第二章 文獻探討
第一節 相關性概念
相關性 (correlation) 是指兩個隨機變量次序之間對應關係,當其中一個變量 趨向增加或減少時,另一個隨之改變,則稱兩者為正相關 (positive correlation) 的,反之,則稱為負相關 (negative correlation) 或逆相關 (inverse correlation) (Borowski & Borwein, 2004) 。而本節將針對與相關性概念分成三部份介紹,以期 對相關性概念有更深入的了解,一、關係與分類;二、相關性基模的發展;三、
統計上的相關係數與應用。
一、關係與分類
在相關性的認知發展中,必須依賴分類概念的成熟。J. Piaget 曾指出當兒童 思維可以脫離具體事物進行時,其首要成果便是使物體間的「關係」和「分類」
從他們具體或直覺的束縛中解放出來(李其維,1995)。其中,兒童在分類 (classes) 與關係 (relations) 概念理解之關聯更是 J. Piaget 的一個創見,認為兒童一開始會 將分類與關係的概念分開,但最後會統整成合成一體的理解(林美珍,1996)。
而J. Piaget 曾將人類的認知發展分為感覺動作期、前運思期、具體運思期、形式 運思期,各時期在分類與關係之理解亦有所不同,研究者將其整理如下:
(一)感覺動作期:物體間的關係就像分類方式一樣,且是經由感覺動作而發展。
例如:「愈用力做什麼事,其結果愈大」。
(二)前運思期:前運思期之早期漸漸發展分類,後期已能產生一致的分類,但 在推理上無法解決階層集合的包含關係;而在序列問題 (seriation problem) 上,也因傾向於專注某一向度而有些困難。
(三)具體運思期:此時期的兒童將分類和關係概念視為單一的整體系統,而在 多元分類問題 (multiple classification) 中是兩種向度的交錯考量,如形 狀、顏色兩種向度,此階段的孩子大多能同時考量兩種向度。
(四)形式運思期:形式運思的推理活動讓青少年對關係中的關係,以及分類中 的分類問題進一步的思考,讓青少年在邏輯可能的情境中去解釋觀察的結 果,如化學液體的組合的推理活動。
二、相關性基模的發展
J. Piaget 認為相關性的觀念衍生於概率觀念和一種與比例結構相似的結構之 綜合。其中,相關性亦是J. Piaget 總結出八種形成結構化的運算格式之ㄧ,另有:
組合、比例、兩個參照的協調、機械平衡、機率、乘積補償、超出直接經驗證明 的守恆形式,如:慣性定律、動量守恆(李其維,1995)。
此外,相關性的表徵在最簡單的形式中,是與機率基模有關之形式運思基 模,藉由原本的機率基模來架構出相關性之基模 (Inhelder & Piaget, 1999) ;為使 相關性的認知基模有更詳細的了解,在此將同時說明機率基模與相關性基模的發 展過程。
(一)機率基模的發展過程
機率基模的發展大致可分為以下階段,各階段說明要點如下:
1.階段一:非守恆亦非分配定律 (neither Conservation nor Law of Distribution) 前運思期階段的樣本對「機會」的意思尚不了解,也無法知道「相關」的 特質。在面對變動時,認為任何事都可能是造成變動的原因,有時甚至以一個任 意的次序關係來解釋,而造成這種想法的限制可能是缺乏保留概念所造成,無法 將因素固定以進行分析。
2.階段二:擴散可能性反應及判斷分布區域 (Diffuse Probilistic Responses then Determination of a Zone of Distribution)
七到八歲的樣本會開始思考變動的原因,到了九歲則想要找出有系統的變動 因素,甚至畫定變動的區域範圍,例如考慮重量及體積之變動因素。但該階段因 未能有系統地獨立變數,故對機率及限定變數區域的想法仍無法發現其潛在的相 關性架構。同時該樣本將變動視為多種因素造成而無法將個別面向獨立出來,受 限於僅能透過具體操作來描述定律實驗而無法區分變數,故無法下結論。
3.階段三:解釋分布及判斷機率變動的定律 (Explanation of the Distribution and Determination of the Law which Underlies the Chance Fluctuations)
此階段的學童開始考慮隨機變數,並能獨立出隨機變數的定律,且獨立的過 程需靠相關性基模協助完成。學童透過將變數區分成所有可能的組合而找出定 律,但在有系統地分析變動結果仍有困難。而此階段的學童因以往有比例運思基 模衍生至公式化的概念,故而能漸進式的發展到相關性的運思基模。
舉一例子說明獨立出定律的過程,並以表2-1 輔助說明(資料採自 Inhelder &
Piaget, 1999)。我們假設樣本想證明最小的球可以滾最遠時,令p為假設球比標 準球來的小的命題,而p則為比標準球來的大的命題; 為比標準球滾的遠的事 實,
q
q則為比標準球滾的近的事實。觀察變動並指導樣本對四種可能的組合做出 總結:(p.q)∨(p.q)∨(p.q)∨(p.q)=(p∗q),其中(p∗q)表示完整的證實。
表2-1 球之大小與滾得遠近之關聯表(資料採自Inhelder & J. Piaget, 1999)
小 (p) 大 (p) 遠 (q) a= p q. c= p q. 近 (q) b= p q. d = p q.
由表2-1 中可知四種可能的組合,計算後可簡化成相關性的形式,我們稱為
「關聯係數」,樣本會對照四種可能性,不計算表中的數量也不做數量的定量化,
而是使用大於、小於來加強定量的關係,包括對表中 和 及b和 兩組數量的比 較,其中 和 代表確定,而b和 代表不確定,因此他們的推論可能呈現為:
或( ) ;但無法有系統化的分析與統整。
a d c
a d c
(a d+ ) (> b c+ ) a d+ < (b c+ )
(二)相關性基模伴隨機率基模發展的過程
潛在的相關性基模在機率基模的階段三呈現,首先對樣本區分成兩類,一種 為能在兩種變數之假設關係下確定的情形 (a、 ) ,一種則為無法確定的情形 (b、c ) ,今將問題簡化成以下類型:
d
a=藍眼金髮( .p q);b=藍眼褐髮( . )p q ;
c=褐眼金髮( . )p q ;d =褐眼褐髮( . )p q
(1)若E
[
(p.q)∨(p.q)] [
=E (p.q)∨(p.q)]
則兩特性為零相關;(2)若E
[
(p.q)∨(p.q)] [
> E (p.q)∨(p.q)]
則兩特性為正相關;(3)若E
[
(p.q)∨(p.q)] [
<E (p.q)∨(p.q)]
則兩特性為負相關;其中E 為證實被考慮的命題之總和。
相關性之關聯係數R 以比例形式呈現,與 J. Piaget 認為速度是距離和時間二 者相關的認知結構相似(王文科,1994),其距離和時間的關係恰可以比例形式 來呈現。由此可見相關性概念的發展過程之繁複與環環相扣,所含面相的深與 廣,更讓我們深知相關性概念學習的過程中之重要性。
綜合以上可知相關性的認知發展與必須在分類概念成熟下而發展,且相關性 的基模發展是伴隨機率基模發展而來,同時命題邏輯組合系統亦是形成相關性之 認知架構的重要支柱,以下簡化說明如下:
1.基本機率概念引導:
兩事實間是否有關係,是包含有機遇的干擾,可猜測相應的頻率數,首先對 物件區分成兩類,一種為能在兩種變數之假設關係下考慮確定的情形 (a、d ) , 一種則為無法考慮確定情形 (b、 ) ,今將問題簡化成以下類型: =藍眼金髮
; =藍眼褐髮
c a
( . )p q b ( . )p q ;c=褐眼金髮( . )p q ;d=褐眼褐髮( . )p q 。
此實驗情境提供我們從邏輯命題觀點來看,與計算問題及歸納法相對,p代 表藍眼,q代表金髮,有利於相關性的狀況會與等價的( . ) ( . )p q ∨ p q 相對應,而不 確定的狀況則會與互逆的( . ) ( . )p q ∨ p q 相對應,把肯定情況的數目( . ) ( . )p q ∨ p q 與不 肯定情況的數目( . ) ( . )p q ∨ p q 進行比較即可得知。並可透過此實驗情境說明相關性 基模建立的程序,如下:
(1) 僅考慮 而未考慮d,且認為 的關聯是b而非 ,因而在了解對角線的比較 前,須先進行垂直(指眼睛)或水平(指頭髮)比較的過程。
a a d
(2) 認為(a d+ )及( )是各自獨立的情形。
) b c+
(3) 考慮(a d+ )或(b c+ 與整體的關係而不考慮(a d+ )及(b c)+ 關係。
(4) 根據基模(p.q)∨(p.q)∨(p.q)∨(p.q)來區分四種可能性,並知道(p.q)=R(p.q)與
(Pearson product-moment
correlation)
適用於兩個變項都是等距或比率 (phi-coefficient)
兩個變項均為二分的名義變項。
表2-2 常用的相關統計法(續)
名稱 適用資料變數與計算公式 顯著性考驗
列聯相關係數 (Contingency-
coefficient)
兩個變項不只分為兩個類別時的
(point-biserial correlation)
一個變項為二分名義變項,而另一
(biserial correlation)
兩個均為常態的連續變項,但其一
(Spearman rank-order correlation)
兩 個 變 項 都 是 次 序 變 項 的 資 料 coefficient)
計算兩個次序變項的相關,適用情 (Kendall's coefficient
of concordance)
兩個次序變項的相關通常用以計
除了以上介紹常用的相關統計法之外,另有適用於曲線相關時的相關比 , correlation
ratio) (partial correlations)
適用於多變項資料的相關,係指除去其它變 (muitiple correlation)
係指變項X1與變項X)1 予以一般化的評量方法 (Siegler, 1981),以解題者在解題過程中的反應得知其所 使用的規則,並以規則作為評量之單位分析、了解解題者之思考方式或層次。
(二)規則評量方法之基本想法