复回归分析变数的选定.ppt

* 這個例子中我們可以清楚的發現，在多加入有效的其他兩個自變數後，整個模型對於行為意圖的可解釋變異量(R2)由0.416增加為0.484。此結果顯示行為意圖不但受到多重動機中成就動機的影響，同時也受到從屬動機與權力動機的影響。 14.12 迴歸模型範例（複迴歸） * 預測變數 依變數 = 行為意圖 M1 M2 M3 M4 M5 M6 M7 信任 IFT .453*** .348*** .330*** .293*** IDT .344*** .257*** .154** .139** 知識分享 KS_CO .126* .081 .078 .056 KS_KS .514*** .256*** .225*** .127* 多重動機 AFM -.053 -.065 -.011 -.024 PWM .311*** .242*** .189*** .162** ACM .511*** .387*** .330*** .276*** R2 .482 .354 .484 .549 .533 .604 .620 Adj. R2 .478 .349 .478 .542 .523 .596 .609 F 114.857 67.649 76.996 74.680 55.627 74.534 56.435 p-value .000 .000 .000 .000 .000 .000 .000 VIF 1.3 1.5 1.2~1.5 1.5~1.8 1.3~1.9 1.2~1.7 1.3~2.0 D-W 1.806 1.980 1.862 1.894 2.065 1.835 1.917 註：“ * ” 表示 p0.05； “ ** ” 表示 p0.01； “ *** ” 表示 p0.001 14.12 迴歸模型範例（複迴歸） 企業研究方法第14章 LOGO 第14章 迴歸分析與複迴歸分析 　　1.使用迴歸分析的時機 　　2.最小平方法在迴歸分析上的意義 　　3.迴歸分析的假設 　　4.各種R2與偏判定 　　5.報表的分析與管理上的意涵 　　6.逐步迴歸 * ? 本章的學習主題 ? 14.1 迴歸分析的基本統計概念 一般來說，我們利用迴歸分析是想瞭解： 1. 能否找出一個線性方程式，用來說明一組預測變數( Xi )與準則變數( Y )的關係。 2. 瞭解這個方程式的預測能力如何？即其關係強度有多大。 3. 探討整體關係是否達到顯著水準？ 4. 在解釋準則變數的變異時，是否只採用某些預測變數即具有足夠的預測力。 * * 14.2 相關分析的基本概念 在研究行銷問題時，變數與變數之間有時會呈現線性相關，例如過去許多研究均顯示廠商之市場佔有率與其獲利能力有很高的線性相關，如圖14—1所示： X:市場佔有率 (%) Y 獲 利 能 力 (%) * 由圖14-1可知，當市場佔有率增加時，獲利能力(Y)也會跟著增加，即是代表X與Y之間有很高的相關，通常我們用皮爾森(Pearson)相關係數來表示兩個變數間之相關係數，計算公式如下： 2 2 ) ( ) ( ) )( ( Y Y X X Y Y X X r - - ? - - ? = 相關係數為一標準化之數字，其值不受變項特性的影響，其數值是介於－1至＋1之間。 14.2 相關分析的基本概念 一般而言，迴歸模式的型態為： Y=α + β1X1 + β2X2 + …… .+ βmXm + ε 其中，α與β為迴歸母數(j＝1, 2, ……, m)，ε為誤差項。 而在迴歸分析中，如果預測變數(Xi)只有一個，則稱之為簡單迴歸分析。如果預測變數有二個以上，則稱為多元迴歸或複迴歸分析。 Y = a + b1X1 (簡單迴歸) Y = a + b1X1 +b2X2+……+bmXm (複迴歸) * 14.3 簡單迴歸與複迴歸 * 14.4 迴歸分析的基本假定 1. 常態性與變異同質性(normality and equality of variance) 2. 殘差獨立性(independence) 每個殘差彼此之間是統計獨立的，觀察值之間彼此不會互相影響，若違反此假設，估計量會缺乏效率性。 * 3. 直線性(linearity) 即所有抽樣樣本分配的平均數 (μY/X) 均落在母群迴歸線上 4. ei～N〔 0 ,1 〕 誤差其分配服從平均數為0，變異數為1的常態分配，且各誤差項間彼此獨立 14.4 迴歸分析的基本假定 * 迴歸方程式滿足迴歸的基本假設，則此迴歸方程式具有線 性特性，並稱為線性迴歸。 圖 14 - 2 線性迴歸模型 14.4 迴歸分析的基本假定 14.5 最小平方法 求取最適合迴歸線的方法即為最小平方法，而最 小平