# 載入套件
library(readr)
library(dplyr)
library(tidyr)
library(lavaan)
library(car)
library(glue)
library(ggplot2)
library(knitr)###資料前處理
#計算量表平均
df$C_AVG <- rowMeans(df[, c("C1", "C2", "C3", "C4", "C5")], na.rm = TRUE)
df$N_AVG <- rowMeans(df[, c("N1", "N2", "N3", "N4", "N52", "N7", "N92", "N12")], na.rm = TRUE)
df$abcon <- as.factor(df$abcon)
df$wwo <- as.factor(df$wwo)
#因子轉換
Manipulation1 <- "Column18"
Manipulation2 <- "Column21"
# 重新命名人口統計變項與控制變項
# Column40 -> Control (控制變項)
# Column45 -> Gender (性別)
# Column46 -> Age (年齡)
# Column47 -> Education (教育程度)
# Column48 -> Background (背景)
mapping <- c(
"Control" = "Column40",
"Gender" = "Column45",
"Age" = "Column46",
"Education" = "Column47",
"Background" = "Column48"
)
existing_cols <- mapping[mapping %in% names(df)]
if(length(existing_cols) > 0) {
df <- df %>% rename(!!!existing_cols)
}
IV1 <- "abcon"
IV2 <- "wwo"
MED1 <- "N_AVG"
MED2 <- "C_AVG"
#DVs <- c("罪名2", "判決信心", "刑期2")
continuous_DVs <- c("判決信心", "刑期2")樣本背景分析
以下呈現樣本的人口統計變項分佈情形。
if("Column45" %in% names(df)) {
# 假設 Column45 是性別
gender_tbl <- table(df$Column45)
gender_prop <- round(prop.table(gender_tbl) * 100, 2)
kable(cbind(人數 = gender_tbl, 百分比 = gender_prop), caption = "性別分佈統計")
}if("Column47" %in% names(df)) {
# 假設 Column47 是教育程度
edu_tbl <- table(df$Column47)
edu_prop <- round(prop.table(edu_tbl) * 100, 2)
kable(cbind(人數 = edu_tbl, 百分比 = edu_prop), caption = "教育程度分佈統計")
}if("Column46" %in% names(df) && is.numeric(df$Column46)) {
age_stats <- data.frame(
指標 = c("平均年齡 (Mean)", "標準差 (SD)", "最小值 (Min)", "最大值 (Max)"),
數值 = c(
round(mean(df$Column46, na.rm=TRUE), 2),
round(sd(df$Column46, na.rm=TRUE), 2),
min(df$Column46, na.rm=TRUE),
max(df$Column46, na.rm=TRUE)
)
)
kable(age_stats, caption = "年齡描述性統計")
}下表顯示在不同實驗情境（語言具體性 × 品格證據）下，依變項（判決信心、刑期）與中介變項（信賴感、敘事傳輸）的平均數與標準差。
group_stats <- df %>%
group_by(abcon, wwo) %>%
summarise(
N = n(),
信心_M = round(mean(判決信心, na.rm = TRUE), 2),
信心_SD = round(sd(判決信心, na.rm = TRUE), 2),
刑期_M = round(mean(刑期2, na.rm = TRUE), 2),
刑期_SD = round(sd(刑期2, na.rm = TRUE), 2),
信賴_M = round(mean(N_AVG, na.rm = TRUE), 2),
信賴_SD = round(sd(N_AVG, na.rm = TRUE), 2),
傳輸_M = round(mean(C_AVG, na.rm = TRUE), 2),
傳輸_SD = round(sd(C_AVG, na.rm = TRUE), 2),
.groups = 'drop'
)
kable(group_stats, caption = "各實驗組別之依變項與中介變項摘要 (abcon: 語言具體性, wwo: 品格證據)")| abcon | wwo | N | 信心_M | 信心_SD | 刑期_M | 刑期_SD | 信賴_M | 信賴_SD | 傳輸_M | 傳輸_SD |
|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 0 | 27 | 3.19 | 1.27 | 1.37 | 0.56 | 3.82 | 1.11 | 3.59 | 0.97 |
| 0 | 1 | 34 | 4.09 | 1.73 | 1.53 | 0.61 | 4.23 | 1.14 | 3.51 | 1.16 |
| 1 | 0 | 31 | 3.71 | 1.66 | 1.32 | 0.54 | 4.79 | 0.82 | 3.76 | 1.06 |
| 1 | 1 | 40 | 3.88 | 1.71 | 1.48 | 0.55 | 4.77 | 0.74 | 3.32 | 0.93 |
說明: abcon (1=具體, 0=抽象), wwo (1=有攻擊, 0=無攻擊)
for (DV in continuous_DVs) {
cat("===========================\n")
cat(DV, "的 2x2 ANOVA \n")
cat("===========================\n")
formula <- as.formula(paste(DV, "~", IV1, "*", IV2))
fit <- lm(formula, data = df)
print(Anova(fit, type = 3))
cat("\n")
}## ===========================
## 判決信心 的 2x2 ANOVA
## ===========================
## Anova Table (Type III tests)
##
## Response: 判決信心
## Sum Sq Df F value Pr(>F)
## (Intercept) 273.93 1 103.8670 < 2e-16 ***
## abcon 3.97 1 1.5053 0.22211
## wwo 12.27 1 4.6535 0.03286 *
## abcon:wwo 4.40 1 1.6682 0.19883
## Residuals 337.57 128
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## ===========================
## 刑期2 的 2x2 ANOVA
## ===========================
## Anova Table (Type III tests)
##
## Response: 刑期2
## Sum Sq Df F value Pr(>F)
## (Intercept) 50.704 1 156.3268 <2e-16 ***
## abcon 0.033 1 0.1016 0.7504
## wwo 0.381 1 1.1736 0.2807
## abcon:wwo 0.000 1 0.0011 0.9737
## Residuals 41.516 128
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1# glm 代表 Generalized Linear Model (廣義線性模型)
# family = binomial() 指定了這是二元分布，要使用 Logit 連結函數
fit_logit <- glm(罪名2 ~ abcon * wwo, data = df, family = binomial())
# Anova(type = 3) 會輸出類似 ANOVA 的表格，告訴您主效應和交互作用是否顯著
# 這裡輸出的統計量是 Chi-square (LR Chisq)，而非 F 值
print(Anova(fit_logit, type = 3))## Analysis of Deviance Table (Type III tests)
##
## Response: 罪名2
## LR Chisq Df Pr(>Chisq)
## abcon 2.9135 1 0.08784 .
## wwo 1.5231 1 0.21715
## abcon:wwo 1.0337 1 0.30930
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1CVs <- c("Control")
for (DV in continuous_DVs) {
cat("#################################\n")
cat("### ANCOVA 分析報告 (共變數分析) ###\n")
cat("#################################\n")
cat("依變項 (Dependent Variable):", DV, "\n")
cat("獨變項 (Independent Variables):", IV1, "(語言具體性) *", IV2, "(品格證據)\n")
cat("控制共變數 (Covariates):", paste(CVs, collapse = ", "), "\n")
cat("-------------------------------------------------------\n")
# 建立 ANCOVA 公式: DV ~ IV1 * IV2 + CV1 + CV2 ...
cv_formula_part <- paste(CVs, collapse = " + ")
formula_ancova <- as.formula(paste(DV, "~", IV1, "*", IV2, "+", cv_formula_part))
cat("使用的統計模型公式:\n")
print(formula_ancova)
cat("\n")
# 擬合模型
fit_ancova <- lm(formula_ancova, data = df)
print(Anova(fit_ancova, type = 3))
} ## #################################
## ### ANCOVA 分析報告 (共變數分析) ###
## #################################
## 依變項 (Dependent Variable): 判決信心
## 獨變項 (Independent Variables): abcon (語言具體性) * wwo (品格證據)
## 控制共變數 (Covariates): Control
## -------------------------------------------------------
## 使用的統計模型公式:
## 判決信心 ~ abcon * wwo + Control
##
## Anova Table (Type III tests)
##
## Response: 判決信心
## Sum Sq Df F value Pr(>F)
## (Intercept) 176.98 1 68.7162 1.392e-13 ***
## abcon 5.36 1 2.0828 0.15143
## wwo 15.13 1 5.8763 0.01675 *
## Control 10.49 1 4.0714 0.04572 *
## abcon:wwo 6.43 1 2.4959 0.11663
## Residuals 327.09 127
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## #################################
## ### ANCOVA 分析報告 (共變數分析) ###
## #################################
## 依變項 (Dependent Variable): 刑期2
## 獨變項 (Independent Variables): abcon (語言具體性) * wwo (品格證據)
## 控制共變數 (Covariates): Control
## -------------------------------------------------------
## 使用的統計模型公式:
## 刑期2 ~ abcon * wwo + Control
##
## Anova Table (Type III tests)
##
## Response: 刑期2
## Sum Sq Df F value Pr(>F)
## (Intercept) 31.975 1 101.9755 < 2e-16 ***
## abcon 0.002 1 0.0068 0.93439
## wwo 0.607 1 1.9361 0.16653
## Control 1.695 1 5.4055 0.02166 *
## abcon:wwo 0.041 1 0.1317 0.71729
## Residuals 39.821 127
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1「在控制了共變數（Control）的影響後，ANCOVA 分析結果顯示：判決信心：『品格證據』具有顯著的主效應 (\(F(1, 127) = 5.88, p < .05\))，顯示檢察官使用人格攻擊策略會顯著改變國民法官的判決信心。然而，語言具體性的主效應與兩者的交互作用則不顯著。量刑建議：所有實驗操弄變項（語言具體性、品格證據）及其交互作用對量刑長短皆無顯著影響 (\(ps > .05\))。唯控制變項在模型中達顯著水準 (\(p < .05\))，顯示受試者的個人特質對量刑決策具有解釋力。
# 定義要進行分組的變項名稱
subgroup_vars <- c("Gender", "Age", "Education")
# 依序對每個變項進行分析
for (var_name in subgroup_vars) {
# 檢查變項是否存在於資料框中
if (var_name %in% names(df)) {
# 1. 輸出大標題 (例如：## 依 Gender 分組)
cat(paste0("\n## 依 ", var_name, " 分組\n\n"))
# 取得該變項的所有層級 (去除 NA)
levels_vec <- unique(na.omit(df[[var_name]]))
# 若為數值型態(如年齡)，進行排序讓報告更整齊
if(is.numeric(levels_vec)) levels_vec <- sort(levels_vec)
# 依序對該變項的每個層級進行分析 (例如：男、女)
for (lvl in levels_vec) {
# 2. 輸出次標題 (例如：### Gender：男)
cat(paste0("\n### ", var_name, "：", lvl, "\n\n"))
# 篩選出該層級的子樣本
sub_data <- df %>% filter(.data[[var_name]] == lvl)
# 輸出樣本數資訊
cat(paste0("**樣本數：** ", nrow(sub_data), "\n\n"))
# 樣本數檢查：若大於 10 才執行統計檢定，避免自由度不足
if(nrow(sub_data) > 10) {
# 對兩個依變項分別跑 ANOVA
for (dv in c("判決信心", "刑期2")) {
# 輸出小標題 (例如：#### 依變項：判決信心)
cat(paste0("#### 依變項：", dv, "\n\n"))
# 建立公式：依變項 ~ 語言具體性 * 品格證據
f <- as.formula(paste(dv, "~ abcon * wwo"))
# 嘗試執行 ANOVA，使用 tryCatch 避免因單一組別錯誤導致整個報告中斷
tryCatch({
fit <- lm(f, data = sub_data)
# 使用 kable 輸出漂亮的表格
# 注意：在 results='asis' 的迴圈中，必须明確使用 print()
print(knitr::kable(Anova(fit, type = 3),
caption = paste("ANOVA 摘要表：", var_name, "=", lvl, "-", dv),
digits = 3)) # 設定小數點位數
}, error = function(e) {
# 若發生錯誤 (如某組變異數為0)，印出提示
cat(paste0("> *無法計算 (可能原因：樣本不足或該組別內數值皆相同)*\n"))
})
cat("\n") # 表格後的換行
}
} else {
cat("> *樣本過少 (< 10)，跳過統計檢定。*\n")
}
# 加一條分隔線
cat("\n---\n")
}
} else {
# 若找不到該變項
cat(paste0("\n> [警告] 資料中找不到變項：", var_name, "，請檢查欄位名稱。\n"))
}
}##
## ## 依 Gender 分組
##
##
## ### Gender：1
##
## **樣本數：** 30
##
## #### 依變項：判決信心
##
##
##
## Table: ANOVA 摘要表： Gender = 1 - 判決信心
##
## | | Sum Sq| Df| F value| Pr(>F)|
## |:-----------|------:|--:|-------:|------:|
## |(Intercept) | 20.250| 1| 7.014| 0.014|
## |abcon | 6.750| 1| 2.338| 0.138|
## |wwo | 17.112| 1| 5.927| 0.022|
## |abcon:wwo | 6.338| 1| 2.195| 0.150|
## |Residuals | 75.062| 26| NA| NA|
##
## #### 依變項：刑期2
##
##
##
## Table: ANOVA 摘要表： Gender = 1 - 刑期2
##
## | | Sum Sq| Df| F value| Pr(>F)|
## |:-----------|------:|--:|-------:|------:|
## |(Intercept) | 6.250| 1| 13.000| 0.001|
## |abcon | 0.083| 1| 0.173| 0.681|
## |wwo | 0.450| 1| 0.936| 0.342|
## |abcon:wwo | 0.017| 1| 0.035| 0.854|
## |Residuals | 12.500| 26| NA| NA|
##
##
## ---
##
## ### Gender：2
##
## **樣本數：** 99
##
## #### 依變項：判決信心
##
##
##
## Table: ANOVA 摘要表： Gender = 2 - 判決信心
##
## | | Sum Sq| Df| F value| Pr(>F)|
## |:-----------|-------:|--:|-------:|------:|
## |(Intercept) | 235.636| 1| 96.733| 0.000|
## |abcon | 1.099| 1| 0.451| 0.503|
## |wwo | 1.536| 1| 0.631| 0.429|
## |abcon:wwo | 0.095| 1| 0.039| 0.844|
## |Residuals | 231.414| 95| NA| NA|
##
## #### 依變項：刑期2
##
##
##
## Table: ANOVA 摘要表： Gender = 2 - 刑期2
##
## | | Sum Sq| Df| F value| Pr(>F)|
## |:-----------|------:|--:|-------:|------:|
## |(Intercept) | 43.682| 1| 150.290| 0.000|
## |abcon | 0.095| 1| 0.326| 0.570|
## |wwo | 0.012| 1| 0.043| 0.837|
## |abcon:wwo | 0.096| 1| 0.329| 0.568|
## |Residuals | 27.612| 95| NA| NA|
##
##
## ---
##
## ### Gender：3
##
## **樣本數：** 1
##
## > *樣本過少 (< 10)，跳過統計檢定。*
##
## ---
##
## ### Gender：4
##
## **樣本數：** 2
##
## > *樣本過少 (< 10)，跳過統計檢定。*
##
## ---
##
## ## 依 Age 分組
##
##
## ### Age：1
##
## **樣本數：** 1
##
## > *樣本過少 (< 10)，跳過統計檢定。*
##
## ---
##
## ### Age：2
##
## **樣本數：** 104
##
## #### 依變項：判決信心
##
##
##
## Table: ANOVA 摘要表： Age = 2 - 判決信心
##
## | | Sum Sq| Df| F value| Pr(>F)|
## |:-----------|-------:|---:|-------:|------:|
## |(Intercept) | 210.182| 1| 87.048| 0.000|
## |abcon | 3.562| 1| 1.475| 0.227|
## |wwo | 10.182| 1| 4.217| 0.043|
## |abcon:wwo | 1.870| 1| 0.775| 0.381|
## |Residuals | 241.455| 100| NA| NA|
##
## #### 依變項：刑期2
##
##
##
## Table: ANOVA 摘要表： Age = 2 - 刑期2
##
## | | Sum Sq| Df| F value| Pr(>F)|
## |:-----------|------:|---:|-------:|------:|
## |(Intercept) | 40.909| 1| 124.654| 0.000|
## |abcon | 0.010| 1| 0.030| 0.863|
## |wwo | 0.229| 1| 0.698| 0.405|
## |abcon:wwo | 0.013| 1| 0.040| 0.843|
## |Residuals | 32.818| 100| NA| NA|
##
##
## ---
##
## ### Age：3
##
## **樣本數：** 17
##
## #### 依變項：判決信心
##
##
##
## Table: ANOVA 摘要表： Age = 3 - 判決信心
##
## | | Sum Sq| Df| F value| Pr(>F)|
## |:-----------|------:|--:|-------:|------:|
## |(Intercept) | 50.000| 1| 15.745| 0.002|
## |abcon | 0.667| 1| 0.210| 0.654|
## |wwo | 0.083| 1| 0.026| 0.874|
## |abcon:wwo | 0.418| 1| 0.132| 0.723|
## |Residuals | 41.283| 13| NA| NA|
##
## #### 依變項：刑期2
##
##
##
## Table: ANOVA 摘要表： Age = 3 - 刑期2
##
## | | Sum Sq| Df| F value| Pr(>F)|
## |:-----------|------:|--:|-------:|------:|
## |(Intercept) | 4.500| 1| 12.904| 0.003|
## |abcon | 0.167| 1| 0.478| 0.502|
## |wwo | 0.333| 1| 0.956| 0.346|
## |abcon:wwo | 0.004| 1| 0.011| 0.917|
## |Residuals | 4.533| 13| NA| NA|
##
##
## ---
##
## ### Age：4
##
## **樣本數：** 4
##
## > *樣本過少 (< 10)，跳過統計檢定。*
##
## ---
##
## ### Age：5
##
## **樣本數：** 4
##
## > *樣本過少 (< 10)，跳過統計檢定。*
##
## ---
##
## ### Age：6
##
## **樣本數：** 2
##
## > *樣本過少 (< 10)，跳過統計檢定。*
##
## ---
##
## ## 依 Education 分組
##
##
## ### Education：2
##
## **樣本數：** 8
##
## > *樣本過少 (< 10)，跳過統計檢定。*
##
## ---
##
## ### Education：3
##
## **樣本數：** 71
##
## #### 依變項：判決信心
##
##
##
## Table: ANOVA 摘要表： Education = 3 - 判決信心
##
## | | Sum Sq| Df| F value| Pr(>F)|
## |:-----------|-------:|--:|-------:|------:|
## |(Intercept) | 204.765| 1| 79.805| 0.000|
## |abcon | 0.005| 1| 0.002| 0.963|
## |wwo | 1.323| 1| 0.516| 0.475|
## |abcon:wwo | 0.000| 1| 0.000| 0.996|
## |Residuals | 171.910| 67| NA| NA|
##
## #### 依變項：刑期2
##
##
##
## Table: ANOVA 摘要表： Education = 3 - 刑期2
##
## | | Sum Sq| Df| F value| Pr(>F)|
## |:-----------|------:|--:|-------:|------:|
## |(Intercept) | 31.118| 1| 94.272| 0.000|
## |abcon | 0.018| 1| 0.053| 0.818|
## |wwo | 0.020| 1| 0.062| 0.805|
## |abcon:wwo | 0.408| 1| 1.235| 0.270|
## |Residuals | 22.116| 67| NA| NA|
##
##
## ---
##
## ### Education：4
##
## **樣本數：** 53
##
## #### 依變項：判決信心
##
##
##
## Table: ANOVA 摘要表： Education = 4 - 判決信心
##
## | | Sum Sq| Df| F value| Pr(>F)|
## |:-----------|-------:|--:|-------:|------:|
## |(Intercept) | 78.125| 1| 30.046| 0.000|
## |abcon | 3.719| 1| 1.430| 0.237|
## |wwo | 8.847| 1| 3.402| 0.071|
## |abcon:wwo | 6.798| 1| 2.614| 0.112|
## |Residuals | 127.407| 49| NA| NA|
##
## #### 依變項：刑期2
##
##
##
## Table: ANOVA 摘要表： Education = 4 - 刑期2
##
## | | Sum Sq| Df| F value| Pr(>F)|
## |:-----------|------:|--:|-------:|------:|
## |(Intercept) | 18.000| 1| 61.782| 0.000|
## |abcon | 0.274| 1| 0.939| 0.337|
## |wwo | 0.359| 1| 1.232| 0.272|
## |abcon:wwo | 0.337| 1| 1.155| 0.288|
## |Residuals | 14.276| 49| NA| NA|
##
##
## ---