統計學家很喜歡去看變異這個東西，變異就是一個變數值的變化，那我們就會想要知道什麼東西造成了變數值的變化，因此，就把變異分解了，我們會根據經驗或是文獻、理論等去想想到底哪些東西可以解釋某的變數的變化，好吧，我們就舉個例子比較清楚，假設你開了一家餐廳，你發現你的店銷售量似乎一值在變動，這個時候你就想要知道到底是什麼因素解釋了銷售量的變動，你想來想去，想到了一個最有可能的理由，就是競爭者的促銷活動，你認為銷售量的變化有很大一部份是歸因於競爭者的促銷活動，可是你又不是神，所以你無法完全命中，也就是銷售量的變動無法完全被競爭者促銷活動解釋，在此情況，你就知道銷售量的變動有些部分是由不知道的因素所解釋。因此，我們可以知道:

總變異=可解釋變異(競爭者的促銷活動)+不可解釋變異(其他不知道的因素)
如果你的可解釋變異那邊放的是類別變數，譬如，競爭對手有無進行促銷活動，那通常這個可解釋變異就被稱為SSTR(Sum of Squares due to Treatment)，之所以是稱為Treatment處理是因為實驗設計的傳統，實驗設計下通常可解釋變異會放類別變數，而且是被操弄(處理)的:
情境一: 競爭對手沒有促銷活動 (故意在本餐廳旁邊開了一個攤位，賣的東西和本餐廳類似，假裝是競爭對手，但請他們不要進行促銷活動)
情境二: 競爭對手有促銷活動 (故意在本餐廳旁邊開了一個攤位，賣的東西和本餐廳類似，假裝是競爭對手，但請他們進行促銷活動)
在此情境下，就要用變異數分析，報表中一定會有SST(總變異)、SSTR(歸因於實驗處理的變異)與SSE(不可解釋變異)。
好吧，如果你的可解釋變異那邊放的是連續的變數，譬如，顧客感知競爭者促銷活動的程度，那通常這個可解釋的變異就會被稱為SSR(Sum of Squares due to Regression)，也是會有不可解釋的變異，此時要做的分析為回歸分析，報表中一定會有SST(總變異)、SSR(可被自變數的變異)與SSE(不可解釋變異)。
但是，其實回歸分析中的可解釋變異部分，它的變數可以是類別或是連續，因此，變異數分析其實也可以用回歸分析跑，變異數分析是回歸分析的特例，此時可解釋變異就會是SSTR，當然如果你有很多Treatment(處理)，SSR=所有SSTR的加總…
其實概念不難，只是計算很機車而已..
不過我們有SPSS, SAS等軟體幫我們計算，重點還是
我們要懂概念，不然只會計算不懂概念還是沒有用的喔!
好好吸收吧，一起簡單學做的好!
😄😄😄
#簡單學做的好 #鬍鬚曾統計顧問 #基礎統計

推論統計的重頭戲就是假設檢定，就是在針對某一個母體的特性去作檢定，譬如說，一家店的顧客平均顧客滿意度分數就是個母體的特性，稱為母數!!
如果你是店長，你就會想要知道這個母數是否大於等於一個特定的值，譬如90分!
假設你擁有顧客名單10000名，因為每一位來你店家消費的顧客你都會先請他們留資料
​
那你有兩種做法，第一向每位顧客詢問他滿意度的分數，那你就可以算母體平均啦!
第二種，在全部10000位顧客中隨機抽500位顧客，計算其平均分數，此時稱為樣本平均數，用這樣本平均數去推論母體平均數
你當然會喜歡第二種，因為全部都問很累人而且搞不好也會有顧客不想理你的，而且人多就容易出錯
那你就可以知道這500位顧客的滿意度分數，就可以算出樣本平均數，假設是92
還記得我們的問題嗎?是否顧客滿意度平均數>=90
那你一定會想說92>90 所以答案是肯定的
是這樣嗎?
當然不是..因為那個92是樣本平均數，而我們的問題是說母體平均數是否大於90
除非樣本平均數=母體平均數，否則就不對
這種用樣本平均數代表母體平均數的做法，在統計上稱為點估計，因為你是用一個點(樣本值)去估計母數
很明顯，點估計相當危險，除非你是神算章魚哥..
不然一般而言，會有誤差吧，而這個誤差稱為抽樣誤差
好吧，這樣看來，要針對母數(母體平均數)去做檢定，除了要看樣本的特性外(樣本平均數)，還要考慮樣本平均數的抽樣誤差!
沒錯!而這就是假設檢定之精隨了
下一篇文章我們再將這個問題寫成公式吧
一起簡單學 做得好!🤣