之前我們介紹了三種較常用的相關分析，分別為皮爾森積差相關（Pearson product-moment correlation）、史皮爾曼等級相關（Spearman rank order correlation）與點二系列相關（Point-biserial correlation），但這些分析僅適用變項X對Y為一對一的相關分析，我們稱為簡單相關。當X與Y變項皆不只為一個變項時，我們可改用典型相關分析來求出X與Y的線性相關，我們稱為多元相關。
假設X與Y分別為「動機」與「滿意度」兩個量表，其中「動機」量表包含了「知識性」、「健康性」、「成就性」、「社會性」等4個層面，「滿意度」量表包含了「心理」、「社交」、「生理」等3個層面，架構圖如下。其實在未跑分析之前，我們無法X與Y變數的典型因素個數（架構圖的χ與η，最多為量表的構面數），而必須從分析出來的結果得知（那為什麼圖中已經有2組典型因素個數了呢，那是我先試跑分析了）。
（1）語法
本處只介紹典型相關的主要語法。
PROC CANCORR Data=Can all 對資料集Can進行典型相關分析，並列出所有的統計量
VNAME='動機' WNAME='滿意度' 分別給定X與Y的量表名稱（像本例可利用單引號加上中文名稱，若要用英文名稱則無需使用單引號）
VPREFIX=chi WPREFIX=eta; 分給產生的典型因素新的代號（在本例X以chi代表，Y以eta代表）
VAR X1 X2 X3 X4; 輸入X變數
WITH Y1 Y2 Y3; 輸入Y變數
Ps.聰明的您是否發現，在本例的語法中，V開頭的語法都是接X量表（VNAME、VPREFIX、VAR），W開頭的語法都是接Y量表（WNAME、WPREFIX、WITH）。
（2）報表
1描述統計
量表的觀察個數與樣本數，各觀察變項的平均數與標準差
2.積差相關
X與Y之間的相關及自我相關
3典型因素間的相關
先找出典型因素間的相關，指的是上面架構圖中的ρ，由此可知第一組典型因素的相關為0.86，第二組的相關為0.16，第三組的相關為0.810
4典型因素間的相關平方
相關的平方即為解釋力，即可知X解釋Y或Y解釋X可解釋的百分比，舉例來說X的第一組典型因素可解釋Y的第一組典型因素74.50%。
5典型因素是否具有統計上的意義
由上方的結果只能知道典型因素間的相關程度，但如果想知道這組典型因素是否有存在的價值則需透過檢定，由p值可知，只有第一組跟第二組的典型相關有達統計顯著。不過我們檢視第二組典型因素之間的解釋力似乎有點小，只有2%，因此有些研究者會將這組典型因素移除。
6考驗典型因素是否至少一個存在
可發現Wilks’ Lambda值與第一組典型因素的Likelihood Ratio相等，這是因為若第一組的典型因素都不存在的話，剩下的組別也都沒希望了，所以直接考驗第一組典型因素
7原始典型加權係數
別以為這是架構圖中的S（觀察變項與典型因素之間的相關），那是錯的。這個加權係數只是計算觀察變項對典型因素的貢獻度
8標準化典型加權係數
同上，但對觀察變項作標準化的動作
留言列表
{{ article.title }}