33.要考驗兩組平均數的差異是否顯著，可採下列何種統計分析方式？
(A)平均差
(B) t-考驗
(C)多元迴歸
(D)相關分析。

A)平均差。

平均差的計算

　　在資料未分組的情況下，平均差的計算公式為：

　　採用標誌值對算術平均數的離差絕對值之和，是因為各標誌值對算術平均數的離差之代數和等於零。以甲組學生數學成績為例：

　　甲組：60，70，80，90，100

　　計算平均差如下：　

(B) t-考驗

t 考驗

　使用目的：兩個平均數的差異考驗。

    使用時機：用在兩個互為獨立的母群的差異比較。

　例子：比較男、女選手學習動機得分的差異。

(C)多元迴歸

多元逐步迴歸分析(multiple stepwise regression analysis)

　使用目的：主要是用在探討哪些變項較能有效預測某個效標變項。

　使用時機：在不確定那些預測變項較能有效預測某個效標變項時，可將這些預測變項用多元逐步迴歸分析的方式篩選出較具預測力的變項。一般多用在探索性的研究方面。 

　例子：想了解學生的智力、學習動機、學習習慣、學習策略、考試技巧、學習態度、成就目標、自我觀念、父母的社經水準、父母的期望、教師的教學態度、教師的期望等變項，究竟是那些變項較能有效預測其學習表現。 

多元同時迴歸分析(multiple simultaneous regression analysis)

　使用目的：主要是了解所選出的預測變項對於某個效標變項的聯合預測力。

　使用時機：當某些預測變項已被確定對某個效標變項有相關時，可將這些預測變項同時投入迴歸模式中，看其對效標變項的變異量可以解釋多少百分比。若解釋的百分比越多，則表示這些預測變項對此效標變項有較大的預測力。但在做多元迴歸分析時，必須考慮預測變項之間是否有共線的情形(若預測變項之間有中度以上的相關，就有可能產生共線。若是有共線的情形，兩個變項就要選擇高的預測變項保留下來，另一個則予以剔除。)

　例子：以三分球、二分球、罰球、防守籃板球、進攻籃板球、阻攻、助攻、抄截、犯規、失誤等籃球十項攻防技術來預測籃球比賽的得失分。 

多元階層迴歸分析(multiple hierarchical regression analysis)

　使用目的：主要是了解所選出的預測變項對於某個效標變項的聯合預測力。

　使用時機：當某些預測變項已被確定對某個效標變項有相關時，可將這些預測變項同時投入迴歸模式中，看其對效標變項的變異量可以解釋多少百分比。但投入迴歸模式的順序並不是根據預測變項和效標變項相關的高低，而是建立在理論的基礎上。多元階層迴歸分析亦需注意共線性的診斷。

　例子：以成就動機、目標接受和目標難度來預測後測分數，由於成就動機是屬於人格特質的一種，是人類比較穩定的特質，因此就第一個投入迴歸模式裡；目標接受是一個人對於所分派的目標接受的程度，是屬於一個人的態度，由於態度較會受外界的影響，不是一種穩定的特質，因此第二個投入；目標難度是由實驗者所分派給受試者的目標，是屬於實驗者操弄的變項，此為受試者自己無法控制的變項，因此最後一個投入。多元階層迴歸分析和多元同時迴歸分析在統計方法上非常類似，只是前者必須按預測變項的特質指定進入的順序。

(D)相關分析

相關係數主要是告訴我們變項間的相關程度高或低，並沒有檢定「自變項」對「依變項」影響，因此得到的相關係數（r值）只能說明這兩個變項間是正相關、負相關，或者是無關。不能解讀為自變項對依變項的影響。

        在相關係數解讀上，正負表示的是相關的方向，而非相關的程度。

        R 值相關程度之高低，在正負0.3之間（即0.3至-0.3之間）稱為低度相關；在正負0.3-0.6之間（即指介於0.3至0.6，-0.3至-0.6之間）稱為中度相關；而在正負0.6至0.9之間（即指在0.6至0.9，-0.6至-0.9之間）則稱為高度相關；若是R值為正負1，即表示完全相關。

        相關係數主要是告訴我們變項間的相關程度高或低，並沒有檢定「自變項」對「依變項」影響，因此得到的相關係數（r值）只能說明這兩個變項間是正相關、負相關，或者是無關。不能解讀為自變項對依變項的影響。

        在相關係數解讀上，正負表示的是相關的方向，而非相關的程度。

        R 值相關程度之高低，在正負0.3之間（即0.3至-0.3之間）稱為低度相關；在正負0.3-0.6之間（即指介於0.3至0.6，-0.3至-0.6之間）稱為中度相關；而在正負0.6至0.9之間（即指在0.6至0.9，-0.6至-0.9之間）則稱為高度相關；若是R值為正負1，即表示完全相關。