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。