(一)相关分析的意义.pptVIP

(一) 相關分析的意義 統計學上稱各種變量相互關係為相關(correlation) 兩變量間的相互關係，稱為簡單相關；若兩變量的關係可用直線方程式來表示的，稱為直線相關，若可用曲線方程式表示的，稱為曲線相關或非直線相關 依兩種變量的變動趨向，直線相關又可分為正相關、負相關（或反相關）及零相關三種。當兩種變量同時增加或同時減少，即變動趨向一致時，稱為正相關 當兩種變量一為增加另一為減少，或一為減少另一為增加，即變動趨向相反時，稱為負相關或反相關 當兩種變量沒有特殊的關係，即其相關程度是零時，稱為零相關 為了較容易看出兩個變量的相關情形，我們經常將兩個變量的變化數列描繪到座標圖中，此稱為散佈圖(Scatter diagram)，其製作步驟如下： (1) 指定兩條相互垂直的橫、縱軸為座標平面上的x軸及y軸，讓其各代表一種變量。 (2) 每一對的變量資料可看成座標平面上的一個點，然後將其描繪在座標平面上。 在直線相關中，若散佈圖中的各點，大概可作出一條左下到右上的直線，即斜率為正的直線，則此兩種變量為正相關，若各點大概可作出一條左上到右下的直線，即斜率為負的直線，則此兩種變量為負相關 1. 完全相關：若各點完全散佈於一曲線上或非垂直非水平的一直線上，則此兩變量間的相關程度達到最高，即為完全相關，如圖6-2及圖6-3所示。 2. 中度相關或低度相關：若各點的散布趨勢像一條曲線或非垂直、非水平的直線，而當大多數的點散布於線兩旁的範圍愈狹窄，則兩變量的相關程度就愈高，如圖6-4所示為中度相關，圖6-5所示為低度相關。 3. 零相關：若各點的散布到處都有，沒有向上或向下的趨勢，則兩變量之間毫無關係，即為零相關，如圖6-6所示。或各點完全散布於一條平行或垂直x軸的直線上，即表示一變量的變化對另一變量不產生影響，所以兩變量亦為零相關，如圖6-7所示。 (二) 相關係數 相關係數(Correlation coefficient)是兩組變量間相關程度的數字表現形式，作為母體間相互關係程度的母數，一般以? 表示，作為樣本間的統計量數，就常用r表示。 設(X1，Y1)，(X2，Y2)，……，(Xn，Yn)為一組來自共同母體的樣本資料，則計算積差相關係數的公式如下： 其中標準差 至於式中 的稱為共變數(covariance)。 共變數可以用來測量兩組變量的一致性程度。 相關係數(r)實為X, Y兩變數各以其標準差為單位的離均差之乘積的算術平均數。 (一) 迴歸分析的意義 迴歸分析(Regression analysis)分為下列兩類： 1. 簡單迴歸(Simple Regression)：　　如果兩個變數X、Y有相關，且X的變動會影響到Y，則我們可以透過兩個變數間的關係，找到代表此關係的方程式，再藉X及該方程式來預測Y，如此方法即稱為迴歸分析 簡單迴歸又分為： (1)直線迴歸(Linear Regression)：當兩個變數之間為直線關係，迴歸方程式呈線性，且僅有一個自變數。 (2)非直線迴歸(NonLinear Regression)：當兩個變數之間為曲線關係。 2. 複迴歸(Multiple Regression)或多元迴歸： 研究多個變數間的關係，且其中之一的變數Y（因變數）會受其他變數（自變數）的影響 在直線迴歸中，變數X稱為自變數(Independent variable)或預測變數(Predictor variable)，變數Y稱為因變數(Dependent variable)或反應變數(Response valiable)。 假若二變數為一直線相關，我們可以用一直線方程式來表示二者的關係，其中為Y的預測值，?為Y截距，? 為斜率 在統計上我們是採用最小平方法(Least squares method)又稱最小二乘法來估計參數?、?。所謂最小平方法須符合下列兩個條件： (1) 。即估計值()的誤差的代數和等於零。 (2) 為極小值。即估計值的誤差的平方和為最小值。 設定一個X值，得到的預測（或估計）值 ，不見得等於實驗值Y Y與 的差即為估計誤差(Error of estimate)，或殘差(residual) 定義Y對X的估計標準誤(Standard error of estimate)為 由SYX的定義，首先必須先求出所有估計值 ，才能算出SYX，頗為不便，因此我們將導出Y對X的估計標準誤SYX之另一個公式（證明在下一節），即 決定係數(Coefficient of determination)為迴歸平方和與