路径分析案例

多元迴歸 16-71 範例 16.4 路徑分析 資料庫：本範例利用 SPSS 軟體所提供的範例資料 employee data.sav（可在 SPSS 軟體的子目錄下得到該檔案）來進行路徑分析。該資料庫蒐集了 474 位員工的 人事與薪資資料，重要變數包括性別（為字串變數，需轉換成數值變數）、受教 育年數、在該公司的年資、先前的工作資歷、是否為少數民族、起薪與目前薪 資。根據這些變數，提出一個路徑模型如下： ■SPSS操作程序 A. 性別字串變項轉換成數值變數（虛擬變數） （說明：由於性別為字串變數，m 為男性，f 為女性，無法進行迴歸分析， 因此以轉換功能將性別轉換成 0(女)與 1(男)的虛擬變數） 目前薪資起薪 本公司年資 以前資歷 性別 教育程度 種族區隔 人口變項 資歷變項 結果變項 操作要點：路徑分析是由研究者依據理論文獻，提出路徑模型，將每 一個內衍變項視為一個迴歸模型，分別進行分析後加以組合，即可得 到路徑分析的結果。 16-72 多元迴歸 變數性質轉換 將原本的m與 f轉換 成 1與 0的數值，即 成為數值變數。 多元迴歸 16-73 B. 迴歸分析 （說明：將內衍變項作依變項，以強迫進入法同時將所有的自變數納入進行 多元迴歸分析，取標準化迴歸係數為路徑係數。） 1. 以目前薪資為依變項 ■報表結果 模式摘要 .903 a .815 .812 $7,397.678 模式 1 R R 平方 調過後的 R 平方 估計的標準誤 預測變數：(常數), jobtime 在本公司的年資(月), prevexp 以前的資歷(月), salbegin 起薪, minority 種族區隔, gender2, educ 教育程度(年) a. 變異數分析 b 112359618390 6 18726603065 342.191 .000 a 25556877046.3 467 54725646.780 137916495436 473 迴歸 殘差 總和 模式 1 平方和 自由度 平均平方和 F 檢定 顯著性 預測變數：(常數), jobtime 在本公司的年資(月), prevexp 以前的資歷(月), salbegin 起薪, minority 種族區隔, gender2, educ 教育程度(年) a. 依變數：salary 目前薪資b. 設定多元迴歸 以目前薪資為依 變數，六個自變數 以強迫進入法估 計迴歸係數 模式摘要與檢定 以目前薪資為依變 項的迴歸結果，可 用來計算估計標準 誤 16-74 多元迴歸 係數a -14478.538 3267.573 -4.431 .000 589.259 166.359 .100 3.542 .000 2418.777 799.012 .071 3.027 .003 -1377.447 851.277 -.033 -1.618 .106 -18.764 3.601 -.115 -5.210 .000 1.707 .061 .787 27.868 .000 156.511 34.048 .092 4.597 .000 (常數) educ 教育程度(年) gender2 minority 種族區隔 prevexp 以前的資歷(月) salbegin 起薪 jobtime 在本公司的年資(月) 1 B 之估計值 標準誤 未標準化係數 Beta 分配 標準化係 數 t 顯著性 依變數：salary 目前薪資a. 2. 以起薪為依變項 ■報表結果 模式摘要 .706 a .499 .494 $5,596.641 模式 1 R R 平方 調過後的 R 平方 估計的標準誤 預測變數：(常數), prevexp 以前的資歷(月), minority 種 族區隔, gender2, educ 教育程度(年) a. 變異數分析 b 14610703792.9 4 3652675948 116.615 .000 a 14690201172.6 469 31322390.6 29300904965.5 473 迴歸 殘差 總和 模式 1 平方和 自由度 平均平方和 F 檢定 顯著性 預測變數：(常數), prevexp 以前的資歷(月), minority 種族區隔, gender2, educ 教育 程度(年) a. 依變數：salbegin 起薪b. 迴歸係數 Beta係數即為 路徑係數（直接 效果）。 設定多元迴歸 以起薪為依變 數，只有四個自變 數，以強迫進入法 估計迴歸係數。 此時起薪被視為 是中介變數。 多元迴歸 16-75 係數a -6935.866 1416.652 -4.896 .000 1574.258 102.343 .577 15.382 .000 3670.725 578.845 .233 6.341 .000 -2339.717 634.479 -.123 -3.688 .000 12.812 2.659 .170 4.818 .000 (常數) educ 教育程度(年) gender2 minority 種族區隔 prevexp 以前的資歷(月) 模式 1 B 之估計值 標準誤 未標準化係數 Beta 分配 標準化係 數 t 顯著性 依變數：salbegin 起薪a. 3. 以以前資歷為依變項 ■報表結果 模式摘要 .371 a .138 .134 97.310 模式 1 R R 平方 調過後的 R 平方 估計的標準誤 預測變數：(常數), gender2, educ 教育程度(年)a. 變異數分析b 713790.490 2 356895.245 37.690 .000 a 4460016.3 471 9469.249 5173806.8 473 迴歸 殘差 總和 模式 1 平方和 自由度 平均平方和 F 檢定 顯著性 預測變數：(常數), gender2, educ 教育程度(年)a. 依變數：prevexp 以前的資歷(月)b. 設定多元迴歸 以先前經驗為依 變數，僅需兩個自 變數，以強迫進入 法估計迴歸係數 迴歸係數 Beta係數即為 路徑係數（直接 效果）。 16-76 多元迴歸 係數a 236.772 21.572 10.976 .000 -12.913 1.660 -.356 -7.780 .000 61.181 9.604 .292 6.371 .000 (常數) educ 教育程度(年) gender2 模式 1 B 之估計值 標準誤 未標準化係數 Beta 分配 標準化係 數 t 顯著性 依變數：prevexp 以前的資歷(月)a. 3. 完成路徑圖 估計誤差估計： 目前薪資：R2=.815， 430.185.1 2  Rse 起薪：R2=.499， 708.501.1 2  Rse 以前資歷：R2=.138， 928.862.1 2  Rse 4. 效果分析 以教育程度對於目前薪資的效果為例： 直接效果：教育→目前薪資: .100 間接效果 1:教育→以前資歷→目前薪資：-.356*-.115=.041 間接效果 2:教育→起薪→目前薪資：.577*.787=.454 間接效果 3:教育→以前資歷→起薪→目前薪資：-.356*.170*-.115=.007 總效果=.100+(.041+.454+.007)=.100+.502=.602 目前薪資起薪 本公司年資 以前資歷 性別 教育程度 種族區隔 -.115*** -.033 -.092*** .100*** .071** .787*** R2=.815, se=.430R 2=.499, se=.708 .577*** .233*** -.123*** .170*** -.356*** .292*** R2=.138, se=.928 迴歸係數 Beta係數即為 路徑係數（直接 效果）。 多元迴歸 16-77 表 16.11 薪資模型路徑分析各項效果分解說明 依變項：內衍變項 自變項 以前資歷 起薪 目前薪資 外衍變項 educ 教育程度 直接效果 -.356 .577 .100 間接效果 - .061 .602 總效果 -.356 .638 .702 gender2 性別 直接效果 .292 .233 .071 間接效果 - .050 .189 總效果 .292 .283 .260 minority 種族區隔直接效果 - -.123 -.033 間接效果 - - -.097 總效果 - -.123 -.130 jobtime年資 直接效果 - - -.092 間接效果 - - - 總效果 - - -.092 內衍變項 prevexp 以前資歷直接效果 - .170 -.115 間接效果 - - .134 總效果 - -.170 .021 salbegin 起薪 直接效果 - - .787 間接效果 - - - 總效果 - - .787 ■結果解釋 以 SPSS 的多元迴歸功能進行三次多元迴歸得到的結果顯示，三 個內衍變項能夠有效的被解釋，解釋變異量分別是目前薪資的 .815 （ F(6,467)=342.191, p<.001 ）、 起 薪 的 .499 （ F(4,469)=116.615, p<.001）、以前資歷的.138（F(2,471)=37.69, p<.001），而起薪與以前資 歷扮演了中介變項的角色，教育、性別與種族區隔都可以藉由中介變 數間接影響目前薪資。整個模型估計的結果如路徑圖所示。 16-78 多元迴歸 對於各變數的效果分析摘要表列於表 16.11，結果顯示教育程度 是對於目前薪資的影響最重要的解釋變數，不僅具有直接效果（.100） 也具有多重間接效果，間接效果的總和達.602，總效果為.702。如果 與原來觀察相關（.661）相比（樣本相關矩陣如下方所示），總效果與 觀察相關數值非常接近，但是如果沒有考慮間接效果，僅用直接效果 來說明教育程度與目前薪資的關係，會出現明顯的低估的現象。 相關 1 .661** .450** -.177** -.097* .880** .084 .661** 1 .356** -.133** -.252** .633** .047 .450** .356** 1 .076 .165** .457** .066 -.177** -.133** .076 1 .145** -.158** .050 -.097* -.252** .165** .145** 1 .045 .003 .880** .633** .457** -.158** .045 1 -.020 .084 .047 .066 .050 .003 -.020 1 salary 目前薪資 educ 教育程度(年) gender2 minority 種族區隔 prevexp 以前的資歷(月) salbegin 起薪 jobtime 在本公司的年資(月) Pearson 相關 salary educ gender2 minority prevexp salbegin jobtime 在顯著水準為0.01時 (雙尾)，相關顯著。**. 在顯著水準為0.05 時 (雙尾)，相關顯著。*. 另一個值得注意的效果，是以前資歷對於目前薪資的影響。以前 資歷的直接效果是-.115，顯示以前資歷越久者薪資越低，但以前資歷 會透過起薪間接影響目前薪資，路徑係數（.170*.787=.134）為正值， 表示以前資歷越久者，起薪越高；起薪越高，則目前薪資越高，間接 效果的影響甚至大於直接效果，兩相抵銷之下，總效果仍有.021。此 一結果凸顯了一個問題，即以傳統的迴歸模型來解釋變項關係，無法 偵測出微妙的中介效果（mediation effect）。以本範例的數據顯示，以 前資歷的直接效果為負值，顯示以前資歷的多寡對於目前薪資的高低 是有害處的；但增加了間接效果之後，總效果成為正值，顯示以前資 歷對於薪資是有幫助的。同一個資料庫得到的研究結論恰好相反，顯 示當我們使用了不同的分析 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 ，得到結果會有不同，此時，究竟哪 一個結論才是正確的，成為一個學術的羅生門。因此，深入瞭解各種 方法的差異與優劣、審慎使用統計方法來分析資料、正確解讀研究的 數據，是量化研究方法訓練非常重要的一環。