在抽樣方法中，「分層隨機抽樣」與「部落（群集）抽樣」的設計原理與適用情境有何根本差異？

分層抽樣是層內均質、層間異質；部落抽樣則是部落內異質、部落間均質。兩者都是將母體分組，但分組的邏輯與抽樣手段完全相反： * 分層隨機抽樣（Stratified Sampling）：將母體依特定特徵（如年齡、性別）分成數個互斥的「層」，要求「層與層之間的差異很大，但同一層內部的個體高度相似」。抽樣時，必須從「每一層」都隨機抽取一部分樣本。此方法能有效提高估計精準度，避免遺漏特定族群。 * 部落抽樣（Cluster Sampling）：通常因行政便利或地理限制（如學校、村里），將母體分成多個「部落」，要求「部落與部落之間長得差不多，但同一個部落內部包含了各種特性的個體（母體的縮影）」。抽樣時，是隨機挑選「幾個部落」，並對被選中部落內的「所有個體」進行全面普查。

在多元線性迴歸分析中，什麼是「多元共線性（Multicollinearity）」？它會帶來什麼嚴重的統計後果？

多元共線性是指自變數之間存在高度線性相關。它會導致個別自變數的標準誤暴增，使變數顯著性檢定完全失真。當多元迴歸模型中，有兩個或兩個以上的解釋變數在傳遞重複的資訊時（例如同時把家庭收入與動產資產放進模型），會引發以下後果： * 估計值不穩定與標準誤擴大：雖然最小平方法（OLS）算出來的迴歸係數依然是不偏估計值，但係數的「變異數與標準誤會變得極大」。這會直接導致計算個別係數顯著性的 t 統計量大幅變小。 * 統計定性衝突陷阱：在實務上會出現一個經典的矛盾現象，那就是模型的整體決定係數（R平方）非常高、整體的 F 檢定也極度顯著，但是「個別變數的 t 檢定卻通通都不顯著」。這會讓研究者誤判，以為所有自變數都對應變數沒有影響力。實務上通常透過檢查變異數膨脹因子（VIF）是否大於10來判定。

在迴歸分析進行假設檢定前，如何利用殘差圖（Residual Plot）來檢驗殘差的「變異數同質性」與「獨立性」假設？

殘差圖必須呈現隨機均勻分布的帶狀。若呈現漏斗狀代表違反同質性，若呈現波浪狀或趨勢線則違反獨立性。線性迴歸模型要求殘差必須符合獨立且相同分配的常態假設，實務上通常以橫軸為預測值、縱軸為殘差值來畫圖定性： * 變異數同質性檢驗：如果殘差點隨著預測值的增加，呈現出左邊很集中、右邊卻像「漏斗（擴音器）」一樣越擴越散的形狀，代表殘差的變異數隨著自變數大小而改變，違反了同質性假設（此現象稱為異質變異數）。 * 獨立性（自我相關）檢驗：如果殘差點在圖中呈現出明顯的「波浪規律（正弦波）」、或是隨著時間或順序有一條由左上到右下的「直線趨勢」，代表前一期的殘差會影響後一期的殘差，違反了彼此獨立的假設（存在殘差自我相關）。一旦違反上述假設，就必須透過調整變數（如取對數）或改用加權最小平方法（WLS）來修正模型。

抽樣方法與迴歸分析｜完整考科介紹、準備方向與適用考試｜大東海雲端

Q: 在抽樣方法中，「分層隨機抽樣」與「部落（群集）抽樣」的設計原理與適用情境有何根本差異？

分層抽樣是層內均質、層間異質；部落抽樣則是部落內異質、部落間均質。 兩者都是將母體分組，但分組的邏輯與抽樣手段完全相反： * 分層隨機抽樣（Stratified Sampling）：將母體依特定特徵（如年齡、性別）分成數個互斥的「層」，要求「層與層之間的差異很大，但同一層內部的個體高度相似」。抽樣時，必須從「每一層」都隨機抽取一部分樣本。此方法能有效提高估計精準度，避免遺漏特定族群。 * 部落抽樣（Cluster Sampling）：通常因行政便利或地理限制（如學校、村里），將母體分成多個「部落」，要求「部落與部落之間長得差不多，但同一個部落內部包含了各種特性的個體（母體的縮影）」。抽樣時，是隨機挑選「幾個部落」，並對被選中部落內的「所有個體」進行全面普查。

Q: 在多元線性迴歸分析中，什麼是「多元共線性（Multicollinearity）」？它會帶來什麼嚴重的統計後果？

多元共線性是指自變數之間存在高度線性相關。它會導致個別自變數的標準誤暴增，使變數顯著性檢定完全失真。 當多元迴歸模型中，有兩個或兩個以上的解釋變數在傳遞重複的資訊時（例如同時把家庭收入與動產資產放進模型），會引發以下後果： * 估計值不穩定與標準誤擴大：雖然最小平方法（OLS）算出來的迴歸係數依然是不偏估計值，但係數的「變異數與標準誤會變得極大」。這會直接導致計算個別係數顯著性的 t 統計量大幅變小。 * 統計定性衝突陷阱：在實務上會出現一個經典的矛盾現象，那就是模型的整體決定係數（R平方）非常高、整體的 F 檢定也極度顯著，但是「個別變數的 t 檢定卻通通都不顯著」。這會讓研究者誤判，以為所有自變數都對應變數沒有影響力。實務上通常透過檢查變異數膨脹因子（VIF）是否大於10來判定。

Q: 在迴歸分析進行假設檢定前，如何利用殘差圖（Residual Plot）來檢驗殘差的「變異數同質性」與「獨立性」假設？

殘差圖必須呈現隨機均勻分布的帶狀。若呈現漏斗狀代表違反同質性，若呈現波浪狀或趨勢線則違反獨立性。 線性迴歸模型要求殘差必須符合獨立且相同分配的常態假設，實務上通常以橫軸為預測值、縱軸為殘差值來畫圖定性： * 變異數同質性檢驗：如果殘差點隨著預測值的增加，呈現出左邊很集中、右邊卻像「漏斗（擴音器）」一樣越擴越散的形狀，代表殘差的變異數隨著自變數大小而改變，違反了同質性假設（此現象稱為異質變異數）。 * 獨立性（自我相關）檢驗：如果殘差點在圖中呈現出明顯的「波浪規律（正弦波）」、或是隨著時間或順序有一條由左上到右下的「直線趨勢」，代表前一期的殘差會影響後一期的殘差，違反了彼此獨立的假設（存在殘差自我相關）。一旦違反上述假設，就必須透過調整變數（如取對數）或改用加權最小平方法（WLS）來修正模型。

一分鐘看懂抽樣方法與迴歸分析

抽樣方法與迴歸分析，係指統計學中用以蒐集樣本資料並分析變數間關係之重要方法。其內容涵蓋機率抽樣與非機率抽樣技術，以及迴歸模型之建立與估計等面向，旨在透過樣本推論母體特性，並探討變數間之因果或關聯關係，為資料分析與實證研究之重要工具。

02抽樣方法與迴歸分析是什麼？

所謂抽樣方法與迴歸分析，係指運用科學抽樣技術自母體中選取代表性樣本，並透過統計模型分析變數間關係之學問。其中，抽樣方法著重於樣本選取之代表性與公平性，如隨機抽樣、分層抽樣等；迴歸分析則著重於建立數學模型，估計自變數對依變數之影響程度。其內涵不僅包括抽樣設計與誤差控制，亦涵蓋模型估計、參數解釋及預測應用等內容。其目的在於提升資料推論之準確性，解釋變數間關係，並作為決策分析與政策評估之依據。

03抽樣方法與迴歸分析命題大綱

高考考試、各類(三等)特考的抽樣方法與迴歸分析之命題大綱：
抽樣基礎概念
各類抽樣方法之意義
母體、副母體、樣本及其代表性
機率抽樣與非機率抽樣
抽樣誤差與非抽樣誤差
抽樣誤差與非抽樣誤差
簡單隨機抽樣/系統抽樣/重複系統抽樣
母體參數的估計
樣本數的決定
實務抽樣設計之應用
分層抽樣/集群抽樣/二階段抽樣
母體參數的估計
各層樣本最適配置與樣本數的決定
各層樣本最適配置與樣本數的決定
雙重抽樣
實務抽樣設計之應用
簡單線性迴歸/複迴歸模式
參數之意義及估計
共變異數、相關係數及判定係數
模式診斷
質性解釋變數之意義

04抽樣方法與迴歸分析考試範圍

●抽樣方法（Sampling Methods）部分

○抽樣基礎理論：目標總體與抽樣架構（Sampling Frame）、隨機與非隨機抽樣的區別、抽樣誤差與非抽樣誤差（如未回應偏誤）。

○基本隨機抽樣法：簡單隨機抽樣（SRS）、分層隨機抽樣（STR）（包含等比例、最佳與 Neyman 配置法）、系統抽樣（SYS）（包含線性與循環系統抽樣）。

○進階群集與多階段抽樣法：單階段群集抽樣（CLS）、兩階段抽樣（Two-stage Sampling）（包含大、小群集、PPS 概機比例大小抽樣法）。

○估計量之改進（輔助資訊應用）：比率估計量（Ratio Estimator）與迴歸估計量（Regression Estimator）的建置、偏誤與變異數分析。

○捕捉再捕捉法（Capture-Recapture Method）：用於估計封閉總體個數。

●迴歸分析（Regression Analysis）部分

○簡單線性迴歸（SLR）：最小平方法（OLS）估計量、古典線性迴歸假設、高斯-馬可夫定理（Gauss-Markov Theorem，證明 BLUE）、ANOVA 變異數分析、決定係數（\(R^{2}\)）、區間估計與假說檢定。

○多元線性迴歸（MLR）：矩陣形式推導（\(\hat{\beta} = (X'X)^{-1}X'y\)）、調整後決定係數（\(R_{a}^{2}\)）、偏 \(F\) 檢定、偏相關係數。

○違背古典假設之診斷與補救：

■共線性（Multicollinearity）：VIF 診斷與山脊迴歸（Ridge）。

■異質變異（Heteroscedasticity）：殘差圖診斷、WLS（加權最小平方法）。

■自相關（Autocorrelation）：Durbin-Watson 檢定、時間序列落後影響。

○模型建置、診斷與變數選擇：殘差分析（常態、獨立、齊一性檢定）、影響力診斷（Outliers, Leverage, Cook's Distance）、變數選擇法（逐步迴歸 Stepwise、調整後 \(R^{2}\) 法）、虛擬變數（Dummy Variable）與交互作用項。

○進階迴歸模型簡介：邏輯斯迴歸（Logistic Regression）、非線性迴歸基本概念。

網站導覽

抽樣方法與迴歸分析｜完整考科介紹、準備方向與適用考試

一分鐘看懂抽樣方法與迴歸分析

01包含此考科之考試機會

02抽樣方法與迴歸分析是什麼？

03抽樣方法與迴歸分析命題大綱

04抽樣方法與迴歸分析考試範圍

05抽樣方法與迴歸分析考試重點

06抽樣方法與迴歸分析常見題型

07抽樣方法與迴歸分析準備方法

08常見問題

一分鐘看懂抽樣方法與迴歸分析

01包含此考科之考試機會

02抽樣方法與迴歸分析是什麼？

03抽樣方法與迴歸分析命題大綱

04抽樣方法與迴歸分析考試範圍

05抽樣方法與迴歸分析考試重點

06抽樣方法與迴歸分析常見題型

07抽樣方法與迴歸分析準備方法

08常見問題

Q在抽樣方法中，「分層隨機抽樣」與「部落（群集）抽樣」的設計原理與適用情境有何根本差異？

Q在多元線性迴歸分析中，什麼是「多元共線性（Multicollinearity）」？它會帶來什麼嚴重的統計後果？

Q在迴歸分析進行假設檢定前，如何利用殘差圖（Residual Plot）來檢驗殘差的「變異數同質性」與「獨立性」假設？