SlideShare a Scribd company logo
1 of 231
Download to read offline
資料視覺化 資料摘要
給⼯程師的統計學與資料分析 123
第零單元:資料視覺化與摘要
孔令傑
國立臺灣⼤學資訊管理學系
2017 年 1 ⽉ 14 ⽇
資料視覺化與摘要 1 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
課程⼤綱
資料視覺化
資料摘要
資料視覺化與摘要 2 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
公共腳踏⾞租借系統
在 2011 與 2012,我們記錄華盛頓特區公
共腳踏⾞租借系統的每⽇租借次數。
985、801、1349、1562、1600、...,以及
2729。
最⼩和最⼤的數字分別為 22 及 8714。
要怎麼對這 731 個數字有感覺呢?
⽇期 租借次數
2011/1/1 985
2011/1/2 801
2011/1/3 1349
2011/1/4 1562
2011/1/5 1600
...
2012/12/29 1341
2012/12/30 1796
2012/12/31 2729
資料視覺化與摘要 3 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
次數分佈
原始的 731 個數字形成的是⼀組未分組資料(ungrouped data)。
⾸先我們將這些資料分組成⼀個次數分佈(frequency distribution)。
對於每⼀組,我們呈現它的「組距」和「發⽣次數」。
讓我們來建立⼀個直觀的次數分佈吧!
資料視覺化與摘要 4 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
次數分佈
⼀種分組⽅式:
編號 分組 代表意義
1 [0, 1000) 0 ≤ x < 1000
2 [1000, 2000) 1000 ≤ x < 2000
3 [2000, 3000) 2000 ≤ x < 3000
...
8 [7000, 8000) 7000 ≤ x < 8000
9 [8000, 9000) 8000 ≤ x < 9000
有無限多種分組⽅式;通常各組組距會等⻑。
各分組之間應該要沒有空隙:[0, 999]、[1000, 1999]、... 是錯的。
各分組織間應該要不重疊:[0, 1000]、[1000, 1999]、... 是錯的。
資料視覺化與摘要 5 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
次數分佈
接著我們把 731 個數字⼀⼀丟進各分
組中,來得到如右的次數分佈。
這是⼀組分組資料(grouped data)。
可以看出在⼤部分⽇⼦中,租借次數分
佈在 3000 到 6000 之間。
⼀般性原則:
通常我們會設定 5 到 15 個分組,太多
太少都不好。
如果存在異常值,他們應該先被剔除。
分組 次數
[0, 1000) 18
[1000, 2000) 80
[2000, 3000) 74
[3000, 4000) 107
[4000, 5000) 166
[5000, 6000) 106
[6000, 7000) 86
[7000, 8000) 82
[8000, 9000) 12
資料視覺化與摘要 6 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
更多資訊
我們可以增加組中點(class midpoint)、相對次數(relative frequency)
以及 累計次數(cumulative frequency):
分組 次數
分組 相對 累計
組中點 次數 次數
[0, 1000) 18 500 2.46% 18
[1000, 2000) 80 1500 10.94% 98
[2000, 3000) 74 2500 10.12% 172
[3000, 4000) 107 3500 14.64% 279
...
[8000, 9000) 12 8500 1.64% 731
那如果是累計相對次數呢?
資料視覺化與摘要 7 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
直⽅圖
我們經常⽤⼀個直⽅圖(histogram)來視覺化⼀個次數分佈。
以⼀連串的連著的⻑⽅形組成,其⾼度代表⼀個分組的次數。
分組 次數
[0, 1000) 18
[1000, 2000) 80
[2000, 3000) 74
[3000, 4000) 107
[4000, 5000) 166
[5000, 6000) 106
[6000, 7000) 86
[7000, 8000) 82
[8000, 9000) 12
資料視覺化與摘要 8 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
直⽅圖
直⽅圖或許是最重要的資料圖表類型。
繪製直⽅圖的⼀個主要的原因,是為了獲得⼀些資料分佈的概念。
鐘型?M 型?偏態?
異常值?
資料視覺化與摘要 9 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
次數曲線圖
如果不想畫柱⼦,我們也可以連結各柱⼦頂端的組中點,組合這些線段
來畫⼀個次數曲線圖(frequency polygon)。
次數曲線圖所含的資訊與直⽅圖基本上相同。
資料視覺化與摘要 10 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
次數曲線圖
使⽤次數曲線圖可以比較⽅便地比較多個次數分佈。
兩年合計:單峰型且對
稱分佈。
2011: 雙峰型且右尾
(⻑尾在右)。
2012: 單峰型且左尾
(⻑尾在左)。
缺點:讀者可能會誤以為你畫的是折線圖。
資料視覺化與摘要 11 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
折線圖
折線圖(line chart)被⽤於描繪時間序列的資料。
圖的 x 軸標⽰的是時間。
視覺化某個數量如何隨著時間變化。
我們每⽉的腳踏⾞租賃:
資料視覺化與摘要 12 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
圓餅圖
圓餅圖(pie chart)是⼀個以圓形內每個區塊要來表⽰對應的品類所佔
的百分比。
它很適合視覺化相對次數分佈(也就是各分組的比例)。
我們每⽉的腳踏⾞租賃:
四個季節分別佔整個租賃的多少比例?
星期⼀到星期⽇分別佔整個租賃的多少比例?
資料視覺化與摘要 13 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
季節性的租賃圓餅圖
季節 總租賃數 佔比
冬天 471348 14.3%
春天 918589 27.9%
夏天 1061129 32.2%
秋天 841613 25.6%
資料視覺化與摘要 14 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
星期⼀到星期⽇的租賃圓餅圖
⽇⼦ 總租賃數
星期⽇ 444027
星期⼀ 455503
星期⼆ 469109
星期三 473048
星期四 485395
星期五 487790
星期六 477807
資料視覺化與摘要 15 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
不適合圓餅圖的資料
圓餅圖是⽤於視覺化各組的佔比,也就是各組佔整體的比例。
它不應該⽤於比較平均。
男性與女性使⽤者的總租賃數適合呈現在圓餅圖。
但是男性與女性的每⼈平均租賃次數不應該以圓餅圖呈現。
資料視覺化與摘要 16 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
⻑條圖
圓餅圖適合視覺化不同類別的佔比。
⽽展⽰不同類別間的差異,⻑條圖(bar chart)是個更好的選擇。
越⼤的類別,該⻑條就會越⻑。
很多時間差異在圓餅圖上不明顯,此時⽤⻑條圖就可以清楚呈現。
有些⼈將⻑條圖繪製成垂直的,有些則是⽔平的。
資料視覺化與摘要 17 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
⻑條圖
讓我們把圓餅圖替代成⻑條圖吧!
⽇⼦ 總租賃數
星期⽇ 444027
星期⼀ 455503
星期⼆ 469109
星期三 473048
星期四 485395
星期五 487790
星期六 477807
這張圖上 y 軸並非從 0 開始。
當你要強調各組間的差異時,你可以這麼做。
你應該明確地提醒讀者這件事。
資料視覺化與摘要 18 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
⻑條圖 vs. 直⽅圖
⻑條圖和直⽅圖有何不同?
直條圖使⽤不連續的直條來視覺化類別型(categorical)資料。
直⽅圖使⽤連續的直條來視覺化數值型(numeric)資料。
資料視覺化與摘要 19 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
視覺化兩個變數間的關係
當我們有兩個變數的資料,如何了解他們彼此之間有何關係?
若兩個變數都是數值資料,我們可以將每筆資料視作平⾯上的⼀個點,
⽽畫出散佈圖(scatter plot)。
我們每⽉的腳踏⾞租賃例⼦:
2011 和 2012 每⽉租借彼此間有什麼關係?
資料視覺化與摘要 20 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
2011 和 2012 每⽉租賃
⽉份 2011 2012
1 38189 96744
2 48215 103137
3 64045 164875
4 94870 174224
5 135821 195865
6 143512 202830
...
11 102167 152664
12 87323 123713
⼤致分佈在⼀條斜率為正的直線上:⾼度正相關。
資料視覺化與摘要 21 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
課程⼤綱
資料視覺化
資料摘要
資料視覺化與摘要 22 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
將資料以數字取摘要
我們也可以⽤數字來做資料摘要。
對於⼀組(很多個)數字,我們使⽤幾個數字來表現⼀些性質。
嚴謹地說,對於⺟體和對於樣本的摘要,具有不同意義:
對於⺟體:這些數字是個參數。
對於樣本:這些數字是統計量。
這份教材只討論對⺟體的摘要。
我們會談三件事:
測量集中趨勢(central tendency)來觀測中間段或中⼼資料。
測量變異度(variability)來觀測資料的變異性。
測量相關性(correlation)來了解兩個變數間的關係。
資料視覺化與摘要 23 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
中位數
中位數(median)是位於⼀串已排序數字列的中間部份的量值。
粗略⽽⾔,有⼀半的數字比中位數⼩,另⼀半則比較⼤。
假設有 N 個數字:
如果 N 是奇數,那麼中位數就是第 N+1
2
⼤的數字。
如果 N 是偶數,那麼中位數就是第 N
2
⼤和第 (N
2
+ 1) ⼤的數字的平均。
例如:
{1, 2, 4, 5, 6, 8, 9} 的中位數就是 5。
{1, 2, 4, 5, 6, 8} 的中位數就是 4+5
2
= 4.5。
資料視覺化與摘要 24 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
中位數
中位數不會受到極端值的影響:
{1, 2, 4, 5, 6, 8, 9} 的中位數是 5。
{1, 2, 4, 5, 6, 8, 900} 的中位數還是 5。
不幸地,中位數只使⽤了這些數字提供的部份資訊。
只考慮次序,不考慮⼤⼩。
資料視覺化與摘要 25 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
平均數
平均數(mean)是⼀組資料的平均。
{1, 2, 4, 5, 6, 8, 9} 的平均數是
1 + 2 + 4 + 5 + 6 + 8 + 9
7
= 5.
平均數使⽤所有涵蓋在這些數字裡的資訊。
但不幸地,平均數會受到極端值的影響。
{1, 2, 4, 5, 6, 8, 900} 的平均數是 1+2+4+5+6+8+900
7
≈ 132.28!
同時呈現中位數和平均數是個比較好的做法
在計算平均值(或是其他統計量)前,我們應該試著剔除異常值 (那些看
起來「奇怪」的極端值)。
資料視覺化與摘要 26 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
四分位數與百分位數
中位數位於整個資料的中間。
第⼀四分位數(first quartile)位於前半部資料的中間。
第三四分位數(third quartile)位於後半部資料的中間。
第 p 個百分位數(pth percentile):
有 p
100
的數比他⼩。
有 1 − p
100
的數比他⼤。
中位數、四分位數和百分位數:
第 25 百分位數是第⼀四分位數。
第 50 百分位數是中位數(也是第⼆四分位數)。
第 75 百分位數是第三四分位數
資料視覺化與摘要 27 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
眾數
眾數(mode)是在⼀組資料中出現最多次的資料值。
在 {A, A, A, B, B, C, D, E, F, F, F, G, H} 之中,眾數是 A 與 F。這兩個眾
數(A 與 F)出現的次數為 3。
眾數是 A 與 F,不是 3。
眾數可能有多個。
儘管以上的定義或許也適⽤於數值資料,但有時候會失效。
在許多情況下,所有數值都是眾數!
對於數值資料,我們會更傾向於找尋眾數分組(可能有多個)。
資料視覺化與摘要 28 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
眾數組
在⼀個棒球隊裡,球員的⾝⾼(公
分)為:
178 172 175 184
172 175 165 178
177 175 180 182
177 183 180 178
179 162 170 171
對於 [160, 165)、[165, 170)、... 等組
別,眾數組為 [175, 180)。
我們有時候說這組資料的眾數是
177.5。
分組的⽅式會有影響!
資料視覺化與摘要 29 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
變異性
我們經常也想描述⼀組資料的分散或離散程度。
在兩組資料有相同中⼼點時,描述變異性特別重要。
資料視覺化與摘要 30 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
全距與四分位距
⼀組資料 {xi}i=1,...,N 的全距(range)是最⼤和最⼩數值間的差異,即
max
i=1,...,N
{xi} − min
i=1,...,N
{xi}.
⼀組資料的四分位距(inter-quartile range)是第⼀四分位數和第三四分
位數間的差異。
它是中間 50%資料的全距。
它排除了極端值的影響。
資料視覺化與摘要 31 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
與⺟體平均的差異
考慮⼀組⺟體資料 {xi}i=1,...,N ,其平均數
為 µ =
∑N
i=1
N 。
直覺上,⼀種測量離散程度的⽅式變是測
試各個數字與⺟體平均的差異。
對於每個 xi,與⺟體平均的差異被定做
xi − µ.
i xi 差異
1 1 1 − 5 = −4
2 2 2 − 5 = −3
3 4 4 − 5 = −1
4 5 1 − 5 = 0
5 6 6 − 5 = 1
6 8 8 − 5 = 3
7 9 9 − 5 = 4
平均數 5
資料視覺化與摘要 32 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
平均差
我們可以總結 N 個差異於單⼀數字來概述
這些差異嗎?
直覺上,我們會想把這些差異加總並計
算平均差(mean deviation):
∑N
i=1(xi − µ)
N
.
是否永遠都等於 0?
i xi 差異
1 1 1 − 5 = −4
2 2 2 − 5 = −3
3 4 4 − 5 = −1
4 5 1 − 5 = 0
5 6 6 − 5 = 1
6 8 8 − 5 = 3
7 9 9 − 5 = 4
平均數 5 0
資料視覺化與摘要 33 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
調整平均差
有兩種常⽤的⽅式來調整平均差:
平均絕對差異(mean absolute deviation,
MAD): ∑N
i=1 |xi − µ|
N
.
平均平⽅差異(mean squared error,
MSE): ∑N
i=1(xi − µ)2
N
.
MSE 比較常⽤,通常被稱為變異數
(variance)。
愈⼤的 MAD 或變異數表⽰資料愈離散。
i xi di |di| d2
i
1 1 −4 4 16
2 2 −3 3 9
3 4 −1 1 1
4 5 0 0 0
5 6 1 1 1
6 8 3 3 9
7 9 4 4 16
平均 5 0 2.29 7.43
資料視覺化與摘要 34 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
MAD vs. 變異數
MAD 將所有值都使⽤相同權重,變異數則會在極端值放上更多的權重。
它們可能給出不同排序的離散度:
i xi di |di| d2
i
1 0 −5 5 25
2 4 −1 1 1
3 5 0 0 0
4 6 1 1 1
5 10 5 5 25
平均 5 0 2.4 10.4
i xi di |di| d2
i
1 1 4 4 16
2 2 3 3 9
3 5 0 0 0
4 8 3 3 9
5 9 4 4 16
平均 5 0 2.8 10
⼀般⽽⾔,⼈們使⽤變異數多於 MAD。
但是 MAD 還有有其受歡迎的領域,像是需求預測。
分析師可以⾃⼰斟酌選擇較為合適者。
資料視覺化與摘要 35 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
標準差
使⽤變異數的⼀個缺點:測量的單位是原
始單位的平⽅。
對於我們的棒球隊,成員⾝⾼的變異數是
34.05 公分 2
。那是什麼?!
⼈們將變異數開根號來得到標準差
(standard deviation)。
成員⾝⾼的標準差是
√
34.05 ≈ 5.85 公分.
標準差通常比較有管理意涵。
178 172 175 184
172 175 165 178
177 175 180 182
177 183 180 178
179 162 170 171
資料視覺化與摘要 36 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
變異係數
變異係數是標準差與平均數的比值:
變異係數 =
σ
µ
.
你何時會使⽤到變異係數呢?
資料視覺化與摘要 37 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
z-score
對於⼀組資料 {xi}i=1,...,N ,若其平均數為 µ,標準差為 σ,則 xi 的
z-score 為
zi =
xi − µ
σ
.
z-score 衡量⼀個值離平均數距離幾個標準差。
資料視覺化與摘要 38 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
z-score vs. 異常值
欲找出異常值,⼀個常⾒的條件是看 xi 是否滿⾜
|zi| =
xi − µ
σ
> 3.
不會有太多數值的 z-score 很⼤或很⼩。
有些⼈運⽤中位數和 MAD1
:
xi − 中位數
MAD
> 3.
以上規則只能建議你去看看。它們對於異常值既不充分也不必要。
1「MAD」在這裡可以指相比平均的平均絕對離差、相比中位數的平均絕對離差,及
相比中位數的絕對離差中位數等。
資料視覺化與摘要 39 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
相關性
考慮房⼦的⼤⼩以及它在城市的價格:
⼤⼩ 價格
(平⽅公尺) ($1000)
75 315
59 229
85 355
65 261
72 234
46 216
107 308
91 306
75 289
65 204
88 265
59 195
我們該如何測量/描述兩遍數間的相關性 (線性關係)呢?
資料視覺化與摘要 40 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
直觀
考慮成對資料 {(xi, yi)}i=1,...,N 。
當其中⼀個變數上升時,另⼀個變
數會傾向上升或是下降呢?
更精確地說,當 xi 比 µx(所有 xi
的平均)⼤時,比較有機會看到
yi > µy 還是 yi < µy 呢?
如果⼀個變數上升時另⼀個變數通
常也上升,我們說兩個變數有正相
關;反之則負相關。
資料視覺化與摘要 41 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
共變異數
我們定義⼆維資料的共變異數(covariance)為
σxy ≡
∑N
i=1(xi − µx)(yi − µy)
N
.
如果⼤多數的資料點落在第⼀和第三象限,⼤多數的 (xi − µx)(y − µy) 會
是正的,⽽且 σxy 會傾向為正的。
否則,σxy 會傾向為負的。
所以房⼦⼤⼩和價格的共變異數為 617.16。
這樣算⼤還是⼩呢?
這取決於這兩個變數的⾃⾝變異程度(auto-covariance)。
資料視覺化與摘要 42 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
相關係數
為了去除⾃⾝變異,我們定義相關係數(correlation coefficient)為
ρ =
σxy
σxσy
,
σx 和 σy 為 xi 和 yi 的標準差。
在我們的例⼦裡,ρ = 617.16
16.78×50.45
≈ 0.729。
可以發現,我們永遠都會得到 −1 ≤ ρ ≤ 1。
ρ > 0、ρ = 0 和 ρ < 0 分別表⽰正相關、無相關和負相關。
⼈們通常基於 |ρ| 來決定相關性的程度:
0 ≤ |ρ| < 0.25:弱相關。
0.25 ≤ |ρ| < 0.5:中度弱相關。
0.5 ≤ |ρ| < 0.75:中度強相關。
0.75 ≤ |ρ| ≤ 1:強相關。
資料視覺化與摘要 43 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
相關性 vs. 獨立性
相關係數只能量測兩個變數間的線性關係。
(ρ = 0.5973) (ρ = 0)
沒有線性相關不代表獨立(或無關)!
資料視覺化與摘要 44 / 45 孔令傑(臺⼤資管系)
資料視覺化 資料摘要
相關性 vs. 因果性
相關係數只能量測兩個變數是否相關。⾼度相關無法代表具因果性。
(http://www.tylervigen.com/spurious-correlations)
A 導致 B,還是 B 導致 A?C 導致 A 和 B?還是純屬巧合?
資料視覺化與摘要 45 / 45 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
給⼯程師的統計學與資料分析 123
第⼀單元:基本概念與抽樣分佈
孔令傑
國立臺灣⼤學資訊管理學系
2017 年 1 ⽉ 14 ⽇
基本概念與抽樣分佈 1 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
什麼是統計?
很多事情是未知的...
顧客的喜好、產品的品質、股票明天的收盤價、新教學⽅法的有效性。
統計是⼀⾨收集、分析、闡釋及表達資料的科學。
(商業統計的)最終⽬的:達到更好的決策。
統計學包含:
敘述統計(descriptive statistics)。
機率。
推論統計:估計(estimation)。
推論統計:假設檢定(hypothesis testing)。
推論統計:解釋變異(variability explanation)。
總結:去估計、檢定這些未知,並且解釋變異。
基本概念與抽樣分佈 2 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
今天的計畫
敘述統計:
視覺化與摘要。
機率。
推論統計:
抽樣分佈。
假說檢定與 p-value。
迴歸分析。
基本概念與抽樣分佈 3 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
課程⼤綱
基本概念。
抽樣。
抽樣分佈:樣本平均數。
抽樣分佈:樣本比例。
基本概念與抽樣分佈 4 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
⺟體 vs. 樣本
⺟體(population)是⼈、物件和物品的集合。
普查(census)就是針對整個⺟體進⾏探查。
樣本(sample)是⺟體的⼀部分。
我們以抽樣(sampling)探查⺟體的⼦集合。
我們會⽤樣本包含的資訊去推論(猜測)⺟體。
以下幾個⺟體的樣本分別為何呢?
全台⼤的學⽣。
全商管學院的學⽣。
在同⼀個⼯廠⽣產的全部晶片。
所有購買 iPhone 6 的顧客。
兩個重要的問題:
為什麼要抽樣?
樣本是否具有代表性?
基本概念與抽樣分佈 5 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
敘述統計 vs. 推論統計
敘述統計(descriptive statistics):
描述(視覺化或是摘要)⼀組資料。
推論統計(inferential statistics):
「以科學的⽅式」對未知的⺟體「進⾏猜測」。
哪個是敘述,哪個是推論呢?
計算 1000 個隨機挑選的臺⼤學⽣的平均⾝⾼。
使⽤這個數字去推估全臺⼤學⽣的平均⾝⾼。
另⼀個例⼦(製藥研究):
⺟體:全部潛在病患。
樣本:隨機挑選的⼀群病患。
使⽤這個樣本的結果去推估整個⺟體。
基本概念與抽樣分佈 6 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
參數 vs. 統計量
⺟體的數值摘要是個參數(parameter)。
全部臺⼤學⽣的平均⾝⾼。
當價格落在新台幣 50 元時,咖啡的預期需求。
樣本的數值摘要是統計量(statistic)。
全部臺⼤男性學⽣的平均⾝⾼。
過去 6 天當價格落在新台幣 50 元時,咖啡的平均預期需求。
⼈們幾乎總是⽤統計量來推論參數。
有些統計量是「好的」,有些則是「壞的」。
基本概念與抽樣分佈 7 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
參數 vs. 統計量:⼀個例⼦
全部臺⼤學⽣的平均⾝⾼是多少?
儘管普查是可能的,但總是挺貴的。
很⾃然的,我們會去:
抽⼀些臺⼤學⽣。
計算統計量。
⽤這個統計量去推估平均⾝⾼(參數)。
⼀些(好的或壞的)樣本及統計量:
全體管理學院學⽣的平均⾝⾼。
從全部學⽣中隨機挑選 100 位的平均⾝⾼。
從全部學⽣中隨機挑選 100 位裡最⾼的⾝⾼。
從全部學⽣中隨機挑選 100 位的加總⾝⾼。
從男性學⽣中隨機抽出 60 個、女性學⽣中抽出 40 個,取他們的平均⾝⾼。
基本概念與抽樣分佈 8 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
資料型態
資料依照型態不同,可以被分成兩⼤類:
類別資料(qualitative or categorical data)。
數值資料(quantitiative or numeric data)。
類別資料⼜分為:
名⽬資料(nominal)。
次序資料(ordinal)。
基本概念與抽樣分佈 9 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
名⽬資料
名⽬資料中的值是數個不具排序性的類別。
值可能看起來像數字,但不能拿來做加減乘除,也不具⼤⼩關係。
舉例:
類別變數 值(類別)
是否吃素 是、否
國籍 臺灣、⽇本...
國家代碼 886、86、1...
不同的值不能排序,也不能做算術運算。
基本概念與抽樣分佈 10 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
次序資料
次序資料的值依然是類別,但是順序是有意義的。
舉例:
類別變數 值(類別)
產品滿意度 滿意、沒意⾒、不滿意
教授等級 正、副、助理
班排名 1、2、3、4......
對次序資料進⾏算術運算仍然不具意義。
助理教授 + 副教授 = 正教授?!
第⼀名和第五名的差距有可能不等於第⼗⼀名和第⼗五名的差距。
基本概念與抽樣分佈 11 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
數值資料
數值資料是真正的數量,可以排序,也可以做算術運算。
⾝⾼、體重、收入、價格。
華⽒或攝⽒溫度。
課本上常將數值資料分成間隔(interval)資料和比例(ratio)資料。
不是很好分,也不是很重要(個⼈意⾒)。
基本概念與抽樣分佈 12 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
⼩結
了解這些名詞:
⺟體 vs. 樣本。
參數 vs. 統計量。
推論統計 vs. 敘述統計。
資料尺度:
名⽬和次數資料被稱做類別資料或質性資料。
間隔和比例資料被稱做數值資料或量化資料。
不同統計⽅法有不同適⽤範圍和應⽤⽅式。
區分類別資料和數值資料非常重要。
區分名⽬資料和次序資料有時也很重要。
基本概念與抽樣分佈 13 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
課程⼤綱
基本概念。
抽樣。
抽樣分佈:樣本平均數。
抽樣分佈:樣本比例。
基本概念與抽樣分佈 14 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
隨機 vs. 非隨機抽樣
抽樣是⼀個從整個⺟體挑選⼦集合的過程。
抽樣可以是隨機的或確定型的。
如果是隨機的,任⼀個個體是否會被抽到就是隨機的。
今天抽跟明天抽(原則上)會得到不⼀樣的結果。
從電話簿隨機挑選 1000 個電話號碼,並打給他們。
如果非隨機,那就是確定型的。
詢問你所有⼀等親對於 iOS/Android 的偏好。
⼤部份統計⽅法只適⽤於隨機抽樣。
⼀些知名的隨機抽樣⽅法:
簡單隨機抽樣。
分層隨機抽樣。
群集(或區域)隨機抽樣。
基本概念與抽樣分佈 15 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
簡單隨機抽樣
在簡單隨機抽樣(simple random sampling),每個個體被挑選到的機率
相同。
簡單隨機抽樣的好處就是簡單。
但是如果運氣不好,就可能會得到不具代表性的樣本。
有機會出現太多樣本資料落在同⼀層,亦即有相同的屬性。
比如說,可能所有隨機抽樣的投票者都⼩於 40 歲。
那麼這個樣本便不具代表性。
要怎麼改善這個問題呢?
基本概念與抽樣分佈 16 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
分層隨機抽樣
我可以運⽤分層隨機抽樣(stratified random sampling)。
⾸先,我們將整個⺟體分成數個層(stratum)。
在同⼀層內的資料應該(相對)同質(homogeneous)
在不同層內的資料則應該(相對)異質(heterogeneous)。
我們再在各層內進⾏簡單隨機抽樣。
基本概念與抽樣分佈 17 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
分層隨機抽樣
假設我們想要從 1000 個畢業⽣中抽出 40 位來了解他們在學校取得多
少學分。
假設有 100 個畢業⽣當年有雙主修,那我們可以將整個⺟體分成兩層:
分層 分層⼤⼩
雙主修 100
非雙主修 900
我們從雙主修學⽣中抽 40 × 100
1000 = 4 ⼈,從非雙主修的抽 36 ⼈。
基本概念與抽樣分佈 18 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
分層隨機抽樣
我們可以將⺟體分成更多層。
雙主修:是或否。
畢業年份:1994-1998、1999-2003、2004-2008 或 2009-2012。
在不同年代的學⽣是否傾向於修不同數量的學分?
分層隨機抽樣適合降低抽樣偏誤。
它也同時較為昂貴且費時,⽽且有時不容易找出⼀個合理的分層。
基本概念與抽樣分佈 19 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
群集(或區域)隨機抽樣
想像你要到台灣全部的零售店推出新產品。
如果這個產品其實很不受歡迎,那麼⼤規模推出會產⽣很⾼昂的成本。
那要怎麼知道受歡迎的程度?
我們可以先在⼩區域介紹這個產品。我們僅將產品在特定的區域上架。
這就是群集(或區域)隨機抽樣(cluster sampling)的概念。
樣本:在這些區域的客⼾。
基本概念與抽樣分佈 20 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
群集(或區域)隨機抽樣
在群集隨機抽樣,我們定義群集(cluster)。
我們只會選⼀個或少量的群集,然後收集在這些群集裡的所有資料。
如果有⼀個群集過⼤,我們會將之再分成數個⼆階群集。
因此,我們想要在群集內的資料是異質的,⽽各群集都擁有同質資料。
例如,⼈們可以⽤群集隨機抽樣來了解⼀個新產品的受歡迎程度。那些
被選擇的市場(城市、國家、州等)被稱作測試市場(、城市、國家、
州等)。
⼈們在這個情況下,使⽤群集隨機抽樣,是因為它的易⽤性和便利性。
我們選擇的測試市場應該要與整個⺟體類似。
基本概念與抽樣分佈 21 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
非隨機抽樣與⼩結
有的時候我們會做非隨機抽樣。
非隨機抽樣不能被接下來課程教的分析⽅法分析。
今天我們會假設所有抽樣都以隨機抽樣進⾏。
也假設樣本具代表性。
基本概念與抽樣分佈 22 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
課程⼤綱
基本概念。
抽樣。
抽樣分佈:樣本平均數。
抽樣分佈:樣本比例。
基本概念與抽樣分佈 23 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
抽樣分佈
當我們沒有辦法探測整個⺟體時,我們便研究樣本。
隨機樣本裡會包含什麼是無法預測的。
我們需要知道樣本的機率分佈才能連結樣本與⺟體。
機率分佈:
⽩話:可能的值,以及每個可能的值的可能性。
數學上:樣本空間(sample space)、機率密度函數(probability density
function,pdf)、累積分佈函數(cumulative distribution function,cdf)。
樣本的機率分佈就是抽樣分佈(sampling distribution)。
基本概念與抽樣分佈 24 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
抽樣分佈
⼀個⼯廠⽣產糖果。
理想上,糖果應該每包重 2 公⽄。
⽣產過程不可能完美,因此標準是每包糖果應該重 1.8 到 2.2 公⽄之間。
令 X 為⼀包糖果的重量,µ 和 σ 為它的期望值和標準差。
µ = 2 嗎?
1.8 < µ < 2.2 嗎?
σ 有多⼤?
來抽樣吧:
隨機抽⼀包,假設為 2.1 公⽄,是否能說 1.8 < µ < 2.2?
如果在隨機樣本裡,五包的平均重量為 2.1 公⽄呢?
如果隨機樣本的⼤⼩是 10、50 或 100 呢?
如果平均值是 2.3 公⽄呢?
我們需要知道統計量(樣本平均數、樣本標準差等)的抽樣分佈。
基本概念與抽樣分佈 25 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
樣本平均
樣本平均數(sample mean)是最重要的統計量之⼀。
定義 1
令 {Xi}i=1,...,n 為從⺟體抽的⼀個樣本,那麼
¯x =
∑n
i=1 Xi
n
就是樣本平均數。
有的時候我們⽤ ¯xn 來強調樣本⼤⼩是 n。
對於所有 i ̸= j,我們假定 Xi 和 Xj 是獨立的。
當 n ≪ N,即我們從很⼤的⺟體抽出少量的項⽬,這樣假設就可以。
實務上,我們需要 n ≤ 0.05N。
基本概念與抽樣分佈 26 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
樣本平均數的平均數和變異數
假設⺟體平均和變異數分別是 µ 和 σ2
。注意這兩個數字是固定的。
樣本平均 ¯x 是個隨機變數。
它有它的期望值 µ¯x、變異數 σ2
¯x 和標準差 σ¯x。這些數字都是固定的。
對於任何⺟體,我們有以下的定理:
定理 1 (樣本平均數的平均數和變異數)
令 {Xi}i=1,...,n 為從⺟體抽出的樣本數為 n 的隨機樣本,⽽⺟體平均
數為 µ、⺟體變異數為 σ2
,則我們有
µ¯x = µ、 σ2
¯x =
σ2
n
且 σ¯x =
σ
√
n
。
基本概念與抽樣分佈 27 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
樣本平均的平均和變異數
這些名詞是否使你困惑?
樣本平均數 vs. 樣本平均數的平均數。
樣本變異數 vs. 樣本平均數的變異數。
就定義⽽⾔,它們:
¯x = 1
n
∑n
i=1 Xi;⼀個隨機變數。
µ¯x = E[¯x];⼀個常數項。
s2
= 1
n−1
∑n
i=1(Xi − ¯x)2
;⼀個隨機變數。
σ2
¯x = Var(¯x);⼀個常數項。
樣本變異數也有它⾃⼰的平均和變異數。
基本概念與抽樣分佈 28 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
例⼦:品質檢驗
每包糖果的重量服從常態分佈,平均數為 µ = 2,標準差為 σ = 0.2。
假設品管⻑官決定要抽四包糖果並計算樣本平均 ¯x。如果 ¯x /∈ [1.8, 2.2],
我就會受罰。
我的⽣產流程其實是「好的」:µ = 2。
不幸地,它不是完美:σ > 0。
我們可能還是會被懲罰(如果運氣不好),儘管 µ = 2。
有多少的機率我會被懲罰呢?
我們想要計算 1 − Pr(1.8 < ¯x < 2.2)。
我們知道 µ¯x = µ = 2 且 σ¯x = σ√
4
= 0.1。
但我們並不知道 ¯x 的機率分佈!
基本概念與抽樣分佈 29 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
從常態⺟體抽樣
如果⺟體是常態分佈,樣本平均數也會是常態分佈!
定理 2
令 {Xi}i=1,...,n 為從常態⺟體抽出的樣本數為 n 的隨機樣本,⺟體平
均數為 µ,標準差為 σ。則
¯x ∼ ND
(
µ,
σ
√
n
)
。
我們已知 µ¯x = µ 且 σ¯x = σ√
n
。不論⺟體⻑怎樣,這都是對的。
當⺟體為常態分佈時,樣本平均數也會是常態分佈。
基本概念與抽樣分佈 30 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
再回到這個例⼦:品質檢驗
每包糖果的重量服從常態分佈,平均數為 µ = 2,標準差為 σ = 0.2。
假設品管⻑官決定要抽四包糖果並計算樣本平均 ¯x。如果 ¯x /∈ [1.8, 2.2],
我就會受罰。
有多少的機率我會被懲罰呢?
樣本平均數 ¯x 的分佈為 ND(2, 0.1)。
受罰機率 Pr(¯x < 1.8) + Pr(¯x > 2.2) ≈ 0.045。
基本概念與抽樣分佈 31 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
調整標準差
當⺟體為 ND(µ = 2, σ = 0.2),⽽
樣本⼤⼩為 n = 4,被懲罰的機率
是 0.045。
如果調整標準差 σ(改進⽣產過程
或變得更散漫),這個機率會改變。
降低 σ 會降低受罰機率。既然知道
¯x 的分佈,我們可以最佳化 σ。
從 0.2 進步到 0.15 非常有幫助。
從 0.15 進步到 0.1 則否。
基本概念與抽樣分佈 32 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
調整樣本⼤⼩
當⺟體為 ND(2, 0.2),⽽樣本⼤⼩
為 n = 4,被懲罰的機率為 0.045。
如果品管⻑官將樣本數量 n 增⼤,
機率將會減少。
µ = 2 其實是很符合品質要求的。
較⼤的樣本數會降低受罰機率。
基本概念與抽樣分佈 33 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
樣本平均數的分佈
我們現在知道,當我們從常態⺟體抽樣,樣本平均數也是常態。
⽽且它的平均和標準差分別為 µ 及 σ√
n
。
如果⺟體是非常態呢?
幸運地,我們有強⼤的中央極限定理(central limit theorem),可以被應
⽤在任何⺟體。
基本概念與抽樣分佈 34 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
中央極限定理
只要有⾜夠⼤的樣本數,樣本平均數會近似於常態分佈。
定理 3 (中央極限定理)
令 {Xi}i=1,...,n 為從⺟體抽出的樣本數為 n 的隨機樣本,⺟體平均數
為 µ,標準差為 σ。令 ¯xn 為樣本平均。只要 σ < ∞,則在 n → ∞
下,¯xn 收 ND(µ, σ√
n
)。
要多⼤才能算「⾜夠⼤」?
實務上,通常 n ≥ 30 被相信是⾜夠⼤。
基本概念與抽樣分佈 35 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
課程⼤綱
基本概念。
抽樣。
抽樣分佈:樣本平均數。
抽樣分佈:樣本比例。
基本概念與抽樣分佈 36 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
平均數 vs. 比例
對於數值資料,我們有樣本平均數。
我們已經知道樣本平均數的抽樣分佈了。
對於類別資料,並沒有樣本平均數的概念。
它們有樣本比例(sample proportion)的概念。
基本概念與抽樣分佈 37 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
⺟體比例
如何知道臺⼤男⽣和女⽣的比例呢?
⾸先,我們先為學⽣們編碼,女⽣為 0、男⽣為 1。
對學⽣ i,i = 1, ..., N,令 Xi ∈ {0, 1} 為學⽣的性別。
男⽣的⺟體比例(population proportion)被定義為
p =
1
N
N∑
i=1
Xi
女⽣的⺟體比例為 1 − p。
基本概念與抽樣分佈 38 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
樣本比例
令 {Xi}i=1,...,N 為⺟體。
令 {Xi}i=1,...,n 為樣本數為 n 的樣本。
假設對於所有 i ̸= j,Xi 與 Xj 彼此獨立。
即 n 個隨機挑選的學⽣。
接著樣本比例(sample proportion)被定義為
ˆp =
1
n
n∑
i=1
Xi
⺟體比例 p 是確定的(儘管未知),⽽樣本比例 ˆp 則是隨機的。
我們對於 ˆp 的分佈感興趣。
這就是樣本比例的抽樣分佈。
基本概念與抽樣分佈 39 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
Bernoulli 隨機變數
假設隨機變數 X 的樣本空間為 {0, 1},亦即它是個⼆元變數。
令 p = Pr(X = 1) 為「成功機率」。
我們說 X 服從⼀個Bernoulli 分佈,其成功機率為 p。
⽤ X ∼ Ber(p) 表⽰。
我們可以計算它的期望值:
µ = p × 1 + (1 − p) × 0 = p
我們可以計算它的變異數和標準差:
σ2
= p(1 − p)2
+ (1 − p)(0 − p)2
= p(1 − p) 和
σ =
√
p(1 − p)
基本概念與抽樣分佈 40 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
樣本比例的分佈
什麼是樣本比例
ˆp =
1
n
n∑
i=1
Xi
的分佈?
樣本比例的⺟體(⼀次事件的結果)當然不可能是常態分佈。
然⽽樣本比例是⼀種特殊的樣本平均!
我們可以應⽤中央極限定理。
如果 n ≥ 30,樣本比例會近似常態分佈。
它的平均和標準差為
µˆp = µ = p and σˆp =
σ
√
n
=
√
p(1 − p)
n

注意雖然⺟體是類別資料,但是樣本比例是數值資料。
基本概念與抽樣分佈 41 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
樣本比例:例⼦
2011 年時,臺⼤有 19756 個男⽣及 13324 個女⽣。
男⽣的⺟體比例為
p =
19756
33080
≈ 0.597
讓我們抽 100 位學⽣並找出它的樣本比例 ˆp。
ˆp 的分佈是什麼呢?
抽到男⽣少於女⽣的機率是多少呢?
基本概念與抽樣分佈 42 / 43 孔令傑(臺⼤資管系)
基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例
樣本比例:例⼦
ˆp 的分佈是什麼呢?
因為 n ≥ 30,ˆp 會服從常態分佈。
它的平均為 p ≈ 0.597。
它的標準差為
√
p(1−p)
n
≈ 0.049。
ˆp  0.5 的機率為
Pr(ˆp  0.5) ≈ 0.024
⼩結:
樣本比例「是」類別資料的樣本平均,是數值資料。
其平均數和標準差可根據 Bernoulli 分佈計算⽽得。
感謝中央極限定理,當樣本數⾜夠⼤時,它是常態的。
基本概念與抽樣分佈 43 / 43 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
給⼯程師的統計學與資料分析 123
第⼆單元:假設檢定
孔令傑
國立臺灣⼤學資訊管理學系
2017 年 1 ⽉ 14 ⽇
假設檢定 1 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
課程⼤綱
基本概念。
拒絕規則。
p-value。
⺟體比例。
t 檢定。
假設檢定 2 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
假說檢定
科學家(物理學家、化學家等)是怎麼做研究的呢?
觀察現象。
建立假說。
利⽤實驗(或其他⽅式)測試假說。
對於假說做結論。
社會科學家和商業研究者也同樣進⾏假設檢定(hypothesis testing)。
最重要的技術之⼀就是統計推論:以統計的⽅式證明事情。
根據抽樣分佈。
假設檢定 3 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
⼈們問的問題
在商業(或社會科學)界,⼈們會問問題:
老員⼯是否對公司比較有忠誠?
新聘的 CEO 是否將強我們的獲利能⼒?
是否有某個候選⼈有超過 50% 選⺠的偏好⽀持?
青少年是否比成年⼈較常吃速食?
我們產品的品質是否⾜夠穩定?
我們該怎麼回答這些問題呢?
統計學家建議:
⾸先先建立個假設。
接著以隨機樣本和統計⽅法進⾏檢定。
假設檢定 4 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
統計假設
統計假設(statistical hypothesis)是⼀個正式的假設陳述,通常是個欲
檢定參數的數學描述。
它包含兩個部分:
虛無假設(null hypothesis,寫作 H0)。
對立假設(alternative hypothesis,寫作 Ha 或 H1)。
對立假設是:
我們想要(需要)證明的東⻄。
唯有擁有很強的證據,我們才下結論說對立假設成立。
虛無假設則對應到⼀個預設立場(default position)。
我們會先假設(假裝、想像、相信...)虛無假設是對的。
接著我們收集(隨機)樣本資料。
如果在虛無假設成立的前提下,我們極不可能看到我們實際從樣本觀察的結
果,我們就說虛無假設是錯的(對立假設是對的)。
假設檢定 5 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
統計假設:例⼦⼀
在我們的⼯廠裡,我們⽣產糖果,每袋糖果的平均重量應為 1 公⽄。
有⼀天,⼀個客⼈告訴我們,他那袋只重 900 公克。
我們需要知道那是否只是突發事件,還是我們的⽣產系統出了問題。
如果(我們相信)是系統出了問題,我們就需要將機器關機,並花兩天
的時間進⾏檢查和維修。這⾄少會花我們 $100,000 元。
因此我們不應該只因為⼀個抱怨⽽相信我們的系統出了問題。我們該怎
麼做呢?
假設檢定 6 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
統計假設:例⼦⼀
⾸先,我們先建立假設:「我們的⽣產系統⼀切正常」。
接著我們問:是否有⾜夠強的證據顯⽰這個假設是錯誤的?
我們先假設我們的系統⼀切正常。
然後我們進⾏問卷調查,看我們是否有⾜夠的證據。
唯有我們可以「證明」系統確實出了問題,我們才會關閉機器。
令 µ 為平均重量,我們的統計假設是
H0 : µ = 1
Ha : µ ̸= 1。
假設檢定 7 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
統計假設:例⼦⼆
我們的社會採⽤「無罪推定原則」:被判定有罪前,每個⼈都無罪。
所以當有⼀個⼈可能偷了些錢,我們可能犯兩種錯誤:
這⼈有罪,但我們認為他/她無罪。
這⼈無罪,但我們認為他/她有罪。
哪⼀種比較嚴重?
將⼀個無罪的判為有罪是不能被接受的。
只有在有很強的證據⽀持下,我們才會說⼀個⼈有罪。
所以我們的統計假設是
H0 : 這個⼈是無罪的
Ha : 這個⼈是有罪的。
假設檢定 8 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
統計假設:例⼦三
考慮以下假設:「這個候選⼈有超過 50% 選⺠的⽀持。」
我們需要⼀個預設立場,⽽我們在乎的百分比為 50%,因此我們選擇的
虛無假設為
H0 : p = 0.5。
p 是偏好⽀持該候選⼈的選⺠⺟體比例。
更精確⽽⾔,令 Xi = 1 如果該選⺠ i 偏好⽀持這個候選⼈,否則以 0 表
⽰,i = 1, ..., N,那麼 p =
∑N
i=1 Xi
N
。
那對立假設呢?是
Ha : p  0.5 還是 Ha : p  0.5?
假設檢定 9 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
統計假設:例⼦三
對立假設的選擇取決於要進⾏的決策或⾏動。
假設⼀個⼈只有在相信⾃⼰會贏的時候(即 p  0.5)才會參選,那麼
對立假設為
Ha : p  0.5。
假設⼀個⼈傾向參選,並只有在獲勝機率低時才會退出,則對立假設為
Ha : p  0.5。
對立假設是「我們想要(需要)證明的事」。
假設檢定 10 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
兩種誤差
型⼀誤差(type-I error、false positive):拒絕其實是事實的虛無假設。
沒有任何東⻄,但我們卻說有。
型⼆誤差(type-II error、false negative):沒有拒絕⼀個錯誤的虛無假
設。
有東⻄,但我們卻沒看到。
假設檢定 11 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
(http://9gag.com/gag/aRVbMvy/false-positive-false-negative-in-a-nutshell)
假設檢定 12 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
控制犯錯機率
我們想要控制犯那些錯誤的機會。
不幸地,我們沒有辦法同時控制兩者。
我們選擇控制型⼀錯誤的機率。
除非有夠充分的理由,否則我們就相信我們的預設立場。
要建立⼀個統計假設:
把我們的預設立場放在虛無假設。
把我們想要證明的事情(需要強⽽有⼒證據的事情)放在對立假設。
以數學式型態呈現時:
等於符號(=)永遠是放在虛無假設。1
對立假設包含⼀個不等號或是嚴格不等式:̸=、 或 。
當對立假設是⼀個不等式時,其⽅向取決於後續的⾏動或決策。
1有些學者喜歡⽤ ≥ 和 ̸=。無論如何,概念和計算⼤同⼩異。
假設檢定 13 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
單尾檢定和雙尾檢定
如果對立假設是含有 ̸=,它便是個雙尾檢定(two-tailed test)。
如果對立假設是含有  或 ,它便是個單尾檢定(one-tailed test)。
假設我們想要對⺟體平均數做檢定。
在雙尾檢定,我們檢定⺟體平均數是否和假設值有顯著差異,但我們不在
乎是比較⾼還是比較低。
在單尾檢定,我們有⽅向性地檢定⺟體平均和假設職是否有顯著差異。
假設檢定 14 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
課程⼤綱
基本概念。
拒絕規則。
p-value。
⺟體比例。
t 檢定。
假設檢定 15 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
第⼀個例⼦:雙尾檢定
讓我們來對我們商品的平均重量(公克)進⾏檢定吧。
H0 : µ = 1000
Ha : µ ̸= 1000。
先假設我們知道產品重量的變異數為 σ2
= 40000 g2
。
未知 σ2
的狀況會在之後被討論。
讓我們做⼀次隨機抽樣。
假設樣本⼤⼩ n = 100。
假設樣本平均 X = 963。
該如何下結論呢?
假設檢定 16 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
控制誤差機率
我們所做的就是收集⼀個隨機樣本,並根據觀測到的樣本下結論。
很⾃然地,當我們宣稱 µ ̸= 1000,我們可能是錯的。
我們想要控制誤差機率。
令 α 為我們犯這個錯的最⼤機率。
α 被稱為顯著⽔準(significance level)。
1 − α 被稱為信⼼⽔準(confidence level)。
如果 µ = 1000,則最多只有 α 的機率,我們的抽樣和檢定流程會使我們宣
稱 µ ̸= 1000。
假設檢定 17 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
拒絕規則
直觀上,如果 X 與 1000 差距很⼤,我們應該拒絕虛無假設,並相信
µ ̸= 1000。
因為如果 µ = 1000,就很不可能觀測到那樣⼤的差距。
所以那麼⼤的差距提供了很強的證據。
我們想要建構⼀個拒絕規則(rejection rule):找⼀個距離 d,如果
|X − 1000|  d,我們就拒絕 H0。
顯然 d 的⼤⼩跟 α 有關:α 愈⼩則 d 愈⼤。
讓我們把 α 設成 0.05。
假設檢定 18 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
拒絕規則
我們想要⼀個距離 d 使得若 H0 為真,拒絕 H0 的機率最多 5%,即
Pr
(
|X − 1000 µ = 1000|  d
)
≤ 0.05。
滿⾜以上不等式的所有 d 之中最⼩的必須滿⾜
Pr(|X − 1000|  d µ = 1000) = 0.05。
假設檢定 19 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
拒絕規則
考慮 X:
我們知道 σ = 200 且 n = 100。
我們假設 µ = 1000。
感謝中央極限定理,
X ∼ ND(1000, 20)。
現在我們會找 d 去滿⾜
Pr(|X − 1000|  d) = 0.05 了。
Pr(|X − 1000|  d) = 0.05
假設檢定 20 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
拒絕規則:臨界值
根據 X ∼ ND(1000, 20),Pr(|X − 1000|  39.2) = 0.05。拒絕區域為
R = (−∞, 960.8) ∪ (1039.2, ∞)。
如果 X 落在拒絕區域,我們拒絕 H0。
假設檢定 21 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
拒絕規則:臨界值
因為 ¯x = 963 /∈ R,我們無法拒絕 H0。
與 1000 的差距不夠⼤。
這個證據不夠強⽽有⼒。
假設檢定 22 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
拒絕規則:臨界值
在這個例⼦裡,960.8 和 1039.2 這兩個值是拒絕區的臨界值。
如果樣本平均數超過任⼀臨界值,我們便拒絕 H0。
否則,我們不會拒絕 H0。
¯x = 963 不夠強來⽀持 Ha: µ ̸= 1000。
結論:
因為樣本平均數沒有落在拒絕區,我們不拒絕 H0。
在 95% 信⼼⽔準下,沒有⾜夠強的證據顯⽰平均重量不是1000 公克。
因此,我們不應該關閉機器來進⾏檢查。
假設檢定 23 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
⼩結
我們想要知道機器是否出了問題。
如果機器是好的,我們不想要得到⼀個會使我們得進⾏檢查和維修的結論。
只有當我們有⾜夠強的證據顯⽰ µ ̸= 1000,我們才會檢查。
我們想知道 H0 是否是假的,即 µ ̸= 1000。
我們控制下錯誤結論的機率。
我們控制型⼀錯誤:在 H0 為真時不應該拒絕它。
我們限制型⼀錯誤的機率在 α = 5% 以下。
如果 X 落在拒絕區,我們會宣稱 H0 是錯的。
臨界值的計算是基於常態分佈,它可以被轉換成標準常態分佈(z 分佈)。
上述⽅法稱為 z 檢定。
假設檢定 24 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
不拒絕 vs. 接受
我們應該⼩⼼地寫我們的結論:
錯誤寫法:因為樣本平均不在拒絕區域,我們接受 H0。在 95% 信⼼⽔準
下,有⾜夠強的證據顯⽰平均重量是1000 公克。
正確: 因為樣本平均不落在拒絕區域,我們無法拒絕 H0。在 95% 信⼼⽔準
下,沒有⾜夠強的證據顯⽰平均重量不是1000 公克。
沒有辦法證明⼀件事是錯的,不代表它就是真的!
假設檢定 25 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
第⼀個例⼦(第⼆部分)
假設我們修正假設為有向的:
H0 : µ = 1000
Ha : µ  1000。
我們仍有 σ2
= 40000,n = 100 及 α = 0.05。
這是⼀個單尾檢定。
當我們有很強的證據⽀持 Ha,我們會下結論說 µ  1000。
我們需要找⼀個距離 d 使得
Pr
(
1000 − X  d µ = 1000
)
= 0.05。
假設檢定 26 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
拒絕規則:臨界值
d = 32.9 滿⾜ 0.05 = Pr(1000 − X  d)。
當觀測樣本平均 ¯x = 963 ∈ (−∞, 967.1),我們拒絕 H0。
與 1000 的差距⾜夠⼤;這個證據夠強。
假設檢定 27 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
拒絕規則:臨界值
在這個例⼦,967.1 是拒絕的臨界值。
如果樣本平均數(在這個例⼦裡)低於臨界值,我們便拒絕 H0。
否則,我們不拒絕 H0。
有很強的證據⽀持 Ha: µ  1000。
結論:
因為樣本平均數落在拒絕區,我們拒絕 H0。在 95% 信⼼⽔準下,有⾜夠
強的證據顯⽰平均重量少於1000 公克。
假設檢定 28 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
單尾檢定 vs. 雙尾檢定
什麼時候我們使⽤雙尾檢定呢?
當我們沒有⽅向性資訊時,我們使⽤雙尾檢定。
例:我們懷疑⺟體平均數改變了,但我們不曉得它到底變⼩或是變⼤。
如果我們知道或相信這個改變在某個⽅向,我們可以使⽤單尾檢定。
擁有更多資訊(知道改變的⽅向)使拒絕變得「更簡單」,即更容易找
到⾜夠強的證據。
假設檢定 29 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
⼩結
區別以下各個成對的概念:
單尾檢定 vs. 雙尾檢定。
沒有證據顯⽰ H0 是錯的 vs. 有證據顯⽰ H0 是對的。
不拒絕 H0 vs. 接受 H0。
在虛無假設中使⽤ = vs. 在虛無假設中使⽤ ≥ 或 ≤。
假設檢定 30 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
課程⼤綱
基本概念。
拒絕規則。
p-value。
⺟體比例。
t 檢定。
假設檢定 31 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
p-value
p-value 是假設檢定裡⼀個重要的、富有意義的且被廣泛使⽤的⼯具。
定義 1
在統計檢定裡,對於⼀個觀測到的統計量,p-value 是在虛無假設成立
的情況下,觀測到比此觀測值更極端的結果的機率。
計算是基於觀測到的統計量。
是觀測值的尾端機率(tail probability)。
假設虛無假設為真。
假設檢定 32 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
p-value
數學上的意思:
考慮對⺟體平均數 µ 進⾏單尾檢定
H0 : µ = 1000
Ha : µ  1000。
給定觀測到的 ¯x,p-value 照定義是
Pr(X ≤ ¯x)。
在之前的例⼦,σ = 200,n = 100,
α = 0.05 及 ¯x = 963。
如果 H0 為真,即 µ = 1000,我們
得到 Pr(X ≤ 963) = 0.032。
¯x 的 p-value 為 0.032。
假設檢定 33 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
如何使⽤ p-value 呢?
p-value 可以⽤來建構拒絕規則。
對於單尾檢定:
如果 p-value ⼩於 α,我們便拒絕 H0。
如果 p-value ⼤於 α,我們就不拒絕 H0。
在我們的例⼦裡,統計假設是
H0 : µ = 1000
Ha : µ  1000。
α = 0.05。
因為 p-value 0.032  0.05,我們拒絕 H0。
假設檢定 34 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
p-value vs. 臨界值
使⽤ p-value 等同於使⽤臨界值。
兩個⽅法在拒絕與否會得到⼀樣的結論。
假設檢定 35 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
使⽤ p-value 的好處
在很多的研究中,研究者在進⾏檢定之前,不會決定顯著⽔準 α。
他們計算 p-value,然後以星號標記結果的顯著性 。
⼀個典型給予星號的⽅式:
p-value 顯著 標記
(0, 0.01] ⾼度顯著 ***
(0.01, 0.05] 中等顯著 **
(0.05, 0.1] 輕微顯著 *
(0.1, 1) 不顯著 (Empty)
假設檢定 36 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
p-value 的⼤⼩
假設我們想討論不同年齡層的⼈是否平均每天⾄少睡八⼩時。
年齡層:[10, 15)、[15, 20)、[20, 35) 與其他。
對於⼩組 i,實⾏單尾檢定。Ha : µi  8。結果可以被以表格呈現:
⼩組 年齡組 p-value
1 [10,15) 0.0002***
2 [15,20) 0.2
3 [20,25) 0.06*
4 [25,30) 0.04**
5 [30,35) 0.03**
⼩的 p-value 不代表較⼤的差距!
我們沒有辦法做出 µ5  µ4,µ1  µ3 這些結論。
要瞭解兩個⺟體平均間的差異,應使⽤其他的檢定。
假設檢定 37 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
p-value 和雙尾檢定
如何建構出雙尾檢定的拒絕規則呢?
如果 p-value ⼩於 α
2
,我們拒絕 H0。
如果 p-value ⼤於 α
2
,我們不拒絕 H0。
考慮雙尾檢定
H0 : µ = 1000
Ha : µ ̸= 1000。
我們有 α = 0.05。
因為 p-value = 0.032  α
2
= 0.025,我們不拒絕 H0。
有些研究者/書/軟體使⽤其他定義:
雙尾檢定的 p-value 是其對應的單尾檢定 p-value 的兩倍。
然後再將這個 p-value 與 α 比較。
假設檢定 38 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
⼩結
p-value 是在虛無假設成立的狀況下,基於統計量觀測值的尾端機率。
p-value ⽅法是⼀個建構拒絕規則的⽅法。
它等同於臨界值⽅法。
有統計顯著性,不表⽰有實務顯著性。
p-value 很⼩,只表⽰有顯著差異,不表⽰有很⼤的顯著差異。
p-value 並不衡量差距的⼤⼩。
假設檢定 39 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
課程⼤綱
基本概念。
拒絕規則。
p-value。
⺟體比例。
t 檢定。
假設檢定 40 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
檢定⺟體比例
在很多情況下,我們需要檢定⺟體比例。
⽣產系統的缺陷率和收益率。
⽀持⼀個候選⼈或政策的⼈⺠比例。
瀏覽產品⾴⾯後真的購買的比例(轉化率)。
如何檢定⺟體比例呢?
假設我們想要檢定男性使⽤者的比例:
讓我們先標記男性使⽤者為 1,非男性使⽤者為 0。
⺟體比例 p =
∑N
i=1 Xi
N
就是個⺟體平均數。
⼀個樣本比例 ˆp =
∑n
i=1 Xi
n
是樣本平均數。
因為⺟體顯然不常態,因此不能⽤ t 檢定。
因為可以由 p 計算 σ 為
√
p(1 − p),我們⽤ z 檢定來檢定⺟體比例。
限制:n ≥ 30,nˆp ≥ 5 及 n(1 − ˆp) ≥ 5。
假設檢定 41 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
假設
⺟體比例是 p。
若想知道⺟體比例是否為 p0,雙尾檢定是
H0 : p = p0
Ha : p ̸= p0。
在⼀個單尾檢定中,對立假設可以是
Ha : p  p0 或 Ha : p  p0。
假設檢定 42 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
例⼦
在⼀座⼯廠裡,我們產品的缺陷率似乎太⾼了。理想上,它應該少於
1%,但是有些⼯⼈認為是⾼過 1% 的。
如果缺陷率⾼過 1%,我們就應該修理機器,反之就不要2
。
令 p 為缺陷率,假設為
H0 : p = 0.01
Ha : p  0.01。
2什麼時候使⽤ Ha : p  0.01 呢?
假設檢定 43 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
例⼦
在幾批隨機⽣產後,我們發現 1000 個⽣產出來的東⻄,有 14 個是缺
陷品。
觀測樣本比例 ˆp = 0.014。
全部的限制都滿⾜;n = 1000,nˆp = 14 及 n(1 − ˆp) = 986。
假設顯著⽔準設在 α = 0.05,我們的結論是什麼呢?
假設檢定 44 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
例⼦:計算與解讀
計算與結論:
對於這個單尾檢定,因為
p-value = Pr(ˆp  0.014|p = 0.01)
= 0.1018  0.05 = α
我們不拒絕 H0。
沒有⾜夠強的證據證明損壞率⾼於 1%。
決策:
我們不應該試著修理機器。
假設檢定 45 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
課程⼤綱
基本概念。
拒絕規則。
p-value。
⺟體比例。
t 檢定。
假設檢定 46 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
z 檢定
在例⼦⼀,基本上我們是⽤ X ∼ ND(µ, σ√
n
) 這件事實。
這隱含了 X−µ
σ/
√
n
∼ ND(0, 1),也就是所謂的標準常態分佈,或是 z 分佈。
因此,這個檢定被稱為 z 檢定。
這需要知道 σ。
假設檢定 47 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
當變異數未知
當⺟體變異數 σ2
為未知, X−µ
σ/
√
n
的⼤⼩也就未知。
如果我們⽤樣本變異數 S2
作為替代呢?
定理 1
對於⼀個常態的⺟體,統計量
T =
X − µ
S/
√
n
從 t 分佈,且⾃由度為 n − 1。
什麼是 t 分佈?
假設檢定 48 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
t 分佈
t 分佈被定義為以下:
定義 2
若⼀個隨機變數 X 從⾃由度為 n 的 t 分佈,則其 pdf 為
f(x|n) =
Γ(n+1
2 )
√
nπΓ(n
2 )
(
1 +
x2
n
)− n+1
2

對於所有的 x ∈ (−∞, ∞)。我們⽤ X ∼ t(n) 表⽰。
Γ(x) =
∫ ∞
0
zx−1
e−z
dz 是個 gamma 函數。
假設檢定 49 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
z 和 t 分佈
讓我們來比較 Z = X−µ
σ/
√
n
和 T = X−µ
S/
√
n
。
因為我們不知道 σ,我們⽤ S 來替代。
Z ∼ ND(0, 1) 且 T ∼ t(n − 1)。
因為 t 是 z 分佈的替代品,它也被設計為以 0 為中⼼:E[T] = E[Z] = 0。
但是,因為我們多加了⼀個隨機變數入算式(σ 是個已知的常數),T 會變
得比 Z「更隨機」,即 Var(T)  Var(Z)。
圖形上,t 曲線會比 z 曲線更平。
當 n → ∞,t(n) → ND(0, 1)。
假設檢定 50 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
假設檢定 51 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
t 檢定
針對⺟體變異數未知的常態⺟體,我們通常使⽤ t 檢定 去檢定⺟體平
均數。
如果樣本數很⼤,也可以使⽤ z 分佈,並以 s 替代 σ。
假設檢定 52 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
例⼦
某個 MBA 很少錄取⼯作經驗不⻑於兩年的申請者。
為了去檢定是否被錄取者的平均⼯作年限⾼於兩年,我們隨機挑選了
20 個被錄取的申請者。
我們記錄他們在進入 MBA 之前的⼯作經驗。
在進入 MBA 前,他們平均⼯作經驗為 2.5 年。這是個樣本平均。
樣本標準差為 1.3765 年。
⺟體為是常態分佈。
信⼼⽔準被設在 95%。
假設檢定 53 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
例⼦:假設
假設問這個問題的⼈是個有⼀年⼯作經驗的申請者。他是個悲觀主義
者:只有在平均⼯作經驗被證實少於兩年才會申請 MBA。
假設是
H0 : µ = 2
Ha : µ  2。
µ 是全部錄取的申請者在進入 MBA 之前的平均⼯作經驗(年)。
為了⿎勵他,我們想找⼀個⾜夠強的證據顯⽰機會是⾼的(µ  2)。
假設檢定 54 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
例⼦:假設與檢定
假設他是個樂觀主義者:只有在被證實平均⼯作經驗⾼於兩年時才不會
申請 MBA。
假設變為
H0 : µ = 2
Ha : µ  2。
為了勸退他,我們想找⼀個很強的證據顯⽰機會不⾼(µ  2)。
讓我們考慮樂觀的申請者(及 Ha : µ  2))先。
因為⺟體變異數未知且⺟體為常態,我們可以使⽤ t 檢定。
假設檢定 55 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
例⼦(樂觀):計算與解讀
計算:
p-value 是 Pr(X  2.5|µ = 2) = 0.0604。
結論:
對於這個單尾檢定,因為 p-value  0.05 = α,我們不拒絕 H0。
沒有⾜夠強的證據顯⽰平均⼯作經驗⾼於兩年。
結果沒有強到可以阻擋這個只有⼀年⼯作經驗的申請者。
決定:
你這麼樂觀,你就申請吧!
假設檢定 56 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
例⼦(悲觀)
假設這個申請者是悲觀的:
H0 : µ = 2
Ha : µ  2。
p-value 是 Pr(X  2.5|µ = 2) = 1 − 0.0604 = 0.9396。
這是基於 t 分佈的計算結果。.
我們不拒絕 H0,不能下結論說 µ  2。沒有⾜夠強的證據來⿎勵他。
他這麼悲觀,那就別申請。
因為我們使⽤了不同的對立假設,最終決策也因此不相同!
這只會發⽣在我們都不拒絕 H0 的時候。
假設檢定 57 / 58 孔令傑(臺⼤資管系)
基本概念 拒絕規則 p-value ⺟體比例 t 檢定
⼩結
為檢定⺟體平均數 µ:
σ2
樣本數
⺟體分佈
常態 非常態
已知
n ≥ 30 z z
n  30 z 無⺟數
未知
n ≥ 30 t 或 z z
n  30 t 無⺟數
更多可以被檢定的⺟體參數:
⺟體比例(z 檢定)、⺟體變異數(χ2
檢定)。
兩⺟體平均數的差異(t 檢定)、兩⺟體變異數的比例(F 檢定)。
假設檢定 58 / 58 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
給⼯程師的統計學與資料分析 123
第三單元:迴歸分析 (1)
孔令傑
國立臺灣⼤學資訊管理學系
2017 年 1 ⽉ 14 ⽇
迴歸分析 (1) 1 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
相關性與預測
我們經常想要找出變數間的相關性。
比如說,如果給定下列 12 間房⼦的價錢和⼤⼩:
房⼦編號 1 2 3 4 5 6
⼤⼩(平⽅公尺) 75 59 85 65 72 46
價錢(千元) 315 229 355 261 234 216
房⼦編號 7 8 9 10 11 12
⼤⼩(平⽅公尺) 107 91 75 65 88 59
價錢(千元) 308 306 289 204 265 195
我們可以計算其相關係數為 r = 0.729.
如果有⼀間房⼦⼤⼩為 100 平⽅公尺,我們能預測(估計)它的價錢
嗎?
價錢感覺跟⼤⼩有關,不過該怎麼做?
迴歸分析 (1) 2 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
超過兩個變數間的相關性
有時我們有超過兩個變數。
比如說,我們可能也知道每間房⼦有幾個臥房:
房⼦編號 1 2 3 4 5 6
⼤⼩(平⽅公尺) 75 59 85 65 72 46
價錢(千元) 315 229 355 261 234 216
臥房數 1 1 2 2 2 1
房⼦編號 7 8 9 10 11 12
⼤⼩(平⽅公尺) 107 91 75 65 88 59
價錢(千元) 308 306 289 204 265 195
臥房數 3 3 2 1 3 1
怎麼描述三個變數之間的相關性?
給定⼤⼩和臥房數,如何預測(估計)價錢?
迴歸分析 (1) 3 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
迴歸分析
迴歸分析(regression)是個好⼯具!
做為最被廣為使⽤的統計⽅法,迴歸分析可以討論:
哪個變數對某個⽬標變數有影響:影響房價的是⼤⼩、房間數,還是都有?
那個變數如何產⽣影響:⼤房⼦比較貴還是便宜?⼤⼀坪貴(便宜)多少?
我們將會根據⼀⾄多個⾃變數來解釋、預測或估計⼀個應變數。
應變數(dependent variable):我們所關⼼的⽬標變數。
⾃變數(independent variable):我們所關⼼的⽬標變數的潛在影響因⼦。
⾃變數⼜被稱為解釋變數(explanatory variable),⽽應變數⼜被稱為回應變
數(response variable).
如果我們想要預測明天的來店顧客⼈數:
應變數:明天的來店顧客⼈數。
⾃變數:天氣、是否是假⽇、有無促銷活動...
迴歸分析 (1) 4 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
迴歸分析的種類
根據⾃變數的個數:
單迴歸(simple regression):只有⼀個⾃變數。
複迴歸(multiple regression):超過⼀個⾃變數。
根據應變數的資料型態:
在普通迴歸(ordinary regression)中,應變數是數值資料。
在羅吉斯迴歸(logistic regression)中,應變數是分類資料.
還有其他種迴歸模型。
迴歸分析 (1) 5 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
課程⼤綱
基本原理。
變數轉換與選擇。
⼀個案例。
類別型態⾃變數。
迴歸分析 (1) 6 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
基本原理
令 xi 跟 yi 分別是房⼦ i 的⼤⼩跟價格,i = 1, ..., 12。
⼤⼩ 價錢
(平⽅公尺) (千元)
46 216
59 229
59 195
65 261
65 204
72 234
75 315
75 289
85 355
88 265
91 306
107 308
如何以找出⼤⼩和價格間的關係?
迴歸分析 (1) 7 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
線性估計
如果對於所有房⼦,這兩個變數間的關係是線性的,就表⽰
yi = β0 + β1xi + ϵi。
β0 是這個⽅程式的截距(intercept)。
β1 是這個⽅程式的斜率(slope)。
ϵi 是⽤⼤⼩估計房價時的常態隨機誤差(normal random noise)。
冥冥之中這個⽅程式存在,但我們不知道 β0 跟 β1 的值。
β0 跟 β1 是所有房⼦這個⺟體的參數.
我們想要⽤⼿上有的樣本資料 (也就是那 12 間房⼦) 去估計 β0 和 β1。
我們想要計算出兩個統計量 ˆβ0 跟 ˆβ1 去做為我們對 β0 跟 β1 的估計值。
迴歸分析 (1) 8 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
線性估計
給定我們⽤樣本資料算出的 ˆβ0 和 ˆβ1,我們就會⽤ ˆyi = ˆβ0 + ˆβ1xi 來做
為我們對 yi 的估計值。
我們希望我們的估計誤差(estimation error)ϵi = yi − ˆyi 愈⼩愈好。
把所有誤差 ϵi 集合起來,我們希望總平⽅誤差(sum of squared errors,
SSE)愈⼩愈好:
n∑
i=1
ϵ2
i = (yi − ˆyi)2
=
n∑
i=1
[
(yi − (ˆβ0 + ˆβ1xi)
]2
。
我們求解(給定樣本資料後的)
min
ˆβ0, ˆβ1
n∑
i=1
[
(yi − (ˆβ0 + ˆβ1xi)
]2
最⼩平⽅估計(least square approximation)問題。
迴歸分析 (1) 9 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
最⼩平⽅估計
最⼩平⽅估計問題
min
ˆβ0, ˆβ1
n∑
i=1
[
(yi − (ˆβ0 + ˆβ1xi)
]2
的最佳 (ˆβ0, ˆβ1) 是有公式解的:
ˆβ1 =
∑n
i=1(xi − ¯x)(yi − ¯y)
∑n
i=1(xi − ¯x)2
和 ˆβ0 = ¯y − ˆβ1 ¯x。
根據我們的 12 間房⼦,我們會得到 (ˆβ0, ˆβ1) = (102.717, 2.192).
這組樣本的 SSE 是 13118.63.
我們永遠不知道真正的 β0 和 β1。不過,根據我們的樣本資料,我們「最佳
的」猜想是 β0 = 102.717 和 β1 = 2.192。
迴歸分析 (1) 10 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
模型意涵
我們的迴歸模型是
y = 102.717 + 2.192x。
模型意涵:
當房⼦⼤⼩增加 1 平⽅公尺時,我
們預期房價會上升 $2,192。
模型意涵:⼤⼩為 70 平⽅公尺的
房⼦的預期房價為 $256,197。
(不太好的)模型意涵:⼤⼩為 0
平⽅公尺的房⼦,我們預期其房價
為 $102,717.
迴歸分析 (1) 11 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
複迴歸
絕⼤部分的時候,使⽤超過⼀個⾃變數可以更好地解釋或估計應變數。
讓我們來同時⽤⼤⼩和房間數做複迴歸
(multiple regression):
yi = β0 + β1x1,i + β2x2,i + ϵi。
yi 是價格(千元)。
x1,i 是⼤⼩(平⽅公尺)。
x2,i 是房間數。
ϵi 是隨機誤差。
我們的(最⼩平⽅)估計是
(ˆβ0, ˆβ1, ˆβ2) = (82.737, 2.854, −15.789)。
價錢 ⼤⼩
房間數
(千元) (平⽅公尺)
315 75 1
229 59 1
355 85 2
261 65 2
234 72 2
216 46 1
308 107 3
306 91 3
289 75 2
204 65 1
265 88 3
195 59 1
迴歸分析 (1) 12 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
模型意涵
我們的迴歸模型是
y = 82.737 + 2.854x1 − 15.789x2。
當房⼦變⼤ 1 m2
(⽽且其他⾃變數都固定)時,房價預期上升 $2,854。
當房間數加 1(⽽且其他⾃變數都固定)時,房價預期下降 $15,789.
研究者必須判讀這些意涵是否合理(或對他是否有⽤)。
房間數可能不是解釋房價的好因⼦(⾄少不是以線性的⽅式)。
我們不能光只是計算出係數:
我們需要衡量⼀個迴歸模型的整體品質。
我們需要比較不同迴歸模型的相對品質。
我們需要檢定迴歸模型中每個係數的顯著性。
迴歸分析 (1) 13 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
模型檢驗:整體品質
如何衡量⼀個迴歸模型 y = ˆβ0 + ˆβ1x1 + · · · ˆβkxk 的品質?
如果完全不使⽤任何⾃變數,我們會⽤ ¯y =
∑n
i=1 yi
n 估計 yi。此時最⼤
平⽅誤差(sum of squared total errors,SST)是 SST =
∑n
i=1(yi − ¯y)2
。
根據我們的迴歸模型,我們把誤差降到
SSE =
n∑
i=1
(yi − ˆyi)2
=
n∑
i=1
[
(yi − (ˆβ0 + ˆβ1xi)
]2
。
⾃變數的變異中,能被我們的迴歸模型解釋的比例是
0 ≤ R2
= 1 −
SSE
SST
≤ 1。
R2
愈⼤,迴歸模型愈好。
迴歸分析 (1) 14 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
計算 R2
每當我們計算出⼀個迴歸模型的各系數時,我們就能同時算出 R2
。
統計軟體都會在報表中呈現 R2
。
對於 y = 102.717 + 2.192x,我們的 R2
= 0.5315:
⼤約 53% 的房價變異可以被房⼦⼤⼩解釋。
若(且唯若)只有⼀個⾃變數,則 R2
= r2
,⽽ r 就是⾃變數跟應變數
的相關係數。
−1 ≤ r ≤ 1。
0 ≤ r2
= R2
≤ 1。
迴歸分析 (1) 15 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
比較迴歸模型
現在我們可以⽤ R2
來比較迴歸模型了。
以剛剛的例⼦來說:
⾃變數 房⼦⼤⼩ 房間數 房⼦⼤⼩和房間數
R2
0.5315 0.29 0.5513
只⽤房⼦⼤⼩比只⽤房間數好。
同時⽤兩個⾃變數有比較好嗎?
事實上,增加⾃變數⼀定會提⾼ R2
!
加了⾃變數了不起是係數被設為 0,不會讓 R2
變⼩。
即使加入毫不相⼲的⾃變數,R2
也會變⼤。
若要進⾏「公平」的比較並且找出有意義的影響因⼦,我們必須根據⾃
變數的數量調整 R2
。
迴歸分析 (1) 16 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
調整後的 R2
標準的把 R2
調整成調整後的 R2
(adjusted R2
)是
R2
adj = 1 −
(
n − 1
n − k − 1
)
(1 − R2
)。
n 是樣本數,k 是模型中的⾃變數個數。
以剛剛的例⼦來說:
⾃變數 房⼦⼤⼩ 房間數 房⼦⼤⼩和房間數
R2
0.5315 0.290 0.5513
R2
adj 0.4846 0.219 0.4516
其實只使⽤⾃變數是三個模型中最好的!
迴歸分析 (1) 17 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
檢定係數顯著性
另⼀個重要的⼯作是檢定係數顯著性(significance)。
比如說剛剛的雙⾃變數模型
y = 82.737 + 2.854x1 − 15.789x2。
2.854 和 −15.789 是完全根據樣本⽽算出來的。我們永遠不會知道 β1
和 β2 是否真的是這兩個值!
我們甚⾄不確定 β1 和 β2 是否不是 0. 我們必須檢定它們:
H0 : βi = 0
Ha : βi ̸= 0.
我們希望有⾜夠的證據令我們相信 βi ̸= 0.
迴歸分析 (1) 18 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
檢定係數顯著性
檢定的結果在報表中都有。統計軟體(比如說 R)告訴我們:
Coefficients Standard Error t Stat p-value
Intercept 82.737 59.873 1.382 0.200
Size 2.854 1.247 2.289 0.048 **
Bedroom −15.789 25.056 −0.630 0.544
因為不知道⺟體變異數,我們使⽤ t 檢定.
「Coefficients」記錄的是樣本平均數 ¯x;「Standard Error」記錄的是 s√
n
;
「t Stat」記錄的是 t = ¯x−0
s/
√
n
。
「p-value」是 t 統計量的雙尾機率(在⼤部分統計軟體中),⽤來跟 α 比較。
別忘了我們假設 ϵi 是常態的。
迴歸分析 (1) 19 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
檢定係數顯著性
根據統計軟體:
Coefficients Standard Error t Stat p-value
Intercept 82.737 59.873 1.382 0.200
Size 2.854 1.247 2.289 0.048 **
Bedroom −15.789 25.056 −0.630 0.544
在 95% 的信⼼⽔準下:
我們相信 β1 ̸= 0,亦即房⼦⼤⼩對房價確實有影響。
我們不相信 β2 ̸= 0,亦即沒有證據顯⽰房間數對房間有影響。
如果只⽤房⼦⼤⼩當⾃變數,它的 p-value 會是 0.00714。我們同樣會相
信房⼦⼤⼩對房價有影響。
迴歸分析 (1) 20 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
課程⼤綱
基本原理。
變數轉換與選擇。
⼀個案例。
類別型態⾃變數。
迴歸分析 (1) 21 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
屋齡
屋齡也有可能影響房價。
價格 ⼤⼩
房間數
屋齡
(千元) (平⽅公尺) (年)
315 75 1 16
229 59 1 20
355 85 2 16
261 65 2 15
234 72 2 21
216 46 1 16
308 107 3 15
306 91 3 15
289 75 2 14
204 65 1 21
265 88 3 15
195 59 1 26
別管房間數了,讓我們來試試採⽤屋齡當⾃變數。
迴歸分析 (1) 22 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
屋齡
對於房⼦ i,讓 yi 做為房價、x1,i 做為⼤⼩,以及 x3,i 做為屋齡。假設
他們之間是線性關係:
yi = β0 + β1x1,i + β2x3,i + ϵi。
統計軟體給我們下列報表:
Coefficients Standard Error t Stat p-value
Intercept 262.882 83.632 3.143 0.012
Size 1.533 0.628 2.443 0.037 **
Age −6.368 2.881 −2.211 0.054 *
R2
= 0.696, R2
adj = 0.629
R2
從 0.531(只有房⼦⼤⼩為⾃變數)上升到 0.629。屋齡在 90% 的信
⼼⽔準下是顯著的。好像不錯!
迴歸分析 (1) 23 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
「非線性」關係
可以再改進嗎?
根據散佈圖,或許可以試試「非線
性」(nonlinear)的關係:
新房價錢跌得快,舊房則跌得慢。
不要假設線性關係式或許有幫助。
舉例來說,我們可以試著把屋齡改
成屋齡的倒數:
yi = β0 + β1x1,i + β2
(
1
x3,i
)
+ ϵi。
迴歸分析 (1) 24 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
變數轉換
若是要⽤我們的樣本資料去估計
yi = β0 + β1x1,i + β2
(
1
x3,i
)
+ ϵi.
這個動作叫「fitting」。
準備⼀個新變數,其值為 1
age
。
把價格、⼤⼩和房⼦屋齡的倒數放入迴
歸模型,然後讀報表。
我們可以考慮任何的非線性關係(反正
都是要製作⼀個新變數)。
這個技巧叫做變數轉換(variable
transformation)。
價格 ⼤⼩ 1/屋齡
(千元) (平⽅公尺) (1/年)
315 75 0.063
229 59 0.050
355 85 0.063
261 65 0.067
234 72 0.048
216 46 0.063
308 107 0.067
306 91 0.067
289 75 0.071
204 65 0.048
265 88 0.067
195 59 0.038
迴歸分析 (1) 25 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
屋齡的倒數
統計軟體給我們下列的報表:
Coefficients Standard Error t Stat p-value
Intercept 22.905 57.154 0.401 0.698
Size 1.524 0.647 2.356 0.043 **
1/Age 2185.575 1044.497 2.092 0.066 *
R2
= 0.685, R2
adj = 0.615
模型檢驗:
變數都顯著(雖然信⼼⽔準不同)。
使⽤⼤⼩和屋齡比使⽤⼤⼩和屋齡的倒數好。
「房價在不同屋齡時的下降速率不同」這個假設不被樣本資料⽀持。
把 1
age 換成 age2
也沒有比較好。
迴歸分析 (1) 26 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
常⾒的變數轉換
迴歸分析 (1) 27 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
變數選擇與模型建立
有時候我們有非常多的候選⾃變數。
⼤⼩、房間數、屋齡、離最近的公園的距離、離最近的醫院的距離、社區治
安、學區...
就算只考慮線性關係,p 個候選⾃變數就有 2p
− 1 種組合。
事實上每個變數都可以被轉換。
之後甚⾄還可以討論變數間的交互作⽤。
如何找出「最好的」迴歸模型(如果有的話)?
迴歸分析 (1) 28 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
變數選擇與模型建立
世界上沒有「最好的」模型,但是有「好」模型。
⼀些建議:
⽤散佈圖檢視每個⾃變數跟應變數間的關係,據此嘗試變數轉換。
檢視⾃變數間的兩兩關係。如果某兩者⾼度相關,常常就有⼀個不需要。我
們說它們之間有共線性(multicollinearity)。
⼀旦有了⼀個模型,檢視每個變數的 p-value,並試著移除不顯著的變數。
要注意的是,這可能會影響到剩餘變數的顯著性。
反覆修正,直到你找不到更好的模型。
R2
⼤、修正的 R2
adj ⼤、p-value 們⼩。
統計軟體通常可以(部份地)⾃動化上述流程,不過⼈為決策還是必要的。
有時關鍵其實是去找尋新的⾃變數。
直覺與經驗可能會幫上忙(或幫倒忙)。
迴歸分析 (1) 29 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
課程⼤綱
基本原理。
變數轉換與選擇。
⼀個案例。
類別型態⾃變數。
迴歸分析 (1) 30 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
⼀個案例:票券銷售
⼀個劇團過去六年做了近千場演出。
老闆想要增加票房賣座度。
關鍵問題:什麼是影響賣座度的關鍵因⼦?
讓我們⽤售票張數來定義賣座度。
潛在因⼦:演出年份、演出⽉份、演出於星期幾、演出時間(早上、下午、
晚上)、演出地點、演員、戲劇種類、票價...
老闆隨機抽出 100 場演出,給你這些演出的⼀些資訊。
都在週末演出、公開售票、以同樣⽅式售票。
每⼀場演出的票價都不隨時間改變。
做為⼀名顧問,如何透過統計與資料分析幫助劇團?
迴歸分析 (1) 31 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
變數
共有六個變數:
變數 意義
Y ear 演出進⾏的年份(1、2、...、6)
Time 演出進⾏的時間(早上、下午、晚上)
Capacity 表演廳的座位數
AvgPrice 所有票種的票價平均數
SalesQty 總售出張數
SalesDuration 起售⽇期⾄演出⽇期的間隔天數
座位數後售票數已經被等比例調整(scaling)過了。
迴歸分析 (1) 32 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
資料(⼀部分)
Yr. Tm. Cap. A.P. Qty S.D. Yr. Tm. Cap. A.P. Qty S.D.
5 A 230 400 218 50 2 M 190 575 190 289
5 A 150 500 119 46 6 A 130 500 108 89
5 A 230 400 160 126 4 E 200 775 169 100
5 A 200 775 200 324 4 E 200 775 135 259
6 E 190 1175 178 115 5 A 310 650 251 346
6 A 190 1175 183 109 2 A 250 550 250 145
5 E 190 775 161 58 1 A 190 675 183 254
3 A 200 675 200 112 6 A 200 1175 146 110
5 E 200 775 158 323 1 M 200 575 140 94
1 M 200 575 128 360 4 A 200 775 195 255
迴歸分析 (1) 33 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
迴歸分析
讓我們先來試幾個⾃變數。
應變數:SalesQty.
⾃變數:Capacity, AvgPrice, Y ear.
請注意 Year 是數值型資料:
兩個值之間的距離有實際意義:4 − 2 和 5 − 3 都表⽰差兩年。
值有單⼀變化⽅向。
如果是⽉份,其值就會循環,那麼 12 − 11 跟 1 − 12 就完全不同。
散佈圖有⽤:
變數選擇:哪個⾃變數可能有影響?
變數轉換:⼀個⾃變數如何影響應變數?
共線性:有沒有兩個變數⾼度相關?
迴歸分析 (1) 34 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
迴歸分析 (1) 35 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
迴歸分析
看起來 Capacity、AvgSales 和 Y ear 都值得⼀試。
如果我們將它們分別放進迴歸模型:
SalesQty = 20.79 + 0.72Capacity:R2
= 0.538、p-value ≈ 0。
SalesQty = 174.9 + 0.0028AvgPrice:R2
= 0.0002、p-value = 0.885。
SalesQty = 203.6 − 6.77Y ear:R2
= 0.063、p-value = 0.0115。
如果我們將它們⼀起放進去:
迴歸模型是
SalesQty = 24.742 + 0.702Capacity + 0.027AvgPrice − 4.696Y ear。
R2
= 0.57、R2
adj = 0.556,p-value 分別是 0、0.056 和 0.019。
不要分別放,要⼀起放。
迴歸分析 (1) 36 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
加入 Time
Time(早上、下午、晚上)也可能有影響。
但是它是類別資料。
更精確地講,它是名⽬資料。
就算我們把 Time 編碼成 1、2 跟 3,我們也不能就把它當成數值資料。
對於⼀個類別變數,我們必須使⽤⼀或數個虛擬變數(dummay
variable、indicator variables)。
迴歸分析 (1) 37 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
加入 Time
Time(早上、下午、晚上)也可能有影響。但是它是類別資料。
為什麼不編碼成數值然後直接做迴歸分析?
假設我們把 (morning, afternoon, evening) 編碼成 (1, 2, 3):
迴歸模型是
SalesQty = 164.021 + 6.313Time。
這有錯嗎?
迴歸分析 (1) 38 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
數值編碼沒有意義
不同的編碼就會給我們不同的迴歸模型!
我們也可以把 (morning, afternoon, evening) 編碼成 (1, 2, 10) 或 (3, 1, 2):
SalesQty =
164.021 + 6.313Time
p-value = 0.294
SalesQty =
177.224 − 0.075Time
p-value = 0.95
SalesQty =
205.725 − 15.091Time
p-value = 0.0084
迴歸分析 (1) 39 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
課程⼤綱
基本原理。
變數轉換與選擇。
⼀個案例。
類別型態⾃變數。
迴歸分析 (1) 40 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
⼆元變數
類別變數需要特別處理。
先看看⼀個特殊情況:如果⼀個類別變數是⼆元(binary)的,我們就
可以直接將之編碼成 0 和 1 並且直接放進迴歸模型。
男/女、⽣/死、買/沒買、公立/私立...
編碼成 1 和 0、1 和 2 或 7 和 8 也都沒問題。
編碼成 1 和 −1、1 和 5 或 4 和 8 就比較不好。
這是因為迴歸模型的係數代表「當其他⾃變數不變,⽽此⾃變數增加⼀
單位」時,應變數會如何變化。
當⼀個⼆元變數被編碼成 0 和 1,它的係數就告訴我們「如果這個變數
從 0 變成 1(且其他變數都不變),我們預期應變數會增加 ˆβi。」
如果⼀個類別變數有超過兩個可能的值呢?
迴歸分析 (1) 41 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
虛擬變數
假設 x 有三個可能的值 A、B 跟 C。
讓我們先選⼀個基準點(reference level),比如說 A。
接著創造兩個虛擬變數(dummy variable、indicator variable)xB
和 xC
:
xB
=



1 若x = B
0 若為其他情況
和 xC
=



1 若x = C
0 若為其他情況
換⾔之,我們有如下對應:
x xB
xC
A 0 0
B 1 0
C 0 1
迴歸分析 (1) 42 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
虛擬變數
現在我們把 xB
和 xC
放進迴歸模型
y = ˆβ0 + · · · + ˆβB
xB
+ ˆβC
xC
。
如果 x 從 A 變成 B(⽽且其他變數都不變),應變數預期將增加 ˆβB
。
如果 x 從 A 變成 C(⽽且其他變數都不變),應變數預期將增加 ˆβC
.
如果 x 從 B 變成 C(⽽且其他變數都不變),我們沒什麼結論。
我們⽤ x 把資料分成三組(A、B 和 C)。
我們在問,再移除其他變數的影響之後,A 組和 B 組以及 A 組和 C 組
間是否有顯著差異。
迴歸分析 (1) 43 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
虛擬變數的通則
如果變數 x 有五個可能的值 M、N、O、P 和 Q。
我們⾸先選擇⼀個基準點,比如說 P。
我們接著創造四個虛擬變數:
x xM
xN
xO
xQ
M 1 0 0 0
N 0 1 0 0
O 0 0 1 0
P 0 0 0 0
Q 0 0 0 1
在 P 組和 M 組、P 組和 N 組、P 組和 O 組,以及 P 組和 Q 組間之否有
顯著差異?
⼀個類別變數若是有 k 個可能的值,我們就需要 k − 1 虛擬變數。
迴歸分析 (1) 44 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
Time 的虛擬變數
Time 有三個值:morning、afternoon 和 evening。
讓我們選 afternoon 當基準點。
我們需要兩個虛擬變數:
Time TimeM
TimeE
morning 1 0
afternoon 0 0
evening 0 1
⽤ TimeM
和 TimeE
做為⾃變數,我們會得到
SalesQty = 191 − 30.069TimeM
− 16.303TimeE
。
兩個變數的 p-values 各是 0.009 和 0.138。
如果把⼀場演出換時間從下午移到早上,我們預期會少賣 30.069 張票。
迴歸分析 (1) 45 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
Time 的虛擬變數
讓我們把⼿上有的變數都加進去:
SalesQty = 0.696Capacity + 0.027AvgPrice − 5.282Y ear
− 14.387TimeM
− 21.328TimeE
.
Coefficients Standard Error t Stat p-value
Intercept 39.280 19.724 1.992 0.049 **
Capacity 0.696 0.069 10.263 0.000 ***
AvgPrice 0.027 0.013 2.033 0.045 **
Y ear −5.282 1.931 −2.735 0.007 ***
TimeM
−14.387 7.784 −1.848 0.068 *
TimeE
−21.328 7.227 −2.951 0.004 ***
R2
= 0.608, R2
adj = 0.587
迴歸分析 (1) 46 / 47 孔令傑(臺⼤資管系)
基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數
結語
當遇到⾃變數是類別變數時,我們就需要加虛擬變數。
虛擬變數的值非 0 則 1。
如果它有 k 個可能的值,我們就需要 k − 1 個虛擬變數。
在原本變數中當基準點的值,在所有虛擬變數中都被設成 0。
在原本變數中不是基準點的值,會有恰好⼀個虛擬變數被設成 1。
我們只是在(只能)檢定基準點和非基準點之間是否有顯著差異。
對於兩個非基準點之間是否有顯著差異,我們⼀無所知。
真的要知道,就要換基準點。
如果有任何⼀個虛擬變數是顯著的,⽽你因此想要把它留在迴歸模型
中,那所有的為了同⼀個類別變數⽽產⽣的虛擬變數就都要留下。
迴歸分析 (1) 47 / 47 孔令傑(臺⼤資管系)
Interaction Endogeneity, residuals Logistic regression
Statistics and Data Analysis for Engineers
Part 4: Regression Analysis (2)
Ling-Chieh Kung
Department of Information Management
National Taiwan University
January 14, 2017
Regression Analysis (2) 1 / 38 Ling-Chieh Kung (NTU IM)
Interaction Endogeneity, residuals Logistic regression
Road map
Interaction.
Endogeneity and residual analysis.
Logistic regression.
Regression Analysis (2) 2 / 38 Ling-Chieh Kung (NTU IM)
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123
[系列活動] 給工程師的統計學及資料分析 123

More Related Content

What's hot

大規模データ時代に求められる自然言語処理
大規模データ時代に求められる自然言語処理大規模データ時代に求められる自然言語処理
大規模データ時代に求められる自然言語処理Preferred Networks
 
チケット管理システム大決戦第二弾
チケット管理システム大決戦第二弾チケット管理システム大決戦第二弾
チケット管理システム大決戦第二弾Ryutaro YOSHIBA
 
Learning-to-Rank meetup Vol. 1
Learning-to-Rank meetup Vol. 1Learning-to-Rank meetup Vol. 1
Learning-to-Rank meetup Vol. 1Koji Sekiguchi
 
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリングmlm_kansai
 
シン モブ・プログラミング 第三形態
シン モブ・プログラミング 第三形態シン モブ・プログラミング 第三形態
シン モブ・プログラミング 第三形態atsushi nagata
 
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた. .
 
DID, Synthetic Control, CausalImpact
DID, Synthetic Control, CausalImpactDID, Synthetic Control, CausalImpact
DID, Synthetic Control, CausalImpactYusuke Kaneko
 
先端技術とメディア表現1 #FTMA15
先端技術とメディア表現1 #FTMA15先端技術とメディア表現1 #FTMA15
先端技術とメディア表現1 #FTMA15Yoichi Ochiai
 
ChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AIChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AIShota Imai
 
傾向スコアを使ったキャンペーン効果検証V1
傾向スコアを使ったキャンペーン効果検証V1傾向スコアを使ったキャンペーン効果検証V1
傾向スコアを使ったキャンペーン効果検証V1Kazuya Obanayama
 
データ基盤に関わる問い合わせ対応を仕組みで解決する
データ基盤に関わる問い合わせ対応を仕組みで解決するデータ基盤に関わる問い合わせ対応を仕組みで解決する
データ基盤に関わる問い合わせ対応を仕組みで解決する株式会社MonotaRO Tech Team
 
20211023 良いテストを作るためのテスト設計チュートリアルを考える
20211023 良いテストを作るためのテスト設計チュートリアルを考える20211023 良いテストを作るためのテスト設計チュートリアルを考える
20211023 良いテストを作るためのテスト設計チュートリアルを考えるtomohiro odan
 
R MarkdownとBeamerでプレゼンテーション資料作成
R MarkdownとBeamerでプレゼンテーション資料作成R MarkdownとBeamerでプレゼンテーション資料作成
R MarkdownとBeamerでプレゼンテーション資料作成Hiroki Itô
 
Who I am and What I have done ever since/自己紹介スライド
Who I am and What I have done ever since/自己紹介スライドWho I am and What I have done ever since/自己紹介スライド
Who I am and What I have done ever since/自己紹介スライドtakayukimaeda3
 
CIが分からない PE(SETエンジニア)の1年生がWebAPIの負荷テストを 背伸びしてCI運用した
CIが分からないPE(SETエンジニア)の1年生がWebAPIの負荷テストを背伸びしてCI運用したCIが分からないPE(SETエンジニア)の1年生がWebAPIの負荷テストを背伸びしてCI運用した
CIが分からない PE(SETエンジニア)の1年生がWebAPIの負荷テストを 背伸びしてCI運用したssuser0be501
 
企業におけるデータ分析プロジェクトと求められるスキル
企業におけるデータ分析プロジェクトと求められるスキル企業におけるデータ分析プロジェクトと求められるスキル
企業におけるデータ分析プロジェクトと求められるスキルRakuten Group, Inc.
 
リクルートライフスタイル流!分析基盤との賢い付き合い方
リクルートライフスタイル流!分析基盤との賢い付き合い方リクルートライフスタイル流!分析基盤との賢い付き合い方
リクルートライフスタイル流!分析基盤との賢い付き合い方Recruit Lifestyle Co., Ltd.
 
Kaggleのテクニック
KaggleのテクニックKaggleのテクニック
KaggleのテクニックYasunori Ozaki
 

What's hot (20)

大規模データ時代に求められる自然言語処理
大規模データ時代に求められる自然言語処理大規模データ時代に求められる自然言語処理
大規模データ時代に求められる自然言語処理
 
独立系研究者としての生き方
独立系研究者としての生き方独立系研究者としての生き方
独立系研究者としての生き方
 
チケット管理システム大決戦第二弾
チケット管理システム大決戦第二弾チケット管理システム大決戦第二弾
チケット管理システム大決戦第二弾
 
[系列活動] Python爬蟲實戰
[系列活動] Python爬蟲實戰[系列活動] Python爬蟲實戰
[系列活動] Python爬蟲實戰
 
Learning-to-Rank meetup Vol. 1
Learning-to-Rank meetup Vol. 1Learning-to-Rank meetup Vol. 1
Learning-to-Rank meetup Vol. 1
 
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
 
シン モブ・プログラミング 第三形態
シン モブ・プログラミング 第三形態シン モブ・プログラミング 第三形態
シン モブ・プログラミング 第三形態
 
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
 
DID, Synthetic Control, CausalImpact
DID, Synthetic Control, CausalImpactDID, Synthetic Control, CausalImpact
DID, Synthetic Control, CausalImpact
 
先端技術とメディア表現1 #FTMA15
先端技術とメディア表現1 #FTMA15先端技術とメディア表現1 #FTMA15
先端技術とメディア表現1 #FTMA15
 
ChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AIChatGPT 人間のフィードバックから強化学習した対話AI
ChatGPT 人間のフィードバックから強化学習した対話AI
 
傾向スコアを使ったキャンペーン効果検証V1
傾向スコアを使ったキャンペーン効果検証V1傾向スコアを使ったキャンペーン効果検証V1
傾向スコアを使ったキャンペーン効果検証V1
 
データ基盤に関わる問い合わせ対応を仕組みで解決する
データ基盤に関わる問い合わせ対応を仕組みで解決するデータ基盤に関わる問い合わせ対応を仕組みで解決する
データ基盤に関わる問い合わせ対応を仕組みで解決する
 
20211023 良いテストを作るためのテスト設計チュートリアルを考える
20211023 良いテストを作るためのテスト設計チュートリアルを考える20211023 良いテストを作るためのテスト設計チュートリアルを考える
20211023 良いテストを作るためのテスト設計チュートリアルを考える
 
R MarkdownとBeamerでプレゼンテーション資料作成
R MarkdownとBeamerでプレゼンテーション資料作成R MarkdownとBeamerでプレゼンテーション資料作成
R MarkdownとBeamerでプレゼンテーション資料作成
 
Who I am and What I have done ever since/自己紹介スライド
Who I am and What I have done ever since/自己紹介スライドWho I am and What I have done ever since/自己紹介スライド
Who I am and What I have done ever since/自己紹介スライド
 
CIが分からない PE(SETエンジニア)の1年生がWebAPIの負荷テストを 背伸びしてCI運用した
CIが分からないPE(SETエンジニア)の1年生がWebAPIの負荷テストを背伸びしてCI運用したCIが分からないPE(SETエンジニア)の1年生がWebAPIの負荷テストを背伸びしてCI運用した
CIが分からない PE(SETエンジニア)の1年生がWebAPIの負荷テストを 背伸びしてCI運用した
 
企業におけるデータ分析プロジェクトと求められるスキル
企業におけるデータ分析プロジェクトと求められるスキル企業におけるデータ分析プロジェクトと求められるスキル
企業におけるデータ分析プロジェクトと求められるスキル
 
リクルートライフスタイル流!分析基盤との賢い付き合い方
リクルートライフスタイル流!分析基盤との賢い付き合い方リクルートライフスタイル流!分析基盤との賢い付き合い方
リクルートライフスタイル流!分析基盤との賢い付き合い方
 
Kaggleのテクニック
KaggleのテクニックKaggleのテクニック
Kaggleのテクニック
 

Viewers also liked

[系列活動] Machine Learning 機器學習課程
[系列活動] Machine Learning 機器學習課程[系列活動] Machine Learning 機器學習課程
[系列活動] Machine Learning 機器學習課程台灣資料科學年會
 
[系列活動] 智慧製造與生產線上的資料科學 (製造資料科學:從預測性思維到處方性決策)
[系列活動] 智慧製造與生產線上的資料科學 (製造資料科學:從預測性思維到處方性決策)[系列活動] 智慧製造與生產線上的資料科學 (製造資料科學:從預測性思維到處方性決策)
[系列活動] 智慧製造與生產線上的資料科學 (製造資料科學:從預測性思維到處方性決策)台灣資料科學年會
 
[系列活動] 無所不在的自然語言處理—基礎概念、技術與工具介紹
[系列活動] 無所不在的自然語言處理—基礎概念、技術與工具介紹[系列活動] 無所不在的自然語言處理—基礎概念、技術與工具介紹
[系列活動] 無所不在的自然語言處理—基礎概念、技術與工具介紹台灣資料科學年會
 
Collaboration with Statistician? 矩陣視覺化於探索式資料分析
Collaboration with Statistician? 矩陣視覺化於探索式資料分析Collaboration with Statistician? 矩陣視覺化於探索式資料分析
Collaboration with Statistician? 矩陣視覺化於探索式資料分析台灣資料科學年會
 
[DSC 2016] 系列活動:李泳泉 / 星火燎原 - Spark 機器學習初探
[DSC 2016] 系列活動:李泳泉 / 星火燎原 - Spark 機器學習初探[DSC 2016] 系列活動:李泳泉 / 星火燎原 - Spark 機器學習初探
[DSC 2016] 系列活動:李泳泉 / 星火燎原 - Spark 機器學習初探台灣資料科學年會
 
[系列活動] 資料探勘速遊 - Session4 case-studies
[系列活動] 資料探勘速遊 - Session4 case-studies[系列活動] 資料探勘速遊 - Session4 case-studies
[系列活動] 資料探勘速遊 - Session4 case-studies台灣資料科學年會
 
「資料視覺化」有志一同場次 at 2016 台灣資料科學年會
「資料視覺化」有志一同場次 at 2016 台灣資料科學年會「資料視覺化」有志一同場次 at 2016 台灣資料科學年會
「資料視覺化」有志一同場次 at 2016 台灣資料科學年會台灣資料科學年會
 
[系列活動] 手把手教你R語言資料分析實務
[系列活動] 手把手教你R語言資料分析實務[系列活動] 手把手教你R語言資料分析實務
[系列活動] 手把手教你R語言資料分析實務台灣資料科學年會
 
手把手教你 R 語言資料分析實務/張毓倫&陳柏亨
手把手教你 R 語言資料分析實務/張毓倫&陳柏亨手把手教你 R 語言資料分析實務/張毓倫&陳柏亨
手把手教你 R 語言資料分析實務/張毓倫&陳柏亨台灣資料科學年會
 
[系列活動] Data exploration with modern R
[系列活動] Data exploration with modern R[系列活動] Data exploration with modern R
[系列活動] Data exploration with modern R台灣資料科學年會
 
[系列活動] Python 程式語言起步走
[系列活動] Python 程式語言起步走[系列活動] Python 程式語言起步走
[系列活動] Python 程式語言起步走台灣資料科學年會
 
天下武功唯快不破:利用串流資料實做出即時分類器和即時推薦系統
天下武功唯快不破:利用串流資料實做出即時分類器和即時推薦系統天下武功唯快不破:利用串流資料實做出即時分類器和即時推薦系統
天下武功唯快不破:利用串流資料實做出即時分類器和即時推薦系統台灣資料科學年會
 
李慕約&王向榮/如何備料:資料的抓取、清理以及串接
李慕約&王向榮/如何備料:資料的抓取、清理以及串接李慕約&王向榮/如何備料:資料的抓取、清理以及串接
李慕約&王向榮/如何備料:資料的抓取、清理以及串接台灣資料科學年會
 
一個賭徒的告白:從預測市場看金融交易
一個賭徒的告白:從預測市場看金融交易一個賭徒的告白:從預測市場看金融交易
一個賭徒的告白:從預測市場看金融交易台灣資料科學年會
 
林佳賢/資料視覺化的 20 個小訣竅
林佳賢/資料視覺化的 20 個小訣竅林佳賢/資料視覺化的 20 個小訣竅
林佳賢/資料視覺化的 20 個小訣竅台灣資料科學年會
 
不會寫程式的人友善上手機器學習-淺談 Azure machine learning studio
不會寫程式的人友善上手機器學習-淺談 Azure machine learning studio不會寫程式的人友善上手機器學習-淺談 Azure machine learning studio
不會寫程式的人友善上手機器學習-淺談 Azure machine learning studioR Ladies Taipei
 

Viewers also liked (20)

[系列活動] Machine Learning 機器學習課程
[系列活動] Machine Learning 機器學習課程[系列活動] Machine Learning 機器學習課程
[系列活動] Machine Learning 機器學習課程
 
[系列活動] 智慧製造與生產線上的資料科學 (製造資料科學:從預測性思維到處方性決策)
[系列活動] 智慧製造與生產線上的資料科學 (製造資料科學:從預測性思維到處方性決策)[系列活動] 智慧製造與生產線上的資料科學 (製造資料科學:從預測性思維到處方性決策)
[系列活動] 智慧製造與生產線上的資料科學 (製造資料科學:從預測性思維到處方性決策)
 
[系列活動] 無所不在的自然語言處理—基礎概念、技術與工具介紹
[系列活動] 無所不在的自然語言處理—基礎概念、技術與工具介紹[系列活動] 無所不在的自然語言處理—基礎概念、技術與工具介紹
[系列活動] 無所不在的自然語言處理—基礎概念、技術與工具介紹
 
Collaboration with Statistician? 矩陣視覺化於探索式資料分析
Collaboration with Statistician? 矩陣視覺化於探索式資料分析Collaboration with Statistician? 矩陣視覺化於探索式資料分析
Collaboration with Statistician? 矩陣視覺化於探索式資料分析
 
[DSC 2016] 系列活動:李泳泉 / 星火燎原 - Spark 機器學習初探
[DSC 2016] 系列活動:李泳泉 / 星火燎原 - Spark 機器學習初探[DSC 2016] 系列活動:李泳泉 / 星火燎原 - Spark 機器學習初探
[DSC 2016] 系列活動:李泳泉 / 星火燎原 - Spark 機器學習初探
 
[系列活動] 資料探勘速遊 - Session4 case-studies
[系列活動] 資料探勘速遊 - Session4 case-studies[系列活動] 資料探勘速遊 - Session4 case-studies
[系列活動] 資料探勘速遊 - Session4 case-studies
 
李育杰/The Growth of a Data Scientist
李育杰/The Growth of a Data Scientist李育杰/The Growth of a Data Scientist
李育杰/The Growth of a Data Scientist
 
「資料視覺化」有志一同場次 at 2016 台灣資料科學年會
「資料視覺化」有志一同場次 at 2016 台灣資料科學年會「資料視覺化」有志一同場次 at 2016 台灣資料科學年會
「資料視覺化」有志一同場次 at 2016 台灣資料科學年會
 
[系列活動] 手把手教你R語言資料分析實務
[系列活動] 手把手教你R語言資料分析實務[系列活動] 手把手教你R語言資料分析實務
[系列活動] 手把手教你R語言資料分析實務
 
手把手教你 R 語言資料分析實務/張毓倫&陳柏亨
手把手教你 R 語言資料分析實務/張毓倫&陳柏亨手把手教你 R 語言資料分析實務/張毓倫&陳柏亨
手把手教你 R 語言資料分析實務/張毓倫&陳柏亨
 
[系列活動] Data exploration with modern R
[系列活動] Data exploration with modern R[系列活動] Data exploration with modern R
[系列活動] Data exploration with modern R
 
[系列活動] Python 程式語言起步走
[系列活動] Python 程式語言起步走[系列活動] Python 程式語言起步走
[系列活動] Python 程式語言起步走
 
[系列活動] 機器學習速遊
[系列活動] 機器學習速遊[系列活動] 機器學習速遊
[系列活動] 機器學習速遊
 
機器學習速遊
機器學習速遊機器學習速遊
機器學習速遊
 
天下武功唯快不破:利用串流資料實做出即時分類器和即時推薦系統
天下武功唯快不破:利用串流資料實做出即時分類器和即時推薦系統天下武功唯快不破:利用串流資料實做出即時分類器和即時推薦系統
天下武功唯快不破:利用串流資料實做出即時分類器和即時推薦系統
 
Z > B 的資料科學
Z > B 的資料科學Z > B 的資料科學
Z > B 的資料科學
 
李慕約&王向榮/如何備料:資料的抓取、清理以及串接
李慕約&王向榮/如何備料:資料的抓取、清理以及串接李慕約&王向榮/如何備料:資料的抓取、清理以及串接
李慕約&王向榮/如何備料:資料的抓取、清理以及串接
 
一個賭徒的告白:從預測市場看金融交易
一個賭徒的告白:從預測市場看金融交易一個賭徒的告白:從預測市場看金融交易
一個賭徒的告白:從預測市場看金融交易
 
林佳賢/資料視覺化的 20 個小訣竅
林佳賢/資料視覺化的 20 個小訣竅林佳賢/資料視覺化的 20 個小訣竅
林佳賢/資料視覺化的 20 個小訣竅
 
不會寫程式的人友善上手機器學習-淺談 Azure machine learning studio
不會寫程式的人友善上手機器學習-淺談 Azure machine learning studio不會寫程式的人友善上手機器學習-淺談 Azure machine learning studio
不會寫程式的人友善上手機器學習-淺談 Azure machine learning studio
 

More from 台灣資料科學年會

[台灣人工智慧學校] 人工智慧技術發展與應用
[台灣人工智慧學校] 人工智慧技術發展與應用[台灣人工智慧學校] 人工智慧技術發展與應用
[台灣人工智慧學校] 人工智慧技術發展與應用台灣資料科學年會
 
[台灣人工智慧學校] 執行長報告
[台灣人工智慧學校] 執行長報告[台灣人工智慧學校] 執行長報告
[台灣人工智慧學校] 執行長報告台灣資料科學年會
 
[台灣人工智慧學校] 工業 4.0 與智慧製造的發展趨勢與挑戰
[台灣人工智慧學校] 工業 4.0 與智慧製造的發展趨勢與挑戰[台灣人工智慧學校] 工業 4.0 與智慧製造的發展趨勢與挑戰
[台灣人工智慧學校] 工業 4.0 與智慧製造的發展趨勢與挑戰台灣資料科學年會
 
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機台灣資料科學年會
 
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機台灣資料科學年會
 
[台灣人工智慧學校] 台北總校第三期結業典禮 - 執行長談話
[台灣人工智慧學校] 台北總校第三期結業典禮 - 執行長談話[台灣人工智慧學校] 台北總校第三期結業典禮 - 執行長談話
[台灣人工智慧學校] 台北總校第三期結業典禮 - 執行長談話台灣資料科學年會
 
[TOxAIA台中分校] AI 引爆新工業革命,智慧機械首都台中轉型論壇
[TOxAIA台中分校] AI 引爆新工業革命,智慧機械首都台中轉型論壇[TOxAIA台中分校] AI 引爆新工業革命,智慧機械首都台中轉型論壇
[TOxAIA台中分校] AI 引爆新工業革命,智慧機械首都台中轉型論壇台灣資料科學年會
 
[TOxAIA台中分校] 2019 台灣數位轉型 與產業升級趨勢觀察
[TOxAIA台中分校] 2019 台灣數位轉型 與產業升級趨勢觀察 [TOxAIA台中分校] 2019 台灣數位轉型 與產業升級趨勢觀察
[TOxAIA台中分校] 2019 台灣數位轉型 與產業升級趨勢觀察 台灣資料科學年會
 
[TOxAIA台中分校] 智慧製造成真! 產線導入AI的致勝關鍵
[TOxAIA台中分校] 智慧製造成真! 產線導入AI的致勝關鍵[TOxAIA台中分校] 智慧製造成真! 產線導入AI的致勝關鍵
[TOxAIA台中分校] 智慧製造成真! 產線導入AI的致勝關鍵台灣資料科學年會
 
[台灣人工智慧學校] 從經濟學看人工智慧產業應用
[台灣人工智慧學校] 從經濟學看人工智慧產業應用[台灣人工智慧學校] 從經濟學看人工智慧產業應用
[台灣人工智慧學校] 從經濟學看人工智慧產業應用台灣資料科學年會
 
[台灣人工智慧學校] 台中分校第二期開學典禮 - 執行長報告
[台灣人工智慧學校] 台中分校第二期開學典禮 - 執行長報告[台灣人工智慧學校] 台中分校第二期開學典禮 - 執行長報告
[台灣人工智慧學校] 台中分校第二期開學典禮 - 執行長報告台灣資料科學年會
 
[台中分校] 第一期結業典禮 - 執行長談話
[台中分校] 第一期結業典禮 - 執行長談話[台中分校] 第一期結業典禮 - 執行長談話
[台中分校] 第一期結業典禮 - 執行長談話台灣資料科學年會
 
[TOxAIA新竹分校] 工業4.0潛力新應用! 多模式對話機器人
[TOxAIA新竹分校] 工業4.0潛力新應用! 多模式對話機器人[TOxAIA新竹分校] 工業4.0潛力新應用! 多模式對話機器人
[TOxAIA新竹分校] 工業4.0潛力新應用! 多模式對話機器人台灣資料科學年會
 
[TOxAIA新竹分校] AI整合是重點! 竹科的關鍵轉型思維
[TOxAIA新竹分校] AI整合是重點! 竹科的關鍵轉型思維[TOxAIA新竹分校] AI整合是重點! 竹科的關鍵轉型思維
[TOxAIA新竹分校] AI整合是重點! 竹科的關鍵轉型思維台灣資料科學年會
 
[TOxAIA新竹分校] 2019 台灣數位轉型與產業升級趨勢觀察
[TOxAIA新竹分校] 2019 台灣數位轉型與產業升級趨勢觀察[TOxAIA新竹分校] 2019 台灣數位轉型與產業升級趨勢觀察
[TOxAIA新竹分校] 2019 台灣數位轉型與產業升級趨勢觀察台灣資料科學年會
 
[TOxAIA新竹分校] 深度學習與Kaggle實戰
[TOxAIA新竹分校] 深度學習與Kaggle實戰[TOxAIA新竹分校] 深度學習與Kaggle實戰
[TOxAIA新竹分校] 深度學習與Kaggle實戰台灣資料科學年會
 
[台灣人工智慧學校] Bridging AI to Precision Agriculture through IoT
[台灣人工智慧學校] Bridging AI to Precision Agriculture through IoT[台灣人工智慧學校] Bridging AI to Precision Agriculture through IoT
[台灣人工智慧學校] Bridging AI to Precision Agriculture through IoT台灣資料科學年會
 
[2018 台灣人工智慧學校校友年會] 產業經驗分享: 如何用最少的訓練樣本,得到最好的深度學習影像分析結果,減少一半人力,提升一倍品質 / 李明達
[2018 台灣人工智慧學校校友年會] 產業經驗分享: 如何用最少的訓練樣本,得到最好的深度學習影像分析結果,減少一半人力,提升一倍品質 / 李明達[2018 台灣人工智慧學校校友年會] 產業經驗分享: 如何用最少的訓練樣本,得到最好的深度學習影像分析結果,減少一半人力,提升一倍品質 / 李明達
[2018 台灣人工智慧學校校友年會] 產業經驗分享: 如何用最少的訓練樣本,得到最好的深度學習影像分析結果,減少一半人力,提升一倍品質 / 李明達台灣資料科學年會
 
[2018 台灣人工智慧學校校友年會] 啟動物聯網新關鍵 - 未來由你「喚」醒 / 沈品勳
[2018 台灣人工智慧學校校友年會] 啟動物聯網新關鍵 - 未來由你「喚」醒 / 沈品勳[2018 台灣人工智慧學校校友年會] 啟動物聯網新關鍵 - 未來由你「喚」醒 / 沈品勳
[2018 台灣人工智慧學校校友年會] 啟動物聯網新關鍵 - 未來由你「喚」醒 / 沈品勳台灣資料科學年會
 

More from 台灣資料科學年會 (20)

[台灣人工智慧學校] 人工智慧技術發展與應用
[台灣人工智慧學校] 人工智慧技術發展與應用[台灣人工智慧學校] 人工智慧技術發展與應用
[台灣人工智慧學校] 人工智慧技術發展與應用
 
[台灣人工智慧學校] 執行長報告
[台灣人工智慧學校] 執行長報告[台灣人工智慧學校] 執行長報告
[台灣人工智慧學校] 執行長報告
 
[台灣人工智慧學校] 工業 4.0 與智慧製造的發展趨勢與挑戰
[台灣人工智慧學校] 工業 4.0 與智慧製造的發展趨勢與挑戰[台灣人工智慧學校] 工業 4.0 與智慧製造的發展趨勢與挑戰
[台灣人工智慧學校] 工業 4.0 與智慧製造的發展趨勢與挑戰
 
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
 
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
[台灣人工智慧學校] 開創台灣產業智慧轉型的新契機
 
[台灣人工智慧學校] 台北總校第三期結業典禮 - 執行長談話
[台灣人工智慧學校] 台北總校第三期結業典禮 - 執行長談話[台灣人工智慧學校] 台北總校第三期結業典禮 - 執行長談話
[台灣人工智慧學校] 台北總校第三期結業典禮 - 執行長談話
 
[TOxAIA台中分校] AI 引爆新工業革命,智慧機械首都台中轉型論壇
[TOxAIA台中分校] AI 引爆新工業革命,智慧機械首都台中轉型論壇[TOxAIA台中分校] AI 引爆新工業革命,智慧機械首都台中轉型論壇
[TOxAIA台中分校] AI 引爆新工業革命,智慧機械首都台中轉型論壇
 
[TOxAIA台中分校] 2019 台灣數位轉型 與產業升級趨勢觀察
[TOxAIA台中分校] 2019 台灣數位轉型 與產業升級趨勢觀察 [TOxAIA台中分校] 2019 台灣數位轉型 與產業升級趨勢觀察
[TOxAIA台中分校] 2019 台灣數位轉型 與產業升級趨勢觀察
 
[TOxAIA台中分校] 智慧製造成真! 產線導入AI的致勝關鍵
[TOxAIA台中分校] 智慧製造成真! 產線導入AI的致勝關鍵[TOxAIA台中分校] 智慧製造成真! 產線導入AI的致勝關鍵
[TOxAIA台中分校] 智慧製造成真! 產線導入AI的致勝關鍵
 
[台灣人工智慧學校] 從經濟學看人工智慧產業應用
[台灣人工智慧學校] 從經濟學看人工智慧產業應用[台灣人工智慧學校] 從經濟學看人工智慧產業應用
[台灣人工智慧學校] 從經濟學看人工智慧產業應用
 
[台灣人工智慧學校] 台中分校第二期開學典禮 - 執行長報告
[台灣人工智慧學校] 台中分校第二期開學典禮 - 執行長報告[台灣人工智慧學校] 台中分校第二期開學典禮 - 執行長報告
[台灣人工智慧學校] 台中分校第二期開學典禮 - 執行長報告
 
台灣人工智慧學校成果發表會
台灣人工智慧學校成果發表會台灣人工智慧學校成果發表會
台灣人工智慧學校成果發表會
 
[台中分校] 第一期結業典禮 - 執行長談話
[台中分校] 第一期結業典禮 - 執行長談話[台中分校] 第一期結業典禮 - 執行長談話
[台中分校] 第一期結業典禮 - 執行長談話
 
[TOxAIA新竹分校] 工業4.0潛力新應用! 多模式對話機器人
[TOxAIA新竹分校] 工業4.0潛力新應用! 多模式對話機器人[TOxAIA新竹分校] 工業4.0潛力新應用! 多模式對話機器人
[TOxAIA新竹分校] 工業4.0潛力新應用! 多模式對話機器人
 
[TOxAIA新竹分校] AI整合是重點! 竹科的關鍵轉型思維
[TOxAIA新竹分校] AI整合是重點! 竹科的關鍵轉型思維[TOxAIA新竹分校] AI整合是重點! 竹科的關鍵轉型思維
[TOxAIA新竹分校] AI整合是重點! 竹科的關鍵轉型思維
 
[TOxAIA新竹分校] 2019 台灣數位轉型與產業升級趨勢觀察
[TOxAIA新竹分校] 2019 台灣數位轉型與產業升級趨勢觀察[TOxAIA新竹分校] 2019 台灣數位轉型與產業升級趨勢觀察
[TOxAIA新竹分校] 2019 台灣數位轉型與產業升級趨勢觀察
 
[TOxAIA新竹分校] 深度學習與Kaggle實戰
[TOxAIA新竹分校] 深度學習與Kaggle實戰[TOxAIA新竹分校] 深度學習與Kaggle實戰
[TOxAIA新竹分校] 深度學習與Kaggle實戰
 
[台灣人工智慧學校] Bridging AI to Precision Agriculture through IoT
[台灣人工智慧學校] Bridging AI to Precision Agriculture through IoT[台灣人工智慧學校] Bridging AI to Precision Agriculture through IoT
[台灣人工智慧學校] Bridging AI to Precision Agriculture through IoT
 
[2018 台灣人工智慧學校校友年會] 產業經驗分享: 如何用最少的訓練樣本,得到最好的深度學習影像分析結果,減少一半人力,提升一倍品質 / 李明達
[2018 台灣人工智慧學校校友年會] 產業經驗分享: 如何用最少的訓練樣本,得到最好的深度學習影像分析結果,減少一半人力,提升一倍品質 / 李明達[2018 台灣人工智慧學校校友年會] 產業經驗分享: 如何用最少的訓練樣本,得到最好的深度學習影像分析結果,減少一半人力,提升一倍品質 / 李明達
[2018 台灣人工智慧學校校友年會] 產業經驗分享: 如何用最少的訓練樣本,得到最好的深度學習影像分析結果,減少一半人力,提升一倍品質 / 李明達
 
[2018 台灣人工智慧學校校友年會] 啟動物聯網新關鍵 - 未來由你「喚」醒 / 沈品勳
[2018 台灣人工智慧學校校友年會] 啟動物聯網新關鍵 - 未來由你「喚」醒 / 沈品勳[2018 台灣人工智慧學校校友年會] 啟動物聯網新關鍵 - 未來由你「喚」醒 / 沈品勳
[2018 台灣人工智慧學校校友年會] 啟動物聯網新關鍵 - 未來由你「喚」醒 / 沈品勳
 

[系列活動] 給工程師的統計學及資料分析 123

  • 3. 資料視覺化 資料摘要 公共腳踏⾞租借系統 在 2011 與 2012,我們記錄華盛頓特區公 共腳踏⾞租借系統的每⽇租借次數。 985、801、1349、1562、1600、...,以及 2729。 最⼩和最⼤的數字分別為 22 及 8714。 要怎麼對這 731 個數字有感覺呢? ⽇期 租借次數 2011/1/1 985 2011/1/2 801 2011/1/3 1349 2011/1/4 1562 2011/1/5 1600 ... 2012/12/29 1341 2012/12/30 1796 2012/12/31 2729 資料視覺化與摘要 3 / 45 孔令傑(臺⼤資管系)
  • 4. 資料視覺化 資料摘要 次數分佈 原始的 731 個數字形成的是⼀組未分組資料(ungrouped data)。 ⾸先我們將這些資料分組成⼀個次數分佈(frequency distribution)。 對於每⼀組,我們呈現它的「組距」和「發⽣次數」。 讓我們來建立⼀個直觀的次數分佈吧! 資料視覺化與摘要 4 / 45 孔令傑(臺⼤資管系)
  • 5. 資料視覺化 資料摘要 次數分佈 ⼀種分組⽅式: 編號 分組 代表意義 1 [0, 1000) 0 ≤ x < 1000 2 [1000, 2000) 1000 ≤ x < 2000 3 [2000, 3000) 2000 ≤ x < 3000 ... 8 [7000, 8000) 7000 ≤ x < 8000 9 [8000, 9000) 8000 ≤ x < 9000 有無限多種分組⽅式;通常各組組距會等⻑。 各分組之間應該要沒有空隙:[0, 999]、[1000, 1999]、... 是錯的。 各分組織間應該要不重疊:[0, 1000]、[1000, 1999]、... 是錯的。 資料視覺化與摘要 5 / 45 孔令傑(臺⼤資管系)
  • 6. 資料視覺化 資料摘要 次數分佈 接著我們把 731 個數字⼀⼀丟進各分 組中,來得到如右的次數分佈。 這是⼀組分組資料(grouped data)。 可以看出在⼤部分⽇⼦中,租借次數分 佈在 3000 到 6000 之間。 ⼀般性原則: 通常我們會設定 5 到 15 個分組,太多 太少都不好。 如果存在異常值,他們應該先被剔除。 分組 次數 [0, 1000) 18 [1000, 2000) 80 [2000, 3000) 74 [3000, 4000) 107 [4000, 5000) 166 [5000, 6000) 106 [6000, 7000) 86 [7000, 8000) 82 [8000, 9000) 12 資料視覺化與摘要 6 / 45 孔令傑(臺⼤資管系)
  • 7. 資料視覺化 資料摘要 更多資訊 我們可以增加組中點(class midpoint)、相對次數(relative frequency) 以及 累計次數(cumulative frequency): 分組 次數 分組 相對 累計 組中點 次數 次數 [0, 1000) 18 500 2.46% 18 [1000, 2000) 80 1500 10.94% 98 [2000, 3000) 74 2500 10.12% 172 [3000, 4000) 107 3500 14.64% 279 ... [8000, 9000) 12 8500 1.64% 731 那如果是累計相對次數呢? 資料視覺化與摘要 7 / 45 孔令傑(臺⼤資管系)
  • 8. 資料視覺化 資料摘要 直⽅圖 我們經常⽤⼀個直⽅圖(histogram)來視覺化⼀個次數分佈。 以⼀連串的連著的⻑⽅形組成,其⾼度代表⼀個分組的次數。 分組 次數 [0, 1000) 18 [1000, 2000) 80 [2000, 3000) 74 [3000, 4000) 107 [4000, 5000) 166 [5000, 6000) 106 [6000, 7000) 86 [7000, 8000) 82 [8000, 9000) 12 資料視覺化與摘要 8 / 45 孔令傑(臺⼤資管系)
  • 11. 資料視覺化 資料摘要 次數曲線圖 使⽤次數曲線圖可以比較⽅便地比較多個次數分佈。 兩年合計:單峰型且對 稱分佈。 2011: 雙峰型且右尾 (⻑尾在右)。 2012: 單峰型且左尾 (⻑尾在左)。 缺點:讀者可能會誤以為你畫的是折線圖。 資料視覺化與摘要 11 / 45 孔令傑(臺⼤資管系)
  • 12. 資料視覺化 資料摘要 折線圖 折線圖(line chart)被⽤於描繪時間序列的資料。 圖的 x 軸標⽰的是時間。 視覺化某個數量如何隨著時間變化。 我們每⽉的腳踏⾞租賃: 資料視覺化與摘要 12 / 45 孔令傑(臺⼤資管系)
  • 14. 資料視覺化 資料摘要 季節性的租賃圓餅圖 季節 總租賃數 佔比 冬天 471348 14.3% 春天 918589 27.9% 夏天 1061129 32.2% 秋天 841613 25.6% 資料視覺化與摘要 14 / 45 孔令傑(臺⼤資管系)
  • 15. 資料視覺化 資料摘要 星期⼀到星期⽇的租賃圓餅圖 ⽇⼦ 總租賃數 星期⽇ 444027 星期⼀ 455503 星期⼆ 469109 星期三 473048 星期四 485395 星期五 487790 星期六 477807 資料視覺化與摘要 15 / 45 孔令傑(臺⼤資管系)
  • 18. 資料視覺化 資料摘要 ⻑條圖 讓我們把圓餅圖替代成⻑條圖吧! ⽇⼦ 總租賃數 星期⽇ 444027 星期⼀ 455503 星期⼆ 469109 星期三 473048 星期四 485395 星期五 487790 星期六 477807 這張圖上 y 軸並非從 0 開始。 當你要強調各組間的差異時,你可以這麼做。 你應該明確地提醒讀者這件事。 資料視覺化與摘要 18 / 45 孔令傑(臺⼤資管系)
  • 19. 資料視覺化 資料摘要 ⻑條圖 vs. 直⽅圖 ⻑條圖和直⽅圖有何不同? 直條圖使⽤不連續的直條來視覺化類別型(categorical)資料。 直⽅圖使⽤連續的直條來視覺化數值型(numeric)資料。 資料視覺化與摘要 19 / 45 孔令傑(臺⼤資管系)
  • 21. 資料視覺化 資料摘要 2011 和 2012 每⽉租賃 ⽉份 2011 2012 1 38189 96744 2 48215 103137 3 64045 164875 4 94870 174224 5 135821 195865 6 143512 202830 ... 11 102167 152664 12 87323 123713 ⼤致分佈在⼀條斜率為正的直線上:⾼度正相關。 資料視覺化與摘要 21 / 45 孔令傑(臺⼤資管系)
  • 24. 資料視覺化 資料摘要 中位數 中位數(median)是位於⼀串已排序數字列的中間部份的量值。 粗略⽽⾔,有⼀半的數字比中位數⼩,另⼀半則比較⼤。 假設有 N 個數字: 如果 N 是奇數,那麼中位數就是第 N+1 2 ⼤的數字。 如果 N 是偶數,那麼中位數就是第 N 2 ⼤和第 (N 2 + 1) ⼤的數字的平均。 例如: {1, 2, 4, 5, 6, 8, 9} 的中位數就是 5。 {1, 2, 4, 5, 6, 8} 的中位數就是 4+5 2 = 4.5。 資料視覺化與摘要 24 / 45 孔令傑(臺⼤資管系)
  • 25. 資料視覺化 資料摘要 中位數 中位數不會受到極端值的影響: {1, 2, 4, 5, 6, 8, 9} 的中位數是 5。 {1, 2, 4, 5, 6, 8, 900} 的中位數還是 5。 不幸地,中位數只使⽤了這些數字提供的部份資訊。 只考慮次序,不考慮⼤⼩。 資料視覺化與摘要 25 / 45 孔令傑(臺⼤資管系)
  • 26. 資料視覺化 資料摘要 平均數 平均數(mean)是⼀組資料的平均。 {1, 2, 4, 5, 6, 8, 9} 的平均數是 1 + 2 + 4 + 5 + 6 + 8 + 9 7 = 5. 平均數使⽤所有涵蓋在這些數字裡的資訊。 但不幸地,平均數會受到極端值的影響。 {1, 2, 4, 5, 6, 8, 900} 的平均數是 1+2+4+5+6+8+900 7 ≈ 132.28! 同時呈現中位數和平均數是個比較好的做法 在計算平均值(或是其他統計量)前,我們應該試著剔除異常值 (那些看 起來「奇怪」的極端值)。 資料視覺化與摘要 26 / 45 孔令傑(臺⼤資管系)
  • 27. 資料視覺化 資料摘要 四分位數與百分位數 中位數位於整個資料的中間。 第⼀四分位數(first quartile)位於前半部資料的中間。 第三四分位數(third quartile)位於後半部資料的中間。 第 p 個百分位數(pth percentile): 有 p 100 的數比他⼩。 有 1 − p 100 的數比他⼤。 中位數、四分位數和百分位數: 第 25 百分位數是第⼀四分位數。 第 50 百分位數是中位數(也是第⼆四分位數)。 第 75 百分位數是第三四分位數 資料視覺化與摘要 27 / 45 孔令傑(臺⼤資管系)
  • 28. 資料視覺化 資料摘要 眾數 眾數(mode)是在⼀組資料中出現最多次的資料值。 在 {A, A, A, B, B, C, D, E, F, F, F, G, H} 之中,眾數是 A 與 F。這兩個眾 數(A 與 F)出現的次數為 3。 眾數是 A 與 F,不是 3。 眾數可能有多個。 儘管以上的定義或許也適⽤於數值資料,但有時候會失效。 在許多情況下,所有數值都是眾數! 對於數值資料,我們會更傾向於找尋眾數分組(可能有多個)。 資料視覺化與摘要 28 / 45 孔令傑(臺⼤資管系)
  • 29. 資料視覺化 資料摘要 眾數組 在⼀個棒球隊裡,球員的⾝⾼(公 分)為: 178 172 175 184 172 175 165 178 177 175 180 182 177 183 180 178 179 162 170 171 對於 [160, 165)、[165, 170)、... 等組 別,眾數組為 [175, 180)。 我們有時候說這組資料的眾數是 177.5。 分組的⽅式會有影響! 資料視覺化與摘要 29 / 45 孔令傑(臺⼤資管系)
  • 31. 資料視覺化 資料摘要 全距與四分位距 ⼀組資料 {xi}i=1,...,N 的全距(range)是最⼤和最⼩數值間的差異,即 max i=1,...,N {xi} − min i=1,...,N {xi}. ⼀組資料的四分位距(inter-quartile range)是第⼀四分位數和第三四分 位數間的差異。 它是中間 50%資料的全距。 它排除了極端值的影響。 資料視覺化與摘要 31 / 45 孔令傑(臺⼤資管系)
  • 32. 資料視覺化 資料摘要 與⺟體平均的差異 考慮⼀組⺟體資料 {xi}i=1,...,N ,其平均數 為 µ = ∑N i=1 N 。 直覺上,⼀種測量離散程度的⽅式變是測 試各個數字與⺟體平均的差異。 對於每個 xi,與⺟體平均的差異被定做 xi − µ. i xi 差異 1 1 1 − 5 = −4 2 2 2 − 5 = −3 3 4 4 − 5 = −1 4 5 1 − 5 = 0 5 6 6 − 5 = 1 6 8 8 − 5 = 3 7 9 9 − 5 = 4 平均數 5 資料視覺化與摘要 32 / 45 孔令傑(臺⼤資管系)
  • 33. 資料視覺化 資料摘要 平均差 我們可以總結 N 個差異於單⼀數字來概述 這些差異嗎? 直覺上,我們會想把這些差異加總並計 算平均差(mean deviation): ∑N i=1(xi − µ) N . 是否永遠都等於 0? i xi 差異 1 1 1 − 5 = −4 2 2 2 − 5 = −3 3 4 4 − 5 = −1 4 5 1 − 5 = 0 5 6 6 − 5 = 1 6 8 8 − 5 = 3 7 9 9 − 5 = 4 平均數 5 0 資料視覺化與摘要 33 / 45 孔令傑(臺⼤資管系)
  • 34. 資料視覺化 資料摘要 調整平均差 有兩種常⽤的⽅式來調整平均差: 平均絕對差異(mean absolute deviation, MAD): ∑N i=1 |xi − µ| N . 平均平⽅差異(mean squared error, MSE): ∑N i=1(xi − µ)2 N . MSE 比較常⽤,通常被稱為變異數 (variance)。 愈⼤的 MAD 或變異數表⽰資料愈離散。 i xi di |di| d2 i 1 1 −4 4 16 2 2 −3 3 9 3 4 −1 1 1 4 5 0 0 0 5 6 1 1 1 6 8 3 3 9 7 9 4 4 16 平均 5 0 2.29 7.43 資料視覺化與摘要 34 / 45 孔令傑(臺⼤資管系)
  • 35. 資料視覺化 資料摘要 MAD vs. 變異數 MAD 將所有值都使⽤相同權重,變異數則會在極端值放上更多的權重。 它們可能給出不同排序的離散度: i xi di |di| d2 i 1 0 −5 5 25 2 4 −1 1 1 3 5 0 0 0 4 6 1 1 1 5 10 5 5 25 平均 5 0 2.4 10.4 i xi di |di| d2 i 1 1 4 4 16 2 2 3 3 9 3 5 0 0 0 4 8 3 3 9 5 9 4 4 16 平均 5 0 2.8 10 ⼀般⽽⾔,⼈們使⽤變異數多於 MAD。 但是 MAD 還有有其受歡迎的領域,像是需求預測。 分析師可以⾃⼰斟酌選擇較為合適者。 資料視覺化與摘要 35 / 45 孔令傑(臺⼤資管系)
  • 36. 資料視覺化 資料摘要 標準差 使⽤變異數的⼀個缺點:測量的單位是原 始單位的平⽅。 對於我們的棒球隊,成員⾝⾼的變異數是 34.05 公分 2 。那是什麼?! ⼈們將變異數開根號來得到標準差 (standard deviation)。 成員⾝⾼的標準差是 √ 34.05 ≈ 5.85 公分. 標準差通常比較有管理意涵。 178 172 175 184 172 175 165 178 177 175 180 182 177 183 180 178 179 162 170 171 資料視覺化與摘要 36 / 45 孔令傑(臺⼤資管系)
  • 38. 資料視覺化 資料摘要 z-score 對於⼀組資料 {xi}i=1,...,N ,若其平均數為 µ,標準差為 σ,則 xi 的 z-score 為 zi = xi − µ σ . z-score 衡量⼀個值離平均數距離幾個標準差。 資料視覺化與摘要 38 / 45 孔令傑(臺⼤資管系)
  • 39. 資料視覺化 資料摘要 z-score vs. 異常值 欲找出異常值,⼀個常⾒的條件是看 xi 是否滿⾜ |zi| = xi − µ σ > 3. 不會有太多數值的 z-score 很⼤或很⼩。 有些⼈運⽤中位數和 MAD1 : xi − 中位數 MAD > 3. 以上規則只能建議你去看看。它們對於異常值既不充分也不必要。 1「MAD」在這裡可以指相比平均的平均絕對離差、相比中位數的平均絕對離差,及 相比中位數的絕對離差中位數等。 資料視覺化與摘要 39 / 45 孔令傑(臺⼤資管系)
  • 40. 資料視覺化 資料摘要 相關性 考慮房⼦的⼤⼩以及它在城市的價格: ⼤⼩ 價格 (平⽅公尺) ($1000) 75 315 59 229 85 355 65 261 72 234 46 216 107 308 91 306 75 289 65 204 88 265 59 195 我們該如何測量/描述兩遍數間的相關性 (線性關係)呢? 資料視覺化與摘要 40 / 45 孔令傑(臺⼤資管系)
  • 41. 資料視覺化 資料摘要 直觀 考慮成對資料 {(xi, yi)}i=1,...,N 。 當其中⼀個變數上升時,另⼀個變 數會傾向上升或是下降呢? 更精確地說,當 xi 比 µx(所有 xi 的平均)⼤時,比較有機會看到 yi > µy 還是 yi < µy 呢? 如果⼀個變數上升時另⼀個變數通 常也上升,我們說兩個變數有正相 關;反之則負相關。 資料視覺化與摘要 41 / 45 孔令傑(臺⼤資管系)
  • 42. 資料視覺化 資料摘要 共變異數 我們定義⼆維資料的共變異數(covariance)為 σxy ≡ ∑N i=1(xi − µx)(yi − µy) N . 如果⼤多數的資料點落在第⼀和第三象限,⼤多數的 (xi − µx)(y − µy) 會 是正的,⽽且 σxy 會傾向為正的。 否則,σxy 會傾向為負的。 所以房⼦⼤⼩和價格的共變異數為 617.16。 這樣算⼤還是⼩呢? 這取決於這兩個變數的⾃⾝變異程度(auto-covariance)。 資料視覺化與摘要 42 / 45 孔令傑(臺⼤資管系)
  • 43. 資料視覺化 資料摘要 相關係數 為了去除⾃⾝變異,我們定義相關係數(correlation coefficient)為 ρ = σxy σxσy , σx 和 σy 為 xi 和 yi 的標準差。 在我們的例⼦裡,ρ = 617.16 16.78×50.45 ≈ 0.729。 可以發現,我們永遠都會得到 −1 ≤ ρ ≤ 1。 ρ > 0、ρ = 0 和 ρ < 0 分別表⽰正相關、無相關和負相關。 ⼈們通常基於 |ρ| 來決定相關性的程度: 0 ≤ |ρ| < 0.25:弱相關。 0.25 ≤ |ρ| < 0.5:中度弱相關。 0.5 ≤ |ρ| < 0.75:中度強相關。 0.75 ≤ |ρ| ≤ 1:強相關。 資料視覺化與摘要 43 / 45 孔令傑(臺⼤資管系)
  • 44. 資料視覺化 資料摘要 相關性 vs. 獨立性 相關係數只能量測兩個變數間的線性關係。 (ρ = 0.5973) (ρ = 0) 沒有線性相關不代表獨立(或無關)! 資料視覺化與摘要 44 / 45 孔令傑(臺⼤資管系)
  • 45. 資料視覺化 資料摘要 相關性 vs. 因果性 相關係數只能量測兩個變數是否相關。⾼度相關無法代表具因果性。 (http://www.tylervigen.com/spurious-correlations) A 導致 B,還是 B 導致 A?C 導致 A 和 B?還是純屬巧合? 資料視覺化與摘要 45 / 45 孔令傑(臺⼤資管系)
  • 46. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 給⼯程師的統計學與資料分析 123 第⼀單元:基本概念與抽樣分佈 孔令傑 國立臺灣⼤學資訊管理學系 2017 年 1 ⽉ 14 ⽇ 基本概念與抽樣分佈 1 / 43 孔令傑(臺⼤資管系)
  • 47. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 什麼是統計? 很多事情是未知的... 顧客的喜好、產品的品質、股票明天的收盤價、新教學⽅法的有效性。 統計是⼀⾨收集、分析、闡釋及表達資料的科學。 (商業統計的)最終⽬的:達到更好的決策。 統計學包含: 敘述統計(descriptive statistics)。 機率。 推論統計:估計(estimation)。 推論統計:假設檢定(hypothesis testing)。 推論統計:解釋變異(variability explanation)。 總結:去估計、檢定這些未知,並且解釋變異。 基本概念與抽樣分佈 2 / 43 孔令傑(臺⼤資管系)
  • 48. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 今天的計畫 敘述統計: 視覺化與摘要。 機率。 推論統計: 抽樣分佈。 假說檢定與 p-value。 迴歸分析。 基本概念與抽樣分佈 3 / 43 孔令傑(臺⼤資管系)
  • 49. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 課程⼤綱 基本概念。 抽樣。 抽樣分佈:樣本平均數。 抽樣分佈:樣本比例。 基本概念與抽樣分佈 4 / 43 孔令傑(臺⼤資管系)
  • 50. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 ⺟體 vs. 樣本 ⺟體(population)是⼈、物件和物品的集合。 普查(census)就是針對整個⺟體進⾏探查。 樣本(sample)是⺟體的⼀部分。 我們以抽樣(sampling)探查⺟體的⼦集合。 我們會⽤樣本包含的資訊去推論(猜測)⺟體。 以下幾個⺟體的樣本分別為何呢? 全台⼤的學⽣。 全商管學院的學⽣。 在同⼀個⼯廠⽣產的全部晶片。 所有購買 iPhone 6 的顧客。 兩個重要的問題: 為什麼要抽樣? 樣本是否具有代表性? 基本概念與抽樣分佈 5 / 43 孔令傑(臺⼤資管系)
  • 51. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 敘述統計 vs. 推論統計 敘述統計(descriptive statistics): 描述(視覺化或是摘要)⼀組資料。 推論統計(inferential statistics): 「以科學的⽅式」對未知的⺟體「進⾏猜測」。 哪個是敘述,哪個是推論呢? 計算 1000 個隨機挑選的臺⼤學⽣的平均⾝⾼。 使⽤這個數字去推估全臺⼤學⽣的平均⾝⾼。 另⼀個例⼦(製藥研究): ⺟體:全部潛在病患。 樣本:隨機挑選的⼀群病患。 使⽤這個樣本的結果去推估整個⺟體。 基本概念與抽樣分佈 6 / 43 孔令傑(臺⼤資管系)
  • 52. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 參數 vs. 統計量 ⺟體的數值摘要是個參數(parameter)。 全部臺⼤學⽣的平均⾝⾼。 當價格落在新台幣 50 元時,咖啡的預期需求。 樣本的數值摘要是統計量(statistic)。 全部臺⼤男性學⽣的平均⾝⾼。 過去 6 天當價格落在新台幣 50 元時,咖啡的平均預期需求。 ⼈們幾乎總是⽤統計量來推論參數。 有些統計量是「好的」,有些則是「壞的」。 基本概念與抽樣分佈 7 / 43 孔令傑(臺⼤資管系)
  • 53. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 參數 vs. 統計量:⼀個例⼦ 全部臺⼤學⽣的平均⾝⾼是多少? 儘管普查是可能的,但總是挺貴的。 很⾃然的,我們會去: 抽⼀些臺⼤學⽣。 計算統計量。 ⽤這個統計量去推估平均⾝⾼(參數)。 ⼀些(好的或壞的)樣本及統計量: 全體管理學院學⽣的平均⾝⾼。 從全部學⽣中隨機挑選 100 位的平均⾝⾼。 從全部學⽣中隨機挑選 100 位裡最⾼的⾝⾼。 從全部學⽣中隨機挑選 100 位的加總⾝⾼。 從男性學⽣中隨機抽出 60 個、女性學⽣中抽出 40 個,取他們的平均⾝⾼。 基本概念與抽樣分佈 8 / 43 孔令傑(臺⼤資管系)
  • 54. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 資料型態 資料依照型態不同,可以被分成兩⼤類: 類別資料(qualitative or categorical data)。 數值資料(quantitiative or numeric data)。 類別資料⼜分為: 名⽬資料(nominal)。 次序資料(ordinal)。 基本概念與抽樣分佈 9 / 43 孔令傑(臺⼤資管系)
  • 55. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 名⽬資料 名⽬資料中的值是數個不具排序性的類別。 值可能看起來像數字,但不能拿來做加減乘除,也不具⼤⼩關係。 舉例: 類別變數 值(類別) 是否吃素 是、否 國籍 臺灣、⽇本... 國家代碼 886、86、1... 不同的值不能排序,也不能做算術運算。 基本概念與抽樣分佈 10 / 43 孔令傑(臺⼤資管系)
  • 56. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 次序資料 次序資料的值依然是類別,但是順序是有意義的。 舉例: 類別變數 值(類別) 產品滿意度 滿意、沒意⾒、不滿意 教授等級 正、副、助理 班排名 1、2、3、4...... 對次序資料進⾏算術運算仍然不具意義。 助理教授 + 副教授 = 正教授?! 第⼀名和第五名的差距有可能不等於第⼗⼀名和第⼗五名的差距。 基本概念與抽樣分佈 11 / 43 孔令傑(臺⼤資管系)
  • 57. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 數值資料 數值資料是真正的數量,可以排序,也可以做算術運算。 ⾝⾼、體重、收入、價格。 華⽒或攝⽒溫度。 課本上常將數值資料分成間隔(interval)資料和比例(ratio)資料。 不是很好分,也不是很重要(個⼈意⾒)。 基本概念與抽樣分佈 12 / 43 孔令傑(臺⼤資管系)
  • 58. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 ⼩結 了解這些名詞: ⺟體 vs. 樣本。 參數 vs. 統計量。 推論統計 vs. 敘述統計。 資料尺度: 名⽬和次數資料被稱做類別資料或質性資料。 間隔和比例資料被稱做數值資料或量化資料。 不同統計⽅法有不同適⽤範圍和應⽤⽅式。 區分類別資料和數值資料非常重要。 區分名⽬資料和次序資料有時也很重要。 基本概念與抽樣分佈 13 / 43 孔令傑(臺⼤資管系)
  • 59. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 課程⼤綱 基本概念。 抽樣。 抽樣分佈:樣本平均數。 抽樣分佈:樣本比例。 基本概念與抽樣分佈 14 / 43 孔令傑(臺⼤資管系)
  • 60. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 隨機 vs. 非隨機抽樣 抽樣是⼀個從整個⺟體挑選⼦集合的過程。 抽樣可以是隨機的或確定型的。 如果是隨機的,任⼀個個體是否會被抽到就是隨機的。 今天抽跟明天抽(原則上)會得到不⼀樣的結果。 從電話簿隨機挑選 1000 個電話號碼,並打給他們。 如果非隨機,那就是確定型的。 詢問你所有⼀等親對於 iOS/Android 的偏好。 ⼤部份統計⽅法只適⽤於隨機抽樣。 ⼀些知名的隨機抽樣⽅法: 簡單隨機抽樣。 分層隨機抽樣。 群集(或區域)隨機抽樣。 基本概念與抽樣分佈 15 / 43 孔令傑(臺⼤資管系)
  • 61. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 簡單隨機抽樣 在簡單隨機抽樣(simple random sampling),每個個體被挑選到的機率 相同。 簡單隨機抽樣的好處就是簡單。 但是如果運氣不好,就可能會得到不具代表性的樣本。 有機會出現太多樣本資料落在同⼀層,亦即有相同的屬性。 比如說,可能所有隨機抽樣的投票者都⼩於 40 歲。 那麼這個樣本便不具代表性。 要怎麼改善這個問題呢? 基本概念與抽樣分佈 16 / 43 孔令傑(臺⼤資管系)
  • 62. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 分層隨機抽樣 我可以運⽤分層隨機抽樣(stratified random sampling)。 ⾸先,我們將整個⺟體分成數個層(stratum)。 在同⼀層內的資料應該(相對)同質(homogeneous) 在不同層內的資料則應該(相對)異質(heterogeneous)。 我們再在各層內進⾏簡單隨機抽樣。 基本概念與抽樣分佈 17 / 43 孔令傑(臺⼤資管系)
  • 63. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 分層隨機抽樣 假設我們想要從 1000 個畢業⽣中抽出 40 位來了解他們在學校取得多 少學分。 假設有 100 個畢業⽣當年有雙主修,那我們可以將整個⺟體分成兩層: 分層 分層⼤⼩ 雙主修 100 非雙主修 900 我們從雙主修學⽣中抽 40 × 100 1000 = 4 ⼈,從非雙主修的抽 36 ⼈。 基本概念與抽樣分佈 18 / 43 孔令傑(臺⼤資管系)
  • 64. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 分層隨機抽樣 我們可以將⺟體分成更多層。 雙主修:是或否。 畢業年份:1994-1998、1999-2003、2004-2008 或 2009-2012。 在不同年代的學⽣是否傾向於修不同數量的學分? 分層隨機抽樣適合降低抽樣偏誤。 它也同時較為昂貴且費時,⽽且有時不容易找出⼀個合理的分層。 基本概念與抽樣分佈 19 / 43 孔令傑(臺⼤資管系)
  • 65. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 群集(或區域)隨機抽樣 想像你要到台灣全部的零售店推出新產品。 如果這個產品其實很不受歡迎,那麼⼤規模推出會產⽣很⾼昂的成本。 那要怎麼知道受歡迎的程度? 我們可以先在⼩區域介紹這個產品。我們僅將產品在特定的區域上架。 這就是群集(或區域)隨機抽樣(cluster sampling)的概念。 樣本:在這些區域的客⼾。 基本概念與抽樣分佈 20 / 43 孔令傑(臺⼤資管系)
  • 66. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 群集(或區域)隨機抽樣 在群集隨機抽樣,我們定義群集(cluster)。 我們只會選⼀個或少量的群集,然後收集在這些群集裡的所有資料。 如果有⼀個群集過⼤,我們會將之再分成數個⼆階群集。 因此,我們想要在群集內的資料是異質的,⽽各群集都擁有同質資料。 例如,⼈們可以⽤群集隨機抽樣來了解⼀個新產品的受歡迎程度。那些 被選擇的市場(城市、國家、州等)被稱作測試市場(、城市、國家、 州等)。 ⼈們在這個情況下,使⽤群集隨機抽樣,是因為它的易⽤性和便利性。 我們選擇的測試市場應該要與整個⺟體類似。 基本概念與抽樣分佈 21 / 43 孔令傑(臺⼤資管系)
  • 67. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 非隨機抽樣與⼩結 有的時候我們會做非隨機抽樣。 非隨機抽樣不能被接下來課程教的分析⽅法分析。 今天我們會假設所有抽樣都以隨機抽樣進⾏。 也假設樣本具代表性。 基本概念與抽樣分佈 22 / 43 孔令傑(臺⼤資管系)
  • 68. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 課程⼤綱 基本概念。 抽樣。 抽樣分佈:樣本平均數。 抽樣分佈:樣本比例。 基本概念與抽樣分佈 23 / 43 孔令傑(臺⼤資管系)
  • 69. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 抽樣分佈 當我們沒有辦法探測整個⺟體時,我們便研究樣本。 隨機樣本裡會包含什麼是無法預測的。 我們需要知道樣本的機率分佈才能連結樣本與⺟體。 機率分佈: ⽩話:可能的值,以及每個可能的值的可能性。 數學上:樣本空間(sample space)、機率密度函數(probability density function,pdf)、累積分佈函數(cumulative distribution function,cdf)。 樣本的機率分佈就是抽樣分佈(sampling distribution)。 基本概念與抽樣分佈 24 / 43 孔令傑(臺⼤資管系)
  • 70. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 抽樣分佈 ⼀個⼯廠⽣產糖果。 理想上,糖果應該每包重 2 公⽄。 ⽣產過程不可能完美,因此標準是每包糖果應該重 1.8 到 2.2 公⽄之間。 令 X 為⼀包糖果的重量,µ 和 σ 為它的期望值和標準差。 µ = 2 嗎? 1.8 < µ < 2.2 嗎? σ 有多⼤? 來抽樣吧: 隨機抽⼀包,假設為 2.1 公⽄,是否能說 1.8 < µ < 2.2? 如果在隨機樣本裡,五包的平均重量為 2.1 公⽄呢? 如果隨機樣本的⼤⼩是 10、50 或 100 呢? 如果平均值是 2.3 公⽄呢? 我們需要知道統計量(樣本平均數、樣本標準差等)的抽樣分佈。 基本概念與抽樣分佈 25 / 43 孔令傑(臺⼤資管系)
  • 71. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 樣本平均 樣本平均數(sample mean)是最重要的統計量之⼀。 定義 1 令 {Xi}i=1,...,n 為從⺟體抽的⼀個樣本,那麼 ¯x = ∑n i=1 Xi n 就是樣本平均數。 有的時候我們⽤ ¯xn 來強調樣本⼤⼩是 n。 對於所有 i ̸= j,我們假定 Xi 和 Xj 是獨立的。 當 n ≪ N,即我們從很⼤的⺟體抽出少量的項⽬,這樣假設就可以。 實務上,我們需要 n ≤ 0.05N。 基本概念與抽樣分佈 26 / 43 孔令傑(臺⼤資管系)
  • 72. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 樣本平均數的平均數和變異數 假設⺟體平均和變異數分別是 µ 和 σ2 。注意這兩個數字是固定的。 樣本平均 ¯x 是個隨機變數。 它有它的期望值 µ¯x、變異數 σ2 ¯x 和標準差 σ¯x。這些數字都是固定的。 對於任何⺟體,我們有以下的定理: 定理 1 (樣本平均數的平均數和變異數) 令 {Xi}i=1,...,n 為從⺟體抽出的樣本數為 n 的隨機樣本,⽽⺟體平均 數為 µ、⺟體變異數為 σ2 ,則我們有 µ¯x = µ、 σ2 ¯x = σ2 n 且 σ¯x = σ √ n 。 基本概念與抽樣分佈 27 / 43 孔令傑(臺⼤資管系)
  • 73. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 樣本平均的平均和變異數 這些名詞是否使你困惑? 樣本平均數 vs. 樣本平均數的平均數。 樣本變異數 vs. 樣本平均數的變異數。 就定義⽽⾔,它們: ¯x = 1 n ∑n i=1 Xi;⼀個隨機變數。 µ¯x = E[¯x];⼀個常數項。 s2 = 1 n−1 ∑n i=1(Xi − ¯x)2 ;⼀個隨機變數。 σ2 ¯x = Var(¯x);⼀個常數項。 樣本變異數也有它⾃⼰的平均和變異數。 基本概念與抽樣分佈 28 / 43 孔令傑(臺⼤資管系)
  • 74. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 例⼦:品質檢驗 每包糖果的重量服從常態分佈,平均數為 µ = 2,標準差為 σ = 0.2。 假設品管⻑官決定要抽四包糖果並計算樣本平均 ¯x。如果 ¯x /∈ [1.8, 2.2], 我就會受罰。 我的⽣產流程其實是「好的」:µ = 2。 不幸地,它不是完美:σ > 0。 我們可能還是會被懲罰(如果運氣不好),儘管 µ = 2。 有多少的機率我會被懲罰呢? 我們想要計算 1 − Pr(1.8 < ¯x < 2.2)。 我們知道 µ¯x = µ = 2 且 σ¯x = σ√ 4 = 0.1。 但我們並不知道 ¯x 的機率分佈! 基本概念與抽樣分佈 29 / 43 孔令傑(臺⼤資管系)
  • 75. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 從常態⺟體抽樣 如果⺟體是常態分佈,樣本平均數也會是常態分佈! 定理 2 令 {Xi}i=1,...,n 為從常態⺟體抽出的樣本數為 n 的隨機樣本,⺟體平 均數為 µ,標準差為 σ。則 ¯x ∼ ND ( µ, σ √ n ) 。 我們已知 µ¯x = µ 且 σ¯x = σ√ n 。不論⺟體⻑怎樣,這都是對的。 當⺟體為常態分佈時,樣本平均數也會是常態分佈。 基本概念與抽樣分佈 30 / 43 孔令傑(臺⼤資管系)
  • 76. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 再回到這個例⼦:品質檢驗 每包糖果的重量服從常態分佈,平均數為 µ = 2,標準差為 σ = 0.2。 假設品管⻑官決定要抽四包糖果並計算樣本平均 ¯x。如果 ¯x /∈ [1.8, 2.2], 我就會受罰。 有多少的機率我會被懲罰呢? 樣本平均數 ¯x 的分佈為 ND(2, 0.1)。 受罰機率 Pr(¯x < 1.8) + Pr(¯x > 2.2) ≈ 0.045。 基本概念與抽樣分佈 31 / 43 孔令傑(臺⼤資管系)
  • 77. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 調整標準差 當⺟體為 ND(µ = 2, σ = 0.2),⽽ 樣本⼤⼩為 n = 4,被懲罰的機率 是 0.045。 如果調整標準差 σ(改進⽣產過程 或變得更散漫),這個機率會改變。 降低 σ 會降低受罰機率。既然知道 ¯x 的分佈,我們可以最佳化 σ。 從 0.2 進步到 0.15 非常有幫助。 從 0.15 進步到 0.1 則否。 基本概念與抽樣分佈 32 / 43 孔令傑(臺⼤資管系)
  • 78. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 調整樣本⼤⼩ 當⺟體為 ND(2, 0.2),⽽樣本⼤⼩ 為 n = 4,被懲罰的機率為 0.045。 如果品管⻑官將樣本數量 n 增⼤, 機率將會減少。 µ = 2 其實是很符合品質要求的。 較⼤的樣本數會降低受罰機率。 基本概念與抽樣分佈 33 / 43 孔令傑(臺⼤資管系)
  • 79. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 樣本平均數的分佈 我們現在知道,當我們從常態⺟體抽樣,樣本平均數也是常態。 ⽽且它的平均和標準差分別為 µ 及 σ√ n 。 如果⺟體是非常態呢? 幸運地,我們有強⼤的中央極限定理(central limit theorem),可以被應 ⽤在任何⺟體。 基本概念與抽樣分佈 34 / 43 孔令傑(臺⼤資管系)
  • 80. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 中央極限定理 只要有⾜夠⼤的樣本數,樣本平均數會近似於常態分佈。 定理 3 (中央極限定理) 令 {Xi}i=1,...,n 為從⺟體抽出的樣本數為 n 的隨機樣本,⺟體平均數 為 µ,標準差為 σ。令 ¯xn 為樣本平均。只要 σ < ∞,則在 n → ∞ 下,¯xn 收 ND(µ, σ√ n )。 要多⼤才能算「⾜夠⼤」? 實務上,通常 n ≥ 30 被相信是⾜夠⼤。 基本概念與抽樣分佈 35 / 43 孔令傑(臺⼤資管系)
  • 81. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 課程⼤綱 基本概念。 抽樣。 抽樣分佈:樣本平均數。 抽樣分佈:樣本比例。 基本概念與抽樣分佈 36 / 43 孔令傑(臺⼤資管系)
  • 82. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 平均數 vs. 比例 對於數值資料,我們有樣本平均數。 我們已經知道樣本平均數的抽樣分佈了。 對於類別資料,並沒有樣本平均數的概念。 它們有樣本比例(sample proportion)的概念。 基本概念與抽樣分佈 37 / 43 孔令傑(臺⼤資管系)
  • 83. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 ⺟體比例 如何知道臺⼤男⽣和女⽣的比例呢? ⾸先,我們先為學⽣們編碼,女⽣為 0、男⽣為 1。 對學⽣ i,i = 1, ..., N,令 Xi ∈ {0, 1} 為學⽣的性別。 男⽣的⺟體比例(population proportion)被定義為 p = 1 N N∑ i=1 Xi 女⽣的⺟體比例為 1 − p。 基本概念與抽樣分佈 38 / 43 孔令傑(臺⼤資管系)
  • 84. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 樣本比例 令 {Xi}i=1,...,N 為⺟體。 令 {Xi}i=1,...,n 為樣本數為 n 的樣本。 假設對於所有 i ̸= j,Xi 與 Xj 彼此獨立。 即 n 個隨機挑選的學⽣。 接著樣本比例(sample proportion)被定義為 ˆp = 1 n n∑ i=1 Xi ⺟體比例 p 是確定的(儘管未知),⽽樣本比例 ˆp 則是隨機的。 我們對於 ˆp 的分佈感興趣。 這就是樣本比例的抽樣分佈。 基本概念與抽樣分佈 39 / 43 孔令傑(臺⼤資管系)
  • 85. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 Bernoulli 隨機變數 假設隨機變數 X 的樣本空間為 {0, 1},亦即它是個⼆元變數。 令 p = Pr(X = 1) 為「成功機率」。 我們說 X 服從⼀個Bernoulli 分佈,其成功機率為 p。 ⽤ X ∼ Ber(p) 表⽰。 我們可以計算它的期望值: µ = p × 1 + (1 − p) × 0 = p 我們可以計算它的變異數和標準差: σ2 = p(1 − p)2 + (1 − p)(0 − p)2 = p(1 − p) 和 σ = √ p(1 − p) 基本概念與抽樣分佈 40 / 43 孔令傑(臺⼤資管系)
  • 86. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 樣本比例的分佈 什麼是樣本比例 ˆp = 1 n n∑ i=1 Xi 的分佈? 樣本比例的⺟體(⼀次事件的結果)當然不可能是常態分佈。 然⽽樣本比例是⼀種特殊的樣本平均! 我們可以應⽤中央極限定理。 如果 n ≥ 30,樣本比例會近似常態分佈。 它的平均和標準差為 µˆp = µ = p and σˆp = σ √ n = √ p(1 − p) n 注意雖然⺟體是類別資料,但是樣本比例是數值資料。 基本概念與抽樣分佈 41 / 43 孔令傑(臺⼤資管系)
  • 87. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 樣本比例:例⼦ 2011 年時,臺⼤有 19756 個男⽣及 13324 個女⽣。 男⽣的⺟體比例為 p = 19756 33080 ≈ 0.597 讓我們抽 100 位學⽣並找出它的樣本比例 ˆp。 ˆp 的分佈是什麼呢? 抽到男⽣少於女⽣的機率是多少呢? 基本概念與抽樣分佈 42 / 43 孔令傑(臺⼤資管系)
  • 88. 基本概念 抽樣 抽樣分佈:樣本平均數 抽樣分佈:樣本比例 樣本比例:例⼦ ˆp 的分佈是什麼呢? 因為 n ≥ 30,ˆp 會服從常態分佈。 它的平均為 p ≈ 0.597。 它的標準差為 √ p(1−p) n ≈ 0.049。 ˆp 0.5 的機率為 Pr(ˆp 0.5) ≈ 0.024 ⼩結: 樣本比例「是」類別資料的樣本平均,是數值資料。 其平均數和標準差可根據 Bernoulli 分佈計算⽽得。 感謝中央極限定理,當樣本數⾜夠⼤時,它是常態的。 基本概念與抽樣分佈 43 / 43 孔令傑(臺⼤資管系)
  • 89. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 給⼯程師的統計學與資料分析 123 第⼆單元:假設檢定 孔令傑 國立臺灣⼤學資訊管理學系 2017 年 1 ⽉ 14 ⽇ 假設檢定 1 / 58 孔令傑(臺⼤資管系)
  • 90. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 課程⼤綱 基本概念。 拒絕規則。 p-value。 ⺟體比例。 t 檢定。 假設檢定 2 / 58 孔令傑(臺⼤資管系)
  • 91. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 假說檢定 科學家(物理學家、化學家等)是怎麼做研究的呢? 觀察現象。 建立假說。 利⽤實驗(或其他⽅式)測試假說。 對於假說做結論。 社會科學家和商業研究者也同樣進⾏假設檢定(hypothesis testing)。 最重要的技術之⼀就是統計推論:以統計的⽅式證明事情。 根據抽樣分佈。 假設檢定 3 / 58 孔令傑(臺⼤資管系)
  • 92. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 ⼈們問的問題 在商業(或社會科學)界,⼈們會問問題: 老員⼯是否對公司比較有忠誠? 新聘的 CEO 是否將強我們的獲利能⼒? 是否有某個候選⼈有超過 50% 選⺠的偏好⽀持? 青少年是否比成年⼈較常吃速食? 我們產品的品質是否⾜夠穩定? 我們該怎麼回答這些問題呢? 統計學家建議: ⾸先先建立個假設。 接著以隨機樣本和統計⽅法進⾏檢定。 假設檢定 4 / 58 孔令傑(臺⼤資管系)
  • 93. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 統計假設 統計假設(statistical hypothesis)是⼀個正式的假設陳述,通常是個欲 檢定參數的數學描述。 它包含兩個部分: 虛無假設(null hypothesis,寫作 H0)。 對立假設(alternative hypothesis,寫作 Ha 或 H1)。 對立假設是: 我們想要(需要)證明的東⻄。 唯有擁有很強的證據,我們才下結論說對立假設成立。 虛無假設則對應到⼀個預設立場(default position)。 我們會先假設(假裝、想像、相信...)虛無假設是對的。 接著我們收集(隨機)樣本資料。 如果在虛無假設成立的前提下,我們極不可能看到我們實際從樣本觀察的結 果,我們就說虛無假設是錯的(對立假設是對的)。 假設檢定 5 / 58 孔令傑(臺⼤資管系)
  • 94. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 統計假設:例⼦⼀ 在我們的⼯廠裡,我們⽣產糖果,每袋糖果的平均重量應為 1 公⽄。 有⼀天,⼀個客⼈告訴我們,他那袋只重 900 公克。 我們需要知道那是否只是突發事件,還是我們的⽣產系統出了問題。 如果(我們相信)是系統出了問題,我們就需要將機器關機,並花兩天 的時間進⾏檢查和維修。這⾄少會花我們 $100,000 元。 因此我們不應該只因為⼀個抱怨⽽相信我們的系統出了問題。我們該怎 麼做呢? 假設檢定 6 / 58 孔令傑(臺⼤資管系)
  • 95. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 統計假設:例⼦⼀ ⾸先,我們先建立假設:「我們的⽣產系統⼀切正常」。 接著我們問:是否有⾜夠強的證據顯⽰這個假設是錯誤的? 我們先假設我們的系統⼀切正常。 然後我們進⾏問卷調查,看我們是否有⾜夠的證據。 唯有我們可以「證明」系統確實出了問題,我們才會關閉機器。 令 µ 為平均重量,我們的統計假設是 H0 : µ = 1 Ha : µ ̸= 1。 假設檢定 7 / 58 孔令傑(臺⼤資管系)
  • 96. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 統計假設:例⼦⼆ 我們的社會採⽤「無罪推定原則」:被判定有罪前,每個⼈都無罪。 所以當有⼀個⼈可能偷了些錢,我們可能犯兩種錯誤: 這⼈有罪,但我們認為他/她無罪。 這⼈無罪,但我們認為他/她有罪。 哪⼀種比較嚴重? 將⼀個無罪的判為有罪是不能被接受的。 只有在有很強的證據⽀持下,我們才會說⼀個⼈有罪。 所以我們的統計假設是 H0 : 這個⼈是無罪的 Ha : 這個⼈是有罪的。 假設檢定 8 / 58 孔令傑(臺⼤資管系)
  • 97. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 統計假設:例⼦三 考慮以下假設:「這個候選⼈有超過 50% 選⺠的⽀持。」 我們需要⼀個預設立場,⽽我們在乎的百分比為 50%,因此我們選擇的 虛無假設為 H0 : p = 0.5。 p 是偏好⽀持該候選⼈的選⺠⺟體比例。 更精確⽽⾔,令 Xi = 1 如果該選⺠ i 偏好⽀持這個候選⼈,否則以 0 表 ⽰,i = 1, ..., N,那麼 p = ∑N i=1 Xi N 。 那對立假設呢?是 Ha : p 0.5 還是 Ha : p 0.5? 假設檢定 9 / 58 孔令傑(臺⼤資管系)
  • 98. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 統計假設:例⼦三 對立假設的選擇取決於要進⾏的決策或⾏動。 假設⼀個⼈只有在相信⾃⼰會贏的時候(即 p 0.5)才會參選,那麼 對立假設為 Ha : p 0.5。 假設⼀個⼈傾向參選,並只有在獲勝機率低時才會退出,則對立假設為 Ha : p 0.5。 對立假設是「我們想要(需要)證明的事」。 假設檢定 10 / 58 孔令傑(臺⼤資管系)
  • 99. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 兩種誤差 型⼀誤差(type-I error、false positive):拒絕其實是事實的虛無假設。 沒有任何東⻄,但我們卻說有。 型⼆誤差(type-II error、false negative):沒有拒絕⼀個錯誤的虛無假 設。 有東⻄,但我們卻沒看到。 假設檢定 11 / 58 孔令傑(臺⼤資管系)
  • 100. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 (http://9gag.com/gag/aRVbMvy/false-positive-false-negative-in-a-nutshell) 假設檢定 12 / 58 孔令傑(臺⼤資管系)
  • 101. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 控制犯錯機率 我們想要控制犯那些錯誤的機會。 不幸地,我們沒有辦法同時控制兩者。 我們選擇控制型⼀錯誤的機率。 除非有夠充分的理由,否則我們就相信我們的預設立場。 要建立⼀個統計假設: 把我們的預設立場放在虛無假設。 把我們想要證明的事情(需要強⽽有⼒證據的事情)放在對立假設。 以數學式型態呈現時: 等於符號(=)永遠是放在虛無假設。1 對立假設包含⼀個不等號或是嚴格不等式:̸=、 或 。 當對立假設是⼀個不等式時,其⽅向取決於後續的⾏動或決策。 1有些學者喜歡⽤ ≥ 和 ̸=。無論如何,概念和計算⼤同⼩異。 假設檢定 13 / 58 孔令傑(臺⼤資管系)
  • 102. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 單尾檢定和雙尾檢定 如果對立假設是含有 ̸=,它便是個雙尾檢定(two-tailed test)。 如果對立假設是含有 或 ,它便是個單尾檢定(one-tailed test)。 假設我們想要對⺟體平均數做檢定。 在雙尾檢定,我們檢定⺟體平均數是否和假設值有顯著差異,但我們不在 乎是比較⾼還是比較低。 在單尾檢定,我們有⽅向性地檢定⺟體平均和假設職是否有顯著差異。 假設檢定 14 / 58 孔令傑(臺⼤資管系)
  • 103. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 課程⼤綱 基本概念。 拒絕規則。 p-value。 ⺟體比例。 t 檢定。 假設檢定 15 / 58 孔令傑(臺⼤資管系)
  • 104. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 第⼀個例⼦:雙尾檢定 讓我們來對我們商品的平均重量(公克)進⾏檢定吧。 H0 : µ = 1000 Ha : µ ̸= 1000。 先假設我們知道產品重量的變異數為 σ2 = 40000 g2 。 未知 σ2 的狀況會在之後被討論。 讓我們做⼀次隨機抽樣。 假設樣本⼤⼩ n = 100。 假設樣本平均 X = 963。 該如何下結論呢? 假設檢定 16 / 58 孔令傑(臺⼤資管系)
  • 105. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 控制誤差機率 我們所做的就是收集⼀個隨機樣本,並根據觀測到的樣本下結論。 很⾃然地,當我們宣稱 µ ̸= 1000,我們可能是錯的。 我們想要控制誤差機率。 令 α 為我們犯這個錯的最⼤機率。 α 被稱為顯著⽔準(significance level)。 1 − α 被稱為信⼼⽔準(confidence level)。 如果 µ = 1000,則最多只有 α 的機率,我們的抽樣和檢定流程會使我們宣 稱 µ ̸= 1000。 假設檢定 17 / 58 孔令傑(臺⼤資管系)
  • 106. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 拒絕規則 直觀上,如果 X 與 1000 差距很⼤,我們應該拒絕虛無假設,並相信 µ ̸= 1000。 因為如果 µ = 1000,就很不可能觀測到那樣⼤的差距。 所以那麼⼤的差距提供了很強的證據。 我們想要建構⼀個拒絕規則(rejection rule):找⼀個距離 d,如果 |X − 1000| d,我們就拒絕 H0。 顯然 d 的⼤⼩跟 α 有關:α 愈⼩則 d 愈⼤。 讓我們把 α 設成 0.05。 假設檢定 18 / 58 孔令傑(臺⼤資管系)
  • 107. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 拒絕規則 我們想要⼀個距離 d 使得若 H0 為真,拒絕 H0 的機率最多 5%,即 Pr ( |X − 1000 µ = 1000| d ) ≤ 0.05。 滿⾜以上不等式的所有 d 之中最⼩的必須滿⾜ Pr(|X − 1000| d µ = 1000) = 0.05。 假設檢定 19 / 58 孔令傑(臺⼤資管系)
  • 108. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 拒絕規則 考慮 X: 我們知道 σ = 200 且 n = 100。 我們假設 µ = 1000。 感謝中央極限定理, X ∼ ND(1000, 20)。 現在我們會找 d 去滿⾜ Pr(|X − 1000| d) = 0.05 了。 Pr(|X − 1000| d) = 0.05 假設檢定 20 / 58 孔令傑(臺⼤資管系)
  • 109. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 拒絕規則:臨界值 根據 X ∼ ND(1000, 20),Pr(|X − 1000| 39.2) = 0.05。拒絕區域為 R = (−∞, 960.8) ∪ (1039.2, ∞)。 如果 X 落在拒絕區域,我們拒絕 H0。 假設檢定 21 / 58 孔令傑(臺⼤資管系)
  • 110. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 拒絕規則:臨界值 因為 ¯x = 963 /∈ R,我們無法拒絕 H0。 與 1000 的差距不夠⼤。 這個證據不夠強⽽有⼒。 假設檢定 22 / 58 孔令傑(臺⼤資管系)
  • 111. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 拒絕規則:臨界值 在這個例⼦裡,960.8 和 1039.2 這兩個值是拒絕區的臨界值。 如果樣本平均數超過任⼀臨界值,我們便拒絕 H0。 否則,我們不會拒絕 H0。 ¯x = 963 不夠強來⽀持 Ha: µ ̸= 1000。 結論: 因為樣本平均數沒有落在拒絕區,我們不拒絕 H0。 在 95% 信⼼⽔準下,沒有⾜夠強的證據顯⽰平均重量不是1000 公克。 因此,我們不應該關閉機器來進⾏檢查。 假設檢定 23 / 58 孔令傑(臺⼤資管系)
  • 112. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 ⼩結 我們想要知道機器是否出了問題。 如果機器是好的,我們不想要得到⼀個會使我們得進⾏檢查和維修的結論。 只有當我們有⾜夠強的證據顯⽰ µ ̸= 1000,我們才會檢查。 我們想知道 H0 是否是假的,即 µ ̸= 1000。 我們控制下錯誤結論的機率。 我們控制型⼀錯誤:在 H0 為真時不應該拒絕它。 我們限制型⼀錯誤的機率在 α = 5% 以下。 如果 X 落在拒絕區,我們會宣稱 H0 是錯的。 臨界值的計算是基於常態分佈,它可以被轉換成標準常態分佈(z 分佈)。 上述⽅法稱為 z 檢定。 假設檢定 24 / 58 孔令傑(臺⼤資管系)
  • 113. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 不拒絕 vs. 接受 我們應該⼩⼼地寫我們的結論: 錯誤寫法:因為樣本平均不在拒絕區域,我們接受 H0。在 95% 信⼼⽔準 下,有⾜夠強的證據顯⽰平均重量是1000 公克。 正確: 因為樣本平均不落在拒絕區域,我們無法拒絕 H0。在 95% 信⼼⽔準 下,沒有⾜夠強的證據顯⽰平均重量不是1000 公克。 沒有辦法證明⼀件事是錯的,不代表它就是真的! 假設檢定 25 / 58 孔令傑(臺⼤資管系)
  • 114. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 第⼀個例⼦(第⼆部分) 假設我們修正假設為有向的: H0 : µ = 1000 Ha : µ 1000。 我們仍有 σ2 = 40000,n = 100 及 α = 0.05。 這是⼀個單尾檢定。 當我們有很強的證據⽀持 Ha,我們會下結論說 µ 1000。 我們需要找⼀個距離 d 使得 Pr ( 1000 − X d µ = 1000 ) = 0.05。 假設檢定 26 / 58 孔令傑(臺⼤資管系)
  • 115. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 拒絕規則:臨界值 d = 32.9 滿⾜ 0.05 = Pr(1000 − X d)。 當觀測樣本平均 ¯x = 963 ∈ (−∞, 967.1),我們拒絕 H0。 與 1000 的差距⾜夠⼤;這個證據夠強。 假設檢定 27 / 58 孔令傑(臺⼤資管系)
  • 116. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 拒絕規則:臨界值 在這個例⼦,967.1 是拒絕的臨界值。 如果樣本平均數(在這個例⼦裡)低於臨界值,我們便拒絕 H0。 否則,我們不拒絕 H0。 有很強的證據⽀持 Ha: µ 1000。 結論: 因為樣本平均數落在拒絕區,我們拒絕 H0。在 95% 信⼼⽔準下,有⾜夠 強的證據顯⽰平均重量少於1000 公克。 假設檢定 28 / 58 孔令傑(臺⼤資管系)
  • 117. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 單尾檢定 vs. 雙尾檢定 什麼時候我們使⽤雙尾檢定呢? 當我們沒有⽅向性資訊時,我們使⽤雙尾檢定。 例:我們懷疑⺟體平均數改變了,但我們不曉得它到底變⼩或是變⼤。 如果我們知道或相信這個改變在某個⽅向,我們可以使⽤單尾檢定。 擁有更多資訊(知道改變的⽅向)使拒絕變得「更簡單」,即更容易找 到⾜夠強的證據。 假設檢定 29 / 58 孔令傑(臺⼤資管系)
  • 118. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 ⼩結 區別以下各個成對的概念: 單尾檢定 vs. 雙尾檢定。 沒有證據顯⽰ H0 是錯的 vs. 有證據顯⽰ H0 是對的。 不拒絕 H0 vs. 接受 H0。 在虛無假設中使⽤ = vs. 在虛無假設中使⽤ ≥ 或 ≤。 假設檢定 30 / 58 孔令傑(臺⼤資管系)
  • 119. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 課程⼤綱 基本概念。 拒絕規則。 p-value。 ⺟體比例。 t 檢定。 假設檢定 31 / 58 孔令傑(臺⼤資管系)
  • 120. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 p-value p-value 是假設檢定裡⼀個重要的、富有意義的且被廣泛使⽤的⼯具。 定義 1 在統計檢定裡,對於⼀個觀測到的統計量,p-value 是在虛無假設成立 的情況下,觀測到比此觀測值更極端的結果的機率。 計算是基於觀測到的統計量。 是觀測值的尾端機率(tail probability)。 假設虛無假設為真。 假設檢定 32 / 58 孔令傑(臺⼤資管系)
  • 121. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 p-value 數學上的意思: 考慮對⺟體平均數 µ 進⾏單尾檢定 H0 : µ = 1000 Ha : µ 1000。 給定觀測到的 ¯x,p-value 照定義是 Pr(X ≤ ¯x)。 在之前的例⼦,σ = 200,n = 100, α = 0.05 及 ¯x = 963。 如果 H0 為真,即 µ = 1000,我們 得到 Pr(X ≤ 963) = 0.032。 ¯x 的 p-value 為 0.032。 假設檢定 33 / 58 孔令傑(臺⼤資管系)
  • 122. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 如何使⽤ p-value 呢? p-value 可以⽤來建構拒絕規則。 對於單尾檢定: 如果 p-value ⼩於 α,我們便拒絕 H0。 如果 p-value ⼤於 α,我們就不拒絕 H0。 在我們的例⼦裡,統計假設是 H0 : µ = 1000 Ha : µ 1000。 α = 0.05。 因為 p-value 0.032 0.05,我們拒絕 H0。 假設檢定 34 / 58 孔令傑(臺⼤資管系)
  • 123. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 p-value vs. 臨界值 使⽤ p-value 等同於使⽤臨界值。 兩個⽅法在拒絕與否會得到⼀樣的結論。 假設檢定 35 / 58 孔令傑(臺⼤資管系)
  • 124. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 使⽤ p-value 的好處 在很多的研究中,研究者在進⾏檢定之前,不會決定顯著⽔準 α。 他們計算 p-value,然後以星號標記結果的顯著性 。 ⼀個典型給予星號的⽅式: p-value 顯著 標記 (0, 0.01] ⾼度顯著 *** (0.01, 0.05] 中等顯著 ** (0.05, 0.1] 輕微顯著 * (0.1, 1) 不顯著 (Empty) 假設檢定 36 / 58 孔令傑(臺⼤資管系)
  • 125. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 p-value 的⼤⼩ 假設我們想討論不同年齡層的⼈是否平均每天⾄少睡八⼩時。 年齡層:[10, 15)、[15, 20)、[20, 35) 與其他。 對於⼩組 i,實⾏單尾檢定。Ha : µi 8。結果可以被以表格呈現: ⼩組 年齡組 p-value 1 [10,15) 0.0002*** 2 [15,20) 0.2 3 [20,25) 0.06* 4 [25,30) 0.04** 5 [30,35) 0.03** ⼩的 p-value 不代表較⼤的差距! 我們沒有辦法做出 µ5 µ4,µ1 µ3 這些結論。 要瞭解兩個⺟體平均間的差異,應使⽤其他的檢定。 假設檢定 37 / 58 孔令傑(臺⼤資管系)
  • 126. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 p-value 和雙尾檢定 如何建構出雙尾檢定的拒絕規則呢? 如果 p-value ⼩於 α 2 ,我們拒絕 H0。 如果 p-value ⼤於 α 2 ,我們不拒絕 H0。 考慮雙尾檢定 H0 : µ = 1000 Ha : µ ̸= 1000。 我們有 α = 0.05。 因為 p-value = 0.032 α 2 = 0.025,我們不拒絕 H0。 有些研究者/書/軟體使⽤其他定義: 雙尾檢定的 p-value 是其對應的單尾檢定 p-value 的兩倍。 然後再將這個 p-value 與 α 比較。 假設檢定 38 / 58 孔令傑(臺⼤資管系)
  • 127. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 ⼩結 p-value 是在虛無假設成立的狀況下,基於統計量觀測值的尾端機率。 p-value ⽅法是⼀個建構拒絕規則的⽅法。 它等同於臨界值⽅法。 有統計顯著性,不表⽰有實務顯著性。 p-value 很⼩,只表⽰有顯著差異,不表⽰有很⼤的顯著差異。 p-value 並不衡量差距的⼤⼩。 假設檢定 39 / 58 孔令傑(臺⼤資管系)
  • 128. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 課程⼤綱 基本概念。 拒絕規則。 p-value。 ⺟體比例。 t 檢定。 假設檢定 40 / 58 孔令傑(臺⼤資管系)
  • 129. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 檢定⺟體比例 在很多情況下,我們需要檢定⺟體比例。 ⽣產系統的缺陷率和收益率。 ⽀持⼀個候選⼈或政策的⼈⺠比例。 瀏覽產品⾴⾯後真的購買的比例(轉化率)。 如何檢定⺟體比例呢? 假設我們想要檢定男性使⽤者的比例: 讓我們先標記男性使⽤者為 1,非男性使⽤者為 0。 ⺟體比例 p = ∑N i=1 Xi N 就是個⺟體平均數。 ⼀個樣本比例 ˆp = ∑n i=1 Xi n 是樣本平均數。 因為⺟體顯然不常態,因此不能⽤ t 檢定。 因為可以由 p 計算 σ 為 √ p(1 − p),我們⽤ z 檢定來檢定⺟體比例。 限制:n ≥ 30,nˆp ≥ 5 及 n(1 − ˆp) ≥ 5。 假設檢定 41 / 58 孔令傑(臺⼤資管系)
  • 130. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 假設 ⺟體比例是 p。 若想知道⺟體比例是否為 p0,雙尾檢定是 H0 : p = p0 Ha : p ̸= p0。 在⼀個單尾檢定中,對立假設可以是 Ha : p p0 或 Ha : p p0。 假設檢定 42 / 58 孔令傑(臺⼤資管系)
  • 131. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 例⼦ 在⼀座⼯廠裡,我們產品的缺陷率似乎太⾼了。理想上,它應該少於 1%,但是有些⼯⼈認為是⾼過 1% 的。 如果缺陷率⾼過 1%,我們就應該修理機器,反之就不要2 。 令 p 為缺陷率,假設為 H0 : p = 0.01 Ha : p 0.01。 2什麼時候使⽤ Ha : p 0.01 呢? 假設檢定 43 / 58 孔令傑(臺⼤資管系)
  • 132. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 例⼦ 在幾批隨機⽣產後,我們發現 1000 個⽣產出來的東⻄,有 14 個是缺 陷品。 觀測樣本比例 ˆp = 0.014。 全部的限制都滿⾜;n = 1000,nˆp = 14 及 n(1 − ˆp) = 986。 假設顯著⽔準設在 α = 0.05,我們的結論是什麼呢? 假設檢定 44 / 58 孔令傑(臺⼤資管系)
  • 133. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 例⼦:計算與解讀 計算與結論: 對於這個單尾檢定,因為 p-value = Pr(ˆp 0.014|p = 0.01) = 0.1018 0.05 = α 我們不拒絕 H0。 沒有⾜夠強的證據證明損壞率⾼於 1%。 決策: 我們不應該試著修理機器。 假設檢定 45 / 58 孔令傑(臺⼤資管系)
  • 134. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 課程⼤綱 基本概念。 拒絕規則。 p-value。 ⺟體比例。 t 檢定。 假設檢定 46 / 58 孔令傑(臺⼤資管系)
  • 135. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 z 檢定 在例⼦⼀,基本上我們是⽤ X ∼ ND(µ, σ√ n ) 這件事實。 這隱含了 X−µ σ/ √ n ∼ ND(0, 1),也就是所謂的標準常態分佈,或是 z 分佈。 因此,這個檢定被稱為 z 檢定。 這需要知道 σ。 假設檢定 47 / 58 孔令傑(臺⼤資管系)
  • 136. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 當變異數未知 當⺟體變異數 σ2 為未知, X−µ σ/ √ n 的⼤⼩也就未知。 如果我們⽤樣本變異數 S2 作為替代呢? 定理 1 對於⼀個常態的⺟體,統計量 T = X − µ S/ √ n 從 t 分佈,且⾃由度為 n − 1。 什麼是 t 分佈? 假設檢定 48 / 58 孔令傑(臺⼤資管系)
  • 137. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 t 分佈 t 分佈被定義為以下: 定義 2 若⼀個隨機變數 X 從⾃由度為 n 的 t 分佈,則其 pdf 為 f(x|n) = Γ(n+1 2 ) √ nπΓ(n 2 ) ( 1 + x2 n )− n+1 2 對於所有的 x ∈ (−∞, ∞)。我們⽤ X ∼ t(n) 表⽰。 Γ(x) = ∫ ∞ 0 zx−1 e−z dz 是個 gamma 函數。 假設檢定 49 / 58 孔令傑(臺⼤資管系)
  • 138. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 z 和 t 分佈 讓我們來比較 Z = X−µ σ/ √ n 和 T = X−µ S/ √ n 。 因為我們不知道 σ,我們⽤ S 來替代。 Z ∼ ND(0, 1) 且 T ∼ t(n − 1)。 因為 t 是 z 分佈的替代品,它也被設計為以 0 為中⼼:E[T] = E[Z] = 0。 但是,因為我們多加了⼀個隨機變數入算式(σ 是個已知的常數),T 會變 得比 Z「更隨機」,即 Var(T) Var(Z)。 圖形上,t 曲線會比 z 曲線更平。 當 n → ∞,t(n) → ND(0, 1)。 假設檢定 50 / 58 孔令傑(臺⼤資管系)
  • 139. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 假設檢定 51 / 58 孔令傑(臺⼤資管系)
  • 140. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 t 檢定 針對⺟體變異數未知的常態⺟體,我們通常使⽤ t 檢定 去檢定⺟體平 均數。 如果樣本數很⼤,也可以使⽤ z 分佈,並以 s 替代 σ。 假設檢定 52 / 58 孔令傑(臺⼤資管系)
  • 141. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 例⼦ 某個 MBA 很少錄取⼯作經驗不⻑於兩年的申請者。 為了去檢定是否被錄取者的平均⼯作年限⾼於兩年,我們隨機挑選了 20 個被錄取的申請者。 我們記錄他們在進入 MBA 之前的⼯作經驗。 在進入 MBA 前,他們平均⼯作經驗為 2.5 年。這是個樣本平均。 樣本標準差為 1.3765 年。 ⺟體為是常態分佈。 信⼼⽔準被設在 95%。 假設檢定 53 / 58 孔令傑(臺⼤資管系)
  • 142. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 例⼦:假設 假設問這個問題的⼈是個有⼀年⼯作經驗的申請者。他是個悲觀主義 者:只有在平均⼯作經驗被證實少於兩年才會申請 MBA。 假設是 H0 : µ = 2 Ha : µ 2。 µ 是全部錄取的申請者在進入 MBA 之前的平均⼯作經驗(年)。 為了⿎勵他,我們想找⼀個⾜夠強的證據顯⽰機會是⾼的(µ 2)。 假設檢定 54 / 58 孔令傑(臺⼤資管系)
  • 143. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 例⼦:假設與檢定 假設他是個樂觀主義者:只有在被證實平均⼯作經驗⾼於兩年時才不會 申請 MBA。 假設變為 H0 : µ = 2 Ha : µ 2。 為了勸退他,我們想找⼀個很強的證據顯⽰機會不⾼(µ 2)。 讓我們考慮樂觀的申請者(及 Ha : µ 2))先。 因為⺟體變異數未知且⺟體為常態,我們可以使⽤ t 檢定。 假設檢定 55 / 58 孔令傑(臺⼤資管系)
  • 144. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 例⼦(樂觀):計算與解讀 計算: p-value 是 Pr(X 2.5|µ = 2) = 0.0604。 結論: 對於這個單尾檢定,因為 p-value 0.05 = α,我們不拒絕 H0。 沒有⾜夠強的證據顯⽰平均⼯作經驗⾼於兩年。 結果沒有強到可以阻擋這個只有⼀年⼯作經驗的申請者。 決定: 你這麼樂觀,你就申請吧! 假設檢定 56 / 58 孔令傑(臺⼤資管系)
  • 145. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 例⼦(悲觀) 假設這個申請者是悲觀的: H0 : µ = 2 Ha : µ 2。 p-value 是 Pr(X 2.5|µ = 2) = 1 − 0.0604 = 0.9396。 這是基於 t 分佈的計算結果。. 我們不拒絕 H0,不能下結論說 µ 2。沒有⾜夠強的證據來⿎勵他。 他這麼悲觀,那就別申請。 因為我們使⽤了不同的對立假設,最終決策也因此不相同! 這只會發⽣在我們都不拒絕 H0 的時候。 假設檢定 57 / 58 孔令傑(臺⼤資管系)
  • 146. 基本概念 拒絕規則 p-value ⺟體比例 t 檢定 ⼩結 為檢定⺟體平均數 µ: σ2 樣本數 ⺟體分佈 常態 非常態 已知 n ≥ 30 z z n 30 z 無⺟數 未知 n ≥ 30 t 或 z z n 30 t 無⺟數 更多可以被檢定的⺟體參數: ⺟體比例(z 檢定)、⺟體變異數(χ2 檢定)。 兩⺟體平均數的差異(t 檢定)、兩⺟體變異數的比例(F 檢定)。 假設檢定 58 / 58 孔令傑(臺⼤資管系)
  • 147. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 給⼯程師的統計學與資料分析 123 第三單元:迴歸分析 (1) 孔令傑 國立臺灣⼤學資訊管理學系 2017 年 1 ⽉ 14 ⽇ 迴歸分析 (1) 1 / 47 孔令傑(臺⼤資管系)
  • 148. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 相關性與預測 我們經常想要找出變數間的相關性。 比如說,如果給定下列 12 間房⼦的價錢和⼤⼩: 房⼦編號 1 2 3 4 5 6 ⼤⼩(平⽅公尺) 75 59 85 65 72 46 價錢(千元) 315 229 355 261 234 216 房⼦編號 7 8 9 10 11 12 ⼤⼩(平⽅公尺) 107 91 75 65 88 59 價錢(千元) 308 306 289 204 265 195 我們可以計算其相關係數為 r = 0.729. 如果有⼀間房⼦⼤⼩為 100 平⽅公尺,我們能預測(估計)它的價錢 嗎? 價錢感覺跟⼤⼩有關,不過該怎麼做? 迴歸分析 (1) 2 / 47 孔令傑(臺⼤資管系)
  • 149. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 超過兩個變數間的相關性 有時我們有超過兩個變數。 比如說,我們可能也知道每間房⼦有幾個臥房: 房⼦編號 1 2 3 4 5 6 ⼤⼩(平⽅公尺) 75 59 85 65 72 46 價錢(千元) 315 229 355 261 234 216 臥房數 1 1 2 2 2 1 房⼦編號 7 8 9 10 11 12 ⼤⼩(平⽅公尺) 107 91 75 65 88 59 價錢(千元) 308 306 289 204 265 195 臥房數 3 3 2 1 3 1 怎麼描述三個變數之間的相關性? 給定⼤⼩和臥房數,如何預測(估計)價錢? 迴歸分析 (1) 3 / 47 孔令傑(臺⼤資管系)
  • 150. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 迴歸分析 迴歸分析(regression)是個好⼯具! 做為最被廣為使⽤的統計⽅法,迴歸分析可以討論: 哪個變數對某個⽬標變數有影響:影響房價的是⼤⼩、房間數,還是都有? 那個變數如何產⽣影響:⼤房⼦比較貴還是便宜?⼤⼀坪貴(便宜)多少? 我們將會根據⼀⾄多個⾃變數來解釋、預測或估計⼀個應變數。 應變數(dependent variable):我們所關⼼的⽬標變數。 ⾃變數(independent variable):我們所關⼼的⽬標變數的潛在影響因⼦。 ⾃變數⼜被稱為解釋變數(explanatory variable),⽽應變數⼜被稱為回應變 數(response variable). 如果我們想要預測明天的來店顧客⼈數: 應變數:明天的來店顧客⼈數。 ⾃變數:天氣、是否是假⽇、有無促銷活動... 迴歸分析 (1) 4 / 47 孔令傑(臺⼤資管系)
  • 151. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 迴歸分析的種類 根據⾃變數的個數: 單迴歸(simple regression):只有⼀個⾃變數。 複迴歸(multiple regression):超過⼀個⾃變數。 根據應變數的資料型態: 在普通迴歸(ordinary regression)中,應變數是數值資料。 在羅吉斯迴歸(logistic regression)中,應變數是分類資料. 還有其他種迴歸模型。 迴歸分析 (1) 5 / 47 孔令傑(臺⼤資管系)
  • 152. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 課程⼤綱 基本原理。 變數轉換與選擇。 ⼀個案例。 類別型態⾃變數。 迴歸分析 (1) 6 / 47 孔令傑(臺⼤資管系)
  • 153. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 基本原理 令 xi 跟 yi 分別是房⼦ i 的⼤⼩跟價格,i = 1, ..., 12。 ⼤⼩ 價錢 (平⽅公尺) (千元) 46 216 59 229 59 195 65 261 65 204 72 234 75 315 75 289 85 355 88 265 91 306 107 308 如何以找出⼤⼩和價格間的關係? 迴歸分析 (1) 7 / 47 孔令傑(臺⼤資管系)
  • 154. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 線性估計 如果對於所有房⼦,這兩個變數間的關係是線性的,就表⽰ yi = β0 + β1xi + ϵi。 β0 是這個⽅程式的截距(intercept)。 β1 是這個⽅程式的斜率(slope)。 ϵi 是⽤⼤⼩估計房價時的常態隨機誤差(normal random noise)。 冥冥之中這個⽅程式存在,但我們不知道 β0 跟 β1 的值。 β0 跟 β1 是所有房⼦這個⺟體的參數. 我們想要⽤⼿上有的樣本資料 (也就是那 12 間房⼦) 去估計 β0 和 β1。 我們想要計算出兩個統計量 ˆβ0 跟 ˆβ1 去做為我們對 β0 跟 β1 的估計值。 迴歸分析 (1) 8 / 47 孔令傑(臺⼤資管系)
  • 155. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 線性估計 給定我們⽤樣本資料算出的 ˆβ0 和 ˆβ1,我們就會⽤ ˆyi = ˆβ0 + ˆβ1xi 來做 為我們對 yi 的估計值。 我們希望我們的估計誤差(estimation error)ϵi = yi − ˆyi 愈⼩愈好。 把所有誤差 ϵi 集合起來,我們希望總平⽅誤差(sum of squared errors, SSE)愈⼩愈好: n∑ i=1 ϵ2 i = (yi − ˆyi)2 = n∑ i=1 [ (yi − (ˆβ0 + ˆβ1xi) ]2 。 我們求解(給定樣本資料後的) min ˆβ0, ˆβ1 n∑ i=1 [ (yi − (ˆβ0 + ˆβ1xi) ]2 最⼩平⽅估計(least square approximation)問題。 迴歸分析 (1) 9 / 47 孔令傑(臺⼤資管系)
  • 156. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 最⼩平⽅估計 最⼩平⽅估計問題 min ˆβ0, ˆβ1 n∑ i=1 [ (yi − (ˆβ0 + ˆβ1xi) ]2 的最佳 (ˆβ0, ˆβ1) 是有公式解的: ˆβ1 = ∑n i=1(xi − ¯x)(yi − ¯y) ∑n i=1(xi − ¯x)2 和 ˆβ0 = ¯y − ˆβ1 ¯x。 根據我們的 12 間房⼦,我們會得到 (ˆβ0, ˆβ1) = (102.717, 2.192). 這組樣本的 SSE 是 13118.63. 我們永遠不知道真正的 β0 和 β1。不過,根據我們的樣本資料,我們「最佳 的」猜想是 β0 = 102.717 和 β1 = 2.192。 迴歸分析 (1) 10 / 47 孔令傑(臺⼤資管系)
  • 157. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 模型意涵 我們的迴歸模型是 y = 102.717 + 2.192x。 模型意涵: 當房⼦⼤⼩增加 1 平⽅公尺時,我 們預期房價會上升 $2,192。 模型意涵:⼤⼩為 70 平⽅公尺的 房⼦的預期房價為 $256,197。 (不太好的)模型意涵:⼤⼩為 0 平⽅公尺的房⼦,我們預期其房價 為 $102,717. 迴歸分析 (1) 11 / 47 孔令傑(臺⼤資管系)
  • 158. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 複迴歸 絕⼤部分的時候,使⽤超過⼀個⾃變數可以更好地解釋或估計應變數。 讓我們來同時⽤⼤⼩和房間數做複迴歸 (multiple regression): yi = β0 + β1x1,i + β2x2,i + ϵi。 yi 是價格(千元)。 x1,i 是⼤⼩(平⽅公尺)。 x2,i 是房間數。 ϵi 是隨機誤差。 我們的(最⼩平⽅)估計是 (ˆβ0, ˆβ1, ˆβ2) = (82.737, 2.854, −15.789)。 價錢 ⼤⼩ 房間數 (千元) (平⽅公尺) 315 75 1 229 59 1 355 85 2 261 65 2 234 72 2 216 46 1 308 107 3 306 91 3 289 75 2 204 65 1 265 88 3 195 59 1 迴歸分析 (1) 12 / 47 孔令傑(臺⼤資管系)
  • 159. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 模型意涵 我們的迴歸模型是 y = 82.737 + 2.854x1 − 15.789x2。 當房⼦變⼤ 1 m2 (⽽且其他⾃變數都固定)時,房價預期上升 $2,854。 當房間數加 1(⽽且其他⾃變數都固定)時,房價預期下降 $15,789. 研究者必須判讀這些意涵是否合理(或對他是否有⽤)。 房間數可能不是解釋房價的好因⼦(⾄少不是以線性的⽅式)。 我們不能光只是計算出係數: 我們需要衡量⼀個迴歸模型的整體品質。 我們需要比較不同迴歸模型的相對品質。 我們需要檢定迴歸模型中每個係數的顯著性。 迴歸分析 (1) 13 / 47 孔令傑(臺⼤資管系)
  • 160. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 模型檢驗:整體品質 如何衡量⼀個迴歸模型 y = ˆβ0 + ˆβ1x1 + · · · ˆβkxk 的品質? 如果完全不使⽤任何⾃變數,我們會⽤ ¯y = ∑n i=1 yi n 估計 yi。此時最⼤ 平⽅誤差(sum of squared total errors,SST)是 SST = ∑n i=1(yi − ¯y)2 。 根據我們的迴歸模型,我們把誤差降到 SSE = n∑ i=1 (yi − ˆyi)2 = n∑ i=1 [ (yi − (ˆβ0 + ˆβ1xi) ]2 。 ⾃變數的變異中,能被我們的迴歸模型解釋的比例是 0 ≤ R2 = 1 − SSE SST ≤ 1。 R2 愈⼤,迴歸模型愈好。 迴歸分析 (1) 14 / 47 孔令傑(臺⼤資管系)
  • 161. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 計算 R2 每當我們計算出⼀個迴歸模型的各系數時,我們就能同時算出 R2 。 統計軟體都會在報表中呈現 R2 。 對於 y = 102.717 + 2.192x,我們的 R2 = 0.5315: ⼤約 53% 的房價變異可以被房⼦⼤⼩解釋。 若(且唯若)只有⼀個⾃變數,則 R2 = r2 ,⽽ r 就是⾃變數跟應變數 的相關係數。 −1 ≤ r ≤ 1。 0 ≤ r2 = R2 ≤ 1。 迴歸分析 (1) 15 / 47 孔令傑(臺⼤資管系)
  • 162. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 比較迴歸模型 現在我們可以⽤ R2 來比較迴歸模型了。 以剛剛的例⼦來說: ⾃變數 房⼦⼤⼩ 房間數 房⼦⼤⼩和房間數 R2 0.5315 0.29 0.5513 只⽤房⼦⼤⼩比只⽤房間數好。 同時⽤兩個⾃變數有比較好嗎? 事實上,增加⾃變數⼀定會提⾼ R2 ! 加了⾃變數了不起是係數被設為 0,不會讓 R2 變⼩。 即使加入毫不相⼲的⾃變數,R2 也會變⼤。 若要進⾏「公平」的比較並且找出有意義的影響因⼦,我們必須根據⾃ 變數的數量調整 R2 。 迴歸分析 (1) 16 / 47 孔令傑(臺⼤資管系)
  • 163. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 調整後的 R2 標準的把 R2 調整成調整後的 R2 (adjusted R2 )是 R2 adj = 1 − ( n − 1 n − k − 1 ) (1 − R2 )。 n 是樣本數,k 是模型中的⾃變數個數。 以剛剛的例⼦來說: ⾃變數 房⼦⼤⼩ 房間數 房⼦⼤⼩和房間數 R2 0.5315 0.290 0.5513 R2 adj 0.4846 0.219 0.4516 其實只使⽤⾃變數是三個模型中最好的! 迴歸分析 (1) 17 / 47 孔令傑(臺⼤資管系)
  • 164. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 檢定係數顯著性 另⼀個重要的⼯作是檢定係數顯著性(significance)。 比如說剛剛的雙⾃變數模型 y = 82.737 + 2.854x1 − 15.789x2。 2.854 和 −15.789 是完全根據樣本⽽算出來的。我們永遠不會知道 β1 和 β2 是否真的是這兩個值! 我們甚⾄不確定 β1 和 β2 是否不是 0. 我們必須檢定它們: H0 : βi = 0 Ha : βi ̸= 0. 我們希望有⾜夠的證據令我們相信 βi ̸= 0. 迴歸分析 (1) 18 / 47 孔令傑(臺⼤資管系)
  • 165. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 檢定係數顯著性 檢定的結果在報表中都有。統計軟體(比如說 R)告訴我們: Coefficients Standard Error t Stat p-value Intercept 82.737 59.873 1.382 0.200 Size 2.854 1.247 2.289 0.048 ** Bedroom −15.789 25.056 −0.630 0.544 因為不知道⺟體變異數,我們使⽤ t 檢定. 「Coefficients」記錄的是樣本平均數 ¯x;「Standard Error」記錄的是 s√ n ; 「t Stat」記錄的是 t = ¯x−0 s/ √ n 。 「p-value」是 t 統計量的雙尾機率(在⼤部分統計軟體中),⽤來跟 α 比較。 別忘了我們假設 ϵi 是常態的。 迴歸分析 (1) 19 / 47 孔令傑(臺⼤資管系)
  • 166. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 檢定係數顯著性 根據統計軟體: Coefficients Standard Error t Stat p-value Intercept 82.737 59.873 1.382 0.200 Size 2.854 1.247 2.289 0.048 ** Bedroom −15.789 25.056 −0.630 0.544 在 95% 的信⼼⽔準下: 我們相信 β1 ̸= 0,亦即房⼦⼤⼩對房價確實有影響。 我們不相信 β2 ̸= 0,亦即沒有證據顯⽰房間數對房間有影響。 如果只⽤房⼦⼤⼩當⾃變數,它的 p-value 會是 0.00714。我們同樣會相 信房⼦⼤⼩對房價有影響。 迴歸分析 (1) 20 / 47 孔令傑(臺⼤資管系)
  • 167. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 課程⼤綱 基本原理。 變數轉換與選擇。 ⼀個案例。 類別型態⾃變數。 迴歸分析 (1) 21 / 47 孔令傑(臺⼤資管系)
  • 168. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 屋齡 屋齡也有可能影響房價。 價格 ⼤⼩ 房間數 屋齡 (千元) (平⽅公尺) (年) 315 75 1 16 229 59 1 20 355 85 2 16 261 65 2 15 234 72 2 21 216 46 1 16 308 107 3 15 306 91 3 15 289 75 2 14 204 65 1 21 265 88 3 15 195 59 1 26 別管房間數了,讓我們來試試採⽤屋齡當⾃變數。 迴歸分析 (1) 22 / 47 孔令傑(臺⼤資管系)
  • 169. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 屋齡 對於房⼦ i,讓 yi 做為房價、x1,i 做為⼤⼩,以及 x3,i 做為屋齡。假設 他們之間是線性關係: yi = β0 + β1x1,i + β2x3,i + ϵi。 統計軟體給我們下列報表: Coefficients Standard Error t Stat p-value Intercept 262.882 83.632 3.143 0.012 Size 1.533 0.628 2.443 0.037 ** Age −6.368 2.881 −2.211 0.054 * R2 = 0.696, R2 adj = 0.629 R2 從 0.531(只有房⼦⼤⼩為⾃變數)上升到 0.629。屋齡在 90% 的信 ⼼⽔準下是顯著的。好像不錯! 迴歸分析 (1) 23 / 47 孔令傑(臺⼤資管系)
  • 170. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 「非線性」關係 可以再改進嗎? 根據散佈圖,或許可以試試「非線 性」(nonlinear)的關係: 新房價錢跌得快,舊房則跌得慢。 不要假設線性關係式或許有幫助。 舉例來說,我們可以試著把屋齡改 成屋齡的倒數: yi = β0 + β1x1,i + β2 ( 1 x3,i ) + ϵi。 迴歸分析 (1) 24 / 47 孔令傑(臺⼤資管系)
  • 171. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 變數轉換 若是要⽤我們的樣本資料去估計 yi = β0 + β1x1,i + β2 ( 1 x3,i ) + ϵi. 這個動作叫「fitting」。 準備⼀個新變數,其值為 1 age 。 把價格、⼤⼩和房⼦屋齡的倒數放入迴 歸模型,然後讀報表。 我們可以考慮任何的非線性關係(反正 都是要製作⼀個新變數)。 這個技巧叫做變數轉換(variable transformation)。 價格 ⼤⼩ 1/屋齡 (千元) (平⽅公尺) (1/年) 315 75 0.063 229 59 0.050 355 85 0.063 261 65 0.067 234 72 0.048 216 46 0.063 308 107 0.067 306 91 0.067 289 75 0.071 204 65 0.048 265 88 0.067 195 59 0.038 迴歸分析 (1) 25 / 47 孔令傑(臺⼤資管系)
  • 172. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 屋齡的倒數 統計軟體給我們下列的報表: Coefficients Standard Error t Stat p-value Intercept 22.905 57.154 0.401 0.698 Size 1.524 0.647 2.356 0.043 ** 1/Age 2185.575 1044.497 2.092 0.066 * R2 = 0.685, R2 adj = 0.615 模型檢驗: 變數都顯著(雖然信⼼⽔準不同)。 使⽤⼤⼩和屋齡比使⽤⼤⼩和屋齡的倒數好。 「房價在不同屋齡時的下降速率不同」這個假設不被樣本資料⽀持。 把 1 age 換成 age2 也沒有比較好。 迴歸分析 (1) 26 / 47 孔令傑(臺⼤資管系)
  • 173. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 常⾒的變數轉換 迴歸分析 (1) 27 / 47 孔令傑(臺⼤資管系)
  • 174. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 變數選擇與模型建立 有時候我們有非常多的候選⾃變數。 ⼤⼩、房間數、屋齡、離最近的公園的距離、離最近的醫院的距離、社區治 安、學區... 就算只考慮線性關係,p 個候選⾃變數就有 2p − 1 種組合。 事實上每個變數都可以被轉換。 之後甚⾄還可以討論變數間的交互作⽤。 如何找出「最好的」迴歸模型(如果有的話)? 迴歸分析 (1) 28 / 47 孔令傑(臺⼤資管系)
  • 175. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 變數選擇與模型建立 世界上沒有「最好的」模型,但是有「好」模型。 ⼀些建議: ⽤散佈圖檢視每個⾃變數跟應變數間的關係,據此嘗試變數轉換。 檢視⾃變數間的兩兩關係。如果某兩者⾼度相關,常常就有⼀個不需要。我 們說它們之間有共線性(multicollinearity)。 ⼀旦有了⼀個模型,檢視每個變數的 p-value,並試著移除不顯著的變數。 要注意的是,這可能會影響到剩餘變數的顯著性。 反覆修正,直到你找不到更好的模型。 R2 ⼤、修正的 R2 adj ⼤、p-value 們⼩。 統計軟體通常可以(部份地)⾃動化上述流程,不過⼈為決策還是必要的。 有時關鍵其實是去找尋新的⾃變數。 直覺與經驗可能會幫上忙(或幫倒忙)。 迴歸分析 (1) 29 / 47 孔令傑(臺⼤資管系)
  • 176. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 課程⼤綱 基本原理。 變數轉換與選擇。 ⼀個案例。 類別型態⾃變數。 迴歸分析 (1) 30 / 47 孔令傑(臺⼤資管系)
  • 177. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 ⼀個案例:票券銷售 ⼀個劇團過去六年做了近千場演出。 老闆想要增加票房賣座度。 關鍵問題:什麼是影響賣座度的關鍵因⼦? 讓我們⽤售票張數來定義賣座度。 潛在因⼦:演出年份、演出⽉份、演出於星期幾、演出時間(早上、下午、 晚上)、演出地點、演員、戲劇種類、票價... 老闆隨機抽出 100 場演出,給你這些演出的⼀些資訊。 都在週末演出、公開售票、以同樣⽅式售票。 每⼀場演出的票價都不隨時間改變。 做為⼀名顧問,如何透過統計與資料分析幫助劇團? 迴歸分析 (1) 31 / 47 孔令傑(臺⼤資管系)
  • 178. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 變數 共有六個變數: 變數 意義 Y ear 演出進⾏的年份(1、2、...、6) Time 演出進⾏的時間(早上、下午、晚上) Capacity 表演廳的座位數 AvgPrice 所有票種的票價平均數 SalesQty 總售出張數 SalesDuration 起售⽇期⾄演出⽇期的間隔天數 座位數後售票數已經被等比例調整(scaling)過了。 迴歸分析 (1) 32 / 47 孔令傑(臺⼤資管系)
  • 179. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 資料(⼀部分) Yr. Tm. Cap. A.P. Qty S.D. Yr. Tm. Cap. A.P. Qty S.D. 5 A 230 400 218 50 2 M 190 575 190 289 5 A 150 500 119 46 6 A 130 500 108 89 5 A 230 400 160 126 4 E 200 775 169 100 5 A 200 775 200 324 4 E 200 775 135 259 6 E 190 1175 178 115 5 A 310 650 251 346 6 A 190 1175 183 109 2 A 250 550 250 145 5 E 190 775 161 58 1 A 190 675 183 254 3 A 200 675 200 112 6 A 200 1175 146 110 5 E 200 775 158 323 1 M 200 575 140 94 1 M 200 575 128 360 4 A 200 775 195 255 迴歸分析 (1) 33 / 47 孔令傑(臺⼤資管系)
  • 180. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 迴歸分析 讓我們先來試幾個⾃變數。 應變數:SalesQty. ⾃變數:Capacity, AvgPrice, Y ear. 請注意 Year 是數值型資料: 兩個值之間的距離有實際意義:4 − 2 和 5 − 3 都表⽰差兩年。 值有單⼀變化⽅向。 如果是⽉份,其值就會循環,那麼 12 − 11 跟 1 − 12 就完全不同。 散佈圖有⽤: 變數選擇:哪個⾃變數可能有影響? 變數轉換:⼀個⾃變數如何影響應變數? 共線性:有沒有兩個變數⾼度相關? 迴歸分析 (1) 34 / 47 孔令傑(臺⼤資管系)
  • 181. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 迴歸分析 (1) 35 / 47 孔令傑(臺⼤資管系)
  • 182. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 迴歸分析 看起來 Capacity、AvgSales 和 Y ear 都值得⼀試。 如果我們將它們分別放進迴歸模型: SalesQty = 20.79 + 0.72Capacity:R2 = 0.538、p-value ≈ 0。 SalesQty = 174.9 + 0.0028AvgPrice:R2 = 0.0002、p-value = 0.885。 SalesQty = 203.6 − 6.77Y ear:R2 = 0.063、p-value = 0.0115。 如果我們將它們⼀起放進去: 迴歸模型是 SalesQty = 24.742 + 0.702Capacity + 0.027AvgPrice − 4.696Y ear。 R2 = 0.57、R2 adj = 0.556,p-value 分別是 0、0.056 和 0.019。 不要分別放,要⼀起放。 迴歸分析 (1) 36 / 47 孔令傑(臺⼤資管系)
  • 183. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 加入 Time Time(早上、下午、晚上)也可能有影響。 但是它是類別資料。 更精確地講,它是名⽬資料。 就算我們把 Time 編碼成 1、2 跟 3,我們也不能就把它當成數值資料。 對於⼀個類別變數,我們必須使⽤⼀或數個虛擬變數(dummay variable、indicator variables)。 迴歸分析 (1) 37 / 47 孔令傑(臺⼤資管系)
  • 184. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 加入 Time Time(早上、下午、晚上)也可能有影響。但是它是類別資料。 為什麼不編碼成數值然後直接做迴歸分析? 假設我們把 (morning, afternoon, evening) 編碼成 (1, 2, 3): 迴歸模型是 SalesQty = 164.021 + 6.313Time。 這有錯嗎? 迴歸分析 (1) 38 / 47 孔令傑(臺⼤資管系)
  • 185. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 數值編碼沒有意義 不同的編碼就會給我們不同的迴歸模型! 我們也可以把 (morning, afternoon, evening) 編碼成 (1, 2, 10) 或 (3, 1, 2): SalesQty = 164.021 + 6.313Time p-value = 0.294 SalesQty = 177.224 − 0.075Time p-value = 0.95 SalesQty = 205.725 − 15.091Time p-value = 0.0084 迴歸分析 (1) 39 / 47 孔令傑(臺⼤資管系)
  • 186. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 課程⼤綱 基本原理。 變數轉換與選擇。 ⼀個案例。 類別型態⾃變數。 迴歸分析 (1) 40 / 47 孔令傑(臺⼤資管系)
  • 187. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 ⼆元變數 類別變數需要特別處理。 先看看⼀個特殊情況:如果⼀個類別變數是⼆元(binary)的,我們就 可以直接將之編碼成 0 和 1 並且直接放進迴歸模型。 男/女、⽣/死、買/沒買、公立/私立... 編碼成 1 和 0、1 和 2 或 7 和 8 也都沒問題。 編碼成 1 和 −1、1 和 5 或 4 和 8 就比較不好。 這是因為迴歸模型的係數代表「當其他⾃變數不變,⽽此⾃變數增加⼀ 單位」時,應變數會如何變化。 當⼀個⼆元變數被編碼成 0 和 1,它的係數就告訴我們「如果這個變數 從 0 變成 1(且其他變數都不變),我們預期應變數會增加 ˆβi。」 如果⼀個類別變數有超過兩個可能的值呢? 迴歸分析 (1) 41 / 47 孔令傑(臺⼤資管系)
  • 188. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 虛擬變數 假設 x 有三個可能的值 A、B 跟 C。 讓我們先選⼀個基準點(reference level),比如說 A。 接著創造兩個虛擬變數(dummy variable、indicator variable)xB 和 xC : xB =    1 若x = B 0 若為其他情況 和 xC =    1 若x = C 0 若為其他情況 換⾔之,我們有如下對應: x xB xC A 0 0 B 1 0 C 0 1 迴歸分析 (1) 42 / 47 孔令傑(臺⼤資管系)
  • 189. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 虛擬變數 現在我們把 xB 和 xC 放進迴歸模型 y = ˆβ0 + · · · + ˆβB xB + ˆβC xC 。 如果 x 從 A 變成 B(⽽且其他變數都不變),應變數預期將增加 ˆβB 。 如果 x 從 A 變成 C(⽽且其他變數都不變),應變數預期將增加 ˆβC . 如果 x 從 B 變成 C(⽽且其他變數都不變),我們沒什麼結論。 我們⽤ x 把資料分成三組(A、B 和 C)。 我們在問,再移除其他變數的影響之後,A 組和 B 組以及 A 組和 C 組 間是否有顯著差異。 迴歸分析 (1) 43 / 47 孔令傑(臺⼤資管系)
  • 190. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 虛擬變數的通則 如果變數 x 有五個可能的值 M、N、O、P 和 Q。 我們⾸先選擇⼀個基準點,比如說 P。 我們接著創造四個虛擬變數: x xM xN xO xQ M 1 0 0 0 N 0 1 0 0 O 0 0 1 0 P 0 0 0 0 Q 0 0 0 1 在 P 組和 M 組、P 組和 N 組、P 組和 O 組,以及 P 組和 Q 組間之否有 顯著差異? ⼀個類別變數若是有 k 個可能的值,我們就需要 k − 1 虛擬變數。 迴歸分析 (1) 44 / 47 孔令傑(臺⼤資管系)
  • 191. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 Time 的虛擬變數 Time 有三個值:morning、afternoon 和 evening。 讓我們選 afternoon 當基準點。 我們需要兩個虛擬變數: Time TimeM TimeE morning 1 0 afternoon 0 0 evening 0 1 ⽤ TimeM 和 TimeE 做為⾃變數,我們會得到 SalesQty = 191 − 30.069TimeM − 16.303TimeE 。 兩個變數的 p-values 各是 0.009 和 0.138。 如果把⼀場演出換時間從下午移到早上,我們預期會少賣 30.069 張票。 迴歸分析 (1) 45 / 47 孔令傑(臺⼤資管系)
  • 192. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 Time 的虛擬變數 讓我們把⼿上有的變數都加進去: SalesQty = 0.696Capacity + 0.027AvgPrice − 5.282Y ear − 14.387TimeM − 21.328TimeE . Coefficients Standard Error t Stat p-value Intercept 39.280 19.724 1.992 0.049 ** Capacity 0.696 0.069 10.263 0.000 *** AvgPrice 0.027 0.013 2.033 0.045 ** Y ear −5.282 1.931 −2.735 0.007 *** TimeM −14.387 7.784 −1.848 0.068 * TimeE −21.328 7.227 −2.951 0.004 *** R2 = 0.608, R2 adj = 0.587 迴歸分析 (1) 46 / 47 孔令傑(臺⼤資管系)
  • 193. 基本原理 變數轉換與選擇 ⼀個案例 類別型態⾃變數 結語 當遇到⾃變數是類別變數時,我們就需要加虛擬變數。 虛擬變數的值非 0 則 1。 如果它有 k 個可能的值,我們就需要 k − 1 個虛擬變數。 在原本變數中當基準點的值,在所有虛擬變數中都被設成 0。 在原本變數中不是基準點的值,會有恰好⼀個虛擬變數被設成 1。 我們只是在(只能)檢定基準點和非基準點之間是否有顯著差異。 對於兩個非基準點之間是否有顯著差異,我們⼀無所知。 真的要知道,就要換基準點。 如果有任何⼀個虛擬變數是顯著的,⽽你因此想要把它留在迴歸模型 中,那所有的為了同⼀個類別變數⽽產⽣的虛擬變數就都要留下。 迴歸分析 (1) 47 / 47 孔令傑(臺⼤資管系)
  • 194. Interaction Endogeneity, residuals Logistic regression Statistics and Data Analysis for Engineers Part 4: Regression Analysis (2) Ling-Chieh Kung Department of Information Management National Taiwan University January 14, 2017 Regression Analysis (2) 1 / 38 Ling-Chieh Kung (NTU IM)
  • 195. Interaction Endogeneity, residuals Logistic regression Road map Interaction. Endogeneity and residual analysis. Logistic regression. Regression Analysis (2) 2 / 38 Ling-Chieh Kung (NTU IM)