量表的制作-Sites@Duke.doc

STATA Demo 讲授人：俞振华 PAGE  PAGE 5 相关与简单回归分析 一、相关（Correlation） 使用时机： 当研究者想要了解两个连续变量之间的关系时，可以藉由计算两变量之间的相关系数，探知关系的「方向」（正负）及「强弱」（-1～1）。 范例说明： 我们想要了解台湾民众统独偏好「国民党」喜欢分数（p02a）与对「马英九」喜欢分数（q03b）之间的关系，可以借用TEDS2009M的调查访问资料，利用下列的语法来求得变量之间的相关系数。 系数解释： 1.两个变量之间的相关程度是依其系数的高低而定，一般而言： （1）0.0 |ｒ| 0.3 弱（低度）相关 （2）0.3 |ｒ| 0.7 中等相关 （3）0.7 |ｒ| 1.0 强（高度）相关 2.在解释上必须注意两方面： （1）统计上的关系：显著或不显著 （2）实质上的关系：ｒ的大小（X和Y的关系强弱程度） ※重要提醒：两变量之间相关性的显著??否，与变量之间的强弱程度是不同的解释面向，P值愈小绝对不是相关度愈高，千万别搞混了～～～ 程序语法：（Stata） . gen kmtscore= p02a . replace kmtscore=. If kmtscore10 . label var kmtscore “0-10 kmt preferred score” . recode q03b (95 96 97 98=.), gen(mascore) . label var mascore “0-10 ma ying-jeou preferred score” . corr kmtscore mascore [aw=w], mean →列出相关系数及描述性统计量 . pwcorr kmtscore mascore [aw=w], sig →列出统计检定值 窗口操作： 「statistics」→「summaries」→「summary」→「correlations」，即会出现双变量相关分析的对话框，在「main」对话框中选择变量名称，在「weights」中选择权值（记得点选Analytic Weight），在「options」中选择列出描述性统计量。 二、回归分析（Regression Analysis） 使用时机： 回归分析必须包含即「自变量X」与「依变量Y」，除了可以知道变量之间是否具统计上的显著相关外，更可以进一步测量X、Y之间的变动关系（即X每变动一个单位，Y变动几个单位）。而在进行回归分析时，依变量只能有一项，且必须是连续性数据，自变量则可为一个或二个以上的变量，且自变量的属性可以是连续数据亦可是类别数据，当只有一个自变量时，称为「简单回归分析」，有两个以上自变项时，则称「多元回归分析（复回归）」。但自变量若是类别数据，则必须先转换成「虚拟变量」才能放入回归模型中。 范例说明：（本次先以简单线性回归分析为例） 与相关分析一样，我们想要了解台湾选民对「国民党」的喜欢分数（p02a—kmtscore），是否会对「马英九」的喜欢分数（q03b—mascore）造成影响？若有，影响的程度为何？即可以回归分析进行测量检定。【只有一个自变量（kmtscore），故为简单线性回归】 程序语法：（Stata） reg Y X [iw=weighting var.], mean →列出回归系数、资料及描述性统计量 predict yhat →列出回归的估计系数β predict e, resid →列出回归的余值（residual） graph twoway lfit Y X || scatter Y X →简单回归的画图语法 . reg mascore kmtscore [iw=w], mean . graph twoway lfit mascore kmtscore || scatter mascore kmtscore [aw=w] 窗口操作： 「statistics」→「linear models」→「linear regression」，即会出现双变量相关分析的对话框，在「Model」对话框中选择变量名称，在「Weights」中选择权值，在「Reporting」中选择统计的信心水平。