:::

課程查詢 / 社會統計



第一篇 統計軟體操作導讀篇
第一章 社會問題、方案評估與社會統計關係
 第一節 社會問題與相關問題探討
 第二節 社會問題與方案評估
 第三節 社會問題評估與社會統計
第二章 問卷設計理論與社會統計實務
 第一節 問卷設計與相關原則
 第二節 主要量表類型與社會統計實務
 第三節 問卷調查與常見的統計
 第四節 問卷資料庫的建立與分析
第三章 Excel統計函數與資料分析應用實務導論
 第一節 概述
 第二節 資料的準備與建立Excel資料檔
 第三節 Excel統計函數使用介紹—以平均數為例
 第四節 Excel統計圖表的製作
 第五節 利用Excel樞紐分析表功能製作次數分配表
 第六節 Excel資料分析工具增益集
第四章 敘述統計
 第一節 資料的分類與特性
 第二節 變數的介紹
 第三節 統計圖的介紹
 第四節 統計量的介紹
 第五節 統計表的介紹
 第六節 Excel 的運用
第二篇 統計基礎概念與實務篇
第五章 隨機變數與主要機率分配
 第一節 樣本空間與事件
 第二節 條件機率
 第三節 隨機變數
 第四節 常態分配
 第五節 中央極限定理
 第六節 卡方分配、F分配及t分配
第六章 抽樣與抽樣分配
 第一節 抽樣方法
 第二節 抽樣誤差
 第三節 平均數的抽樣分配
 第四節 t分配及區間估計
 第五節 樣本數的決定
 第六節 比例的抽樣分配及區間估計
 第七節 樣本變異數的抽樣分配及區間估計
第七章 估計
 第一節 統計估計概念
 第二節 母體平均數μ的估計
 第三節 母體比例p的估計
第八章 單一群體參數的假設檢定
 第一節 假設檢定的步驟與意義
 第二節 單尾檢定與雙尾檢定
 第三節 型I誤差與型II誤差
 第四節 檢定的顯著水準
 第五節 P值的意義與計算及與α的比較
 第六節 檢定統計量的標準化
 第七節 單一群體假設檢定
 第八節 Excel在單一群體檢定的運用
第九章 雙群體參數的假設檢定
 第一節 兩個群體平均數差異的假設檢定
 第二節 兩個群體比例差異的假設檢定
 第三節 兩個群體變異數差異的假設檢定
 第四節 三個以上群體平均數差異的比較
 第五節 三個以上群體比例差異的假設檢定
 第六節 Excel在檢定兩個群體平均數差異上的運用
第十章 卡方檢定
 第一節 無母數檢定與母數檢定所需具備的條件與差異
 第二節 無母數檢定的種類
 第三節 卡方分配與卡方檢定
 第四節 適合度檢定之意義與步驟
 第五節 獨立性檢定之意義與步驟
 第六節 數值資料轉化為類別資料進行卡方檢定
 第七節 卡方檢定的有關假定與檢定的限制條件
 第八節 EXCEL在卡方檢定的運用
第十一章 多個群體平均數之比較—單因子變異數分析
 第一節 單因子變異數分析基礎概念
 第二節 單因子變異數分析Excel操作範例
 第三節 以Excel進行事後多重比較
 第四節 變異數分析觀念補充說明
第十二章 相關
 第一節 簡介相關
 第二節 相關係數
 第三節 相關係數γ檢定
第十三章 簡單線性迴歸分析
 第一節 簡介迴歸分析
 第二節 簡單線性迴歸模型
 第三節 簡單線性迴歸模型利用Excel製作
 第四節 判定係數
 第五節 迴歸係數的檢定及信賴區間
 第六節 預測
書封面
第一篇 統計軟體操作導讀篇
第一章 社會問題、方案評估與社會統計關係
  社會問題是普遍會影響和破壞社會的因素。社會問題通常是用來描述世界上某一特定地區或一群人的問題的術語。社會問題往往涉及影響現實生活的問題,它也影響人們對某些情況的反應如貧窮、性病、反社會行為、藥癮、娼妓、酗酒、失業、性虐待、未婚懷孕等。社會問題資料搜集方法主要可以分為實驗法、調查法、電腦訪談法、田野調查法、次級資料研究法等。
  探討失業問題時,作者以相關係數與迴歸各國在2006-2016年間的失業率為例,以初步瞭解亞洲(含中華民國、韓國、新加坡、香港、日本、中國)、歐洲(法國、德國、義大利、英國)與美洲(美國、加拿大)各洲失業率間是否有相同的趨勢。作者先以各洲的失業率平均值,再取各洲的皮爾森相關係數,結果初步結果為亞洲與美洲兩者間的失業率成中度正相關(γ=0.61847),而亞洲與歐洲兩者間的失業率成低度負相關(γ=-0.24446)。

第二章 問卷設計理論與社會統計實務
  問卷設計與施測的循環流程,主要分為文獻回顧、調查目標明確化、概念化與操作化、問卷設計、修訂問卷、資料搜集6個階段。常見的李克氏量表建構需要的統計方法有項目分析、信度分析與效度分析, 其中項目分析可以在EXCEL中進行計算,而信度分析與效度分析則常常運用SPSS進行計算。信度是指根據測驗工具所得到的結果的一致性或穩定性,反映被測特徵真實程度的指標。一般而言,兩次或兩個測驗的結果愈是一致,則誤差愈小,所得的信度愈高。

第三章 Excel統計函數與資料分析應用實務導論
  應用統計分析在社會科學領域研究中扮演著相當重要的工具角色,能夠提供研究假設的科學證據。然而,對於社會研究者來說,如何進行應用統計分析中的各項計算、模型的建立及圖表的繪製等,卻是不容易的工作項目。本章首先將複雜的研究流程簡化成三步驟,故讀者只要掌握三個步驟即可完成初步的統計分析,完成您的專題研究或專案報告等。此三個步驟即是:「資料的準備及整理」、「選取適當的統計分析方法」、「結果的判讀與解釋」。
  Excel屬於微軟OFFICE系列中的試算表軟體,主要用於計算各式各樣的數值,其中包含提供簡易的統計計算功能。本章從資料的來源介紹起,接著介紹如何建立統計分析使用的Excel資料檔,Excel統計函數的使用,統計圖表的製作,利用樞紐分析表功能製作次數分配表,統計資料分析工具增益集等。
  因此本章即是以讀者使用的角度,介紹如何利用Excel的便捷操作介面,完成我們的統計資料分析及研究課題。配合本章的說明及範例,利用Excel進行統計分析,相信必能增加各位對於統計分析的信心,不再覺得統計分析像是一座無法跨越的高山。

第四章 敘述統計
  統計學是一門處理數據資料的科學,我們常常透過問卷或訪問調查的方式蒐集資料,這些資料有些本身就是以數字的方式呈現,有些雖然不是數字資料,但可以將這些非數值資料轉換成數值的形式,以方便我們將資料進一步整理、分析,讓這些看似雜亂無章龐大的資料,透過統計的技術將其化繁為簡,使隱藏在數據背後的重要資訊及意涵顯示出來,幫助我們對觀察現象進一步的了解,甚至可以將這些資訊當作決策的參考。
  敘述統計即是一套將資料化繁為簡的統計技術,本章將討論這些描述資料的統計技術,透過這些技術,我們將可以使資料(data)變成資訊(information),更進一步將這些資訊整合成為我們生活的知識(knowledge)或智慧(wisdom)。
  將資料化繁為簡的技術包含繪製統計圖(graphs)、製作統計表(tables)及計算統計量(statistics),透過這三種工具我們就可以將隱藏在大量數據背後的模式(pattern)或趨勢(trend)找出來,這些分析的結果也可進一步的做為統計推論的基礎。

第二篇 統計基礎概念與實務篇
第五章 隨機變數與主要機率分配
  隨機變數顧名思義為隨著機率而變的函數。數學來說就是一個函數它的定義域為機率空間裡的初始集合,它的值域為分布於整個實數或是它的部分集合,所以隨機變數的函數值就會因機率空間裡的隨機現象而會有不同的出現機率。因此,我們要瞭解隨機變數就得先知道機率論中的一些基本定義與性質。
  在我們日常生活中常會遇到隨機的現象(或是不確定性現象),機率論就是要度量隨機現象的一門學科,它可以用來瞭解不確定現象的所有可能情形。早期機率論的起源與賭博有關,它是由兩位數學家巴司卡(Pascal)與費馬(Fermat)互相討論關於賭金分配的問題而開始慢慢的發展出來。如今機率論已廣泛被運用在各行各業上,成為不可或缺一門科學。
  機率空間由三個元素所組成,我們常以(Ω,F,P)來表示;其中Ω為一個集合也就是我們上面提到的隨機變數的定義域,F為由Ω的某些特定的部分集合所構成的集合族,最後P是一個集合函數,它的定義域為集合族F,值域為介於0與1之間的實數;也就是我們給予集合族F中每個集合所定義的機率值。隨機變數就是把機率空間中的Ω映射至實數空間上使得我們方便用來做統計上的資料分析,通常我們會用大寫的英文字母X,Y和Z來表示隨機變數;透過隨機變數X我們可以把原來的機率空間(Ω,B,P)轉換到實數上的機率空間(S,B,Px),此處的S為隨機變數的值域,通常我們稱為狀態空間(state space);同時隨機變數也把原先定義於F上的機率函數P轉換到定義於B上的機率函數Px,通常我們稱Px為隨機變數X的分布。換言之,隨機變數將原本機率空間中屬於Ω的每一個元素w轉換到狀態空間裡屬於S的s。同時我們也把原先要研究F(或Ω)上的初始機率函數,轉換為比較方便做統計分析的狀態空間S(或B)上的機率分布。因此,原始的機率空間常常就忽略不提了,直接從狀態空間開始敘述,方便後來的統計推論與分析。

第六章 抽樣與抽樣分配
  抽樣調查的目的在於我們想瞭解母體是否具有某種現象,由於普查有所困難,故抽取部分樣本後,利用樣本資訊作為推論母體狀況的依據,其關鍵在於如何在取得樣本後,經由估計及控制抽樣誤差瞭解母體行為。例如:候選人或民眾關心大家對於總統候選人的支持度,故抽樣兩千位成年人進行調查。要達到此目的,必須知道各種抽樣方法,如何降低抽樣誤差,以及瞭解各種樣本統計量的機率分布,以利估計母體行為。
  普查:對於研究的全部對象,針對欲瞭解的行為進行調查,此過程則稱為普查。
  母體:研究的全部對象稱為母體或群體(population)。母體是由個體(individual)組合而成。
  樣本:在母體中進行抽樣,而得到的一些個體資料則稱為樣本。

第七章 估計
  人人都會說:「我估計……」,可見估計是大家常用的一個觀念。統計分析與研究中,我們的目標常常是利用樣本資料去估計未知母體的某一個參數值,例如我們今天有興趣了解全台灣大專畢業生的平均薪資。在進行估計時,統計估計方法大致可分為點估計(point estimation)與區間估計(interval estimation)兩大類。本章主要介紹的是社會統計中常見的:母體平均數的點估計及區間估計、母體比例的點估計及區間估計,以及相對應的Excel操作方法。

第八章 單一群體參數的假設檢定
  理論的建構可以透過觀察發現模式,這些模式需要進一步的檢驗,以便能修正模式讓它變成經得起考驗的理論,這樣的過程乃透過發現模式的歸納過程,及檢驗模式的演繹過程。在統計理論裡面,估計(estimation)乃是透過對樣本的觀察,從樣本資料推論到樣本所來自的群體的統計方法,是屬於歸納法的理論建構;假設檢定(hypothesis testing)乃是透過對假設的驗證,檢驗理論是否成立?這個假設檢驗的過程,先是對群體做假設,然後利用樣本資料,來檢驗群體假設的真實性或正確性,是屬於演繹法的理論建構。
  理論建構可能由歸納法開始,理論建構也可能從演繹法而來,如此周而復始反覆進行,這個循環過程有些理論可能被建立,有些理論可能被推翻。

第九章 雙群體參數的假設檢定
  前一章我們花了很大的篇幅介紹了單一群體參數的假設檢定,本章將把焦點放在雙群體參數的假設檢定,主要是討論當我們的推論牽涉到兩個群體參數的比較時,我們要如何利用樣本統計量之間的差異,推論參數之間是否存在實質的差異性或相關性。本章對雙群體假設檢定的討論將包含兩個群體平均數之間的差異的假設檢定、兩個群體比例之間差異的假設檢定及兩個群體變異數之間差異的假設檢定。
  本章對三個或三個以上平均數差異的假設檢定,及三個以上比例差異的假設檢定也做了簡略的說明,以幫助讀者解決兩個以上母數間差異比較的檢定問題。

第十章 卡方檢定
  統計分析的技術經過歷來統計學家的努力,已經能夠因資料型態的不同而發展出不同的分析方法,特別是很多統計分析的技巧都奠基在常態分配的假定之上,樣本必需是隨機取樣得到的,甚至在不同群體的比較時,要先假定不同群體需有相同的變異數,分析的資料最好是數值資料。在社會科學的研究裡,很多現象的分配並非呈常態分配,或因樣本的取得不是透過隨機抽樣,或分析的資料本身並非數值資料,而是一些分類的名目層次資料,或是一些比較大小或喜好程度等順序層次的等級資料,這些資料都不符合數值資料分析的基本要求,因此,針對等距、等比或等高層次資料所發展出來的統計分析方法,遇到名目或順序等低層次的資料並不適用。所幸統計學家也針對這些低層次資料發展出另一系列的統計分析方法,因其不限制分析群體需呈常態分配,不需注意其平均數或變異數等母數的大小,因此通稱這一系列的統計方法稱為無母數統計(non-parametric statistical methods),或稱不限分配統計分析(distribution free statistical analysis)。
  在眾多的無母數統計分析方法中,卡方檢定算是最為廣泛應用的方法,因卡方檢定以次數代替分數做為分析的對象,分析所用的卡方統計量淺顯易懂平易近人,所以需要做特別的介紹。本章特別針對單變數卡方檢定的適合度檢定及雙變數卡方檢定的獨立性檢定做較深入的介紹。

第十一章 多個群體平均數之比較—單因子變異數分析
  在研究課題中,探討不同群體間的某項觀測值的平均數μ是否相同是很常見的研究議題,例如:不同產業的平均工作時數是否相同、不同家庭類型的平均收入與支出是否一樣、不同學院的大學畢業生的平均薪資是否相當……等等。
  當要比較多個群體平均數之大小高低時,不能用之前所介紹的獨立樣本t檢定,因為會犯較大第一型錯誤(Type I error),而使得結果不精確。
  因此,對於多個群體平均數的相互比較,且又要檢定結果之顯著水準維持在α,最適當的分析方法為變異數分析(analysis of variation, ANOVA),其中最基礎的方法稱為單因子變異數分析(one-way ANOVA)。本章即是介紹單因子變異數分析的基礎概念及如何利用Excel進行單因子變異數分析。

第十二章 相關
  日常生活中,我們有時想知道兩件事情的發生有無關係,例如:收入與教育程度的關係、年齡與壽命的關係、廣告費用與銷售量的關係……,這些關係其實都是尋求兩變數之間是否存在某種程度的相關性。統計學上常用來分析相關的統計方法之一為相關分析。本章將透過相關分析的概念解釋及利用Excel進行相關分析的逐步操作,以瞭解變數間的關係。
  本章主題「相關」主要討論變數間相關的訊息,包含相關的方向、相關的形式及相關的強度,接著介紹一些資料在散佈圖的型態與說明,進而討論相關係數的計算與判斷、簡單及複相關分析的操作與討論。

第十三章 簡單線性迴歸分析
  兩個變數之間的線性關係,我們已經在前一章『相關』說明。若能進一步地用數學方程式表示的話,我們透過這方程式就能以某一變數預測另外一個變數。這即是本章要說明的主題:簡單線性迴歸分析(simple linear regression analysis)。
  迴歸一詞由英國的統計學家法蘭西斯高登(Francis Galton, 1822-1911)在1885年提出而沿用至今。他觀察一群父子身高之間的關聯性,發現幾代之間身高較高的父親有迴歸於全體平均身高的現象。也就是說,身高較高的父親通常有著不到自己身高的兒子,身高較矮的父親也通常有著高於自己身高的兒子,即後代的身高有向平均身高迴歸的現象。迴歸這個名詞現已廣泛地應用在各種問題,其意義早已超出當時利用這個名詞解釋的範圍了。
劉弘煌
美國奧勒岡州立大學統計暨教育哲學博士
實踐大學社會工作學系副教授兼系主任

胡殿中
美國喬治亞大學統計研究所博士
國立清華大學數學系教授

江志民
臺灣大學農藝所生物統計博士
經國管理暨健康學院餐旅廚藝管理系 助理教授

吳來信
法國國立社會科學高等研究院人口統計暨社會科學研究所博士預備文憑
法國國立社會科學高等研究院社會人類學博士
國立空中大學社會科學系專任助理教授兼社會工作與福利行政科主任