多元迴歸裡的標準化迴歸係數常被用來表達一個自變項的作用、預測力或 解釋力。但是，學界和管理者對標準化迴歸係數的解釋卻仍時有錯誤。本文以 假設性的數據為例，配合數學演算証明：當自變項超過兩個時，標準化迴歸係 數並不適合作為評斷自變項相對重要性的唯一依據。同時，本文也透過例子指 出：即使自變項只有兩個，一個自變項的標準化迴歸係數在統計上不顯著也不 表示該變項不重要。根據這些迴歸係數的特性，本文針對過去管理學文獻對標 準化迴歸係數的應用與解釋，和統計及研究方法教科書容易讓人誤解的部分， 提出了討論和建議。本文並舉出正確解讀迴歸係數的注意事項，並指出如何結 合其他資訊探討多元迴歸裡自變項的重要性。

The standardized regression coefficient has been a common tool for assessing the effect, predictive power or explanative power of an independent variable (IV). However, researchers and managers often failed to interpret regression coefficients properly. With mathematical proofs and hypothetical data, this paper demonstrated that when there are more than 2 IVs, inference on the relative importance of these IVs should not be made from standardized regression coefficients (βs) alone. The hypothetical data also show that even when there are only 2 IVs, the nonsignificance of a β does not give sufficient evidence on the triviality of the corresponding IV. According to these limitations on βs, this paper discuss expression problems in textbooks on research methods and statistics, as well as problems in the management science literature. How βs should be properly interpreted with other information—such as zero-order correlations—is also discussed.

多元迴歸是管理科學上常用的一種統計技術，而標準化迴歸係數則是一個常用的指標，用來表達一個自變項的作用、預測力或解釋力。但是，管理者常常忽略一點：迴歸係數所表達的，是「在統計上排除其他自變項的作用後，某個自變項對依變項的淨作用或直接效果」。在實務上，管理者往往無法在「不影響其他自變項的情況下」獨立操弄某些自變項。這時候管理者所關心的，不應只有各自變項的淨作用，還應包括自變項透過彼此間相關而對依變項產生的間接作用。 譬如，管理者可能從迴歸分析發現，「在排除教育程度的作用以後」，員工的年齡對其工作績效有正的淨作用。但是管理者如果只因為看到這淨作用就儘量錄取高年齡的求職者，便可能得不償失。因為，在實際的情況裡管理者並無法排除「教育程度與年齡的相關」和「教育程度與工作績效的相關」。假設因為年代的不同，年齡愈高者教育程度愈低，而教育程度又與工作績效的相關有正相關，那麼大量錄用高年齡者的結果，可能使整個組織的工作績效不增反降。尤其是當教育程度的作用大於人生閱歷、工作經驗、心理成熟度等與年齡有正相關的變項的作用時，錄用高年齡者的負面影響將更明顯。所以，管理者除了注意自變項的淨作用以外，還應注意自變項的間接作用。 雖然有教科書指出，可以由標準化迴歸係數的大小來判斷各自變項的相對重要性，但這些書籍卻未強調一個重要條件：當自變項超過兩個時，標準化迴歸係數的相對大小就不一定和自變項的全部作用（包括淨作用和間接作用）的相對大小相同，因此迴歸係數並不適合作為評斷自變項相對重要性的「唯一」依據。本文針對上述問題，舉出正確解讀迴歸係數的注意事項，並指出如何結合其他資訊探討多元迴歸裡自變項的重要性。本文的貢獻不在於提出新的統計觀念，而在於指出當前學界和管理者在解釋標準化迴歸係數時一項常見的盲點，和舉例說明較妥當的解釋。