首頁
» 分析方法 » 使用其它(other)連結函數的廣義線性模式
本處提供兩種較少被使用的GLM方法。第一種假設依變數的期望值為μ，連結函數為g(μ)=μ-1，且其依變數分配假設為珈瑪(gamma)分配；第二種模式假設連結函數為g(μ)=μ-2，且依變數分配假設為反高斯(inverse Gaussian)分配。
廣義線性模式-方法簡介
本方法使用之R相關套件與參考文獻：
相關套件：stats、base、car、speedglm
參考文獻：(依套件名稱排序)
廣義線性模式-方法簡介
本方法使用之R相關套件與參考文獻：
相關套件：stats、base、car、speedglm
參考文獻：(依套件名稱排序)
- R Core Team (2013). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL：http://www.R-project.org/.
- John Fox and Sanford Weisberg (2011). An {R} Companion to Applied Regression, Second Edition. Thousand Oaks CA: Sage. URL：http://socserv.socsci.mcmaster.ca/jfox/Books/Companion
- Marco ENEA (2013). speedglm: Fitting Linear and Generalized Linear Models to large data sets.. R package version 0.2. URL：http://CRAN.R-project.org/package=speedglm
範例F-3：
21世紀的電子業為眾多求職者理想的工作，電腦、PDA及智慧型手機等科技產品的高使用率，造就電子產業的榮景並創造許多高收入的職缺，然而朝九晚五之景也已消失在電子業。因此，如何在報酬與工時取得平衡是現階段求職者最關心的議題。某人力銀行為提供求職者此相關訊息，隨機從4家公司抽出共100名電子產業工作者，其調查資料包括薪資、職位、性別、學歷、工作年資與工作時數，記錄如下表，資料說明列於表後
表：電子公司員工調查資料
薪資：月薪(單位：元)
職位：現場作業人員(1)、工程師(2)、主管級(3)、經理級(4)
公司別：(1)、(2)、(3)、(4)
性別：女性(0)、男性(1)
學歷：高中職(1)、大學含專科(2)、研究所以上(3)
工作年資：以月為單位計算
工作時數：每週平均工作時間，以小時為單位計算
Q4：若研究人員認為薪資資料的分配可能為珈瑪(gamma)分配或是反高斯(inverse Gaussian)分配，若此兩種推測為真，則何種因素對於薪資高低的影響較大?
問題解析：此處可探討何種解釋變數(公司別、性別、學歷…等)對於依變數薪資的影響，適合廣義線性模式分析。
統計方法1：由於依變數薪資為連續變數，假設其資料服從珈瑪分配並使用反函數(μ-1)連結函數。可採用的分析方法：使用其它連結函數的廣義線性模式。
統計方法2：由於依變數薪資為連續變數，假設其資料服從反高斯分配並使用反函數平方(μ-2)連結函數。可採用的分析方法：使用其它連結函數的廣義線性模式。[重新分析]
21世紀的電子業為眾多求職者理想的工作，電腦、PDA及智慧型手機等科技產品的高使用率，造就電子產業的榮景並創造許多高收入的職缺，然而朝九晚五之景也已消失在電子業。因此，如何在報酬與工時取得平衡是現階段求職者最關心的議題。某人力銀行為提供求職者此相關訊息，隨機從4家公司抽出共100名電子產業工作者，其調查資料包括薪資、職位、性別、學歷、工作年資與工作時數，記錄如下表，資料說明列於表後
表：電子公司員工調查資料
| 編號 | 薪資 | 職位 | 公司別 | 性別 | 學歷 | 工作年資 | 工作時數 |
| 1 | 24970 | 1 | 1 | 0 | 1 | 19 | 50 |
| 2 | 26270 | 1 | 1 | 1 | 1 | 29 | 50 |
| ： | ： | ： | ： | ： | ： | ： | ： |
| 100 | 43340 | 2 | 4 | 1 | 2 | 68 | 62 |
薪資：月薪(單位：元)
職位：現場作業人員(1)、工程師(2)、主管級(3)、經理級(4)
公司別：(1)、(2)、(3)、(4)
性別：女性(0)、男性(1)
學歷：高中職(1)、大學含專科(2)、研究所以上(3)
工作年資：以月為單位計算
工作時數：每週平均工作時間，以小時為單位計算
Q4：若研究人員認為薪資資料的分配可能為珈瑪(gamma)分配或是反高斯(inverse Gaussian)分配，若此兩種推測為真，則何種因素對於薪資高低的影響較大?
問題解析：此處可探討何種解釋變數(公司別、性別、學歷…等)對於依變數薪資的影響，適合廣義線性模式分析。
統計方法1：由於依變數薪資為連續變數，假設其資料服從珈瑪分配並使用反函數(μ-1)連結函數。可採用的分析方法：使用其它連結函數的廣義線性模式。
統計方法2：由於依變數薪資為連續變數，假設其資料服從反高斯分配並使用反函數平方(μ-2)連結函數。可採用的分析方法：使用其它連結函數的廣義線性模式。
|
影音教學內容為本系統資料處理與分析方法之操作說明， 可供使用者即時參考及線上自學， 輕鬆上手「R資料分析暨導引系統」! |
|
