跳至主要內容
EDUCATION × STATISTICAL LITERACY

明明有關係,為什麼還要畫一條線?——從相關分析走進迴歸分析,學會預測,也學會懷疑

說故事學統計⑧|從相關分析走進迴歸分析

陳威勝 · Allen Mind Lab · 2026.11.13
進入 Education 特色館
第98篇海報:天龍里長與均富里長探索迴歸分析

閱讀提示:兩位里長與社區調查數據均為教學情境,並非真實研究結果。

1、天龍里長又有新發現了!

「均富里長!我發現運動時間越長,健康評分通常也越高!」天龍里長抱著筆電衝進辦公室。「所以我決定,每位里民每週多運動30分鐘,健康評分就能提高10分!」

均富里長差點把茶噴出來:「等等,10分是怎麼算出來的?」「就……看圖感覺的啊!」

「妳上次才學會相關不等於因果,怎麼這次直接跳到政策宣導了?」天龍里長不服氣:「如果真的有關係,難道不能預測嗎?」均富里長笑了:「可以,但得先學會迴歸分析(Regression Analysis)。」

2、相關係數與迴歸分析,有什麼不同?

相關係數描述兩個數值變項之間線性關係的方向與強度;迴歸分析則進一步建立模型,描述在某個 X 值下,Y 的平均趨勢或預測值。

例如 X 是每週運動分鐘數,Y 是健康評分。簡單線性迴歸(Simple Linear Regression)以一條直線描述關係:Ŷ = a + bX。其中 Ŷ 為預測值、a 為截距、b 為斜率。

「所以知道一個人運動多久,就能估計健康分數?」天龍里長問。「是模型估計,不是每個人都必然得到同樣的分數;而且『自變項』的名稱也不代表已經證明因果。」

3、那條線到底怎麼畫出來的?

兩位里長拿出八筆人工設計的教學資料:

每週運動分鐘健康評分
3052
6058
9057
12067
15066
18074
21073
24081

以普通最小平方法(OLS)估計,得到Ŷ = 48.4286 + 0.13016X,樣本內決定係數 R² ≈ 0.9417。每週運動100分鐘時,模型預測健康評分約61.44分。

斜率0.13016表示:在此模型中,每週運動時間相差1分鐘,預測健康評分平均相差約0.13016分;相差30分鐘則約為3.90分。「咦,不是10分?」「妳那10分根本是憑感覺喊的!」

每週運動時間(分鐘)健康評分50607080Ŷ = 48.4286 + 0.13016X
圖1|八筆人工教學資料的散布圖與迴歸線(示意圖,請以文中數值為準)。

請注意:模型中的3.90分是預測差異,不能直接宣稱多運動30分鐘會造成健康評分提高3.90分。

4、為什麼迴歸線沒有經過每一個點?

實際觀察值與模型預測值的差距稱為殘差(Residual),公式是「實際值 − 預測值」。例如每週運動120分鐘者實際評分67分,模型預測約64.05分,殘差約+2.95分。

普通最小平方法選擇使殘差平方和最小的直線。但若資料呈現曲線、離群值或系統性的殘差模式,就應重新檢查模型。「所以迴歸線不是隨便畫的?」「統計學可不是天龍里長的藝術創作課!」

5、R² 很高,就代表模型很厲害?

「我們的 R² 竟然是0.9417,預測準確率94.17%!」天龍里長興奮地宣布。均富里長放下茶杯:「數字對了,解釋又錯了。」

在這個含截距的普通最小平方法模型中,R² 約0.9417表示模型解釋了這八筆樣本健康評分變異的約94.17%;它不是預測正確率,更不是因果效果比例。

八筆資料是人工設計的,不能代表真實社區。即使 R² 很高,也要檢查散布圖、殘差、離群值,以及模型在新資料上的表現。安斯庫姆四重奏(Anscombe's quartet)就提醒我們:統計摘要相近,資料分布可能截然不同。

6、預測值不等於保證值

「如果模型預測某位里民70分,他就一定是70分嗎?」「不一定。模型預測是估計,個別結果仍會變動。」

平均反應的信賴區間反映特定 X 下母體平均結果估計的不確定性;個別觀察值的預測區間還要考慮個體差異,因此在相同條件及信心水準下通常更寬。這些區間的有效性也依賴模型假設。

7、這條線可以一直延伸下去嗎?

「那我每週運動1000分鐘,健康評分不就破百?」天龍里長問。「先看看資料裡有人運動1000分鐘嗎?」「沒有,只有30到240分鐘。」

將模型用於遠超過觀察範圍的情況,稱為外推(Extrapolation),預測可能不可靠。尤其健康評分若有上限,直線也不可能無限制地延伸。「所以這條線不能一直往前畫?」「至少不能假裝畫出去的地方都有證據。」

8、加入更多變項,預測就更準嗎?

「那把年齡、睡眠和飲食一起放進模型呢?」「這就涉及多元線性迴歸(Multiple Linear Regression)。」

多元迴歸可描述在其他納入模型的變項保持不變時,某個變項與結果的條件關聯;但變項不是越多越好。樣本太少、測量不佳、變項高度相關或控制不適當的因素,都可能讓模型不穩定甚至產生偏差。尤其因果研究需要事先思考應控制哪些因素。

9、把迴歸分析帶回職能治療與服務管理

職能治療:可探索治療次數與日常生活功能評分的關係,但功能限制較大的人可能本來就需要較多治療,不能把觀察到的關聯直接當作療效。

正向行為支持(PBS):可探索訓練時數、支持策略執行忠實度與挑戰行為頻率的關聯;若結果是事件次數,可能需要計數型迴歸;若同一人反覆測量,還須處理資料的相依性。

機構管理:人力配置與服務品質可能存在關聯,但仍需考量服務對象需求、工作負荷、倫理與法規。統計模型是決策的輔助工具,不是決策責任的替代品。

10、AI 三秒鐘畫出迴歸線,還需要學統計嗎?

「AI 已經幫我算好斜率、R²,連結論都寫好了!」天龍里長說。「那妳知道它選對模型了嗎?資料有離群值嗎?它是不是把預測寫成因果?」均富里長接連追問。

AI 可以降低操作門檻,但無法自動保證資料品質與結論正確。涉及病歷、學生或服務對象資料時,必須確認權限、去識別化及資訊安全,不應直接上傳敏感個資至未核准的工具。學統計,是為了知道結果能相信到什麼程度。

11、統計學不只幫我們畫線,更提醒我們不要越線

「所以我不能說每週多運動30分鐘,一定提高3.90分?」天龍里長確認。「對。妳可以說,在這組教學資料的模型裡,運動時間相差30分鐘,預測健康評分平均相差約3.90分。」

「那下次可以研究為什麼有些人和預測差很多嗎?」「當然。找到一個答案,常常就會產生下一個問題。」

天龍里長嘆了口氣:「怎麼感覺永遠學不完?」均富里長笑著說:「妳終於懂 AML 的精神了。」

統計學不只幫我們畫出一條線,更重要的是知道這條線可以走多遠,以及什麼時候不能再往前走。

本篇重點

相關描述線性關係;迴歸可以描述與預測;斜率反映模型中的平均預測差異;殘差是實際與預測的差距;R²不是準確率;預測有不確定性,外推需謹慎;模型不等於因果證明。

參考資料

  1. Anscombe, F. J. (1973). Graphs in statistical analysis. The American Statistician, 27(1), 17–21.
  2. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning: With Applications in R (2nd ed.). Springer.
  3. National Institute of Standards and Technology. NIST/SEMATECH e-Handbook of Statistical Methods.

分享文章