在上文獻評析課程時，常聽同學討論到該研究之分析方式不當，
並建議改採以變數分析 ( analysis of variance, ANOVA ) 或多步驟迴歸分析 ( multiple regression analysis ) 。
尤其是多步驟迴歸分析，在同學口中，簡直像萬靈丹一樣好用！
但是個人還沒學到那麼深的統計，所以不確定是否合適。
在這裡，簡單就網路上查到的資料說明ANOVA和多步驟迴歸分析的原理和用途做介紹，
並補充了向李晏請教的一些觀念。
至於深入的計算和實際舉例，就不贅言，許多統計書上應該都查得到。
ANOVA：將一組資料的總變動量，依可能造成變動的因素分類，並以假設檢定的方法來判斷這些因素是否確實能解釋資料的變動。例如，我們想知道家庭環境（因子, factor）是否對學童課業好壞（試驗單位,experiment）造成影響，我們可以觀察在不同家庭環境（待遇, treatment）下成長的學童，其課業表現（反應變數 ,response variable）如何。
研究中分析的方法常常先作全體的F-分佈，若有顯著差異再作事後比較（如 Scheffé's method、Tukey-Kramer method、兩兩作t檢定）以了解其關係與差異所在。
複迴歸分析：是簡單相關的一種延伸應用，用以瞭解一組預測變項和一個效標變項的直線關係：而每個預測變項的預測能力，是研究者重要的參考指標。
例如： Yi聯考成績(效標變項，criterion)
Xi模擬考成績(預測變項，predictors)
＊當效標變項僅一個，而預測變項僅一個時，稱為簡單迴歸Y =a＋bX
＊當效標變項僅Y一個，而預測變項二個以上時，則稱為單變項複迴歸(或多元迴歸)
＝a＋b1X1＋b2X2＋…＋biXi。
...當效標變項二個以上，而預測變項二個以上時，則稱為多變項複迴歸。
而多步驟迴歸分析為複迴歸分析的一種，它適用於研究者剛投入一個新的領域、無法判斷那個變項對依變項影響較大時 ( 即r平方值較大 )，可用這個方法找出影響量較大的變項。
＊觀念澄清：有些學者會將所有變數作兩兩相關係數的研究，刪除相關係數低的變相，再作迴歸分析。但這是不恰當的，因為相關係數的高低僅能看出該變項對於依變項（結果）的貢獻度，但無法確保高相關係數的變項，就真的與結果有相關。
例如：某研究結果指出：國小學童腳掌的大小與數學成績有高度相關。
探究其原因，發現是因為他沒有將學童依年齡分層，因此腳掌大小其實是年齡差異造成的。
所以單純只做兩個變項間的相關性，有時並沒有辦法解釋所欲瞭解的現象。
而相關係數低的變項，可能在控制某些變項後，才能凸顯它對結果的影響。
不過，在醫學領域有許多變數是很難的控制的，例如：生活習慣。
所以看研究主題與對象，可斟酌採用多步驟迴歸分析，做統計上的補救。
◎參考資料：
http://zh.wikipedia.org/wiki/%E6%96%B9%E5%B7%AE%E5%88%86%E6%9E%90
http://www.math.tku.edu.tw/chinese/mathhall/Sas/anova/procanova.htm
http://w2.nioerar.edu.tw/basis3/11/gf7.htm
沒有留言:
張貼留言