步驟一
用相關分析觀察兩個變數是否一起變動，判斷是否值得進一步建模。
相關分析 · 有關聯嗎？Executive Summary
統計分析的核心：從資料洞察到商業行動
統計分析不只是計算數字，而是一條從「觀察關聯」到「量化影響」再到「驗證可信度」的決策路徑。 相關分析告訴我們變數之間有沒有關係；迴歸分析把關係量化成可預測的模型；假說檢定則確認結果並非隨機偶然。 三者結合，才能將資料轉化為值得行動的商業洞察。
3核心統計主題
r相關係數 −1 到 +1
R²迴歸模型解釋力
0.05常用顯著水準 α
學習與應用提示
- 相關 ≠ 因果：相關分析只說明變數一起變動，不代表其中一個造成另一個，需額外研究確認因果。
- 先看圖、再看數字：解讀 R² 前務必檢查殘差圖；只看 p 值或 R² 數字容易誤判模型。
- 統計顯著 ≠ 商業重要：即使 p 值顯著，仍需評估差異是否夠大、是否值得投入資源。
The Analytical Workflow
統計分析的四步流程
從提出問題到形成決策，每個步驟回答一個關鍵問題。
步驟二
建立簡單線性迴歸模型，把關聯量化成可預測的方程式。
迴歸分析 · 影響多大？步驟三
透過假說檢定與 p 值，確認觀察到的效果具有統計顯著性。
假說檢定 · 結果可信嗎？步驟四
結合實質假說，評估統計結果是否真正值得轉化為商業行動。
實質評估 · 值得行動嗎？01
Correlation Analysis
相關分析
相關分析用統計方法衡量兩個定量變數之間的線性關聯程度與方向，是所有分析的起點。
核心概念
相關係數 r
- 衡量兩個定量變數之間的線性關聯程度
- 範圍：−1 到 +1
- r = +1 完全正相關、r = −1 完全負相關、r = 0 無線性關係
方向與強度
- 正相關：兩變數同方向變化（r 接近 +1）
- 負相關：兩變數反方向變化（r 接近 −1）
- 零相關：沒有明顯線性關係（r 接近 0）
自變數 vs. 依變數
- 自變數 X：可能的原因，通常放在 x 軸
- 依變數 Y：被預測的結果，通常放在 y 軸
- 因果關係需額外研究確認，相關只是起點
核心警示：相關不等於因果關係。兩個變數共同變化，不代表其中一個造成另一個改變——可能存在第三方因素，或純屬巧合。
商業應用
廣告投放與銷售
- 分析廣告支出與銷售收入之間的線性相關
- r 接近 +1 → 廣告效益顯著，值得持續投入
情境：電商公司發現 Google Ads 支出與當週訂單量 r = 0.87，決定提高預算配置。
股票與市場指數
- 分析個股與大盤指數的相關程度（Beta 概念）
- 負相關資產組合可降低整體投資組合風險
情境：基金經理人發現兩支股票 r = −0.73，將其配對以降低波動風險。
店面因素與銷售額
- 分析人流量、競爭者數量與銷售額的相關
- 找出最值得投資的門市改善項目
情境：連鎖超市發現人流量與營業額 r = 0.91，優先在人流密集區展店。
02
Simple Linear Regression
簡單線性迴歸
迴歸分析把變數之間的關係量化成一條方程式，讓我們能用已知資料預測未知數值。
核心概念
機率性模型
Yᵢ = α + βXᵢ + εᵢ- α：y 截距（真實但未觀察到）
- β：斜率（每單位 X 對 Y 的影響）
- εᵢ：誤差項（無法解釋的隨機因素）
R-squared（R²）
R² = r² 範圍：0 → 1- 衡量自變數能解釋多少依變數的變異
- R² < 0.5 通常被視為解釋力不足
- R² 接近 1 表示模型配適良好
黃金組合
- 先檢查殘差圖，再解讀 R²
- 低 p 值 + 高 R² → 模型最具解釋力
- 複雜行為領域，低 R² 仍可能有研究價值
殘差圖判讀：理想殘差圖應隨機散布、無規律；若出現曲線、漏斗形或系統性偏向，代表模型可能有偏誤，此時 R² 數值不可直接信任。
商業應用
銷售量預測
- 以廣告費用 X 預測下季銷售量 Y
- β 係數顯示每增加 1 元廣告費帶來多少銷售額
情境：品牌商建立 SLR 模型，每投入 1 萬元廣告費可預測增加約 4.2 萬元銷售額。
資產估值
- 以房屋坪數、地點評分預測市場售價
- R² 高表示這些變數能解釋大部分價格差異
情境：不動產公司用坪數作為 X 建立迴歸線，估算合理售價，R² = 0.82。
運輸成本預測
- 以貨物重量 X 預測運輸費用 Y
- 搭配 R² 評估重量是否為費用的主要決定因素
情境：物流業者建立迴歸方程式，自動報價系統依重量即時計算估價。
03
Hypothesis Testing
假說檢定
假說檢定用樣本資料判斷是否有足夠證據拒絕虛無假說，確認觀察到的效果並非隨機偶然。
假說類型與 p 值
假說分類
- 研究假說：研究者對結果的初步預測
- 統計假說：以數學形式（H₀ / Hₐ）表達
- 實質假說：結果是否對商業決策有實際價值
虛無與對立假說
- H₀（虛無假說）：現狀不變，沒有新變化
- Hₐ（對立假說）：有新變化或研究者的新主張
- 檢定只說「不拒絕 H₀」，不說「接受 H₀」
決策規則
- p 值 ≤ α → 拒絕 H₀（通常 α = 0.05）
- p 值 > α → 不拒絕 H₀
- 記憶口訣：P low, null go
兩種錯誤
第一型錯誤（偽陽性）
- 錯誤地拒絕了真實的 H₀
- 發生機率 = α（顯著水準）
- 比喻：把無辜的人誤判為有罪
第二型錯誤（偽陰性）
- 未能拒絕一個錯誤的 H₀
- 發生機率 = β；檢定力 Power = 1 − β
- 比喻：讓真正有罪的人逃過判決
HTAB 假說檢定流程
H
建立假說
設定 H₀ 與 Hₐ，明確定義要檢定的主張
T
進行檢定
選擇方法、設定 α、蒐集樣本並分析
A
統計行動
依 p 值決定拒絕或不拒絕 H₀
B
商業意涵
將統計結論轉換為商業決策行動
商業應用
A/B 測試
- H₀：新版首頁與舊版點擊率無差異
- p 值 < 0.05 → 拒絕 H₀，新版效果顯著
情境：電商平台測試新版結帳流程，p = 0.03，決定全面上線新設計。
製程品質檢驗
- H₀：產品平均重量符合規格（μ = 500g）
- 雙尾檢定，任一方向偏差皆需處理
情境：食品廠抽樣檢測 500g 包裝，p = 0.01 → 拒絕 H₀，機器需重新校正。
市場占有率檢驗
- H₀：市場占有率 ≤ 18%（行銷活動無效）
- 右尾單尾檢定，只關心是否「增加」
情境：醫療設備公司投入行銷後，p = 0.02 → 拒絕 H₀，市場份額顯著提升。
統計顯著 ≠ 商業重要。即使 p 值顯著，仍需評估差異是否夠大、是否值得投入資源——這才是實質假說（Substantive Hypothesis）的核心問題。
04
Integrated Case Study
綜合案例：串連三大步驟
以一個電商廣告預算決策案例，完整走過相關分析、迴歸分析與假說檢定的決策路徑。
1
相關係數 r
0.89
相關強度
強正相關
樣本數
24 個月
- r = 0.89 → 廣告支出與銷售額呈強正相關，兩者同方向變動
- 散佈圖確認無明顯非線性趨勢，線性模型適用
結論：廣告支出與銷售額存在強線性關聯（r = 0.89），值得進一步建立迴歸模型量化關係。
↓
2
Ŷ = 12.5 + 4.2 × X （單位：萬元）
截距 α
12.5 萬
斜率 β
4.2
R²
0.79
- 截距 12.5 萬：即使不投廣告，仍有品牌基礎自然銷售額
- 斜率 4.2：每增加 1 萬元廣告費，預測銷售額增加約 4.2 萬元
- R² = 0.79：廣告支出能解釋 79% 的銷售額變異，配適良好
- 殘差圖呈隨機散布，無系統性偏誤，模型可信
預測應用：若下個月廣告預算為 20 萬 → 預測銷售額 = 12.5 + 4.2 × 20 = 96.5 萬元。
結論：每投入 1 萬元廣告費可帶來約 4.2 萬元銷售額增長，ROI 約 4.2 倍。
↓
3
H
建立假說
H₀：β = 0（廣告無效）
Hₐ：β ≠ 0（廣告有效）
Hₐ：β ≠ 0（廣告有效）
T
進行檢定
α = 0.05
雙尾 t 檢定
雙尾 t 檢定
A
統計行動
p = 0.0003
p < 0.05 → 拒絕 H₀
p < 0.05 → 拒絕 H₀
B
商業意涵
廣告確實顯著影響銷售，建議持續投入
p 值
0.0003
顯著水準 α
0.05
檢定結果
拒絕 H₀
- p = 0.0003 遠小於 α = 0.05 → 強烈拒絕 H₀
- 廣告支出對銷售額的正向影響具有統計顯著性，非隨機偶然
結論：β 顯著不為零（p = 0.0003），廣告對銷售的影響在統計上確立。
↓
決
步驟一 · 相關分析
有關聯嗎？
r = 0.89，強正相關
步驟二 · 迴歸分析
影響多大？
每 1 萬帶來 4.2 萬銷售
步驟三 · 假說檢定
結果可信嗎？
p = 0.0003，統計顯著
商業決策：三項統計結果一致支持增加廣告預算。ROI 約 4.2 倍、顯著性強，建議行銷團隊提高 Google Ads 投放，並持續追蹤更新模型。
注意事項：統計顯著不等於商業上一定要行動。仍需評估廣告成本是否合理、市場是否飽和、其他行銷管道的機會成本，再做最終預算配置。
分析三大鐵則
把下列原則放進每一次資料分析與商業決策的檢查清單中。
01｜相關 ≠ 因果
相關分析只說明變數一起變動，建立因果結論前需要實驗設計或更嚴謹的研究。
02｜先看圖、再看數字
解讀 R² 與 p 值前先檢查殘差圖與資料分布，避免被單一數字誤導模型品質。
03｜顯著 ≠ 重要
統計顯著只是門檻，仍需用實質假說評估效果規模、成本效益與策略價值。