寒假精進(jìn)計(jì)劃：掌握J(rèn)ASP數(shù)據(jù)分析，為2025年的自己打造最佳投資,！同為菜單式操作的軟件,，JASP又比SPSS更方便,，左側(cè)是操作，右側(cè)馬上看到對(duì)應(yīng)結(jié)果,。操作上的優(yōu)勢(shì)其實(shí)并不值得稱贊,，JASP比SPSS更有價(jià)值的是，比SPSS率先擁有了許多當(dāng)前流行的統(tǒng)計(jì)學(xué)方法,。===我開發(fā)了一套JASP的視頻教程,，可能是國內(nèi)第一套較為系統(tǒng)介紹JASP的資料。16 JASP一致性分析專題,。這個(gè)寒假開始學(xué)習(xí)一下JASP統(tǒng)計(jì)軟件,，給自己2025年做好的投資。

綜合評(píng)價(jià)指標(biāo)體系：代表性指標(biāo)的選擇，基于主成分分析,、相關(guān)系數(shù)某論文寫到：由相關(guān)系數(shù)表可知,，可溶性固形物含量與總糖、葡萄糖,、果糖含量高度正相關(guān),，而且測(cè)定方法簡便，選擇可溶性固形物含量代表甜味指標(biāo),；類胡蘿卜素含量權(quán)重高于葉綠素含量,，選擇類胡蘿卜素含量作為顏色和功能指標(biāo)。小兵注解論文結(jié)合相關(guān)系數(shù),、主成分分析以及指標(biāo)測(cè)量的難以程度,，從某一類或某一主成分內(nèi)選擇有代表性的指標(biāo)，這個(gè)做法可以參考。

讀《經(jīng)典中醫(yī)啟蒙》：三焦與氣機(jī)定律,。氣,，時(shí)刻在周轉(zhuǎn)流通的能量,；人體三種能量結(jié)構(gòu)：上焦氣,、中焦氣、下焦氣,。中焦,，脾胃之氣、土氣,、后天之本,；人體的能量來源就是三氣合一。下焦氣是生命資本,，是庫存,；中焦氣是后天源頭，每天都用（比如吃吃喝喝）,；上焦氣,，不是氧氣空氣，是自然環(huán)境的能量（好山好水）,。===氣機(jī)運(yùn)行第一定律：實(shí)則開,，虛則闔。

我的2024年終總結(jié)時(shí)間太快,，又到了寫年終總結(jié)的時(shí)候,，我今天幾乎就忘記了，是跟著孩子參加學(xué)?？缒昊顒?dòng)才反應(yīng)過來,，又一年過去了，真tm太快了哦,。成為R的調(diào)包俠今年對(duì)R的使用是比較多的,，主要是服務(wù)于統(tǒng)計(jì)咨詢。視頻課程課程目前仍然是我的主要產(chǎn)品,，但今天給大家公開地講,，視頻課程這種形式已經(jīng)不是最受歡迎的產(chǎn)品了，賣不動(dòng),，沒人買,。===↓我的2023年終總結(jié)我的2022年終總結(jié)我的2021年終總結(jié)我的2020年終總結(jié)2025年，我很期待,。

如何用熵權(quán)法/熵值法計(jì)算權(quán)重？資料推薦有了指標(biāo)體系，還需要給各指標(biāo)計(jì)算權(quán)重,，熵值法這種客觀賦權(quán)方法,，得到廣泛使用，那么,，如何用熵權(quán)法計(jì)算權(quán)重,？第三個(gè)資料，用stata軟件來完成熵值法權(quán)重計(jì)算,，用stata是一類人,，就是那一撥人，愛stata能愛死,，這個(gè)工具確認(rèn)非常好,，尤其是經(jīng)濟(jì)學(xué)領(lǐng)域，好像目前還沒有破圈吧,，我是推薦的,。SPSSAU做熵值法權(quán)重的資料如下：

SPSS問卷數(shù)據(jù)分析專輯（31篇文章匯總）「SPSS統(tǒng)計(jì)咨詢」「JASP統(tǒng)計(jì)分析」公眾號(hào)作者，網(wǎng)易云課堂數(shù)據(jù)分析類課程講師,，《誰說菜鳥不會(huì)數(shù)據(jù)分析SPSS篇》,、《SPSSAU科研數(shù)據(jù)分析方法與應(yīng)用》合著作者。戳標(biāo)題看原文很多人夢(mèng)寐以求的SPSS調(diào)查問卷因子分析案例問卷和量表不同,，不是所有的都要做信效度分析如何理解SPSS問卷加權(quán)處理,？

JASP 0.19.2最新：生存分析cox回歸好消息，JASP 0.19.2更新發(fā)布了,。以上是cox回歸模型總體檢驗(yàn),，參數(shù)估計(jì)，以及hr值及其置信區(qū)間的估計(jì)結(jié)果,。性別對(duì)風(fēng)險(xiǎn)的影響不顯著新治療方法可能顯著降低風(fēng)險(xiǎn),，盡管顯著性較低淋巴結(jié)轉(zhuǎn)移與較高的風(fēng)險(xiǎn)顯著相關(guān)年齡對(duì)風(fēng)險(xiǎn)的影響在統(tǒng)計(jì)上不顯著生存曲線。也允許指定分層進(jìn)行cox回歸分析并繪制生成曲線,。

練習(xí)R：ggstats包ggcoef_model()函數(shù)繪制線性回歸森林圖logistic回歸時(shí),，大家喜歡針對(duì)or值及其置信區(qū)間繪制森林圖，本號(hào)有關(guān)資料如下：學(xué)習(xí)R：finalfit包or_plot()函數(shù)繪制logistic回歸森林圖圖的可視化效果比較好,，就有人想那么是不是針對(duì)線性回歸的回歸系數(shù)也可以繪制類似的森林圖呢,？可采用ggstats包ggcoef_model()函數(shù)繪制線性回歸森林圖。現(xiàn)在直接對(duì)模型,，要求ggcoef_model()函數(shù)繪制森林圖：

自由職業(yè)也是需要工作的,，不是啥都自由，不是閑著就能賺錢。自由職業(yè)這個(gè)稱呼并不科學(xué),，可能會(huì)誤導(dǎo)很多正在職場(chǎng)加班的年輕人,，上班的人總想著自由職業(yè)的好，在單位稍微有點(diǎn)壓力,，受點(diǎn)氣就想著我TM辭職不干了,，我自由職業(yè)去。,。自由職業(yè)不自由,，各位,，自由職業(yè)也是需要工作的,，并不是自由躺著等錢來，錢不會(huì)自己跑到你兜里,?！办`活就業(yè)”這個(gè)詞語就要比“自由職業(yè)”更科學(xué)嚴(yán)謹(jǐn)一些，你是需要就業(yè)的,，不是閑著,。

小兵給大家測(cè)試使用JASP做密度聚類Density Based Clustering..咱們常用k均值、分層聚類,，這個(gè)密度聚類算是跟它們完全不同的算法,，適合那種凹凸有致的情況。距離聚類和密度聚類的區(qū)別吧,。接下來,，我們需要用密度聚類看看聚類的效果如何：密度聚類也得到5個(gè)類，剩余的是噪聲點(diǎn),。shape5噪聲點(diǎn),，密度聚類0這類準(zhǔn)確26點(diǎn)，有24個(gè)點(diǎn)錯(cuò)誤,。

JASP繪制箱線圖發(fā)現(xiàn)異常值今天錄了一個(gè)短視頻,，介紹了SPSS針對(duì)單個(gè)定量變量，通過繪制箱線圖發(fā)現(xiàn)異常值,，如下：那么JASP是否可以呢,，當(dāng)然是可以的。統(tǒng)計(jì)量設(shè)置：圖形設(shè)置：來看結(jié)果：箱線圖判斷異常值的方法主要基于四分位距（IQR）的計(jì)算,，IQR = Q3 - Q1根據(jù)IQR,，可以計(jì)算出異常值的下邊界和上邊界：下邊界 = Q1 - 1.5 × IQR上邊界 = Q3 + 1.5 × IQR任何低于下邊界或高于上邊界的數(shù)據(jù)點(diǎn)都可以被定義為異常值。

為什么數(shù)學(xué)建模比賽很少使用SPSS,？2）SPSS主要是窗口操作，在建模時(shí)不夠靈活，所謂的建模在它這里也主要是回歸,、決策樹,、神經(jīng)網(wǎng)絡(luò)等幾個(gè)。而且SPSS是傳統(tǒng)統(tǒng)計(jì)軟件,，它提供的模型參數(shù),，建模過程，許多時(shí)候不可調(diào)整,，操作不靈活等問題,，不適合大型數(shù)據(jù)的建模與挖掘分析。100%可以使用SPSS來做數(shù)學(xué)建模的一些題目,，看你對(duì)統(tǒng)計(jì)方法和SPSS的掌握程度,，許多題型完全可以由SPSS完成。

練習(xí)R：bruceR包PROCESS()函數(shù)做簡單調(diào)節(jié)效應(yīng)bruceR包調(diào)節(jié)效應(yīng),，好用,，自變量允許連續(xù)、分類,，調(diào)節(jié)變量也支持連續(xù),、分類。PROCESS(employee, y="salary", x="eduy", mods="prevexp")具體執(zhí)行時(shí),，僅需要上面這一行代碼,。進(jìn)一步需要分析簡單斜率：選點(diǎn)法，低中高三個(gè)點(diǎn)的簡單斜率,。參考資料：bruceR包v0.7.0：PROCESS()函數(shù)輕松實(shí)現(xiàn)中介效應(yīng)和調(diào)節(jié)效應(yīng)分析https://zhuanlan.zhihu.com/p/376007591===

小兵給大家測(cè)試使用JASP做簡單調(diào)節(jié)效應(yīng)JASP有個(gè)【Process】模塊,，看名字就知道了是致敬Hayes的Process宏程序或插件的，功能用途也基本類似,。讓JASP繪制調(diào)節(jié)的路徑圖,，可以有概念圖形和路徑圖形。上圖是調(diào)節(jié)模型路徑圖,，箭頭和回歸系數(shù)有遮擋,，暫不能拖拽調(diào)整位置。上表簡單斜率檢驗(yàn),，低中高三檔調(diào)節(jié)下,，斜率都是顯著的，綜合看本例是負(fù)向調(diào)節(jié),，調(diào)節(jié)由低到高的過程中,，X對(duì)Y的影響降低。

bruceR包MEAN函數(shù)快速計(jì)算量表題項(xiàng)平均分,。今天練習(xí)一下R語言bruceR包的MEAN函數(shù),。library(bruceR)library(data.table)data2 = as.data.table(data)data2[,":="( YO = MEAN(data2,"Q",9:13), YI = MEAN(data2,"Q",14:17), QW = MEAN(data2,"Q",18:21), TD = MEAN(data2,"Q",22:24), MY = MEAN(data2,"Q",25:28), GM = MEAN(data2,"Q",29:31))]View(data2)這一句是MEAN函數(shù),，意思是把Q9-Q13題用來給YO計(jì)算它的維度得分?jǐn)?shù)據(jù)。

JASP與Jamovi之間的主要區(qū)別在哪里,？主要區(qū)別1）最大區(qū)別是JASP特別強(qiáng)調(diào)貝葉斯統(tǒng)計(jì)方法，在許多模塊下都提供了貝葉斯統(tǒng)計(jì)方案,，Jamovi沒有這方面,。2）我個(gè)人看法是JASP的專業(yè)性更突出，具體體現(xiàn)在統(tǒng)計(jì)方法的參數(shù)設(shè)置上,，更全面,，更貼近學(xué)術(shù)或科研需求，用心的服務(wù)廣大科研工作者,。3）模塊調(diào)用上不同,，JASP的模塊都是內(nèi)置好的，安裝JASP后全有了,，大家看JASP的菜單欄,，模塊太多已經(jīng)放不下了。

2分鐘視頻速學(xué)用jasp設(shè)計(jì)bbd響應(yīng)面試驗(yàn),。下方視頻2分鐘時(shí)間介紹bbd試驗(yàn)設(shè)計(jì)過程，支持試驗(yàn)因素修改,，輸出編碼值或真實(shí)值,，設(shè)定中心點(diǎn)重復(fù)，以及導(dǎo)出設(shè)計(jì)好的方案表格,。同時(shí)jasp也可以進(jìn)行響應(yīng)面試驗(yàn)數(shù)據(jù)分析,，推薦使用。如有疑問,，歡迎找小兵答疑咨詢,。其他響應(yīng)面試驗(yàn)資料：大家好，我是數(shù)據(jù)小兵,。

JASP 0.19 驗(yàn)證性因子分析報(bào)錯(cuò)問題解決啦~大家好,，我是數(shù)據(jù)小兵。昨天推送里說JASP 0.19遇到了報(bào)錯(cuò)問題無法解決,，中文操作界面是這樣的：在（感謝）Bruce Bao老師提示后,，我們仔細(xì)看報(bào)錯(cuò)提示，提到意外的字符,，應(yīng)該是無法識(shí)別字符造成的,，然后再具體看左側(cè)，簡體中文版界面上,，默認(rèn)的“因子1”和“因子2”,，這個(gè)因子名稱用的是中文,，應(yīng)該是這個(gè)中文字符識(shí)別的問題。關(guān)注JASP統(tǒng)計(jì)分析公號(hào),，一起學(xué)習(xí),，共同進(jìn)步，探索和使用JASP,。

JASP 0.19 你們的驗(yàn)證性因子分析可以用嗎？更新到0.19后發(fā)現(xiàn)一個(gè)問題,，驗(yàn)證性因子分析模塊報(bào)錯(cuò),，如下：其他界面如下：===這個(gè)報(bào)錯(cuò)并沒有注明具體原因，所以暫時(shí)還沒有辦法解決,。===本號(hào)內(nèi)因子分析的歷史文章：JASP 0.19發(fā)布：提供了因子分析公因子得分的計(jì)算結(jié)果JASP驗(yàn)證性因子分析模型圖可以旋轉(zhuǎn)了JASP驗(yàn)證性因子分析報(bào)錯(cuò)：缺失數(shù)據(jù)處理“FIML”不支持分類數(shù)據(jù),，怎么解決？

學(xué)習(xí)R：finalfit包or_plot()函數(shù)繪制logistic回歸森林圖,。簡單練習(xí)一下,，采用finalfit包or_plot()函數(shù)繪制logistic回歸森林圖。install.packages("finalfit")library(finalfit)employee %>% finalfit.glm(dependent = y, explanatory= x)擬合logistic回歸模型,，用finalfit.glm()函數(shù),。employee %>% or_plot(dependent = y, explanatory= x)