《迴歸方法》選擇《線性》，以進行線性迴歸分析。 三、SPSS分析步驟 5.