多变量统计方法介绍.pptVIP

第1章 多變量統計方法介紹 變數資料之類型 以衡量尺度分類 名目尺度(nominal scale ) 序列尺度(ordinal scale) 區間尺度(interval scale) 比率尺度(ratio scale) 以變數的角色分類 應變數(dependent variables) 自變數(independent variables) 名目尺度(nominal scale ) 通嘗試衡量分類、或名目資料，作用就是分類或命名。 性別、教育程度、職業、產業等 雖然我們是以數字表示，不過數字是沒有意義的，沒有大小次序、也不能作運算 主要的統計方法為計數個數相關的統計方法，如眾數、次數分配等 序列尺度(ordinal scale) 序列尺度是可用來衡量先後、等級、強弱的類別資料。一般問卷常用的李克特量表（Likert scale)或偏好排序，就是一種序列尺度。Ex滿意度 or 車輛偏好排序 對應處理的統計量:眾數、中位數、次數方配、有序相關係數、無母數統計法 區間尺度(interval scale) 係指衡量有任意原點的數量資料，其數值有大小順序，數值間的距離有意義，故可以作加減運算，但因缺乏絕對原點，所以不能乘除與比率運算。Ex.偏好順序改以評分方式處理。 比率尺度(ratio scale) 比率尺度用來衡量有絕對原點的數量資料，其數值間有大小順序，可以作四則運算 例如外匯存底：A國有1000億美元、B國有500億美元。 變數的個數 採用序列尺度(ordinal scale)、區間尺度(interval scale)、比率尺度(ratio scale)資料之變數個數計算方式非常直覺，有幾個變數就有幾個 但是採用名目尺度的變數則要用虛擬變數或啞變數（dummy)或二元變數（binary variable)描述。若名目尺度資料有k類，則需要k-1個虛擬變數才能該名目資料。因此名目尺度之變數個數即為虛擬變數個數。 性別 -1個 虛擬變數即可，D1=0 (男),D1=1(女) 教育程度:國中以下、高中職與大專以上 應變數(dependent variables)：通常指研究者所關心或希望瞭解的、預測的變數，又稱為被解釋變數、依/相依變數。 自變數（independent variables):自變數用來解釋、區別、分析或預測應變數之變數。又稱為解釋變數、獨立變數等。 在統計分析中會依照自變數與應變數的個數、變數的性質（屬質、屬量）以及研究目的來決定採用的統計方法。 多變量統計方法之分類(一) 依賴模式(dependence or cause-and-effect) 依賴模式(1) 迴歸(Regression) 當反應變數與解釋變數都各只有一個， 且二者都是屬量的變數時，則二者之間所建立的線性函數關係即為一（簡單）迴歸 多元迴歸(Multiple Regression) 當反應變數只有一個，解釋變數有兩個以上，且二者（反應及解釋變數）都是屬量的變數時，則二者之間所建立的線性函數關係即為一多元迴歸或複迴歸 變異數分析(Analysis of Variance, ANOVA) 當反應變數只有一個且為屬量的變數，而解釋變數也只有一個但為屬質的變數時，則探討解釋變數對反應變數是否有影響關係的分析架構即為一因子單變量變異數分析 依賴模式(2) 區別分析(Discriminant Analysis) 當反應變數只有一個且為屬質的變數，解釋變數有一個以上且為屬量的變數時，則二者之間所建立的線性函數關係之一即為一區別分析 Logit Probit 當反應變數只有一個且為屬質的變數，解釋變數有一個以上、且為屬量或屬量與屬質混合（即其中一些變數為屬量一些變數為屬質）的變數時，則二者之間所建立的線性函數關係之一即為一Logit或Probit迴歸 間斷型區別分析(Discrete Discriminant Analysis) 當反應變數只有一個且為屬質的變數，解釋變數有一個以上且亦為屬質的變數時，則二者之間所建立的線性函數關係即為一間斷型區別分析 依賴模式(3) 聯合分析(Conjoint Analysis) 當反應變數只有一個且為序列（ordinal）的變數，而解釋變數有一個以上且為屬質的變數時，則探討解釋變數對反應變數是否有影響關係的分析架構即為一單調變異數分析（Monotonic Analysis of Variance, MONANOVA），而單調變異數分析為聯合分析的一種情況 典型相關(Canonical Correlation) 當反應變數有二個以上且為屬量的變數，而解釋變數也有二個以上且也為屬量的變數時，則探討解釋變數與反應變數間是否有關係時的分析架構即為一典型相關分析 依賴模式(4) 多變量變異數分析(Multivariate A