晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

在繼續介紹之前，先提醒大家，前篇所提到的One-way ANOVA 模型，因未放入任何的階層變項，故One-way ANOVA 模型可說為線性階層模型的基礎，又稱為零模型（Null model），其它模型可與其相比，得出階層變項的效率。

    今(2012)年2月中旬到臺灣師範大學上了許獻元博士的階層線性模型(HLM)課程，一個最大的感想是，高階統計方法的出現，並不是為了賣弄高深的數學，故意搞了複雜的統計公式，而是人類社會的實況就是這麼複雜，用簡化的統計方法，已經不能符合需要。

迴歸分析（Regression analysis）可以一次檢視多個自變項對於依變項的預測效果，當依變項為連續變項時適合用線性迴歸（Linear regression）分析、當依變項為二元類別變項時則最適用羅吉斯迴歸（Logistic regression）、當依變項為計數變項（Count data）則適用以Poisson regression來分析，甚至是結合二元類別及受限資料（Censored data）的Cox regression，或是其他種類的迴歸，因此迴歸分析在量化研究的重要性無庸置疑。

四、區別效度（Discriminant validity）

在編制量表（Scale）的時候，由於是以外顯（Manifest）的觀察變項（Observation variable，即題目）去測量看不見的特質（Trait，即潛在變項），因此研究者所設計的題目是否穩定且一致（信度）以及是否測量到想要探知的特質（效度）就顯的非常重要。關於信效度的概念，本部落格有2篇簡介文章的介紹可以先參考一下。

雖然SEM有這麼多的優點，但有利就有弊，以下針對SEM幾點重要的劣勢作說明：

以下針對SEM幾點重要的優勢作說明：

結構方程模式（Structural equation modeling, SEM）儼然已成為社會科學近20年來的分析典範，幾乎欲探討三個變項以上的因果關係（Casual relationship）的研究都會被要求要以SEM這種同時聯立方程式的方式作探討，否則很容易被審稿者所質疑。

在擔任統計諮詢顧問的過程中，超過半數的客戶都會使用到迴歸分析（Regression analysis），無論是線性迴歸（Linear）、羅吉斯迴歸（Logistic）或是其他種類的迴歸，主要原因當然是迴歸可以一次檢視多個自變項對於依變項的預測效果，因此廣受量化研究者的喜愛。

一年半前曾經寫過一篇簡介「logistic regression」的文章，結果沒想到很多讀者都有興趣，並且留言問了很多問題，這也表示越來越多人重視「間斷反應」（discrete response）的迴歸分析了，因此我將在這一篇文章精簡地介紹迴歸家族的分類方式（介紹最常用的幾種）。

階層線性模型（Hierarchical Linear Modeling, HLM）在近三年由邱皓政等老師組成的台灣統計方法學學會的推動之下，繼結構方程模式（Structural Equation Modeling, SEM）早已普遍使用，已開始燃起一股燎原之勢席捲整個學術圈。

當我們想要「預測」一件事情，最常用的統計工具就是「迴歸」（regression），要被預測或被瞭解的變項叫做依變項（Dependent variable），它可以是名目變項（nominal）、順序變項（Ordinal）、等距變項（interval）以及比率變項（ratio）。如果依變項是屬於後兩者，我們稱作連續變項（Continuous），那麼我們習慣用線性迴歸（Linear regression）去配適資料。

晨晰統計顧問林星帆整理

轉錄自網路文章～流浪的魚

量化研究典範的革命－結構方程模式概說（SEM的特性）

多元（複）迴歸分析

（Multiple Regression Analysis）~取自網路文章

～侯傑泰與成子娟撰      

摘要:差不多所有心理、教育、社會等概念，均難以直接準確測量，結構方程(SEM，Structural Equation Modelling)提供一個處理測量誤差的方法，採用多個指標去反映潛在變數，也令估計整個模型因數間關係，較傳統回歸方法更為準確合理。本文主要用一系列有關學習動機的虛擬例子，指出每個問題的主要分析策略，以展示SEM在教育及心理學可以應用的研究範疇。文內探討的方法包括：驗證性因素、高階因數、路徑及因果分析、多時段(multiwave)設計、單形模型(Simple Model)、及多組比較等。