full2010.pdf - page 1868

1830
7. „µ¦ª· Á‡¦µ³®r„µ¦™—™°¥¨°‹· ˜·„ (Logistic Regression Analysis) Á¡ºÉ°ÄoĜ„µ¦‡oœ®µÂ¨³¡¥µ„¦–r
ž{ ‹‹´¥nªœž¦³¤„µ¦˜¨µ—š¸É nŠŸ¨˜n°„µ¦ŽºÊ°„µÂ¢¨—œÊÎ µ®œ´„Á¡ºÉ°»£µ¡ŽÊε °ŠŸ¼o¦·Ã£‡Äœ°œµ‡˜
Ÿ¨„µ¦ª·‹´¥
®¨´Š‹µ„„µ¦Á„È ¦ª¦ª¤ o°¤¼¨ Ÿ¼oª·‹´¥Å—ošÎµ„µ¦ª·Á‡¦µ³®r o°¤¼¨—o ª¥Ãž¦Â„¦¤ÎµÁ¦È‹¦¼ž SPSS for
Windows ¤¸Ÿ¨„µ¦«¹„¬µ —´Šœ¸Ê
1. o°¤¼¨—oµœž¦³µ„¦«µ˜¦r ¡ªnµ Ÿ¼o¦·Ã£‡nªœÄ®nÁž}œÁ¡«®·Š (¦o°¥¨³ 79.14) ¤¸°µ¥» 46-56 že
(¦o °¥¨³ 55.21) ž¦³Á£š°µ¸¡ oµ¦µ„µ¦‡¦¼ (¦o°¥¨³ 87.12) ™µœ£µ¡¤¦ (¦o°¥¨³69.33) „µ¦«¹„¬µ°¥¼nĜ¦³—´
ž¦·µ˜¦¸ (¦o°¥¨³ 65.64) ª·š¥“µœ³Îµœµ„µ¦ (¦o°¥¨³ 60.12) ¦µ¥Å—o˜n°Á—º°œ 30,001-35,000 µš (¦o°¥¨³ 23.31)
¦µ¥‹n µ¥˜n°Á—º °œ 15,001-20,000 µš (¦o°¥¨³ 22.09)
2. o°¤¼¨Á„¸É¥ª„´¡§˜·„¦¦¤„µ¦¦·Ã£‡„µÂ¢ ¡ªnµ „¨»n¤˜´ª°¥nµŠnªœÄ®nœ·¥¤—ºÉ ¤„µÂ¢¦o°œ (¦o°¥¨³
65.03) ¦¼žÂš¸É œ·¥¤‡º°„µÂ¢ÂŠ (¦o°¥¨³ 38.04) ‡ªµ¤™¸ÉĜ„µ¦—ºÉ ¤„µÂ¢ª´œ¨³ 1 ‡¦´ÊŠ (¦o °¥¨³ 74.23)
3. o°¤¼¨Á„¸É¥ª„´¡§˜·„¦¦¤„µ¦¦· ㇄µÂ¢¨—œÊ宜´ „ ¡ªn µ „¨»n¤˜´ª°¥nµŠn ªœÄ®n—ºÉ¤„µÂ¢¨—
œÊÎ µ®œ´„ÁœºÉ°Š‹µ„°¥µ„š—¨°ŠÄo (¦o°¥¨³ 28.22) ž¦·¤µ–ŽºÊ° 1 „¨n°Š˜n°‡¦´ÊŠ (¦o°¥¨³ 84.05) ‡ªµ¤™¸ÉĜ„µ¦—ºÉ¤„µÂ¢
¨—œÊ宜´ „ª´œ¨³ 1 ‡¦´ÊŠ (¦o°¥¨³ 80.37) ˜´ ªÁ°Š¤¸°·š›·¡¨˜n°„µ¦Á¨º°„ŽºÊ°„µÂ¢¨—œÊ宜´ „ (¦o°¥¨³ 61.96) ºÉ°š¸É¤¸
°·š›·¡¨˜n°„µ¦Á¨º°„ŽºÊ°‡º°Ãš¦š´«œr (¦o°¥¨³ 62.58) µ¦„´—›¦¦¤µ˜·š¸É Á¨º°„ŽºÊ°‡º°™´Éª µª (¦o°¥¨³ 40.49) ŽºÊ°„µÂ¢
¨—œÊÎ µ®œ´„‹µ„®oµŠ¦¦¡· œ‡oµ¤µ„š¸É »— (¦o °¥¨³ 60.12) ¨³Áœ„µÂ¢Ã¡¦Áš‡ ᦨ·¤ ‡º°¥¸É®o °š¸ÉŽº Ê°¤µ„š¸É » —
(¦o°¥¨³ 42.94)
4. o°¤¼¨Á„¸É¥ª„´ž{‹‹´¥n ªœž¦³¤„µ¦˜¨µ—š¸É nŠŸ¨˜n°¡§˜·„¦¦¤„µ¦¦·Ã£‡„µÂ¢¨—œÊ宜´ „Á¡ºÉ°
»£µ¡ °Š‡¦¼ ¤¸š´ÊŠ®¤— 4 ž{‹‹´¥ ¦µ¥¨³Á°¸¥——Š—´Š˜µ¦µŠš¸É 1 „¨nµª‡º° 5.1) —oµœŸ¨·˜£´–”r ¤¸‡ªµ¤Á®ÈœÄœ¦³—´
¤µ„ ×¥š¸É „µ¦Å—o ¦´Á‡¦ºÉ°Š®¤µ¥°Š‡r „µ¦°µ®µ¦Â¨³¥µ (¦o°¥¨³ 4.11) ¤¸‡ªµ¤³—ª„˜n °„µ¦¦´ž¦³šµœ (¦o°¥¨³
4.09) ¨³ºÉ°Á¸ ¥Š °ŠŸ¨·˜£´–”r (¦o°¥¨³ 4.05) Áœoœ 3 ¨Îµ—´Â¦„š¸É¤¸‡ªµ¤Îµ‡´ 5.2) —oµœ¦µ‡µ ¤¸‡ªµ¤Á®ÈœÄœ¦³—´
¤µ„ ×¥š¸É¦µ‡µ°¥¼nĜ¦³—´š¸ÉÁ®¤µ³¤ (¦o°¥¨³ 4.11) ¤¸„µ¦Â—Š¦µ‡µ´ —Á‹œ (¦o°¥¨³ 3.86) ¨³¦µ‡µ¤¸‡ªµ¤‡»o ¤‡nµ
Á¤ºÉ °Áž¦¸¥Áš¸¥„´‡»–£µ¡Â¨³ž¦·¤µ– (¦o°¥¨³ 3.70) 5.3) —oµœn °ŠšµŠ„µ¦‹´—‹Îµ®œn µ¥ ¤¸‡ªµ¤Á®ÈœÄœ¦³—´¤µ„
×¥š¸É‡ªµ¤³—ª„Äœ„µ¦ŽºÊ ° (¦o°¥¨³ 3.99) ¤¸ ¦oµœ‡oµš¸Éµ¥„µÂ¢¨—œÊÎ µ®œ´„Áž} œ‹Îµœªœ¤µ„ (¦o °¥¨³ 3.82) ¨³
¦oµœ‡oµ¤¸ ·œ‡oµÁ¡¸¥Š¡°Îµ®¦´  µ¥ (¦o°¥¨³ 3.75) ¨³ 5.4) —oµœ„µ¦nŠÁ¦·¤„µ¦˜¨µ— ¤¸‡ªµ¤Á®ÈœÄœ¦³—´žµœ„¨µŠ
×¥š¸É„µ¦¦´ ¦¼o‹µ„ºÉ°šµŠ˜¦Š (¦o°¥¨³ 3.88) ¤¸„µ¦¨—¦µ‡µ (¦o°¥¨³ 3.54) ¨³¤¸„·‹„¦¦¤nŠÁ¦·¤„µ¦ µ¥¤ÉεÁ¤°
(¦o°¥¨³3.45)
5. Á¤ºÉ°œÎµž{ ‹‹´¥nªœž¦³¤„µ¦˜¨µ—š´ÊŠ 4 —oµœ ¤µ‡o œ®µž{‹‹´¥š¸É n ŠŸ¨˜n°„µ¦¦·Ã£‡„µÂ¢¨—œÊ宜´„
˜n°Åž °Šž¦³µ„¦ —oª¥„µ¦‡´ —Á¨º°„ž{‹‹´¥Â Backward ¡ªnµ ¤¸ 2 ž{‹‹´¥ š¸É nŠŸ¨—´ Š„¨nµª ‡º° ¦µ‡µ (šœ—oª¥
P2) ¨³„µ¦nŠÁ¦·¤„µ¦˜¨µ— (šœ—o ª¥ P4) Á¤ºÉ° log(p/(1-p)) = 4.986 - 0.793P2 - 0.700P4 ×¥š¸É p ‡º° ‡ªµ¤œnµ‹³
Áž}œš¸ÉŸ¼o¦·Ã£‡‹³ŽºÊ°ŽÊ娳µ¤µ¦™Äo¡¥µ„¦–r„µ¦¦·Ã£‡Å—o°¥nµŠ¤¸œ´ ¥Îµ‡´ (Model Chi-Square = 44.489, p <
0.00 ; Nagelkerke R2 = 0.321) µ¤µ¦™‹ÎµÂœ„‡¦¼š¸É‹³¦· ㇄µÂ¢¨—œÊ宜´„˜n°Åž ŗo™¼„˜o°Š¦o°¥¨³ 84.04 ¨³