當我們只有一個因子的時候,我們不需要去擔心因子間交叉(crossing)或套疊(nesting)的區別。但當我們有兩個以上的因子時,分辨因子間的關係就非常重要,因為這會影響我們對於資料的分析。 當兩個因子交叉的時候,不論是在A因子中的每一個類別,都可以在B因子中每一個類別同時出現。換句話說,每一種來自兩個因子可能的組合都會出現於我們的觀察值中。 倘若一個因子套疊於(nested within)另一個因子之中,若其出現在第一個因子中,則不會出現在其它因子中。同理,觀察值若出現在第二個因子中,則我們知道會有另一個觀察值出現在第一個因子中。所有的組合不會同時出現。 當兩個因子交叉時,就可以計算交互作用;如果彼此套疊,則會因為沒有同時出現的組合,而無法進行如此動作。 將兩個因子以列聯表(cross tabulation)呈現時,就可以知道彼此的關係是交叉或套疊了。 參考文章
Author: Dicky
在R進行重覆量數(repeated-measur)ANOVA
我們想知道「語境限制性」(context)和「接觸新詞的次數」(order)是否會影響學習者對於新詞的理解(meanbyid)。我們在R使用以下語法: rmanovaid2<- aov(meanbyid ~ context * order + Error(id/ (context * order)), data = averagebyid) 裡頭的公式「meanbyid ~ context * order + Error(id/ (context * order)」可以分為兩個部分去理解。前半部分「meanbyid ~ context * order」,指的是學習者對於新詞的理解會受到語境限制性和接觸新詞的次數的影響。「*」是「context + order + context:order」的簡化,指的是考慮了語境限制性和接觸次數的主效應(main effect)和語境限制及接觸次數的交互作用(interaction)。後半部分的「Error(id/ (context * order)」,則是我們在可以進行適當的統計檢定不可或缺的要素。 「Error(id/ (context * order)」使得殘差平方和(Residual sum of squares, RSS)的來源,可以分成幾個可預知的部分(error strata)。它是「Error(id + id:context + id:order + id:context:order)」的簡化,指的是我們要將可預知的殘差分為來自「個人因素」、「個人和語境限制性的交互作用」、「個人和接觸次數的交互作用」以及「個人、語境限制性和接觸次數的交互作用」。 summary(rmanovaid2) 將我們一開始使用的語法進行摘要之後,我們得到以下結果: 對於語境限制性的檢定,是基於「個人和語境限制性的交互作用」,顯示在「Error: […]
《對不起!我的中文不好》課前學習
載入中…
泰語角:《擺起地攤當老闆2(聖誕節特別企劃)》課前學習
載入中…
泰語角:《擺起地攤當老闆》課前學習
載入中…
三個和「樹」有關的故事
三個和「樹」有關故事。 岸樹井藤樹神度婆羅門永遠有希望的樹(ต้นไม้แห่งความสมหวัง) 「曠野無明路,人走喻凡夫,大象比無常,井喻生死岸。樹根喻於命,二鼠晝夜同,齧根念念衰,四蛇同四大。蜜滴喻五欲,蜂螫比邪思,火同於老病,毒龍方死苦。智者觀斯事,象可厭生津,五欲心無著,方名解脫人。鎮處無明海,常為死王驅,寧知戀聲色,不樂離凡夫。」
我讀陳春敏、陳振宇的《實驗研究法》:單因子實驗設計和多因子實驗設計
陳春敏.; and 陳振宇. 2015. 實驗研究法. 社會及行為科學研究法, ed. by 瞿海源. 1版. 臺北市: 臺灣東華.
我讀陳春敏、陳振宇的《實驗研究法》:實驗設計的基本術語
依變項(變量)、自變項(因子)水準、實驗情境(處理)隨機選取(選機抽樣)、隨機分派受試者間、受試者內獨立樣本、相依樣本固定效果、隨機效果變異來源 陳春敏.; and 陳振宇. 2015. 實驗研究法. 社會及行為科學研究法, ed. by 瞿海源. 1版. 臺北市: 臺灣東華.
Mi創想學院的泰語教室:四個泰語學習短片
我參與了Mi創想學院的短片錄製,錄製了四個單元的泰語學習短片,我講話很多吃螺絲,但是剪接和製片把很多不好的地方剪掉了。
我讀《How Science Takes Stock: The Story of Meta-Analysis》:如果只看p值的話…
當p值小於.05的時候,進行假設檢定的人就可以推論實驗組和對照組有差異的機會在20次當中,只會有不到1次。而當我們真得遇見這樣的可能性時,我們就可以大膽地說實驗組和對照組確實存在差異。但是僅僅透過點估計(point estimate),很可能因為抽樣誤差而對於實際的情況有誇張或不足的推論。只看統計顯著性的p值,是無法告訴我們差距大小。信賴區間(confidence interval)是p值無法告訴我們的。越小的樣本,信賴區間會越大、越寬;相對的,大樣本,的信賴區間小,研究者就更有信心地說樣本的推論接近母體。 當實驗組和對照組的操弄或處理的效果是非常小的時候,要說明兩個組別確實存在差異時,可能就不夠力(powerful)。假設實驗處理只有很小、很小的效果,當樣本數也非常小的時候,它的信賴區間便會擴大,於是可能存在的效果就會被遺忘在較大的信賴區間裡了。 即使樣本夠大,它可以說明母體具有統計上的顯著的差異,但是只靠p值仍無法知道這樣的效果究竟多大,也許這樣的效果根本不值得我們去追求。 只看p值就會遇到以上的問題,它有點像一人一票(vote-counting),只看最後的結果。如果我們想知道實驗組和對照組的差異多大時,這是p值無法提供的。 Hunt, M. (1999). How Science Takes Stock: The Story of Meta-Analysis (Revised ed. edition). New York: Russell Sage Foundation.