什麼是多元迴歸？
多元迴歸是一種統計分析技術，用於理解一個因變數與兩個或多個自變數之間的關係。該方法常用於社會、經濟、商業、健康、教育和數據科學研究，因為它能夠解釋多個因素如何共同影響結果。
例如，假設有人想要預測學生的考試成績。考試成績（因變數）可能受到學習時間、出席率和輔導機會（自變數）的影響。多元迴歸可以幫助回答以下問題：哪些因素影響最大？在其他因素不變的情況下，如果學習時間增加，平均考試成績會提高多少？
多元迴歸的定義與目的
簡單來說，多元迴歸的目標是：
1. 根據幾個自變數預測因變數的值。
2. 解釋每個自變數對因變數的影響程度。
3. 減少瞭如果我們只使用一個自變數可能會產生的偏差，即使實際上一種現象受到許多因素的影響。
4. 在測試某一特定變項的影響時，控制其他變因（控制）。
簡單迴歸只關註一個因素與結果之間的關係。然而，在現實世界中，各種因素的影響往往相互交織。這時，多元迴歸就顯得更加貼近實際：它透過同時納入多個變數來嘗試掌握「全局」。
多元迴歸方程式的一般形式
多元迴歸通常寫成以下方程式：
Y = a + b1X1 + b2X2 + b3X3 + … + bnXn + e
信息：
– Y = 因變數（需要解釋/預測的變數）
– a = 常數（當所有 X 均為 0 時 Y 的值）
– b1、b2、…、bn = 每個自變數的迴歸係數
– X1、X2、…、Xn = 自變量
– e = 誤差/殘差（Y 的變異中無法用模型解釋的部分）
係數 b 是最常被解讀的組成部分。例如，如果 b1 = 2,5，那麼在其他自變數不變的情況下，X1 每增加 1 個單位，Y 將增加 2,5 個單位。 「其他條件不變」這個表述非常重要，因為它體現了多元迴歸的關鍵特徵：它衡量的是變數的「偏」效應。
多元迴歸應用範例
為了便於理解，這裡舉一個商業領域的簡單例子。例如，一家公司想知道影響產品銷售（Y）的因素。 參考數據:
– X1 = 廣告費用（單位：百萬印尼盾）
– X2 = 產品價格（單位：千印尼盾）
– X3 = 活躍經銷商數量
分析結果得出下列方程式：
銷售額 = 100 + 8X1 – 5X2 + 12X3
解讀如下：
– 常數 100：當廣告成本、價格和經銷商被視為 0 時，銷售量估計為 100 單位（這只是數學上的解釋，有時在現實中沒有意義）。
– 8X1：如果價格和經銷商保持不變，每增加 1 萬的廣告成本，預計銷售量將增加 8 台。
– -5X2：如果其他變數保持不變，價格每上漲 1 印尼盾，預計銷售量將減少 5 單位。
– 12X3：在其他變數不變的情況下，每增加 1 個活躍經銷商，銷售量就會增加 12 件。
透過這種模式，公司可以製定政策：例如，確定廣告、價格和經銷商數量的組合，以實現銷售目標。
多元迴歸何時適用？
多元迴歸適用於以下情況：
1. 你有一個想要預測的主要結果（Y）。
2. 有不只一個因素被認為會影響結果（X）。
3. 資料是數值尺度，或可轉換為數值形式（例如，類別轉換為虛擬變數）。
這種方法也可以用於研究中的“檢驗理論”，例如，在控制工作經驗和居住地點之後，教育對收入的影響是否仍然顯著。
多元迴歸中的重要假設
為了確保結果的有效性，多元迴歸分析需要考慮以下幾個假設：
1. 線性
假設自變數和因變數之間的關係是線性的。如果實際關係是曲線的（非線性的），則線性模型的準確性可能會降低。
2. 不存在高度多重共線性
自變數之間的相關性不宜過強。如果 X1 和 X2 幾乎相同，則很難區分它們各自的影響。
3. 同方差性
殘差變異數預計在所有預測值上都相對恆定。如果殘差在某個特定值處變大（異方差性），則估計效率可能會降低。
4. 殘差的常態性（通常是期望的）
殘差應近似服從常態分佈，尤其是在下列情況： 顯著性檢定.
5. 誤差的獨立性
觀測值之間的誤差不應存在相關性。這個問題經常出現在時間序列資料中。
檢定假設通常是透過殘差圖、統計檢定（例如，VIF 用於多重共線性檢定）和其他診斷分析來進行的。
模型品質評估：R² 和顯著性檢驗
在多元迴歸分析中，常用的指標有以下幾種：
– R²（決定係數）
R² 值表示模型能夠解釋 Y 的變異比例。 R² 值介於 0 到 1 之間。 R² 值越大，自變數解釋的變異就越多。然而，較大的 R² 值並不一定意味著模型「正確」；可能存在過擬合的情況。
– 調整後的 R²
R² 的一個變體考慮了自變數的數量。這有助於比較具有不同變數數量的模型。
– F 檢定（同時）
檢驗自變數是否共同對 Y 產生顯著影響。
– t 檢定（部分）
檢定每個係數（b1、b2 等）是否具有統計意義。
透過這項測試，研究人員可以評估模型是否有用，以及哪些變數真正發揮了作用。
多元迴歸的優勢與局限性
克萊比漢
——因為它同時考慮了許多因素，所以更貼近現實。
可用於預測和解釋。
– 允許進行部分效應分析（控制其他變項）。
它是許多高級方法的基礎 統計學和機器學習.
限制
– 易受多重共線性影響。
– 如果假設不成立，結果可能會造成誤導。
– 不必然顯示因果關係；迴歸分析顯示的是關聯性，而因果關係需要嚴謹的研究設計。
– 如果變數過多而資料量不足，則可能發生過擬合。
關閉
多元迴歸是分析單一因變數與多個自變數之間關係的重要統計工具。此方法使用相對簡單的方程，幫助研究人員和實踐者了解影響因素，衡量每個變數的影響強度，並做出比單獨使用單一因素更準確的預測。
然而，多元迴歸並非「萬能工具」。它需要高品質的數據、合理的變數選擇以及假設檢驗，才能確保結果的準確性。如果運用得當，多元迴歸可以為各領域的數據驅動決策提供堅實的基礎。
如果您願意，我可以幫助您針對特定情況（例如，論文、商業或高中讀者）創建本文的版本，其中包含簡單的計算範例以及如何閱讀 SPSS/Excel/R 輸出。
