威威學長｜系列導讀
先講一件很現實的事。課本講到「數據分析」這一章，流程大概是這樣：散佈圖畫一畫，相關係數那條公式抄下來，最適直線的 $a$、$b$ 再抄一組，然後開始算例題。老實說，段考想拿分，這樣真的夠了😅。公式背熟一點，題目照樣全對，看起來一切都很和平。 可是你心裡是不是有幾個問號卡在那裡？😎 比如：$r$ 算出來是 $0.86$，然後呢？這數字到底算「很強」還是「還好」？那條「最適直線」，到底是誰規定它「最適」的？我如果想用 Y 去預測 X，把斜率倒過來除一除不就好了，為什麼課本說不行？還有，換成公分或換成分鐘，$r$ 居然動都不動，這是怎麼回事？ 這些問題課本通常不解釋，不是它不想，是它沒時間。但偏偏是這些「為什麼」，才會在你以後真的要碰統計、碰機器學習、甚至做專題研究的時候，留在腦袋裡陪你。這個系列就是要來補這一塊的：從「一個數字」怎麼描述一團散點，到「一條線」怎麼被逼出來，再到這條線什麼時候會騙你。 今天這一頁是整個系列的地圖，我們先看一遍路線，再來聊怎麼讀最省力🙂
🗺️ 閱讀地圖
第一部｜相關係數：$r$ 到底在量什麼
- 相關係數完全指南：r 到底在量什麼？為什麼一定要除以標準差：把「這團點有沒有方向、散得緊不緊」壓縮成一個介於 $-1$ 到 $1$ 的數字，順便拆掉三個最容易誤用它的人。公式後面站著的是皮爾森，那條「除以標準差」的設計就是他的主意。
第二部｜最適直線：怎麼找出那條線
- 最適直線入門：最小平方法為什麼是「垂直距離平方和最小」：先把「什麼叫一條好線」定義清楚，再親手把它解出來。附手算範例，也回答那個像魔術一樣的問題：為什麼這條線一定穿過 $(\bar x,\bar y)$。
第三部｜讀懂迴歸線，才不會誤用
- a = r·S_y/S_x：斜率與相關係數的關係，以及「向平均數迴歸」：斜率跟 $r$ 其實是同一件事的兩種尺度，一個帶單位、一個不帶。順便說個故事：高爾頓當年在研究父子身高時，看到高個子的兒子平均會矮一點回來，才讓這條線得到「迴歸」這個名字。
- 為什麼「用 Y 預測 X」不是把斜率倒數？兩條迴歸線的祕密：這裡有兩條線，各自負責一個方向。倒過來用不是不行，是你拿了錯的那條。
- 殘差分析：R² 沒問題，不代表模型沒問題：$R^2$ 是殘差平方加總後的一個數字，加總會把「排列順序」整個抹掉，所以它看不出「線不夠彎」。這篇教你怎麼把殘差排成一列、認出四種該在意的長相。
第四部｜進階：公式為什麼長這樣（大學補充）
- 最適直線的微積分證明：SSE 偏微分與 Hessian 最小值檢定：用偏微分把最小值的座標算出來，再順手檢查它真的是「谷底」，不是「山頂」。
- 最適直線的線性代數證明：正交投影、內積與正規方程：換一副眼睛看同一件事：最小平方法其實就是在找一個投影。
- R² = r² = cos²θ：用投影矩陣證明決定係數的幾何意義：這篇解釋了為什麼 $R^2$ 可以拿來當「解釋了多少百分比」用，而那個用了一路的柯西-施瓦茨不等式，在這裡會再出場一次。
第五部｜動手做：用程式把整條流程跑一遍
- 用 Python 做迴歸：跑出數字很容易，相信它之前先對帳：程式不會告訴你它有沒有搞錯係數順序、有沒有用錯分母，它只會很篤定地印出一個數字。這篇用一組小到可以手算的資料，把電腦的答案跟手算的答案一項一項對起來。
👑 威威說重點：第一部把散點壓成一個數字，第二部把數字變成一條線，第三部教你看懂這條線的脾氣、以及它什麼時候在騙你，第四部才回頭證明這條線為什麼非長這樣不可，第五部換你動手、用程式把整條路跑一遍。五部其實是同一件事的五層樓，爬上去看到的風景是同一個🙂
📖 建議讀法
如果你是高一，目標是段考跟學測：第一部讀到第三部就好，一共五篇。第五部要會一點 Python 才順手，第四部先放著，兩者都完全不會怎樣😅。等你哪天學了微積分或線性代數再回來，你會發現「原來高中課本那條公式是這樣被生出來的」，那個瞬間滿爽的。 如果你已經學過微積分或線性代數：九篇照順序全讀。第四部那三篇基本上是同一件事的三種講法，讀完你對「最小平方法」的理解，會跟只看課本的人差一個層次。 如果你只想搞懂某一個概念：每一篇都是獨立的，開頭都會先講「這篇需要什麼前置知識」，你可以直接點進去。比如你只是被「兩條迴歸線」搞得頭很痛，就跳第三部那一篇，不用從頭讀😁。 ⚠️ 學長的警告：導讀讀完不等於學會了。這系列每一篇都有範例跟即時小測，看到「這題請拿筆跟著算」的地方，拜託真的拿筆。用眼睛滑過去的統計，考試當天會全部還給課本。
🔗 這系列會長大
數據分析能講的東西還很多。之後遇到相關題材、或又有學生問到好問題，學長會插進對應的那一「部」裡，所以這頁的順序會更新，它不是死的目錄，是活的😄
如果你想繼續往下走，站上還有幾篇不在這個系列裡、但走在同一條路上的：多元迴歸、多項式迴歸與曲線配適、主成分分析、因果推論與實驗設計。它們不掛在這一頁的地圖上，因為已經超出「相關係數與最適直線」這個範圍了。
