導論：為什麼商業聯繫如此重要？

歡迎來到你 BA1 課程中最實用的章節之一！在商業世界中，事物很少是孤立存在的。如果一家公司降低價格，銷量通常會上升；如果氣溫升高，雪糕店的銷量就會增加。這些聯繫就是我們所說的變量之間的關係 (relationships between variables)。

在本章中，我們將學習如何識別這些關係、衡量其強度，以及最重要的一點——避免陷入「兩者同時發生就代表互為因果」的陷阱。理解這一點有助於企業做出更精準的預測和更明智的決策。

別擔心，即使你對數學不感興趣也不用怕！我們將會專注於這些數字對商業領袖的意義，而不是單純地進行冗長的運算。

1. 理解相關性 (Correlation)

相關性 (Correlation) 是一種統計指標，用來衡量兩個變量共同波動的程度。簡單來說，它回答了：「當變量 A 變動時，變量 B 會發生什麼？」

相關性的類型
  • 正相關 (Positive Correlation)： 兩個變量向同一方向變動。如果 A 上升，B 也上升。例子：廣告投入越多，銷售收入通常越高。
  • 負相關 (Negative Correlation)： 兩個變量向相反方向變動。如果 A 上升，B 則下降。例子：豪華汽車的價格越高，銷量通常越低。
  • 無相關 (No Correlation)： 兩者之間沒有明顯關係。一個變量的變動無法提供關於另一個變量的資訊。例子：倫敦的降雨量與中國的茶葉價格。

快速回顧：
正相關 = 同向（同升或同降）
負相關 = 反向（一升一降）
零相關 = 無規律可循

2. 視覺化關係：散點圖 (Scatter Diagrams)

在進行任何運算之前，經濟學家通常會將數據繪製在散點圖 (Scatter Diagram，又稱 Scatter Plot) 上。這是一種將一個變量放在橫軸 (x)，另一個放在縱軸 (y) 的圖表。

如何解讀散點圖：
1. 如果點形成一條從左向右向上傾斜的線，則是正相關。
2. 如果點形成一條從左向右向下傾斜的線，則是負相關。
3. 如果點看起來像是一團混亂的「雲」或「星空」，沒有方向性，則為無相關。
4. 如果點非常貼近一條直線，則相關性很強 (Strong)。如果點分佈得很散，則相關性很弱 (Weak)。

常見錯誤： 不要把斜率 (slope) 和強度 (strength) 搞混了。只要點準確地落在直線上，無論是極陡還是極平的線，都代表「完美」的相關性！

3. 衡量強度：相關係數 (Correlation Coefficient, r)

雖然圖表很好用，但企業通常需要一個具體的數字來描述這種關係。這個數字被稱為皮爾遜相關係數 (Pearson’s Correlation Coefficient)，簡稱 \(r\)。

\(r\) 的數值範圍總是在 -1 到 +1 之間。

數字代表的含義：
  • \(r = +1\)： 完全正相關（一條指向右上方的完美直線）。
  • \(r = -1\)： 完全負相關（一條指向右下方的完美直線）。
  • \(r = 0\)： 完全沒有線性關係。
  • 0.7 到 1.0 之間： 強正相關。
  • -0.7 到 -1.0 之間： 強負相關。
  • 0 到 0.3 之間： 極弱的正相關。

你知道嗎？ -0.9 的相關性其實比 +0.5 的相關性更強。負號只告訴你方向；數值本身才告訴你強度。

核心要點： 數值越遠離零（無論正負方向），兩個變量之間的關係就越強。

4. 決定係數 (Coefficient of Determination, \(r^2\))

這聽起來很專業，但一旦你知道秘密就很簡單：它就是相關係數 (\(r\)) 的平方。

公式：
\( \text{決定係數} = r \times r \) (即 \(r^2\))

我們為什麼要用它？
雖然 \(r\) 告訴我們強度，但 \(r^2\) 告訴我們一個變量的變動中有多少比例是由另一個變量的變動所解釋的。我們通常將其表示為百分比。

例子： 如果廣告支出與銷量之間的相關係數 (\(r\)) 為 0.8：
\( r^2 = 0.8 \times 0.8 = 0.64 \)
這意味著 64% 的銷量波動可以由廣告支出來解釋。剩下的 36% 則由其他因素（如競爭對手、天氣或產品質量）造成。

記憶小撇步： 把 \(r^2\) 看作「解釋力 (Explanation Power)」。它告訴你你真正掌握了多少資訊。

5. 相關性 vs. 因果關係 (關鍵概念！)

這是商業統計學中最重要的一條規則：相關性不代表因果關係 (Correlation does not equal Causation)。

僅僅因為兩件事同時變動，並不意味著其中一件事導致了另一件事的發生。當你觀察到相關性時，有三種可能性：

  1. 直接因果： 變量 A 確實導致了變量 B（例如：大雨導致雨傘銷量增加）。
  2. 反向因果： 我們以為是 A 導致 B，但實際上是 B 導致了 A。
  3. 第三因素 (共同響應)： A 和 B 同時變動是因為有一個第三變量在同時影響兩者。

經典類比： 雪糕銷量與鯊魚襲擊次數之間存在高度相關性。吃雪糕會導致鯊魚咬人嗎？當然不會！這個「第三因素」是晴朗天氣。當天氣晴朗時，人們更喜歡買雪糕，同時也更喜歡去海裡游泳。

給 CIMA 學員的核心提示： 在考試中，如果你看到高度相關性，在沒有進一步業務證據的情況下，千萬不要假設兩者之間存在因果關係。

6. 一元線性回歸：做出預測

如果我們發現了強相關性，就可以使用一種稱為線性回歸 (Linear Regression) 的技術來建立一條「最佳擬合線 (Line of Best Fit)」的方程式。這條線能讓我們預測未來的數值。

方程式如下：
\( y = a + bx \)

各字母的含義：
\(y\)： 因變量 (Dependent variable，即我們想要預測的對象，例如銷量)。
\(x\)： 自變量 (Independent variable，即我們已知的數據，例如廣告支出)。
\(a\)： 截距 (Intercept，即當 \(x\) 為零時 \(y\) 的值)。
\(b\)： 梯度 (Gradient) 或斜率 (Slope，即 \(x\) 每增加 1 個單位時 \(y\) 的變化量)。

例子： 如果一家公司的銷量方程式是 \( \text{Sales} = 500 + 5(\text{Ad Spend}) \)，而他們投入了 £100 的廣告費：
\( \text{Sales} = 500 + 5(100) = 1,000 \)。

回歸總結： 回歸是用於預測的，而相關性是用於分析聯繫的。

最終快速回顧

  • 散點圖為數據提供直觀的「感覺」。
  • 相關係數 (\(r\)) 衡量相關性的強度和方向（範圍 -1 至 +1）。
  • 決定係數 (\(r^2\)) 告訴我們變量間有多少比例的變動是可以被解釋的。
  • 因果關係並不等於相關性——一定要警惕隱藏的第三因素！
  • 回歸 (\(y = a + bx\)) 用於根據過去的數據來預測未來。

做得好！你已經掌握了商業變量相互作用的基本原理。請繼續練習解讀 \(r\) 和 \(r^2\) 的數值，因為這些在 BA1 評核中非常常見。