問題 欲探討組織學習傾向與策略決策模式之關係 預測變數(X)—組織學習傾向構面 準則變數(Y)—策略決策模式 願景溝通 團隊學習 價值領導 適應式 簡單式 分析式 風險承擔式 典型相關分析
典型相關(canonical correlation)概述 亦稱規則相關;正準相關。 H. Hotelling (1935) 探討多個準則變數(Y1、 Y2、… 、Ym2)和多個預測變數(X1、 X2、… 、Xm1)之線性組合的相關分析方法。 最多可獲得min{m1,m2}組線性組合 a1Y1+ a2Y2+…+am2Ym2=b1X1+b2X2+…+bm1Xm1 典型相關分析
典型相關分析之目的 探討兩組變數(X、Y)之間的關係程度。 針對準則變數和預測變數找出數組權重,使準則變數和測變數間之各組線性組合的相關性為最大。而各組線性組合間是相互獨立的。 分析準則變數和預測變數各組線性組合間之關係。 典型相關分析
典型相關分析模型1 X1 X2 X3 Xm1 …... X之線性 組合構面 Y之線性 Y1 Y2 Y3 Ym2 R2 S11 或b1 S1m1 或bm1 S21 或a1 S2m2 或am2 Rdu/v Rdv/u 典型相關分析
典型相關分析模型2 m1:預測變數的個數 m2:準則變數的個數 S11…S1m1:各組預測變數之典型負荷量(canonical loadings) (或稱為結構,structure) S21…S2m2,各組準則變數之典型負荷量 b1…bm1:預測變數之典型權重(canonical weight) a1…am2:準則變數之典型權重 R:典型相關係數 Rdu/v及Rdv/u:重疊指數。一組變數的變異數中,可被另一組變數的典型變量之變異來解釋的比例。 典型相關分析
典型相關分析的步驟 依序(由大而小)求解典型相關係數。(最多min{m1,m2}個) 計算典型權重— 模型解釋 計算典型負荷量— 模型解釋 計算重疊指數—確認線性組合之解釋能力 典型相關分析
求解典型相關係數 (eigenvalue之均方根)1 令各變數均標準化(平均收為0,標準差為1) 其變異-共變數矩陣(相關矩陣)可表達如下 首先,分別為預測變數(X)及準則變數(Y)導出兩組典型權重(canonical weight)b1與a1,以獲得第一組典型變量(canonical variate) ,U1及V1。 典型相關分析
求解典型相關係數2 U1=b’X=b11X1+b12X2+…+b1m1Xm1 V1=a’Y=a11Y1+a12Y2+…+a1m2Ym2 典型相關分析
求解典型相關係數3 限制條件(使所獲致之典型變量U和V的標準差為1) ,乃規範典型權重的數值,防止求解的過程中兩向量的值趨向無限大。 R1為U1和V1之典型相關係數(canonical correlation coefficient) ,亦即為預測變數X的一組線性組合與準則變數Y的一組線性組合之間所能獲致的最大相關。 限制條件(使所獲致之典型變量U和V的標準差為1) ,乃規範典型權重的數值,防止求解的過程中兩向量的值趨向無限大。 典型相關分析
求解典型相關係數4 其次,求解第二組權重b2和a2 U2=b’X=b21X1+b22X2+…+b2m1Xm1 V2=a’Y=a21Y1+a22Y2+…+a2m2Ym2 典型相關分析
求解典型相關係數5 本問題之特徵結構(eigenstructure)(或稱為典型方程式,canonical equations)如下: 典型相關分析
求解典型相關係數6 λ為特徵值,亦即為典型相關係數之平方可經由下述之行列式求解而得。 典型相關分析
選擇典型相關之組數 學理上,用理論探討,決定有多少組典型相關 實務上,用得到的統計結果分析,決定究竟有多少組有意義、可以解釋的典型相關 實際結果,用統計檢定的方式決定有多少組顯著的典型相關 典型相關分析
選擇典型相關之組數—顯著性檢定1 巴氏(M. S. Bartlett,1941)的V統計值檢定 V=-[n-1.5-(m1+m2)/2]lnΛ n為樣本總數 V統值大致呈卡方分配,自由度=(m1-rm2-r) 典型相關分析
選擇典型相關之組數—顯著性檢定2巴氏(M. S. Bartlett,1941)的V統計值檢定 檢定第一對典型相關時(r=0),先求Wilk’s Λ(lambda)值: V=-[n-1.5-(m1+m2)/2]lnΛ’ n為樣本總數 V統值大致呈卡方分配,自由度=(m1)(m2) 典型相關分析
範例之整體模式評估 典型相關方程式 典型相關係數 典型相關係數平方 F值 顯著性 1 0.853 0.728 33.86432 0.000 0.253 0.064 3.95324 0.001 3 0.196 0.038 4.39241 0.013 典型相關分析
模型解釋—求解典型權重1 經由λ之解,可經由下式求解典型權重。 通常典型權重在0.3以上,即具有顯著的解釋能力 因變數之間可能會具有相關,因此利用典型權重來解釋變數的貢獻程度可能不妥。 典型相關分析
模型解釋—求解典型權重2 權重較大的變數對典型相關函數的貢獻亦較大。 權重的正、負號,代表關係之正反向。 利用權重大小來解釋變數的相對重要性或貢獻大小要相當審慎。例如,權重小可能代表該變數沒什麼關聯,也可能是因該變數與其他變數具有共線性而造成。 典型相關分析
範例之第一組典型權重 預測變數之標準化典型相關權重 願景溝通 0.754* 團隊學習 0.286 價值領導 0.229 準則變數之標準化典型相關權重 適應式決策 0.798* 簡單式決策 0.103 分析式決策 0.053 風險承擔式決策 0.303* 典型相關分析
模型解釋—求解典型負荷量1 (或稱典型結構,canonical structure) 典型負荷量是指預測和準則兩原始變數對各自之典型變量的相關程度。 典型相關分析
模型解釋—求解典型負荷量2 (或稱典型結構,canonical structure) 通常典型負荷量在0.3以上,即具有顯著的解釋能力。 每個變數的典型負荷量的平方,為每一個原始變數的變異量被其典型變量解釋的程度。 每個變數的典型負荷量的平方值的簡單平均數就是典型變量所解釋之共有變異量之比例又稱為自我相關係數(自我解釋的能力)。 典型相關分析
範例之第一組典型負荷量 變數名稱 預測變數 51.633% 願景溝通 0.945* 0.893* 團隊學習 0.661* 0.437* 典型相關負荷量 典型相關負荷量平方 自我相關係數 預測變數 51.633% 願景溝通 0.945* 0.893* 團隊學習 0.661* 0.437* 價值領導 0.468* 0.219 總和 1.549 準則變數 40.310% 適應式決策 0.995* 0.990* 簡單式決策 0.459* 0.210 分析式決策 -0.219 0.048 風險承擔式決策 0.665* 0.442* 1.690 典型相關分析
模型解釋能力的確認— 重疊指數(index of redundancy)1 重疊指數係一組變數的典型變量所能解釋之該組變數的變異數的比例(自我相關係數)與這組典型變量和另一組變數的典型變量所共有的變異數的比例( )(典型相關係數的平方值)二者的乘積。 典型相關分析
重疊指數(index of redundancy)2 假定準則變數不變的情況下,預測變數的重疊指數(Rdu/v) : 亦即準則變數的第j個典型變量可以解釋預測變數的變異數的比例。 典型相關分析
重疊指數(index of redundancy)3 假定準則變數不變的情況下,預測變數的重疊指數(Rdv/u) : 亦即預測變數的第j個典型變量可以解釋準則變數的變異數的比例。 典型相關分析
重疊指數(index of redundancy)4 一般而言,重疊指數未達5%,則此線性組合之解釋能力即不予慮。 典型相關分析
範例之典型相關分析模型 組織學習 傾向 策略決策 模式 願景 溝通 團隊 學習 價值 領導 適應式 簡單式 分析式 風險 承擔式 0.728 0.945 0.468 0.995 0.665 自我相關 =51.633% Rdu/v=37.568 0.661 =40.3103% Rdv/u=29.329 0.459 -0.219 典型相關分析
SPSS操作1 Step 1:執行檔案\開啓新檔\語法 Step 2:在「語法編輯程式」中鍵入以下指令 典型相關分析
SPSS操作2 MANOVA Y1 Y2 Y3 Y4 WITH X1 X2 X3 /DISCRIM RAW STAN ESTIM CORR ROTATE(VARIMAX) ALPHA(0.05) /PRINT SIGNIF(EIGN DIMENR HYPOTH) /NOPRINT SIGNIF(MULT UNIV) PARAM(ESTIM) /ERROR WITHIN+RESIDUAL /DESIGN. 典型相關分析
SPSS操作3 Step 3:執行「執行\全部」 典型相關分析
指令說明1 在MNOVA語法後之WITH其命令前界定為準則變數其命令之後界定為預測變數 RAW:印出原始分數的區別函數係數 STAN:印出標準化區別函數係數 ESTIM:印出估計值及其標準差t檢定與信賴區間 典型相關分析
指令說明2 CORR:印出準則變數與測變數之間的相關矩陣 ROTATE(VARIMAX) :準則變數與預測變數之相關矩陣的轉軸法。 ALPHA(0.05) :界定典型變量分析的顯著水準。 典型相關分析