第一章 . 引言
第一節 . Suppression 與 Enhancement
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
6
第一章. 引言
在進行資料分析時，若想要探討因變數與自變數之間的可能關聯性，迴歸分析 無疑是最被廣為使用的一種統計工具。在迴歸分析中，模型是否有用，一種可行 的方式是藉由模型解釋了多少因變數 Y 的變異來決定之，模型能解釋的變異越多，
則表示此模型解釋能力越強，因此模型中的自變數該都如何選取，就成為一個重 要的議題.。
第一節. Suppression 與 Enhancement
Horst (1941)發現，在一個複迴歸模型中加入一個與因變數 Y 完全無關但與模 型中的其他自變數有所關聯的自變數後，居然可能大幅提高整體自變數可以解釋 因變數 Y 的變異的比例，並將此一自變數稱之為 suppressor 變數，而這種現象截 至今日為止仍有許多文獻稱之為 suppression。自 1941 年後，相關議題的探討陸 續出現於文獻之中，針對 suppressor 變數的定義及類型，以及產生的可能緣由，
引發了一連串的討論。由於 suppressor 變數除了能夠大幅提高因變數 Y 的變異可 以被解釋的比例外，自變數所對應的迴歸係數在簡單迴歸模型與複迴歸模型也會 有顯著的不同，後續的許多文獻反將焦點集中於迴歸係數變化的討論，並將這些 變數泛稱為 suppressor 變數。然而由於名詞定義的不一，反倒引起許多不必要的 困擾。1984 年 Currie and Korabinski 針對 Horst (1941)所觀察到的現象重新賦予 enhancement 一詞，以便有所區別。儘管 suppressor 變數及 enhancement 的現象並 不僅侷限於兩個自變數的情況，然而針對兩個自變數的情況來進行討論，並不失 其一般性，因此文獻中幾乎完全聚焦於兩個自變數的迴歸模型的探討。
2005 年時，Friedman and Wall 就既往文獻中相關議題的探討，依據兩自變數
間的相關係數
r
12的取值範圍總結歸納成四個數值區塊，並藉由對應的模型特性區分為 redundancy、suppression 及 enhancement 三大類，其中 enhancement 指的 是因變數 Y 的變異可以被解釋的比例大幅提升的現象、suppression 指的是因變數
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
7
Y 的變異可以被解釋的比例並未提升但是迴歸係數卻有大幅變動的現象、而 redundancy 則泛指既未出現 enhancement 且未出現 suppression 的情況。我們依據 Friedman and Wall (2005)的分類及表列方式，並納入額外文獻後，重新表列如表 1-1。
由表中不難發現，未經歸納之前，各家定義說法紛云，詞彙也未加統一，讀者 可能難以一窺全貌。追根究柢，所有文獻中的探討基本上完全聚焦於 suppression 及 enhancement 兩個類似概念的探討。有鑑於此，在後續的三個章節中，我們將 針對 enhancement、suppression 這兩個類似概念以及兩者間的異同分別進行探討。
第二章中，我們將先討論 enhancement 的現象，畢竟此一現象才是 Horst (1941) 原先所要關切的議題。第三章中，我們將探討 suppression 的現象，並就幾種不 同的 suppressor 變數做說明。第四章中，我們將針對 enhancement、suppression 兩種現象的關聯性進行說明與比較。第五章中，我們將探討藉由逐步迴歸法 (stepwise regression)來建模時，suppressor 變數無法被選入的機率為何。第六章為 總結。