多變量統計分析（Multivariate Statistical Analysis）簡稱多變量分析，為統計學的一門，更是應用統計中的重要骨幹。統計分析又可粗略分為「單變量」與「多變量」，一般大學生所修習之初等統計學，包括敘述統計、機率論、推論統計、無母數統計…等，均屬於單變量統計，而多變量統計分析主要泛指同時分析兩個以上變數的計量分析方法，探討資料彼此之間的關聯性或是釐清資料的結構，而有別於傳統統計方法所著重的參數估計以及假設檢定。由於多變量統計分析比初等統計學更為複雜，亦能更精確地探討議題，故更具實用價值，常應用於管理科學、生命科學和社會科學等領域中，多變量統計可說是研究應用科學的最重要的統計工具之一。

      在本課程中，將會介紹一般常用之多變量統計概念，整合並區分各個多變量分析方法的特色，建立一完整架構，藉由範例的操作演練，打破過往學習者對多變量恐懼及不清晰的印象。並針對論文陳述最常犯的統計錯誤及觀念，進行討論與說明，讓學習者能更加精熟多變量統計，並搭配IBM SPSS 軟體進行資料處理，以達到更嚴謹與正確的統計分析。

• 原價8,000元整(含上課講義、16小時研習證明與午餐)
  • 台灣析數舊生及客戶 9折；3/14前報名9折 立即報名
  • 凡持有清寒證明之學生，一律再折500元(請於匯款後一併傳真證明)
• 課程時間：103/3/29(六)~3/30(日)
• 課程地址：台北市
• 課程天數：2天；上午 9：30 至下午 4：30 中午休息 1 小時

• 迴歸分析(Regression Analysis)：本單元先探討迴歸模型評估，其次，介紹迴歸分析的概念，迴歸分析的主要目的在做預測與解釋，目標是發展一種能以一個或多個預測變項的數值來對效標變項進行預測與解釋的統計分析方法。
• 平均數差異考驗：一般研究者較為熟悉的是單變量統計(即只有一個依變項)的平均數差異考驗，如t檢定、變異數分析，在此介紹的是多個依變項的平均數差異考驗方法。
• 共變數分析(ANCOVA)：共變數分析是一種統計控制方法，這是單變量的統計分析方法。在實驗設計中，因真實的實驗情境存在某些無法排除、但卻又會影響實驗結果的無關干擾變項，即必須利用統計控制的方法，來彌補實驗控制的不足。
• 多變量變異數分析(MANOVA)：當欲比較各組平均數之差異是否達到顯著時，依變項有兩個以上時，則就必須使用多變量變異數分析（Multivariate Analysis of Variance，MANOVA）進行考驗，故可以說MANOVA是ANOVA的延伸使用。若自變項只有一個時，就是單因子多變量變異數分析（one- way Multivariate Analysis of Variance），若自變項有兩個以上時，則稱為多因子多變量變異數分析。
• 主成分分析(Principal Component Analysis；PCA)：主要目的是將 p個變數，縮減到 m個主成份或轉換成p個成份，且需同時儘量保留p個變數的變異性。
• 探索性因素分析(Exploratory Factor Analysis；EFA)：因素分析的主要目的也是縮減變數，但採用的方式不同於主成分分析。因素分析是將多個變數所形成的相關係數矩陣（或變異數-共變數矩陣）以少數的因素(factor）來解釋原有之變數。
• 羅吉斯迴歸分析(Logisitc Regression Analysis)：羅吉斯迴歸分析（Logistic Regression，又名邏輯迴歸分析）適用於效標變項（criterion variable）為名義變數，預測變項（predictor variable）為連續變數情況。
• 區別分析(Discriminate Analysis)：區別分析是用來瞭解依變項中類別（組別）的差異，並找到區別函數，以作為判斷未來新樣本加入時應該歸屬於哪一類別（組別）的分析方法。
• 集群分析(Cluster Analysis)：集群分析並無依變項或自變項之分，而是將所有資料納入計算，並進行分類。大多數的統計分析方法都在做統計推論的工作，但集群分析不作統計推論工作，而是將變項或觀察值的結構予以量化。
• 多元尺度分析(Multi-Dimensional Scaling)：是一種可幫助研究者找出隱藏在觀察資料背後的「結構」之統計方法。其目的即在於發掘一組資料集所隱藏的結構，希望在低向度空間畫出構面圖來表達資料所含的資訊，尤其當資料很多時，利用MDS更合適，因為以圖解方式比資料本身更能讓人一目了然，更能瞭解資料間的相關性。