多變量分析: 使用SPSS與STATA | 誠品線上

多變量分析: 使用SPSS與STATA

內容簡介

內容簡介 #以SPSS與STATA為主，兼採其他特定功能的統計軟體。 #理論與應用並重，適合學位論文撰寫需要。 #包含多種統計軟體配合資料解說，操作步驟清晰易懂。 多變量統計軟體入門，社科研究必備之工具書 在社會及行為科學的研究中，隨著研究方法的複雜及個人電腦的普及，應用多變量統計方法來分析資料的機會相對增加。近年來，各大學研究生人數逐年增加，基於學位論文撰寫的需要，多變量分析方法及統計套裝軟體的運用乃成為不可或缺的能力。另一方面，人工智慧及機器學習日益影響人類生活，而多變量分析方法也是其中重要的一環。 本書挑選了較常用的主成分分析、探索性因素分析、驗證性因素分析、集群分析、典型相關分析、多元迴歸分析、徑路分析、邏輯斯迴歸分析、區別分析、多變量平均數檢定、多變量變異數分析、多層次模型、共變數結構方程模型、偏最小平方結構方程模型等15種方法加以介紹。除理論說明，應用SPSS、STATA與各種統計軟體配合實際資料加以解說，亦製作統計摘要表，兼具理論性與應用性，使初次接觸多變量分析的讀者悠遊於各類統計軟體之中。

作者介紹

作者介紹 陳正昌陳正昌現任：國立屏東大學教育學系副教授學歷：國立政治大學教育學博士著作：《基礎統計學：使用EXCEL與SPSS》《R統計軟體與多變量分析》《統計分析與R》《SPSS與統計分析》《Minitab與統計分析》《多變量分析：使用SPSS與STATA》

產品目錄

產品目錄 1 多變量方法與統計軟體簡介 1.1 多變量分析方法簡介 1.2 本書使用之統計軟體簡介 1.2.1 SPSS 1.2.2 STATA 1.2.3 Amos 1.2.4 LISREL 1.2.5 Mplus 1.2.6 SmartPLS 1.2.7 HLM 1.2.8 S-PLUS及R 1.2.9 JASP及jamovi 1.3 多變量分析方法與統計軟體選擇 2 主成分分析 2.1 理論部分 2.1.1 主成分分析的功能 2.1.2 主成分分析的基本概念 2.1.2.1 主成分分析的基本要求 2.1.2.2 以共變數矩陣進行分析 2.1.2.3 以相關矩陣進行分析 2.1.2.4 特徵值及三種矩陣 2.1.2.5 主成分數目的決定 2.2 假設性資料 2.2.1 簡要語法 2.2.2 簡要報表 2.3 應用部分 2.3.1 範例說明 2.3.2 SPSS分析步驟圖 2.3.3 SPSS程式 2.3.4 SPSS程式說明 2.3.5 STATA程式 2.3.6 STATA程式說明 2.3.7 報表及解說 2.4 分析摘要表 2.5 主成分迴歸 3 探索性因素分析 3.1 理論部分 3.1.1 前言 3.1.2 因素分析的步驟 3.1.2.1 共同因素的抽取 3.1.2.2 因素個數的決定 3.1.2.3 因素的轉軸 3.1.2.4 因素的命名與解釋 3.1.3 共同因素分數的計算 3.1.4 因素分析的樣本數 3.2 假設性資料 3.2.1 簡要語法 3.2.2 簡要報表 3.3 應用部分 3.3.1 範例說明 3.3.2 SPSS分析步驟圖 3.3.3 SPSS程式 3.3.4 SPSS程式說明 3.3.5 STATA程式 3.3.6 STATA程式說明 3.3.7 報表及解說 3.4 分析摘要表 4 驗證性因素分析 4.1 理論部分 4.1.1 發展理論模型 4.1.2 評估模型的辨認 4.1.3 進行參數估計 4.1.4 評鑑模型的適配度 4.1.4.1 整體模型的評鑑 4.1.4.2 模型內在品質的評鑑 4.1.5 進行模型修正 4.1.6 二階驗證性因素分析 4.2 假設性資料 4.2.1 簡要語法 4.2.2 簡要報表 4.3 應用部分 4.3.1 範例說明 4.3.2 Amos分析步驟圖 4.3.3 Amos語法 4.3.4 Amos語法說明 4.3.5 STATA程式 4.3.6 STATA程式說明 4.3.7 LISREL程式 4.3.8 LISREL程式說明 4.3.9 Mplus程式 4.3.10 Mplus程式說明 4.3.11 報表及解說 4.4 分析結論 4.5 使用JASP及jamovi分析 5 集群分析 5.1 理論部分 5.1.1 集群分析的意義及目的 5.1.2 相似性及相異性的計算 5.1.2.1 相異性的計算 5.1.2.2 相似性的計算 5.1.3 集群分析之方法 5.1.3.1 階層式的分析方法 5.1.3.2 非階層式的分析方法 5.1.4 集群數的判斷 5.1.5 如何描述各集群的特性 5.1.6 其他注意事項 5.1.6.1 變數的選擇 5.1.6.2 變數的標準化 5.1.6.3 方法的選擇 5.1.6.4 交叉驗證 5.1.7 小結 5.2 應用部分 5.2.1 範例說明 5.2.2 SPSS分析步驟圖 5.2.3 SPSS程式 5.2.4 SPSS程式說明 5.2.5 STATA程式 5.2.6 STATA程式說明 5.2.7 報表及解說 5.3 分析摘要表 6 典型相關分析 6.1 理論部分 6.1.1 典型相關的意義 6.1.2 典型相關的基本假定 6.1.3 典型加權、典型因素與典型相關係數 6.1.4 典型因素結構係數 6.1.5 交叉結構係數（index係數） 6.1.6 平均解釋量（適切性係數） 6.1.7 重疊量數 6.1.8 典型相關的顯著性檢定 6.1.8.1 p個X變數與q個Y變數之間是否有典型相關之整體檢定 6.1.8.2 個別典型相關係數的顯著性檢定 6.1.8.3 原始典型加權係數的顯著性檢定 6.1.9 以相關矩陣計算典型相關 6.1.10 各種係數或量數 6.2 假設性資料 6.2.1 簡要語法 6.2.2 簡要報表 6.3 應用部分 6.3.1 範例說明 6.3.2 SPSS分析步驟圖 6.3.3 SPSS程式 6.3.4 SPSS程式說明 6.3.5 STATA程式 6.3.6 STATA程式說明 6.3.7 報表及解說 6.4 統計摘要表 6.5 CB-SEM及PLS-SEM分析結果 7 多元迴歸分析 7.1 理論部分 7.1.1 迴歸的意義 7.1.2 簡單迴歸 7.1.3 淨相關及部分相關 7.1.4 兩個預測變數的多元迴歸 7.1.5 三個以上預測變數的多元迴歸 7.1.5.1 原始迴歸係數與標準化係數 7.1.5.2 迴歸係數之矩陣解法 7.1.5.3 整體檢定 7.1.5.4 個別係數檢定 7.1.5.5 決定係數（效果量） 7.1.5.6 迴歸分析之假設 7.1.5.7 預測變數之選取方法 7.1.5.8 樣本數之決定 7.1.6 多元共線性檢定 7.1.7 個別預測變數重要性 7.1.7.1 共同性分析 7.1.7.2 夏普利值分解法 7.1.7.3 優勢分析 7.1.7.4 相對權數分析 7.1.8 結構係數 7.1.9 虛擬變數的多元迴歸 7.1.10 調節變數 7.1.10.1 主要概念 7.1.10.2 實例分析 7.1.11 多變量多元迴歸分析 7.1.12 交叉驗證 7.1.12.1 Holdout法 7.1.12.2 K-fold法 7.1.12.3 留一交叉驗證法 7.2 假設性資料 7.2.1 簡要語法 7.2.2 簡要報表 7.3 應用部分 7.3.1 範例說明 7.3.2 SPSS分析步驟圖 7.3.3 SPSS程式 7.3.4 SPSS程式說明 7.3.5 STATA程式 7.3.6 STATA程式說明 7.3.7 報表及解說 7.4 分析摘要表 7.5 多變量迴歸分析 8 徑路分析 8.1 理論部分 8.1.1 徑路分析的基本假定 8.1.2 徑路分析的重要步驟 8.1.2.1 根據模型繪製徑路圖 8.1.2.2 估計參數 8.1.2.3 解釋結果 8.2 假設性資料 8.2.1 簡要語法 8.2.2 簡要報表 8.3 應用部分 8.3.1 範例說明 8.3.2 Amos理論模型 8.3.3 STATA程式 8.3.4 STATA程式說明 8.3.5 報表及解說 8.4 分析摘要表 9 邏輯斯迴歸分析 9.1 理論部分 9.1.1 邏輯斯迴歸分析適用時機 9.1.2 列聯表的計算 9.1.3 χ2與LR檢定 9.1.4 邏輯斯迴歸分析的通式 9.1.5 量的預測變數之邏輯斯迴歸分析 9.1.6 整體模型的檢定 9.1.7 個別係數的檢定 9.1.8 預測的準確性 9.1.8.1 分類正確率交叉表 9.1.8.2 類R2指標（或稱假R2指標） 9.1.8.3 預測機率與實際值的關聯 9.1.9 樣本數之決定 9.1.10 其他邏輯斯迴歸分析模型 9.2 假設性資料 9.2.1 簡要語法 9.2.2 簡要報表 9.3 應用部分 9.3.1 範例說明 9.3.2 SPSS分析步驟圖 9.3.3 SPSS程式 9.3.4 SPSS程式說明 9.3.5 STATA程式 9.3.6 STATA程式說明 9.3.7 報表及解說 9.4 分析摘要表 10 區別分析 10.1 理論部分 10.1.1 兩種取向的區別分析 10.1.2 預測取向的區別分析 10.1.3 描述取向的區別分析 10.1.4 兩種取向區別分析的比較 10.1.5 原始區別函數係數 10.1.6 標準化區別函數係數 10.1.7 結構係數 10.1.8 標準化區別函數係數與結構係數孰重 10.1.9 區別函數轉軸 10.1.10 統計顯著性檢定 10.1.11 分類的方法 10.1.11.1 截斷值法 10.1.11.2 線性分類函數法 10.1.11.3 距離函數法 10.1.11.4 機率法 10.1.12 分類的有效性 10.1.12.1 統計顯著性 10.1.12.2 實質顯著性 10.1.13 交叉驗證 10.1.14 基本假定 10.1.15 逐步區別分析 10.1.16 區別分析與典型相關 10.2 假設性資料 10.2.1 簡要語法 10.2.2 簡要報表 10.3 應用部分 10.3.1 範例說明 10.3.2 SPSS分析步驟圖 10.3.3 SPSS程式 10.3.4 SPSS程式說明 10.3.5 STATA程式 10.3.6 STATA程式說明 10.3.7 報表及解說 10.4 分析摘要表 10.5 以典型相關進行區別分析 11 多變量平均數檢定 11.1 理論部分 11.1.1 11.1.2 一個樣本之平均數檢定 11.1.3 兩個相依樣本之平均數檢定 11.1.4 兩個獨立樣本之平均數檢定 11.2 應用部分 11.2.1 範例一（一個樣本平均數之檢定） 11.2.1.1 SPSS分析步驟圖 11.2.1.2 SPSS程式 11.2.1.3 SPSS程式說明 11.2.1.4 STATA程式 11.2.1.5 STATA程式說明 11.2.1.6 範例一報表及解說（以SPSS為主） 11.2.2 範例二（兩個相依樣本平均數之檢定） 11.2.2.1 SPSS分析步驟圖 11.2.2.2 SPSS程式 11.2.2.3 SPSS程式說明 11.2.2.4 STATA程式 11.2.2.5 STATA程式說明 11.2.2.6 範例二報表及解說（以SPSS為主） 11.2.3 範例三（兩個獨立樣本平均數之檢定） 11.2.3.1 SPSS分析步驟圖 11.2.3.2 SPSS程式 11.2.3.3 SPSS程式說明 11.2.3.4 STATA程式 11.2.3.5 STATA程式說明 11.2.3.6 範例三報表及解說（以SPSS為主） 11.3 統計摘要表 12 多變量變異數分析 12.1 理論部分 12.1.1 MANOVA的使用時機 12.1.2 MANOVA的基本假定 12.1.3 MANOVA的分析步驟 12.1.3.1 整體效果檢定 12.1.3.2 追蹤檢定 12.1.3.3 事前比較 12.1.3.4 效果量 12.2 假設性資料 12.2.1 範例說明 12.2.2 SPSS程式 12.2.3 SPSS程式說明 12.2.4 STATA程式 12.2.5 STATA程式說明 12.2.6 報表及解說（以SPSS為主） 12.3 應用部分 12.3.1 範例說明 12.3.2 SPSS分析步驟圖 12.3.3 SPSS程式 12.3.4 SPSS程式說明 12.3.5 STATA程式 12.3.6 STATA程式說明 12.3.7 報表及解說 12.4 統計摘要表 13 多層次模型 13.1 理論部分 13.1.1 多層次模型簡介 13.1.2 多層次模型的需要 13.1.3 多層次模型的基礎概念 13.1.3.1 一般迴歸模型到多層次迴歸模型 13.1.3.2 隨機截距的迴歸 13.1.3.3 隨機斜率的迴歸 13.1.4 多層次模型的基本模型 13.1.4.1 模型0：隨機效果單因子變異數分析 13.1.4.2 模型1：隨機效果單因子共變數分析 13.1.4.3 模型2：隨機係數迴歸模型 13.1.4.4 模型3：截距模型 13.1.4.5 模型4：脈絡模型 13.1.4.6 模型5：完整模型 13.1.4.7 模型6：非隨機變化斜率模型 13.1.5 多層次模型摘要 13.1.6 多層次模型的估計與檢定 13.1.6.1 固定效果的估計 13.1.6.2 隨機效果的估計 13.1.6.3 多層次模型的檢定 13.1.7 預測變數之中心化 13.1.8 樣本數的決定 13.1.9 分析的步驟 13.2 應用部分 13.2.1 範例說明 13.2.2 SPSS分析步驟圖 13.2.3 SPSS程式 13.2.4 SPSS程式說明 13.2.5 STATA程式 13.2.6 STATA程式說明 13.2.7 Mplus程式 13.2.8 Mplus程式說明 13.2.9 報表及解說 13.3 分析摘要 14 結構方程模型 14.1 理論部分 14.1.1 結構方程模型的特點 14.1.2 結構方程模型＝驗證性因素分析＋徑路分析 14.1.3 結構方程模型分析步驟 14.1.3.1 發展理論模型 14.1.3.2 評估模型的辨認 14.1.3.3 進行參數估計 14.1.3.4 評鑑模型的適配度 14.1.3.5 進行模型修正 14.2 假設性資料 14.2.1 簡要語法 14.2.2 簡要報表 14.3 應用部分 14.3.1 範例說明 14.3.2 Amos分析步驟圖 14.3.3 Amos語法 14.3.4 Amos語法說明 14.3.5 STATA程式 14.3.6 STATA程式說明 14.3.7 LISREL程式 14.3.8 LISREL程式說明 14.3.9 Mplus程式 14.3.10 Mplus程式說明 14.3.11 報表及解說 14.4 分析結論 14.5 使用JASP及jamovi分析 15 偏最小平方結構方程模型 15.1 理論部分 15.1.1 兩種結構方程模型 15.1.2 PLS-SEM的特點 15.1.3 PLS-SEM的分析步驟 15.1.3.1 設定結構模型 15.1.3.2 設定測量模型 15.1.3.3 進行參數估計 15.1.3.4 評鑑測量模型 15.1.3.5 評鑑結構模型 15.2 假設性資料 15.2.1 簡要語法 15.2.2 簡要報表 15.3 應用部分 15.3.1 範例說明 15.3.2 STATA語法 15.3.3 STATA語法說明 15.3.4 SmartPLS分析步驟圖 15.3.5 報表及解說 15.4 分析結論 參考書目 索引

商品規格

試閱文字

自序 : 在社會及行為科學的研究中，隨著研究方法的複雜及個人電腦的普及，應用多變量統計方法來分析資料的機會也相對增加。特別是近年來，各大學研究生人數逐年增加，基於學位論文撰寫的需要，多變量分析方法及統計套裝軟體的運用乃成為不可或缺的能力。另一方面，人工智慧及機器學習日益影響人類生活，而多變量分析方法也是其中重要的一環。
　　一九九四年，有鑑於初次接觸多變量統計分析的學習者經常對於電腦程式的撰寫及報表閱讀感到困難，當時是博士候選人的陳正昌及程炳林乃以國內較普遍的統計軟體為主，撰寫《SPSS、SAS、BMDP統計軟體在多變量統計上的應用》一書，介紹這三套軟體在多變量統計上的應用，並特別針對輸出報表做比較詳細的說明。
　　隨著電腦統計軟體視窗版的發展與更新，加上多變量分析方法不斷推陳出新，二○○三年，乃由陳正昌另外邀請陳新豐及劉子鍵一同參與改寫工作，合力完成《多變量分析方法─統計軟體應用》這一著作。感謝讀者的支持，使本書歷經六次出版（另有大陸簡體字版）；更有將近三千位博碩士生在學位論文中，以本書為參考文獻。
　　此次改版並更改書名為《多變量分析：使用SPSS與STATA》，由陳正昌獨力撰寫，並自行繪圖、排版。感謝程炳林與陳新豐兩位教授，同意引用部分手稿。在本書中，我挑選了較常用的主成分分析（principal component analysis）、探索性因素分析（exploratory factor analysis）、驗證性因素分析（confirmatory factor analysis）、集群分析（cluster analysis）、典型相關分析（canonical correlation analysis）、多元迴歸分析（multiple regression analysis）、徑路分析（path analysis）、邏輯斯迴歸分析（logistic regression analysis）、區別分析（discriminant analysis）、多變量平均數假設檢定（hypothesis testing for multivariate means）、多變量變異數分析 （multivariate analysis of variance）、多層次模型（multilevel modeling, MLM）、共變數結構方程模型（covariance-based structural equation modeling, CB-SEM）、偏最小平方結構方程模型（partial least squares structural equation modeling, PLS-SEM）等十五種方法加以介紹。在多數的章節中，第一部分均為理論的說明，第二部分為小型資料的簡要分析及說明，第三部分是應用各種統計軟體（以SPSS及STATA為主）配合實際的資料加以解說，第四部分則為統計摘要。
　　本書的主要分析工具是SPSS 29版（考量篇幅及翻譯精確性，操作畫面僅使用英文版示範，另附中文注解）及STATA 17版。與CB-SEM有關章節，配合Amos 29、Mplus 8、LISREL 10分析；PLS-SEM配合SmartPLS 4分析；MLM 也使用HLM 8及Mplus 8驗證分析結果。由於同一軟體的新舊版本之間差異並不大，因此本書也適用於早期的版本。在視窗環境中，許多統計套裝軟體已經不太需要撰寫程式，所以本書在SPSS 附有點取選單（menu）的圖示。不過，因為使用語法有其方便性，所以SPSS也配合使用撰寫程式的方式進行分析（程式中小寫部分為指令，讀者可以全部照引；大寫部分為變項，需要視個人資料加以更改）。STATA雖然也有選單可以分析，但是，多數研究者傾向使用指令分析，因此，本書僅附分析指令（STATA的指令為小寫，變數有大小寫區別，應多留意）。輸出報表部分，為了不增加太多的篇幅，都只選擇以SPSS為主要解說的依據，必要時再輔以其他軟體。幸好，較知名的統計套裝軟體之輸出結果差異都不大，讀者應該都可以從本書中找到需要的說明。
　　本書能夠順利出版，首先要感謝臺灣師範大學林清山教授，在多變量課程認真的教導，並細心地審閱第一版初稿，恩師提攜之情永難忘懷。其次，作者在政治大學研究所就學期間，接受林邦傑、馬信行、余民寧、郭貞、及詹志禹等教授在多變量統計相關課程的知識傳授，亦是本書得以完成的憑藉。在與程炳林、陳新豐、與劉子鍵三位教授合作的過程，充滿收穫與喜悅，感謝他們鼓勵我獨立完成此書。感謝學棣王光多老師及內人林素秋老師，協助校對，使本書錯誤減至最少。
　　五南圖書出版公司慨允出版，使本書歷經陳念祖、張毓芬、侯家嵐等三位主編，得以持續將近三十年。當然，許多讀者對本書的支持及指正，也是本書得以不斷改版的動力。
　　本書是我學術生涯中重要的著作，從出版到歷次修訂，花費了許多時間及心力才得以完成，它留下了多年來成長的紀錄，而此期間也得力於許多人的協助。當然，不論如何用心，錯誤疏漏之處或恐難免，敬祈諸位先進直接與我聯繫，提出批評指正，謹此表示感謝之意。如果需要資料檔進行練習，請到五南官網查詢1HAP下載。

陳正昌　謹識
2023.1

試閱文字

內文 : 1 多變量方法與統計軟體簡介
　　本章簡要說明多變量分析方法的適用時機，以及本書使用的統計軟體。本書以SPSS及STATA為主，兼採其他特定功能的統計軟體。
1.1 多變量分析方法簡介
　　學者在進行量化研究時，常不僅限於單變量（univariate）或雙變量（bivariate）的分析，許多時候要使用多變量分析（multivariate analysis）的方法。嚴格而言，多變量分析是用來同時分析兩個以上依變數的觀察資料的方法，它將依變數視為彼此有關的融合體，同時加以考量，而不是彼此無關而分離的單獨變數（林清山，1988）。寬鬆而言，多變量分析是用來探討多個變數間的單一關係或是多組關係的技術（Hair et al., 2019），因此，多變量分析方法可大略定義為：同時分析三個以上變數間關係的方法。
　　隨著個人電腦的快速普及與統計軟體的持續發展，加上目前多數統計軟體的操作都相當容易，多變量統計已逐漸成為資料分析時不可或缺的工具。另一方面，由於前述的條件，使得許多以往較為複雜的多變量方法（如：結構方程模型、偏最小平方結構方程模型、及多層次模型），也普遍被使用。而當前熱門的資料探勘、巨量資料分析、或機器學習，也與多變量方法息息相關。然而，如何選擇適當的方法加以善用，則需要特別留心，否則常會導致錯誤的結論。
　　在決定分析方法之前，研究者應先了解研究變數的性質。變數一般分成四類：名義變數（nominal variable，或譯為名目變數）、次序變數（ordinal variable，或譯為順序變數）、等距變數（interval variable，或譯為區間變數）、及比率變數（ratio variable，或譯為等比變數）。前兩者為非計量性變數（nonmetric variable），無法進行數學之四則運算，為質的變數（qualitative variable，或稱定性變數）；後兩者為計量性變數（metric variable），是量的變數（quantitative variable，或稱定量變數）。
　　其次，應了解變數是屬於自變數（independent variable）或依變數（dependent variable），若不區分是自變數或依變數，則屬於相依變數（interdependent variable）。
　　如果自變數及依變數都是計量的變數，適用的統計方法有多元迴歸分析（見本書第7章）、多變量迴歸分析、典型相關分析（第6章）、多層次模型（第13章）、結構方程模型（第14章）、偏最小平方結構方程模型（第15章）。多元迴歸分析主要在使用一組計量（或非計量）變數加以組合，以對另一個計量變數進行預測，屬於機器學習的監督式學習技術。典型相關分析是分別針對兩組計量變數加以組合，以求得組合因素的相關。結構方程模型（也包含徑路分析）則在探討多個計量變數間的因果關係。偏最小平方結構方程模型與共變數本位的結構方程模型同為第二代統計技術，兩者已是目前統計分析的主流。
　　假使自變數是計量變數，而依變數為非計量變數，適用的統計方法有邏輯斯迴歸分析（第9章）及區別分析（第10章）。區別分析常用於分類，屬於機器學習中監督式學習的分類技術，是使用一組計量（或非計量）變數加以組合，以對另一個非計量變數加以預測，此常用於觀察體的分類。進行區別分析時，如果資料違反統計假定，邏輯斯迴歸分析是可行的替代方法，邏輯斯迴歸分析常用於醫學的研究，也屬於監督式學習的分類技術。
　　要比較各組間多個計量變數平均數的差異，Hotelling T2（第11章）及多變量變異數分析（簡稱MANOVA，見本書第12章）是常用的方法。Hotelling T2適用於一組或兩組之間多個計量依變數平均數的比較，如果自變數是三組（水準）以上，或是有兩個以上非計量的自變數（二因子以上），則應使用多變量變異數分析。
　　如果變數都是計量變數，但不區分自變數或依變數（稱為相依變數），則可用的統計方法有主成分分析（第2章）、因素分析（第3章）、集群分析（第5章）、及多元尺度法（簡稱MDS，見本書第六版第11章）。主成分分析是針對一組計量變數加以線性組合，以達到精簡的目的，屬於非監督式學習的降維技術。因素分析則在探討一組計量變數的潛在因素或結構，可以針對變數加以分類。集群分析是使用一組計量（或非計量）變數，對觀察體（也可用於變數，但較少使用）加以分類，屬於非監督式學習的技術。MDS之目的在發掘一組變數（可為計量或非計量）背後之隱藏結構，希望在主要元素所構成的構面圖來表達出資料所隱藏的內涵。
　　當變數都是非計量變數時，如果是相依變數，可以使用對數線性模型（見本書第六版第15章）、MDS、及潛在類別分析。對數線性模型在探討一組非計量變數的關係，分析時並沒有自變數及依變數之分，如果依變數也同樣是非計量變數，則應使用邏輯（logit）對數線性模型。潛在類別分析在探討一組非計量變數的潛在因素或結構（亦為非計量性質），類似於計量變數的因素分析（可使用Latent GOLD或Mplus進行分析），此方法可參見邱皓政（2008）的專書。

1.2 本書使用之統計軟體簡介
　　多數研究者在進行多變量分析時，均會使用現成的統計套裝軟體；而配合統計軟體撰寫教科書，也是目前的趨勢。經過多年的發展，目前常見的統計軟體均具備相當友善的操作界面，也具有非常完備的分析功能。不過，軟體難免會有錯誤（bug），除了定期更新（update）及升級（upgrade）外，由於計算過程像是「黑箱」（black box），使用者無法了解其中奧祕，我們建議最好能同時使用兩套以上軟體進行分析並互相對照，以減少可能出現的運算錯誤。
　　常言道：「尺有所短，寸有所長。」這些統計軟體（如SPSS及STATA），多半是配合多數使用者的普遍需要，因此涵蓋的分析程序較多，然而對於特殊需要者，則會顯得不足，此時就有必要使用較特定用途的統計軟體（如LISREL及Amos）。
　　本書第一版同時介紹當年盛行「三大」（big three）統計軟體——SPSS、SAS、BMDP，到了第六版時，BMDP已被SPSS併購而退出市場。近年來，許多大學已不再租賃SAS，因此使用者較少。而STATA則因售價較低，功能完整，具可擴充性，因此，使用者逐漸增加。因此，本次改版，選擇以SPSS及STATA為主要分析軟體。

最佳賣點

最佳賣點 : #以SPSS與STATA為主，兼採其他特定功能的統計軟體。
#理論與應用並重，適合學位論文撰寫需要。
#包含多種統計軟體配合資料解說，操作步驟清晰易懂。

多變量統計軟體入門，社科研究必備之工具書