JASP 統計軟體是由阿姆斯特丹大學 Eric-Jan Wagenmakers 教授領導的團隊，以 R 為核心所開發的 免費開源統計軟體，主要應用於心理及統計分析，相關的分析模組包含:平均數比較、實驗設計、迴歸與相關分析、探索性因素分析、驗證性因素分析（CFA）、結構方程式（SEM）、機械學習、神經網路等。

由於其設計理念為讓用戸熟悉並易於使用，故幾乎所有的分析模組都已視窗化，僅需要懂得相關的統計理論卽可輕易上手。有關 JASP 統計軟體的詳細説明可到官方網站參閲，https://jasp-stats.org/。JASP 統計軟體亦可由網站免費下載: 

https://jasp-stats.org/download/

本年度統計分析教材以JASP 講義為主，JASP 統計軟體除了是免費開源外，該軟體以視窗的為主，學生只要能了解課堂上講授的統計分析及進階的驗證性因素分析、競爭模式、多群組比較、結構方程模型的理論後，卽可輕易執行上手。此外，JASP 統計軟體所産生的報表 及圖形皆以 APA 格式輸出，學生也能因此免除在茫茫報表中重新整理資料、繪製圖形，簡化發 表硏究成果及撰寫論文的流程。本教材相關檔案、資料檔及未來更新維護皆可由下列網址下載:

https://github.com/chungyuandye/JASP-

繼續閱讀全文　用 JASP 輕鬆學 SEM:從基礎到應用

• 編輯文章
• 此文章網址
• 轉寄此文章
• 目前有0 意見

  

論文統計分析免煩惱，平均數比較、迴歸分析、信度、效度 CFA、結構方程是模型 SEM，一鍵搞定！ 

範例：本研究採量化研究，以XXX為研究對象，發放問卷XXX份，回收有效問卷XXX份，並以三山出版社所提供的 ThesisNoWorries 論文統計分析免煩惱 統計套件進行描述性統計、信效度分析、平均數比較、迴歸和相關分析、及結構方程式模型分析。

程式碼：https://github.com/chungyuandye/ThesisNoWorries

繼續閱讀全文　ThesisNoWorries Beta 0.3

• 編輯文章
• 此文章網址
• 轉寄此文章
• 目前有0 意見

mytwoaxistikz[data__,{xmin_,xmax_,ymin_,ymax_},
mycolor__,{xlabel_,ylabel_},{rticks__,decimalr_,lticks__,decimall_},
linelabel__,linepos__,plotaspectratio_:1]:=Block[{temp=data,axis1,axis2,textpos,line},
axis1="
\\begin{axis}[
    yticklabel style={
        /pgf/number format/.cd,
            fixed,
            fixed zerofill,
            precision="<>ToString[decimall]<>",
    },
 scale only axis, 
 axis y line*=left, 
 xtick pos=left, 
 xscale="<>ToString[N@plotaspectratio]<>", 
 xmin="<>ToString[xmin]<>",xmax="<>ToString[xmax]<>",ymin="<>ToString[ymin]<>
 ",ymax="<>ToString[ymax]<>",
 xlabel="<>xlabel<>",ylabel="<>ylabel<>",
 ytick="<>ToString[lticks]<>"]\n";

textpos=StringJoin[Table["
 \\node[] at (axis cs:"<>ToString[linepos[[z,1]]]<>","<>ToString[linepos[[z,2]]]<>
 ") {"<>linelabel[[z]]<>"};",{z,Length@temp}]];

line=StringJoin[Table["
\\addplot[color="<>If[ListQ[mycolor[[z]]],
ToString[mycolor[[z,1]]]<>","<>ToString[mycolor[[z,2]]],
ToString[mycolor[[z]]]]<>",mark=none,line width=0.5mm] coordinates{\n"
 <>StringJoin["("<>ToString[#[[1]]]<>","<>ToString[#[[2]]]<>")\n"&/@temp[[z]]]<>
 "};\n\\addlegendentry{$G_{0}= "<>ToString[G0[[z]]]<>"$}",{z,Length@temp}]]
<>"\n\\end{axis}\n";

axis2="\n\\begin{axis}[ 
    yticklabel style={
        /pgf/number format/.cd,
            fixed,
            fixed zerofill,
            precision="<>ToString[decimalr]<>",
    },
 scale only axis, 
 axis y line*=right, 
 xtick pos=left, 
 xscale="<>ToString[N@plotaspectratio]<>", 
 xmin="<>ToString[xmin]<>",xmax="<>ToString[xmax]<>",ymin="<>ToString[ymin]<>
 ",ymax="<>ToString[ymax]<>",
 ytick="<>ToString[rticks]<>"]\n";

"\\begin{tikzpicture}"<>axis1<>textpos<>line<>axis2<>"\n\\end{axis}\n\\end{tikzpicture}"
]

繼續閱讀全文　Exporting graphics to TikZ format with Mathematica, Version 2

• 編輯文章
• 此文章網址
• 轉寄此文章
• 目前有1 意見

1. MI值調整
2. 項目分析報表修訂
3. 三構面中介模型報表修訂
4. 新增兩構面因果關係路徑模式

繼續閱讀全文　 ThesisNoWorryMed Beta 0.2

• 編輯文章
• 此文章網址
• 轉寄此文章
• 目前有0 意見

ThesisNoWorryMed Beta 0.1

目前提供三個變數的中介模型，一次跑完以下分析：

1. 三構面各分量表的項目分析
2. 三構面各分量表的Cronbach's alpha 信度及一階CFA的聚合效度 (AVE) 、收斂信度 (CR)及區別效度。
3. 三構面各分量表的人口統計差異性分析及事後比較。
4. 三構面的階層回歸中介效果檢定分析。
5. 三構面的結構方程式模型，SEM。

語法：

ThesisNoWorryMed[量表X, 量表M, 量表Y, X各分量表題數, Y各分量表題數, Z各分量表題數, X各分量表名稱, M各分量表名稱, Y各分量表名稱, 人口統計變數資料, 人口統計變數名稱]


ThesisNoWorryCFA[X, {5, 6, 4}, {X1, X2, X3}]

ThesisNoWorryMed[X, M, Y, {5, 6, 4}, {4, 5}, {3, 3}, {X1, X2, X3}, {M1, M2}, {Y1, Y2}, Dem, DemName]

繼續閱讀全文　ThesisNoWorryMed Beta 0.1

• 編輯文章
• 此文章網址
• 轉寄此文章
• 目前有0 意見

thesisnoworryhlm[構面1量表,構面2量表,構面3量表,{構面1各分量表題數},{構面2各分量表題數},{構面3各分量表題數},
{構面1各分量表變數名稱},{構面2各分量表變數名稱},{構面3各分量表變數名稱}]

thesisnoworryhlm[ddata[[All,1;;15]],ddata[[All,16;;24]],
ddata[[All,25;;30]],{5,6,4},{4,5},{3,3},
{X1,X2,X3},{M1,M2},{Y1,Y2}]

thesisnoworryanova[構面1量表,構面2量表,構面3量表,{構面1各分量表題數},{構面2各分量表題數},{構面3各分量表題數},
{構面1各分量表變數名稱},{構面2各分量表變數名稱},{構面3各分量表變數名稱},人口統計變量資料,{人口統計變量變數名稱}

thesisnoworryanova[ddata[[All,1;;15]],ddata[[All,16;;24]],
ddata[[All,25;;30]],{5,6,4},{4,5},{3,3},
{X1,X2,X3},{M1,M2},{Y1,Y2},
ddata[[All,{31,32,33}]],{"Sex","Age","Edu"}]

Thesis No Worry 程式資料檔

繼續閱讀全文　Thesis No Worry

• 編輯文章
• 此文章網址
• 轉寄此文章
• 目前有0 意見

Box-Cox transformation是一種數據轉換技術，旨在使資料更符合常態分佈或類似常態分佈的假設。它是由統計學家George Box和David Cox在1964年提出的。 Box-Cox轉換涉及到一個指數λ，通過將數據點x進行以下轉換： 

y(λ)=(x^λ-1)/λ, 若λ≠0

y(λ)=Log(x), 若λ=0

Box-Cox轉換可以使資料更加符合常態分佈或類似常態分佈的假設，從而提高模型的預測能力和準確性。在實際應用中，通常需要對資料進行多次Box-Cox轉換，並選擇轉換後使資料分佈最接近正態分佈的λ值。當λ > 1時，它可以將正偏的資料變得更加對稱，而當λ < 1時，它可以將負偏的資料變得更加對稱。當λ = 0時，Box-Cox轉換即為對數轉換。 

需要注意的是，Box-Cox轉換只適用於正數資料。如果數據中包含負數，則可以使用相關的技術，如Yeo-Johnson轉換。另外，Box-Cox轉換不適用於包含零值的資料。在這種情況下，可以使用對數加一（log(x+1)）轉換。

data=Flatten[{#,Exp[#+RandomReal[NormalDistribution[0,1],1]]}]&/@Range[1,8,0.025];

(*畫出資料的散佈圖*)
ListPlot@data

(*計算各Lambda之R-Square*)
mymodel[n_]:=Block[{nlm,ntemp=n,datatemp},
datatemp={First@#,
If[ntemp==0,Log[Last@#],((Last@#)^ntemp-1)/ntemp]}&/@data;
nlm=LinearModelFit[datatemp,x,x];
nlm["RSquared"]
]

(*可發現當Lambda=0時，R-Square最大，所以最適轉換為取Ln*)
{#,mymodel[#]}&/@Range[-3,3,0.25]//TableForm
ListPlot[{#,mymodel[#]}&/@Range[-3,3,0.25]]

(*計算模式*)
myfun[x_]=Limit[(x^\[Lambda]-1)/\[Lambda],
\[Lambda]->SortBy[{#,mymodel[#]}&/@Range[-3,3,0.25],Last][[-1,1]]]

lm=LinearModelFit[{First@#,myfun[Last@#]}&/@data,x,x]

(*畫出轉換後之迴歸線及散佈圖*)
Plot[lm[x],{x,0,8},Epilog->{Red,Point[{First@#,myfun[Last@#]}&/@data]}]

繼續閱讀全文　Box-Cox transformation with Mathematica

• 編輯文章
• 此文章網址
• 轉寄此文章
• 目前有0 意見