資料說明

資料來源：微笑小熊調查小棧平台

問卷名稱：編號1351「十分鐘鍵盤法官」

調查期間：2020年7月20日至2020年8月18日

有效觀察值N=1,054

假設

假設一：不關心弱勢的人也較少以關懷原則去衡量一個人的對錯

假設二：容許殘忍行為的人就會降低以關懷原則去衡量一個人的對錯

初步處理資料檔

# 讀入資料檔並將變數名稱字串轉為變數標籤
library(readr)
x1351 <- read_csv("x1351.csv")
## Warning: Duplicated column names deduplicated: '（非必填。如果有其它想法，歡迎
## 填寫在下方框框裡噢！）' => '（非必填。如果有其它想法，歡迎填寫在下方框框裡噢！）
## _1' [19], '（非必填。如果有其它想法，歡迎填寫在下方框框裡噢！）' => '（非必填。
## 如果有其它想法，歡迎填寫在下方框框裡噢！）_2' [25], '（非必填。如果有其它想法，
## 歡迎填寫在下方框框裡噢！）' => '（非必填。如果有其它想法，歡迎填寫在下方框框裡
## 噢！）_3' [32], '（非必填。如果有其它想法，歡迎填寫在下方框框裡噢！）' => '（非
## 必填。如果有其它想法，歡迎填寫在下方框框裡噢！）_4' [39]
## 
## -- Column specification --------------------------------------------------------
## cols(
##   .default = col_double(),
##   Residence = col_character(),
##   Job = col_character(),
##   `（非必填。如果有其它想法，歡迎填寫在下方框框裡噢！）` = col_character(),
##   `（非必填。如果有其它想法，歡迎填寫在下方框框裡噢！）_1` = col_character(),
##   `（非必填。如果有其它想法，歡迎填寫在下方框框裡噢！）_2` = col_character(),
##   `（非必填。如果有其它想法，歡迎填寫在下方框框裡噢！）_3` = col_character(),
##   `（非必填。如果有其它想法，歡迎填寫在下方框框裡噢！）_4` = col_character()
## )
## i Use `spec()` for the full column specifications.
View(x1351)
nrow(x1351)
## [1] 1043
ncol(x1351)
## [1] 41
# 取出變數名稱當作變數標籤
varlabels <- colnames(x1351)
# 拿掉標籤之後的變數名稱重新命名為V1, V2, ...至v41
colnames(x1351)[1:41] <- paste("v", 1:41, sep="")
# 為變數名稱裝上標籤
sjlabelled::set_label(x1351) <- varlabels
# 批次處理無效值
x1351 <- sjmisc::set_na(x1351, na= "NA")

變數編碼與描述

varlabels #列出每個變數的標籤
##  [1] "Gender"                                                                                
##  [2] "Born year"                                                                             
##  [3] "EDU"                                                                                   
##  [4] "Curloc"                                                                                
##  [5] "Residence"                                                                             
##  [6] "Job"                                                                                   
##  [7] "對於這件事的對錯，「有沒有人在情感上受到傷害」，與你的判斷有多相關？"                  
##  [8] "那麼，「有沒有人受到差別待遇」與你判斷此事的對錯，有多相關呢？"                        
##  [9] "他「在行為上有沒有展現愛國心」，與你判斷這件事的對錯，有多相關？"                      
## [10] "那對於這件事的對錯，他「有沒有不尊重權威」，與你的判斷有多相關？"                      
## [11] "那麼，就他「有沒有做出不聖潔、或違反善良風俗的事」呢？對你的判斷有多相關？"            
## [12] "（非必填。如果有其它想法，歡迎填寫在下方框框裡噢！）"                                  
## [13] "對於這件事的對錯，他「數學能力好不好」，與你的判斷有多相關？"                          
## [14] "那他「有沒有展現過關懷弱勢、或關懷受到傷害的人」與你判斷此事的對錯，有多相關呢？"      
## [15] "那麼，就他「做的事有沒有展現公平公正」呢？"                                            
## [16] "他「有沒有背叛他的團隊或組織」，與你判斷這件事的對錯，有多相關？"                      
## [17] "那對於這件事的對錯，他「言行有沒有遵循社會的傳統價值」，與你的判斷有多相關？"          
## [18] "那麼，就他「有沒有做令人看了渾身不舒服、甚至是作嘔的事」呢？對你的判斷有多相關？"      
## [19] "（非必填。如果有其它想法，歡迎填寫在下方框框裡噢！）_1"                                
## [20] "對於這件事的對錯，他「有沒有做令人覺得殘忍的事」，與你的判斷有多相關？"                
## [21] "那麼，他「言行有沒有展現忠誠」與你判斷此事的對錯，有多相關呢？"                        
## [22] "他「有沒有做出破壞秩序、甚至造成混亂的事」，與你判斷這件事的對錯，有多相關？"          
## [23] "那對於這件事的對錯，他「在言行上，有沒有遵循神／佛／上帝的教誨」，與你的判斷有多相關？"
## [24] "他的「權利有沒有被侵犯、甚至被剝奪」，與你判斷他的對錯，有多相關？"                    
## [25] "（非必填。如果有其它想法，歡迎填寫在下方框框裡噢！）_2"                                
## [26] "「對受害者展現同情，是最重要的美德。」"                                                
## [27] "「政府制定法律時，最重要的原則是保證每個人都受到公平對待。」"                          
## [28] "「我對自己國家的歷史感到驕傲。」"                                                      
## [29] "「儘管沒有傷害到別人，也不該做出令人作嘔的事。」"                                      
## [30] "「為善勝於作惡。」"                                                                    
## [31] "「傷害毫無抵抗能力的動物，是件極為糟糕的事。」"                                        
## [32] "（非必填。如果有其它想法，歡迎填寫在下方框框裡噢！）_3"                                
## [33] "「這個社會最應該要求的，就是正義。」"                                                  
## [34] "「對於自己的家人，就算他們做錯了什麼，也要對他們展現忠誠。」"                          
## [35] "「男人與女人，有各自不同的社會職責要扮演。」"                                          
## [36] "「如果一個人的行為不符合常規，我會覺得那個行為是不對的。」"                            
## [37] "「殺人無論如何都是不對的。」"                                                          
## [38] "「有錢人家的孩子繼承很多錢，而貧困的孩子繼承不到任何東西，是很不道德的。」"            
## [39] "（非必填。如果有其它想法，歡迎填寫在下方框框裡噢！）_4"                                
## [40] "「團隊合作比展現自我更重要。」"                                                        
## [41] "「如果我是個軍人，即使心裡不太同意長官的命令，我也會照辦。因為服從是我的義務。」"
library(sjmisc)
library(sjPlot)
## #refugeeswelcome
names(x1351)
##  [1] "v1"  "v2"  "v3"  "v4"  "v5"  "v6"  "v7"  "v8"  "v9"  "v10" "v11" "v12"
## [13] "v13" "v14" "v15" "v16" "v17" "v18" "v19" "v20" "v21" "v22" "v23" "v24"
## [25] "v25" "v26" "v27" "v28" "v29" "v30" "v31" "v32" "v33" "v34" "v35" "v36"
## [37] "v37" "v38" "v39" "v40" "v41"
## 依變數：「關懷原則是衡量行為對錯的重要因素」

# (v7)想像有一個大型社會案件，對於這件事的對錯，「有沒有人在情感上受到傷害」，對你的判斷有多相關?
# (01)毫不相關 (02)不太相關 (03)只有一點相關 (04)一定程度相關 (05)特別相關   (06)絕對相關
table(x1351$v7)
## 
##   1   2   3   4   5   6 
##  57 142 251 517  46  30
x1351$v7r <- rec(x1351$v7, rec = "1:3=0; 4:6=1", as.num = F)
frq(x1351$v7)
## 
## 對於這件事的對錯，「有沒有人在情感上受到傷害」，與你的判斷有多相關？ (x) <numeric>
## # total N=1043  valid N=1043  mean=3.42  sd=1.05
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     1 |  57 |  5.47 |    5.47 |   5.47
##     2 | 142 | 13.61 |   13.61 |  19.08
##     3 | 251 | 24.07 |   24.07 |  43.14
##     4 | 517 | 49.57 |   49.57 |  92.71
##     5 |  46 |  4.41 |    4.41 |  97.12
##     6 |  30 |  2.88 |    2.88 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>
frq(x1351$v7r)
## 
## 對於這件事的對錯，「有沒有人在情感上受到傷害」，與你的判斷有多相關？ (x) <categorical>
## # total N=1043  valid N=1043  mean=0.57  sd=0.50
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 | 450 | 43.14 |   43.14 |  43.14
##     1 | 593 | 56.86 |   56.86 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>
plot_frq(x1351$v7r)

## 資料說明
## 自變數
# 假設一：「關懷弱勢的人」
#  (v14)那他「有沒有展現過關懷弱勢、或關懷受到傷害的人」與你判斷此事的對錯，有多相關呢？
# (01)毫不相關 (02)不太相關 (03)只有一點相關 (04)一定程度相關 (05)特別相關   (06)絕對相關
table(x1351$v14)
## 
##   1   2   3   4   5   6 
##  96 205 303 353  62  24
x1351$v14r <- rec(x1351$v14, rec = "1:3=0; 4:6=1", as.num = F)
frq(x1351$v14r)
## 
## 那他「有沒有展現過關懷弱勢、或關懷受到傷害的人」與你判斷此事的對錯，有多相關呢？ (x) <categorical>
## # total N=1043  valid N=1043  mean=0.42  sd=0.49
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 | 604 | 57.91 |   57.91 |  57.91
##     1 | 439 | 42.09 |   42.09 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>
plot_frq(x1351$v14r)

# 假設二：「做出殘忍的行為」
# (v20)對於這件的對錯，他「有沒有做令人覺得殘忍的事」，與你的判斷有多相關？
# (01)毫不相關 (02)不太相關 (03)只有一點相關 (04)一定程度相關 (05)特別相關   (06)絕對相關
table(x1351$v20)
## 
##   1   2   3   4   5   6 
##  30  60 153 388 228 184
x1351$v20r <- rec(x1351$v20, rec = "1:3=0; 4:6=1", as.num = F)
frq(x1351$v20r)
## 
## 對於這件事的對錯，他「有沒有做令人覺得殘忍的事」，與你的判斷有多相關？ (x) <categorical>
## # total N=1043  valid N=1043  mean=0.77  sd=0.42
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 | 243 | 23.30 |   23.30 |  23.30
##     1 | 800 | 76.70 |   76.70 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>
plot_frq(x1351$v20r)

## 控制變數
# (v26)接下來的這些話，請你拉拉看，同意或不同意的程度。「對受害者展現同情，是最重要的美德。」
# (01)非常不同意 (02)算是不同意 (03)稍微偏向不同意 (04)稍微偏向同意 (05)算是同意   (06)非常同意
table(x1351$v26)
## 
##   0   1   2   3   4   5 
##  53 118 213 408 191  60
x1351$v26r <- rec(x1351$v26, rec = "1:3=0; 4:6=1", as.num = F)
frq(x1351$v26r)
## 
## 「對受害者展現同情，是最重要的美德。」 (x) <categorical>
## # total N=1043  valid N=990  mean=0.25  sd=0.44
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 | 739 | 70.85 |   74.65 |  74.65
##     1 | 251 | 24.07 |   25.35 | 100.00
##  <NA> |  53 |  5.08 |    <NA> |   <NA>
plot_frq(x1351$v26r)

# (v31)接下來的這些話，請你拉拉看，同意或不同意的程度。「傷害毫無抵抗能力的動物，是件極為糟糕的事。」
# (01)非常不同意 (02)算是不同意 (03)稍微偏向不同意 (04)稍微偏向同意 (05)算是同意   (06)非常同意
table(x1351$v31)
## 
##   0   1   2   3   4   5 
##   5  13  57 163 260 545
x1351$v31r <- rec(x1351$v31, rec = "1:3=0; 4:6=1", as.num = F)
frq(x1351$v31r)
## 
## 「傷害毫無抵抗能力的動物，是件極為糟糕的事。」 (x) <categorical>
## # total N=1043  valid N=1038  mean=0.78  sd=0.42
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 | 233 | 22.34 |   22.45 |  22.45
##     1 | 805 | 77.18 |   77.55 | 100.00
##  <NA> |   5 |  0.48 |    <NA> |   <NA>
plot_frq(x1351$v31r)

# (v37)接下來的這些話，請你拉拉看，同意或不同意的程度。「殺人無論如何都是不對的。」
# (01)非常不同意 (02)算是不同意 (03)稍微偏向不同意 (04)稍微偏向同意 (05)算是同意   (06)非常同意
table(x1351$v37)
## 
##   0   1   2   3   4   5 
##  24  38 114 216 293 358
x1351$v37r <- rec(x1351$v37, rec = "1:3=0; 4:6=1", as.num = F)
frq(x1351$v37r)
## 
## 「殺人無論如何都是不對的。」 (x) <categorical>
## # total N=1043  valid N=1019  mean=0.64  sd=0.48
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 | 368 | 35.28 |   36.11 |  36.11
##     1 | 651 | 62.42 |   63.89 | 100.00
##  <NA> |  24 |  2.30 |    <NA> |   <NA>
plot_frq(x1351$v37r)

names(x1351)
##  [1] "v1"   "v2"   "v3"   "v4"   "v5"   "v6"   "v7"   "v8"   "v9"   "v10" 
## [11] "v11"  "v12"  "v13"  "v14"  "v15"  "v16"  "v17"  "v18"  "v19"  "v20" 
## [21] "v21"  "v22"  "v23"  "v24"  "v25"  "v26"  "v27"  "v28"  "v29"  "v30" 
## [31] "v31"  "v32"  "v33"  "v34"  "v35"  "v36"  "v37"  "v38"  "v39"  "v40" 
## [41] "v41"  "v7r"  "v14r" "v20r" "v26r" "v31r" "v37r"
save(x1351, file = "x1351.rda")
rm(list = ls())

變數分布分析

依變數

受訪民眾有56.9%(593人)認同「對於一個社會事件的對錯，與有沒有人在情感上受到傷害」，有高度的相關;而有43.1%(450人)認為對於「一個社會事件的對錯與有沒有人在情感上受到傷害」關聯性較低者，顯示大部分民眾還是會基於道德的關懷原則來判斷一個人或事件的對錯。

自變數

自變數有2個，分別是事件當事人「有無關懷弱勢」、「有無做出殘忍行為」，這2個自變數與關懷原則相關。本研究認為事件中當事人有「關懷弱勢」、「沒有做出殘忍行為」，會誘發人們的道德關懷原則來評斷其對錯。資料顯示，有較高的比例57.9%(604人)反而是不認為事件中當事人「有無關懷弱勢」與判斷其對錯是有相關的。而事件當事人「有無做出殘忍行為」，則是有相當高比例76.7%(800人)認為與判斷其對錯有高度關聯性。

控制變數

3個控制變數，則是測量關懷原則強度，越認同「對受害者展現同情是最重要美德」的人、越認同「傷害無抵抗力的動物是糟糕」的人與越認同「殺人無論如何是不對」的人，都歸屬於具高度關懷原則的民眾。資料顯示本次調查居然有74.7%(739人)的受訪者不同意「對受害者展現同情是最重要的美德」；有77.5%(805人)高度認同「傷害無抵抗力的動物是件糟糕的事」，而有63.9%(651人)的受訪人則認同「殺人無論如何是不對的，顯示人們運用關懷原則來判斷對錯是有區分程度及對象。

確認式分析

## 確認式分析，二元勝算對數模型
library(car)
## Loading required package: carData
## Registered S3 methods overwritten by 'car':
##   method                          from
##   influence.merMod                lme4
##   cooks.distance.influence.merMod lme4
##   dfbeta.influence.merMod         lme4
##   dfbetas.influence.merMod        lme4
load("x1351.rda")

## 模型一：包含所有解釋變數的原始模型
mod.1 <- glm(v7r ~ v14r+v20r+v26r+v31r+v37r, 
             data=x1351, 
             family=binomial)
summary(mod.1) 
## 
## Call:
## glm(formula = v7r ~ v14r + v20r + v26r + v31r + v37r, family = binomial, 
##     data = x1351)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.8347  -1.1006   0.6412   0.9146   1.8296  
## 
## Coefficients:
##              Estimate Std. Error z value Pr(>|z|)    
## (Intercept) -1.457658   0.200591  -7.267 3.68e-13 ***
## v14r1        0.822249   0.152089   5.406 6.43e-08 ***
## v20r1        1.669181   0.190450   8.764  < 2e-16 ***
## v26r1        0.374913   0.177243   2.115   0.0344 *  
## v31r1       -0.008404   0.191736  -0.044   0.9650    
## v37r1        0.077226   0.157355   0.491   0.6236    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 1323.8  on 970  degrees of freedom
## Residual deviance: 1141.7  on 965  degrees of freedom
##   (72 observations deleted due to missingness)
## AIC: 1153.7
## 
## Number of Fisher Scoring iterations: 4
vif(mod.1)
##     v14r     v20r     v26r     v31r     v37r 
## 1.071746 1.121400 1.082604 1.205829 1.113229
summary(mod.1)
## 
## Call:
## glm(formula = v7r ~ v14r + v20r + v26r + v31r + v37r, family = binomial, 
##     data = x1351)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.8347  -1.1006   0.6412   0.9146   1.8296  
## 
## Coefficients:
##              Estimate Std. Error z value Pr(>|z|)    
## (Intercept) -1.457658   0.200591  -7.267 3.68e-13 ***
## v14r1        0.822249   0.152089   5.406 6.43e-08 ***
## v20r1        1.669181   0.190450   8.764  < 2e-16 ***
## v26r1        0.374913   0.177243   2.115   0.0344 *  
## v31r1       -0.008404   0.191736  -0.044   0.9650    
## v37r1        0.077226   0.157355   0.491   0.6236    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 1323.8  on 970  degrees of freedom
## Residual deviance: 1141.7  on 965  degrees of freedom
##   (72 observations deleted due to missingness)
## AIC: 1153.7
## 
## Number of Fisher Scoring iterations: 4

探索式分析

load("X1351.rda")
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following object is masked from 'package:car':
## 
##     recode
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(FactoMineR)
library(factoextra)
## Loading required package: ggplot2
## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa
x1351MCA <- select(x1351, v7r, v14r, v20r, v26r, v31r, v37r)
x1351MCA.nona <- na.omit(x1351MCA)
nrow(x1351MCA.nona)
## [1] 971
names(x1351MCA.nona)
## [1] "v7r"  "v14r" "v20r" "v26r" "v31r" "v37r"
res <- MCA(x1351MCA.nona, ncp = 5, graph = F)
fviz_screeplot(res, ncp=10)

# 變數類別關係圖
plot(res, axes=c(1, 2), new.plot=TRUE, 
     col.var="red", col.ind="black", col.ind.sup="black",
     col.quali.sup="darkgreen", col.quanti.sup="blue",
     label=c("var"), cex=0.8, 
     selectMod = "cos2",
     invisible=c("ind", "quali.sup"), 
     autoLab = "yes",
     title="")

卡方檢定

## 用卡方檢定來確認變數之間的相關性
library(sjPlot)
tab_xtab(x1351$v14r, x1351$v7r, encoding = "UTF-8",
         show.row.prc = TRUE, # 顯示列百分比
         show.col.prc = TRUE,  # 顯示欄百分比
         show.na=FALSE,
         show.legend = FALSE,
         show.exp = FALSE,
         show.cell.prc = FALSE,
         tdcol.col = "green",
         tdcol.row = "brown")
隞€<9c><9c><81><97>撘勗€<88><97><8f>摰喟<9a>犖€<88>甇支<9a>嚗<9c><97>嚗<9f> 撠€辣鈭<9a>嚗€<9c><9c>犖<83><84><8f>摰喋€<88><9a><9c><97><9f> Total
0 1
0 334
55.3 %
74.2 % 		270
44.7 %
45.5 % 		604
100 %
57.9 %
1 116
26.4 %
25.8 % 		323
73.6 %
54.5 % 		439
100 %
42.1 %
Total 450
43.1 %
100 % 		593
56.9 %
100 % 		1043
100 %
100 %
χ2=85.233 · df=1 · φ=0.288 · p=0.000 
tab_xtab(x1351$v20r, x1351$v7r, encoding = "UTF-8",
         show.row.prc = TRUE, # 顯示列百分比
         show.col.prc = TRUE,  # 顯示欄百分比
         show.na=FALSE,
         show.legend = FALSE,
         show.exp = FALSE,
         show.cell.prc = FALSE,
         tdcol.col = "green",
         tdcol.row = "brown")
撠€辣鈭<9a>嚗€<9c><9c><81>誘鈭箄死敺<9a>€<88><9a><9c><97><9f> 撠€辣鈭<9a>嚗€<9c><9c>犖<83><84><8f>摰喋€<88><9a><9c><97><9f> Total
0 1
0 186
76.5 %
41.3 % 		57
23.5 %
9.6 % 		243
100 %
23.3 %
1 264
33 %
58.7 % 		536
67 %
90.4 % 		800
100 %
76.7 %
Total 450
43.1 %
100 % 		593
56.9 %
100 % 		1043
100 %
100 %
χ2=142.294 · df=1 · φ=0.372 · p=0.000 
tab_xtab(x1351$v26r, x1351$v7r, encoding = "UTF-8",
         show.row.prc = TRUE, # 顯示列百分比
         show.col.prc = TRUE,  # 顯示欄百分比
         show.na=FALSE,
         show.legend = FALSE,
         show.exp = FALSE,
         show.cell.prc = FALSE,
         tdcol.col = "green",
         tdcol.row = "brown")
€<8f>拿€<90><83><9c>€<87><9a>噸€€<8d> 撠€辣鈭<9a>嚗€<9c><9c>犖<83><84><8f>摰喋€<88><9a><9c><97><9f> Total
0 1
0 347
47 %
82.4 % 		392
53 %
68.9 % 		739
100 %
74.6 %
1 74
29.5 %
17.6 % 		177
70.5 %
31.1 % 		251
100 %
25.4 %
Total 421
42.5 %
100 % 		569
57.5 %
100 % 		990
100 %
100 %
χ2=22.695 · df=1 · φ=0.154 · p=0.000 
tab_xtab(x1351$v31r, x1351$v7r, encoding = "UTF-8",
         show.row.prc = TRUE, # 顯示列百分比
         show.col.prc = TRUE,  # 顯示欄百分比
         show.na=FALSE,
         show.legend = FALSE,
         show.exp = FALSE,
         show.cell.prc = FALSE,
         tdcol.col = "green",
         tdcol.row = "brown")
€摰單神<8a><8a><9a><8b>嚗隞嗆扔蝟<9a>€€<8d> 撠€辣鈭<9a>嚗€<9c><9c>犖<83><84><8f>摰喋€<88><9a><9c><97><9f> Total
0 1
0 127
54.5 %
28.5 % 		106
45.5 %
17.9 % 		233
100 %
22.4 %
1 318
39.5 %
71.5 % 		487
60.5 %
82.1 % 		805
100 %
77.6 %
Total 445
42.9 %
100 % 		593
57.1 %
100 % 		1038
100 %
100 %
χ2=16.001 · df=1 · φ=0.126 · p=0.000 
tab_xtab(x1351$v37r, x1351$v7r, encoding = "UTF-8",
         show.row.prc = TRUE, # 顯示列百分比
         show.col.prc = TRUE,  # 顯示欄百分比
         show.na=FALSE,
         show.legend = FALSE,
         show.exp = FALSE,
         show.cell.prc = FALSE,
         tdcol.col = "green",
         tdcol.row = "brown")
€捏鈭箇隢銝<9a>€€<8d> 撠€辣鈭<9a>嚗€<9c><9c>犖<83><84><8f>摰喋€<88><9a><9c><97><9f> Total
0 1
0 178
48.4 %
40.5 % 		190
51.6 %
32.8 % 		368
100 %
36.1 %
1 261
40.1 %
59.5 % 		390
59.9 %
67.2 % 		651
100 %
63.9 %
Total 439
43.1 %
100 % 		580
56.9 %
100 % 		1019
100 %
100 %
χ2=6.236 · df=1 · φ=0.080 · p=0.013

資料分析

將2個自變數與3個控制變數，與依變數進行卡方檢定，檢測其相關性。變數v14「有沒有展現過關懷弱勢、或關懷受到傷害的人」與以關懷準則來衡量對錯的相關性強， p值顯示兩者相關。變數v20「有沒有做令人覺得殘忍的事」與以關懷準則衡量對錯的相關性更強，p值也顯示兩者具相關。變數v26對「受害者展現同情是最重要的美德」與依變數的相關性較弱、p值顯示兩者相關。v31「傷害毫無抵抗力的動物事件糟糕的事」與依變數相關性較弱，p值顯示兩者呈相關。變數v37「殺人無論如何是不對」與依變數的相關性較弱，p值也顯示兩者相關。

視覺化製圖

library(ggplot2)
load("x1351.rda")
ggplot(data=x1351, aes(x=factor(v7r), 
       fill=factor(v14r)))+
geom_bar(width = .6, position = position_dodge())

ggplot(data=x1351, aes(x=factor(v7r), 
       fill=factor(v20r)))+
geom_bar(width = .6, position = position_dodge())

ggplot(data=x1351, aes(x=factor(v7r), 
       fill=factor(v26r)))+
geom_bar(width = .6, position = position_dodge())

ggplot(data=x1351, aes(x=factor(v7r), 
       fill=factor(v31r)))+
geom_bar(width = .6, position = position_dodge())

ggplot(data=x1351, aes(x=factor(v7r), 
       fill=factor(v37r)))+
geom_bar(width = .6, position = position_dodge())

視覺化結果分析

本調查結果，發現變數v26與依變數呈現一種非常有趣的現象。認為對於這件事的對錯，「有沒有人在情感上受到傷害」，對於判斷對錯有相關的人(v7r-1)，居然有非常高比例的人是不認同對受害者展現同情是最重要的美德，或許可以解讀為人們以關懷準則衡量一件事或一個人的對錯時，並不完全認為受害者一定是須要被同情的。