# 臺灣博碩士論文加值系統

(44.220.249.141) 您好！臺灣時間：2023/12/11 20:52

:::

### 詳目顯示

:

• 被引用:2
• 點閱:455
• 評分:
• 下載:0
• 書目收藏:1
 中文摘要 在統計學上，一般的統計分析，多偏重於兩變數間的相關性，而無法表示其變數間之因果關係，以身高體重為例，當身高愈重者，他的體重或許也愈重，兩變項間呈現正相關，然而在事實上，是身高影響體重？抑體重影響身高？若改變一個人的體重並不會影響其身高，所以體重並非是影響身高的原因。但在現實生活或社會科學的研究上，有許許多多的變數，其因果關係並非如上例那麼顯而易見，故在變項上，何者為因？何者為果？一直是學者很想探究的一個議題。雖然貝氏網路近年來在各種研究上，藉由專家知識結構及學習模式，在因果關係及診斷上扮演著重要角色，亦被廣泛使用於醫學、資料探勘等領域之研究。然而因果關係的推斷大都來自理論及長時間之觀察或實驗之資料，且貝氏網路目前並不能控制潛在變項，須藉由專家知識來建立，這對社會科學的研究似乎緩不濟急，故從資料中發現可能存在的潛在變項及因果關係便相對的重要。　　本論文將在d隔離及淨相關的條件下，分析各個觀察變項並分群至同一潛在變項，以建立符合結構方程模式之測量模式，並結合PC2演算法及條件機率，仿建置貝氏網路之方法，建構以貝氏網路為基礎之結構方程模式。
 AbstractIn statistics, general statistical analysis stresses on the relevance between the variables. But it is unable to express the causality between the variables. Take the height and body weight as example. Height higher, his body weight is also heavier. It is connected between the variables. As a matter of fact, however, does the height affect the body weight or the body weight affects the height? If the change of the body weight would not affect the height, it is not the cause that the weight can be affected by the height. There are lots of the variables in real life or in the researches of social science. The causality is not as obvious as the example that we have mentioned. On variable, which one is a cause? Which one is a result? Therefore, it is always an issue that the researchers like to find out in the statistic. By means of the constructions of specialists and the mode of learning, the Bayesian networks play the important roles in the causality and the diagnoses, and they are used generally in the researches of medicine and the data survey, too. However, the educts of the causality come from the theories, the observations of a long time and the data of the laboratory. In the meantime, the Bayesian networks cannot control the latent variables so far. It must be constructed by specialists’ knowledge. These results in the research are too late to the social sciences. Therefore, it is very important to find out the latent variables and the causality that could be existed possibly. In order to build a measurement model that matches the structural equation model, these variables will be analyzed individual and observed then to be divide into the same latent variables under the d-separation and partial correlation condition. By combining PC2 algorithm and conditional probability and after the Bayesian Networks, the structural equation model will be built base on Bayesian Network.
 目 錄第一章 緒論 11.1 研究動機 11.2 研究目的 31.3 論文架構 3第二章 文獻探討 42.1 因果關係 42.2.1 貝氏網路的優點與性質 82.2.2 d 隔離(d-separation) & V 結構(V-Structure) 82.2.3馬可夫因果假設(Causal Markov Assumption) 112.3 貝氏網路建置的方法 122.3.1 CB演算法(CB Algorithm) 132.3.2 Ｋ2演算法(Ｋ2 Algorithm) 152.3.3 PC2演算法(PC2 Algorithm) 162.3.4 Scoring Function 182.4 科技接受模式 202.5 結構方程模式(SEM) 222.5.1測量模式 222.5.2結構模式 232.5.3因果性質 23第三章 研究方法與設計 243.1 研究方法 243.1.1 ILV演算法(Identifying Latent Variables Algorithm) 243.1.2 網路建置的方法 263.2 研究流程 273.3 研究工具 283.4 研究對象與限制 28第四章 研究結果 294.1.1 ILV演算法建立之測量模式 294.1.2 PC2演算法建立之結構模式 314.2 模擬實驗二 374.2.1 ILV演算法建立之測量模式 374.2.2 PC2演算法建立之結構模式 38第五章 結論與建議 45參考文獻 46誌 謝 48
 參考文獻[1] 林育仕(2005)。利用基因網路分析變數間之因果關係，碩士論文，國立交通大學統計學研究所。[2] 吳明隆(2006)。SPSS統計應用學習實務：問卷分析與應用統計(三版)。台北：知城。[3] 洪新原、梁定澎、張嘉銘(2005)。科技接受模式之彙總研究。資訊管理學報，2(4)，211-234。[4] 邱皓政(2005)。結構方程模式。台北：雙葉。[5] 黃芳銘(2004)。社會科學統計方法-結構方程模式。台北：五南。[6] 黃意策(2002)。應用資料採礦技術於貝氏網路架構之研究—線性代數與圖論之結合，碩士論文，東海大學工業工程與經營資訊研究所。[7] 潘俊帆(2002)。以貝氏網路為基礎的個人化差異知識處理機制，碩士論文，東海大學工業工程研究所。[8] 鄭祐昇(2004)。運用資料探勘技術於知識圖之建立，碩士論文，東海大學工業工程與經營資訊研究所。[9] Bollen, K.A. (1989). Structural Equations with Latent Variables. John Wiley and Sons, New York, NY.[10] Borooah, V. (2002). Logit and Probit: Ordered and Multinomial Models, Sage Publications, Thousand Oaks, CA.[11] C. Glymour, R. Scheines, P. Spirtes,and K. Kelly.( 1987) Discovering Causal Structure: Artificial Intelligence,Philosophy of Science and Statistical Modeling.Academic Press.[12] Cooper, G. and E. Herskovits . (1992) . A Bayesian Method for the Induction of Probabilistic Networks from Data. Machine Learning, 9, 309-347.[13] Davis, F.D. (1989). Perceived Usefulness, Perceived Ease of Use and User Acceptance of Information Technology. MIS Quarterly, 13, 3, 319-340.[14] Druzdzel, M. and H. Simon, (1993). Causality in Bayesian Belief Networks. In the Proceedings of the 9th Annual Conference on Uncertainty in Artificial Intelligence, 3-11.[15] Friedman, N., M. Linial, I. Nachman, D. Peer, (2000) . Using Bayesian networks to analyze expression data. Proceedings of the International Conference on Computational Molecular Biology, 127-135[16] Heckerman D. ( 1996). A tutorial on learning Bayesian networks. Technical Report MSR-TR-95-06, Microsoft Research, Redmond, Washington. Online: http://citeseer.ist.psu.edu/heckerman95tutorial.html.[17] Lee, B., A. Barua, and A.B. Whinston. (1997). Discovery and representation of causal relationships in MIS Research: A methodological framework. MIS Quarterly, 21, 1, 109-136.[18] Mulaik,S.A.,& Jame,L.R.(1995). Objectivity and reasoning in science and structural equation modeling. In:R.H.Hoyle(Ed.),Structural equation modeling :Concepts, issues and application(pp.118-137).Thousand Oaks,CA:Sage.[19] Pavlou, P.A.(2003). Consumer Acceptance of Electronic Commerce: IntegratingTrust and Risk with the Technology Acceptance Model. International Journal ofElectronic Commerce, 7, 3, 69-103.[20] Pearl, J. and T. Verma, (1991). A Theory of Inferred Causation. Proceedings of Princliples of Knowledge Presentation and Reasoning, 441-452.[21] Pearl, J., (1995).Causal Diagrams for Empirical Research. Biometrika, 82, 4, 669-710.[22] Spirtes, P., C. Glymour, C. and R. Scheines.(2002). Data mining tasks and methods: Probabilistic and casual networks: mining for probabilistic networks, Handbook of data mining and knowledge discovery, Oxford University Press, New York, NY.[23] Scheines, R., P. Spirtes, C. Glymour, C. Meek, and T. Richardson. (1998). TETRAD Project: Constraint Based Aids to Causal Model Specification. Multivariate Behavioral Research, 33, 1, 119-128.[24] Silva, R. Scheines, C. Glymour, and P. Spirtes. (2003). Learning measurement models for unobserved variables. Proceedings of 19th Conference on Uncertainty in Artificial Intelligence, pages 543–550.[25] Spirtes, P., T. Richardson, C. Meek, R. Scheines, and C. Glymour, (1998). Using path diagrams as a structural equation modeling tool. Sociological Methods and Research, 27, 2 , 182-225.[26] Spohn, W.(2000). Bayesian Nets Are All There IS To Causal Dependence. In M.C. Galavotti (Ed.), Stochastic Dependence and Causality, CSLI Publications, Stanford, CA.[27] Verma, T. and J. Pearl .(2003). An algorithm for deciding if a set of observedindependencies has a causal explanation, Proceedings of 8th Conference onUncertainty in Artificial Intelligence, 323-330.[28] Zheng E. & P.A. Pavlou. (2005).Structural Equation Modeling with Causal Relationships: A Bayesian Networks Methods for Inferring Causality from Data. under review in Management Science.
 國圖紙本論文
 推文當script無法執行時可按︰推文 網路書籤當script無法執行時可按︰網路書籤 推薦當script無法執行時可按︰推薦 評分當script無法執行時可按︰評分 引用網址當script無法執行時可按︰引用網址 轉寄當script無法執行時可按︰轉寄

 1 以貝氏網路為基礎的個人差異化知識處理機制 2 應用資料採礦技術於貝氏網路架構之研究──線性代數與圖論之結合 3 運用資料探勘技術於知識圖之建立 4 利用基因網路分析變數間之因果關係 5 即時傳訊軟體採用模式之研究 6 以修正後的科技接受模式探討影響「使用者自建系統接受」之因素 7 科技接受模式在遠距教學網站之應用 8 使用者採用知識管理系統之影響因素研究─理論模型的比較取向 9 影響政府部門人員接受電子化政府服務之關鍵因素－以電子公文系統為例 10 影響免月費制線上遊戲使用因素之研究 11 部落格個人商業模式之研究－以個人部落格拍賣為例 12 以延伸科技接受模式探討學務系統使用行為之研究 13 以科技接受模式探討影響「學務系統」使用程度之因素 14 以科技接受模式探討台灣企業內部稽核人員使用電腦輔助審計技術之意圖 15 國道高速公路即時交通資訊網站使用意願之研究

 1 [3] 洪新原、梁定澎、張嘉銘(2005)。科技接受模式之彙總研究。資訊管理學報， 2 吳育臻(2000)，〈日治時代的糖業移民聚落初探-以移民寮和農場寮仔為例〉，《環境與世界》，4：41-57。 3 吳鳴(2003)，〈豐田移民村-獨留青史向黃昏〉，《歷史月刊》8月號：16-25。 4 許嘉明(1978)，〈祭祀圈之於居臺漢人社會的獨特性〉，《中華文化復興月刊》，11(6)：59-68。 5 鍾淑敏(1986)，〈日據時期的官營移民-以吉野村為例〉，《史聯雜誌》，8：74-85。

 1 整合沉浸理論與科技接受模式探討網路購物的內外在動機 2 實體產業廠商運用網路自助服務之消費者使用意願研究 3 考量生產績效指標權重之派工模擬比較-以CNT-BLU為例 4 探討健康管理中心會員之消費動機 5 文宣贈品廣告訴求對候選人廣告效果影響之研究－以大學生選民為例 6 以科技接受模式探討影響「學務系統」使用程度之因素 7 OTHELLO遊戲積分與國小中年級學童推理能力、創造力與問題解決能力之相關研究 8 國中小教師人格特質對學生國一學校生活適應之影響 9 臺灣地區美術品蒐藏機構館藏數位化現況調查及管理之研究 10 發展主義國家、勞動安全與環境保護—以電子業在台灣的發展為例 11 應用灰色關聯分析與模糊推論於多重品質特性製程之研究 12 印尼自負醫療費負擔與強制性健康保險之影響 13 印尼成人自覺健康狀態：決定因素與分佈不均之研究 14 台灣地區四十歲以上成人健康危害行為情況對於自覺疾病狀況及醫療利用率影響之探討 15 台灣及OECD國家醫療體系治理、經濟發展、醫療支出、醫療資源、醫療利用與健康之比較分析

 簡易查詢 | 進階查詢 | 熱門排行 | 我的研究室