http://lms.ctl.cyut.edu.tw/sys/read_attach.php?id=432151 附上轉貼檔案網址 主要還是在找共線性的時候找到的介紹 可以把下面這些中文假想成一年級上過的計量好讀版 步驟一 遺漏值處理 1. 遺漏值或不完全資料為量化研究中，最容易出現且具干擾結果分析的一個問題 2. 遺漏值發生原因：作答過程疏忽、題意不明漏答、拒絕作答，尚有資料輸入所造 成的失誤亦可能被迫轉換成遺漏值來處理 3. 最大影響：樣本流失，造成研究資源的浪費或樣本不足問題 4. 某些情況，遺漏值有特定組型或傾向，稱為系統性遺漏，對研究結果造成更嚴重 影響 一、 遺漏資料的類型 （一） 遺漏組型 1. 遺漏值處理的基本原則，為遺漏值發生的型態。（型態比量更重要） 2. 遺漏型態問題，反應了遺漏值有可能有規則或次序的系統性遺漏，或者是毫無規 則與邏輯可循的非系統性或隨機性遺漏 3. 遺漏的數量與研究樣本大小考量有關，一般情況下，隨機遺漏在5％至10%之間是 可接受的（Cohen & Cohen, 1993） 4. Rubin(1976)指出，資料中的遺漏如果屬於非系統性或隨機性的遺漏，稱為可忽略 遺漏，其對研究影響： 5. Rubin(1976)指出，資料中的遺漏如果屬於非系統性或隨機性的遺漏，可利用兩種 不同隨機模式分析（MCAR，MAR）並處理： 6. 系統性遺漏：作答者一致性漏填或拒填，或受到其他因素的影響所造成，為一種 不可忽略遺漏，若任意填補或估計，亦造成研究結果一致高估或低估 7. 結論：需先對遺漏組型進行分析在決定如何採取估計程序 （二） 遺漏的機制 1. 系統性遺漏處理：利用結構方程模式處理，Little (1993)認為： (1) 選擇模式：遺漏值受到某特定外在因素影響（如性別），反應測量資料是一種外 在選擇的結果 (2) 組型混和模型：遺漏組型可能與外在變項產生交互作用，造成特定遺漏現象 二、 遺漏資料的預防與處置 （一） 事先預防法 1. 題目安排、增加「其他」選項、開放式問項，提供回答者在無法作答下，填入可 能答案 2. 隨機抽樣，則一般遺漏值多呈現隨機遺漏 3. 施測者能力 （二） 刪除法 1. 刪除任一個變項出現遺漏值遺漏者。又稱完全刪除法、全列刪除法 、完全資料分析 2. 針對分析時所牽涉的變項具有遺漏時才加以排除，稱為配對刪除法 、有效樣本分析，檢定力降低 （三） 取代法：分為冷層差補法（研究者以先前研究資料數據或利用先備知識來取代遺 漏值）、熱層差補法（自研究資料中，尋者與需要補漏的該筆資料具有相同特徵 的其他的資料，進行遺漏值差補，為通用法） 1. 中間數取代法 2. 迴歸估計法 3. 遺漏資料相關矩陣法 4. 最大期望法：利用最大概似法來進行估計，EM程序最常7528，利用疊代程序完成 ，每一次疊代包含 （1） E：找出遺漏資料的條件化期望值（利用完整資料建立對於遺漏資料相關參數的 估計值） （2） M：帶入期望值，利用先前E步驟所建立的遺漏資料期望值，取代遺漏值，再估計 出最契合了理想值 （3） 一但最大概似估計的疊代達到收斂，所得最後資料即為遺漏值可以取代的資料 （McLachlan, Krishnan, 1997; Little & Rubin, 1987） 5. 目前軟體進行EM（SPSS, Missing value analysis） 步驟二 常態性假設 1. 常態化為許多統計計數共同基本假設 2. 常態化假設決定統計分析是否可以是用一般性的機率概念或數學原理 3. 若常態化假設遭到違反，研究者必須進行適當的校正或轉換 4. 若同時處理多個連續變項的統計意義的檢驗時，常態化假設就必須延伸到多個連續變 數同時存在下的常態化現象必須維繫的基礎，即為多元常態性假設，如誤差項常態性與獨 立性在迴歸分析、變異數分析十分重要 一、 多元常態性檢驗 （一） 圖表判定法 1. 簡單次數分配圖、 2. 散佈圖 3. 進階P-P圖 （二） 統計判定法 若為常態，兩者值為0 1. 偏態係數（S），S>0為正偏態S<0為負偏態，多為極端值或偏離值所影響，可以 做刪除或資料轉換。 2. 峰度係數（K），K>0為高狹峰K<0為低闊峰 3. 一般在結構方程模式中，S絕對值>3，K絕對值>10，被視為非常態（Kline,1998） （三） 多元常態性檢驗 Kolmogorov-smirnov test (用在大樣本檢定)、Lilliefors 檢定、 Shapero-Wilk normality test（觀察個數少於50） 二、 非常態性資料處理 （一） 資料檢和與過濾 （二） 資料轉換 1. 偏態嚴重，取平方根，或取對數 2. 單變量Box-Cox轉換（Mooijaart, 1993） （三） 不同估計程序的使用 步驟三 線性關係假設 一、 線性關係的概念 1. 線性關係是指兩個連續變項的關係可以被一條最具代表性的直線來表達之時， 所存在的關連情形。此兩變項可能是單獨的兩個變項，也可能是一組變項的線性 組合，當一組變項進行整合後的新連續變項與其他變項的關係如果亦成為一條直 線，也符合線性關係的概念 2. 統計上常以皮爾森相關係數（Pearson’s r）表示 3. 線性關係在相關與迴歸分析當中，十分重要基本假設。如果線性關係條件不成立 ，則以兩變項共變數為基礎所發展的統計概念，將失去合理性，結構方程模式對於 線性關係的依賴更勝於迴歸分析 二、 線性關係的檢驗 散佈圖 三、 多元共線性的問題 多元迴歸分析中，經常發現，如果兩個自變項之間的相關很高，對於依變項的相關亦很高 ，但是執行迴歸分析之後，可能只剩下一個自變項對依變項具有預測力，另一個變項的預 測力則無故消失了此現象即因為自變項間具有高度多元共線性（multicollinearnality） 所造成 四、 多元共線性的偵測 1. 容忍值(tolerance) Tolerance=1-Ri2 該自變項被其他自變項無法解釋的殘差比 Ri2 某一自變項被其他自變項當作依變項來預測時，該自變項可以被解釋的比例 2. 變異數膨脹因數（Variance inflation factor, VIF） VIF=1/Tolerance VIF愈大，及預測變項迴歸係數的變異數增加，共變性愈明顯 Myers 建議VIF大於10時，變項共線性明顯，應加以去除或合併變項以避免估計問題 五、 誤差獨立與等分散性假設 1. 迴歸分析與變異數分析中，皆假設誤差項具有常態化與獨立性之假設（無自我相 關），否則將無法獲得有效參數估計值，並降低統計檢定力，易得到不顯著的 結果 2. 另外迴歸分析會假設在特定X水準下對Y的預測殘差項，其誤差變異量應相等，稱 為誤差等分散性（homoscedasticity） 3. 不相等的誤差變異量（及誤差變異歧異性heteroscedasticity），反應不同水準 的X分數下，對於Y分數的預測力不同，不應以單一迴歸式去預測Y 4. 當研究數據具有極端值出現時，或非線性關係存在時，誤差變異數歧異性的問題 就容易出現 -- ◣◣,◢█◣◣ _◢ ﹎____________ ◢ ◣ ◥◣\▆▆▆◣◣ ◤ _▇ _ ′√▲ ∥阿婆大歡喜！▍◢◤////◣◣ ◣◥◤◤◥█◥║ ▋∥︻◣ _ ▇◤◥_▊▋╱▲_▁_￣_▁_￣_▁_◥ ≡ == ◣ ║║ ⊙ ⊙∕▇▆▇︵@▏"▉#[μ \╱ ︵Nㄟ _▁_ _▁_ _▁_ ◥ ○—○◥● ▆▇_◤# ● ‵ ‘︶ ╱︶ ╲ ╲╲ ╲╲●~* ◣＊\'◢ ◤ ◣◥=◣ ▽◢=◤_▁▁▁▁▁▁▁▁▁▁▁▁▁▁▁_￣▇￣￣▇￣ ◢◣◥`︸'◤◤ --

※ 發信站: 批踢踢實業坊(ptt.cc) ◆ From: 140.120.95.44