統計建模技術

使用 Python 分析問卷資料

EbunOluwa Andrew

Data Scientist

為何在問卷分析中使用統計建模？

• 由變數關係做預測
• 啟用視覺化工具
  • 洞見更易記住

¹ Photo by Chris Liverani on Unsplash

何時使用統計建模技術

• 困難資料
• 變數間影響
• 預測結果

¹ Photo by Tyler Easton on Unsplash

統計建模技術範例

• 線性迴歸
• 兩樣本 t 檢定
• 卡方檢定

線性迴歸模型

• 線性迴歸模型
  • 假設 x 與 y 之間為線性關係
  • y = m*x + b
  • y = 應變數
  • x = 自變數
  • m = 斜率
  • b = y 軸截距

¹ Photo from Seeing Theory-Brown.edu

問卷分析中的線性迴歸

employee	gender	company_type	wfh_available	mental_fatigue_score	burn_rate
fff200	Male	Service	No	3	0.24
fff500	Female	Service	Yes	5.7	0.45
fff700	Female	Service	Yes	5.8	0.49
fff300	Female	Service	Yes	6.7	0.63
fff100	Female	Product	Yes	4.7	0.38
fff400	Male	Service	Yes	3.4	0.28
fff600	Female	Product	Yes	5.4	0.5
fffe3400	Female	Product	No	6.7	0.58
fffe200	Male	Service	Yes	6.3	0.48
fffe3000	Male	Service	Yes	5.4	0.41

問卷分析中的線性迴歸

data.plot.scatter(
x='mental_fatigue_score',
y='burn_rate')
plt.show()

兩樣本 t 檢定

• 檢定兩個母體平均數之差是否達統計顯著
• 虛無假設＝兩個母體平均數相等
• 對立假設＝兩個母體平均數不相等

¹ Photo by Olesia Bahrii on Unsplash

問卷分析中的兩樣本 t 檢定

employee	gender	company_type	wfh_available	mental_fatigue_score	burn_rate
fff100	Female	Product	Yes	4.7	0.38
fff400	Male	Service	Yes	3.4	0.28
fff600	Female	Product	Yes	5.4	0.5

company_type	burn_rate
Service	0.57
Service	0.75
Service	0.51
Service	0.57

company_type	burn_rate
Product	0.51
Product	0.79
Product	0.66
Product	0.39

卡方檢定

• 檢定兩個類別變數之間是否達統計顯著
• 虛無假設＝變數間沒有顯著關聯
• 對立假設＝變數間有顯著關聯

問卷分析中的卡方檢定

• 變數 #1

  • company_type
  • Product 或 Service

• 變數 #2

  • wfh_available
  • Yes 或 No

company_type	wfh_available
Product	Yes
Product	Yes
Product	No
Service	Yes
Service	Yes
Product	Yes
Service	No
Service	No
Product	Yes
Service	Yes

用哪種技術？－線性迴歸

兩個變數＝數值型

用哪種技術？－兩樣本 t 檢定

• 兩樣本 t 檢定
  • 一個變數＝類別型
  • 一個變數＝數值型

¹ Photo by Diana Polekhina on Unsplash

用哪種技術？－卡方檢定

• 卡方檢定
  • 兩個變數＝類別型

¹ Photo by Element5 Digital on Unsplash

一起來練習吧！

使用 Python 分析問卷資料