探索人們的正義之心

研究動機

社會上常見許多爭議的議題，即使於法有據，卻無法滿足一些人對於公平正義的期待。人天生就具有正義之心，自有一套可行的道德基本原則，且深信不疑。不論在生活領域或政治立場上，當別人的行為與自己堅信的信念不同時，我們往往站在狹隘的立場講道德而不寬容異見，過度著迷於正義，最後變成自以為是-我是對的，你是錯的。道德，能凝聚人心，支持跟自己同樣道德觀的政治團體；道德也讓人目盲，一旦接受特定的觀點，就對另一種道德觀視而不見，於是不同團體間互相攻擊。政治團體想要獲得選民的支持，想要說服某人改變道德或政治議題的看法，就必須瞭解並觸動他所重視的道德基本原則，本研究動機乃嘗試去探索人們會對哪些事情或行為抱持正義之心。

變數說明

本研究的核心關懷為「某一事件或行為會與判斷對錯有關，也就是該事件或原則會觸發人們的正義之心」

本研究選擇15題具「關懷」、「公平」、「忠誠」、「權威」、「貞潔」等概念的相關行為與道德判斷對錯有關的問題，來探索變數間的相關性。

變數1、有沒有人在情感上受到傷害【關懷】

變數2、有沒有人受到差別待遇【公平】

變數3、當事人行為上有無展現愛國心【忠誠】

變數4、當事人有沒有不尊重權威【權威】

變數5、當事人有無做出不聖潔或違反善良風俗的事【貞潔】

變數6、當事人有沒有展現關懷弱勢或受到傷害的人【關懷】

變數7、當事人做的事有無展現公平公正【公平】

變數8、當事人有無背叛他的團體或組織【忠誠】

變數9、當事人的言行有無遵循社會的傳統價值【權威】

變數10、當事人有無做了令人不舒服或作嘔的事【貞潔】

變數11、當事人有無做出令人覺得殘忍的事【關懷】

變數12、當事人的言行有無展現忠誠【忠誠】

變數13、當事人有無做出破壞秩序的事【權威】

變數14、當事人的言行有無遵循神/上帝的教誨【貞潔】

變數15、當事人的權利有無被侵犯或剝奪【公平】

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

性別比例：男43.52%，女56.18%

年齡分布：未滿20歲2.40%，20至29歲27.71%，30至39歲37.97%，40至49歲19.37%，50至59歲9.11%，60歲以上3.45%

居住地區分布：北部50.10%，中部20.92%、南部26.30%、東部1.34%、其他1.34%

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")

## 
## -- 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

# 列出每個變數的標籤
library(sjmisc)
library(sjPlot)
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"

## 變數1
# (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」，與你的判斷有多相關？
# (1)毫不相關 (2)不太相關 (3)只有一點相關 (4)一定程度相關 (5)特別相關   (6)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=0; 2:3=1; 4:6=2", 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=1.51  sd=0.60
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 |  57 |  5.47 |    5.47 |   5.47
##     1 | 393 | 37.68 |   37.68 |  43.14
##     2 | 593 | 56.86 |   56.86 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

plot_frq(x1351$v7r)

## 變數2
# (v8)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？
# (1)毫不相關 (2)不太相關 (3)只有一點相關 (4)一定程度相關 (5)特別相關   (6)絕對相關
table(x1351$v8)

## 
##   1   2   3   4   5   6 
##  33  87 193 550 124  56

x1351$v8r <- rec(x1351$v8, rec = "1=0; 2:3=1; 4:6=2", as.num = F)
frq(x1351$v8)

## 
## 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？ (x) <numeric>
## # total N=1043  valid N=1043  mean=3.78  sd=1.04
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     1 |  33 |  3.16 |    3.16 |   3.16
##     2 |  87 |  8.34 |    8.34 |  11.51
##     3 | 193 | 18.50 |   18.50 |  30.01
##     4 | 550 | 52.73 |   52.73 |  82.74
##     5 | 124 | 11.89 |   11.89 |  94.63
##     6 |  56 |  5.37 |    5.37 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

frq(x1351$v8r)

## 
## 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？ (x) <categorical>
## # total N=1043  valid N=1043  mean=1.67  sd=0.53
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 |  33 |  3.16 |    3.16 |   3.16
##     1 | 280 | 26.85 |   26.85 |  30.01
##     2 | 730 | 69.99 |   69.99 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

plot_frq(x1351$v8r)

## 變數3
# (v9)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？
# (1)毫不相關 (2)不太相關 (3)只有一點相關 (4)一定程度相關 (5)特別相關   (6)絕對相關
table(x1351$v9)

## 
##   1   2   3   4   5   6 
## 146 320 303 233  24  17

x1351$v9r <- rec(x1351$v9, rec = "1=0; 2:3=1; 4:6=2", as.num = F)
frq(x1351$v9)

## 
## 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？ (x) <numeric>
## # total N=1043  valid N=1043  mean=2.73  sd=1.12
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     1 | 146 | 14.00 |   14.00 |  14.00
##     2 | 320 | 30.68 |   30.68 |  44.68
##     3 | 303 | 29.05 |   29.05 |  73.73
##     4 | 233 | 22.34 |   22.34 |  96.07
##     5 |  24 |  2.30 |    2.30 |  98.37
##     6 |  17 |  1.63 |    1.63 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

frq(x1351$v9r)

## 
## 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？ (x) <categorical>
## # total N=1043  valid N=1043  mean=1.12  sd=0.62
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 | 146 | 14.00 |   14.00 |  14.00
##     1 | 623 | 59.73 |   59.73 |  73.73
##     2 | 274 | 26.27 |   26.27 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

plot_frq(x1351$v9r)

## 變數4
# (v10)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？
# (1)毫不相關 (2)不太相關 (3)只有一點相關 (4)一定程度相關 (5)特別相關   (6)絕對相關
table(x1351$v10)

## 
##   1   2   3   4   5   6 
## 127 307 308 260  21  20

x1351$v10r <- rec(x1351$v10, rec = "1=0; 2:3=1; 4:6=2", as.num = F)
frq(x1351$v10)

## 
## 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？ (x) <numeric>
## # total N=1043  valid N=1043  mean=2.81  sd=1.12
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     1 | 127 | 12.18 |   12.18 |  12.18
##     2 | 307 | 29.43 |   29.43 |  41.61
##     3 | 308 | 29.53 |   29.53 |  71.14
##     4 | 260 | 24.93 |   24.93 |  96.07
##     5 |  21 |  2.01 |    2.01 |  98.08
##     6 |  20 |  1.92 |    1.92 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

frq(x1351$v10r)

## 
## 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？ (x) <categorical>
## # total N=1043  valid N=1043  mean=1.17  sd=0.62
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 | 127 | 12.18 |   12.18 |  12.18
##     1 | 615 | 58.96 |   58.96 |  71.14
##     2 | 301 | 28.86 |   28.86 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

plot_frq(x1351$v10r)

## 變數5
# (v11)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？
# (1)毫不相關 (2)不太相關 (3)只有一點相關 (4)一定程度相關 (5)特別相關   (6)絕對相關
table(x1351$v11)

## 
##   1   2   3   4   5   6 
##  55 118 272 443 104  51

x1351$v11r <- rec(x1351$v11, rec = "1=0; 2:3=1; 4:6=2", as.num = F)
frq(x1351$v11)

## 
## 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？ (x) <numeric>
## # total N=1043  valid N=1043  mean=3.55  sd=1.13
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     1 |  55 |  5.27 |    5.27 |   5.27
##     2 | 118 | 11.31 |   11.31 |  16.59
##     3 | 272 | 26.08 |   26.08 |  42.67
##     4 | 443 | 42.47 |   42.47 |  85.14
##     5 | 104 |  9.97 |    9.97 |  95.11
##     6 |  51 |  4.89 |    4.89 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

frq(x1351$v11r)

## 
## 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？ (x) <categorical>
## # total N=1043  valid N=1043  mean=1.52  sd=0.60
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 |  55 |  5.27 |    5.27 |   5.27
##     1 | 390 | 37.39 |   37.39 |  42.67
##     2 | 598 | 57.33 |   57.33 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

plot_frq(x1351$v11r)

## 變數6
# (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？ *
# (1)毫不相關 (2)不太相關 (3)只有一點相關 (4)一定程度相關 (5)特別相關   (6)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=0; 2:3=1; 4:6=2", as.num = F)
frq(x1351$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？ (x) <numeric>
## # total N=1043  valid N=1043  mean=3.15  sd=1.15
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     1 |  96 |  9.20 |    9.20 |   9.20
##     2 | 205 | 19.65 |   19.65 |  28.86
##     3 | 303 | 29.05 |   29.05 |  57.91
##     4 | 353 | 33.84 |   33.84 |  91.75
##     5 |  62 |  5.94 |    5.94 |  97.70
##     6 |  24 |  2.30 |    2.30 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

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=1.33  sd=0.64
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 |  96 |  9.20 |    9.20 |   9.20
##     1 | 508 | 48.71 |   48.71 |  57.91
##     2 | 439 | 42.09 |   42.09 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

plot_frq(x1351$v14r)

## 變數7
# (v15)那麼，就他「做的事有沒有展現公平公正」呢？
# (1)毫不相關 (2)不太相關 (3)只有一點相關 (4)一定程度相關 (5)特別相關   (6)絕對相關
table(x1351$v15)

## 
##   1   2   3   4   5   6 
##  40  92 236 454 146  75

x1351$v15r <- rec(x1351$v15, rec = "1=0; 2:3=1; 4:6=2", as.num = F)
frq(x1351$v15)

## 
## 那麼，就他「做的事有沒有展現公平公正」呢？ (x) <numeric>
## # total N=1043  valid N=1043  mean=3.77  sd=1.14
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     1 |  40 |  3.84 |    3.84 |   3.84
##     2 |  92 |  8.82 |    8.82 |  12.66
##     3 | 236 | 22.63 |   22.63 |  35.28
##     4 | 454 | 43.53 |   43.53 |  78.81
##     5 | 146 | 14.00 |   14.00 |  92.81
##     6 |  75 |  7.19 |    7.19 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

frq(x1351$v15r)

## 
## 那麼，就他「做的事有沒有展現公平公正」呢？ (x) <categorical>
## # total N=1043  valid N=1043  mean=1.61  sd=0.56
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 |  40 |  3.84 |    3.84 |   3.84
##     1 | 328 | 31.45 |   31.45 |  35.28
##     2 | 675 | 64.72 |   64.72 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

plot_frq(x1351$v15r)

## 變數8
#  (v16) 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？
#  (1)毫不相關 (2)不太相關 (3)只有一點相關 (4)一定程度相關 (5)特別相關   (6)絕對相關
table(x1351$v16)

## 
##   1   2   3   4   5   6 
##  78 180 333 366  61  25

x1351$v16r <- rec(x1351$v16, rec = "1=0; 2:3=1; 4:6=2", as.num = F)
frq(x1351$v16)

## 
## 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？ (x) <numeric>
## # total N=1043  valid N=1043  mean=3.22  sd=1.11
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     1 |  78 |  7.48 |    7.48 |   7.48
##     2 | 180 | 17.26 |   17.26 |  24.74
##     3 | 333 | 31.93 |   31.93 |  56.66
##     4 | 366 | 35.09 |   35.09 |  91.75
##     5 |  61 |  5.85 |    5.85 |  97.60
##     6 |  25 |  2.40 |    2.40 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

plot_frq(x1351$v16r)

## 變數9
# (v17)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？
# (1)毫不相關 (2)不太相關 (3)只有一點相關 (4)一定程度相關 (5)特別相關   (6)絕對相關
table(x1351$v17)

## 
##   1   2   3   4   5   6 
##  77 189 349 333  68  27

x1351$v17r <- rec(x1351$v17, rec = "1=0; 2:3=1; 4:6=2", as.num = F)
frq(x1351$v17)

## 
## 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？ (x) <numeric>
## # total N=1043  valid N=1043  mean=3.20  sd=1.12
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     1 |  77 |  7.38 |    7.38 |   7.38
##     2 | 189 | 18.12 |   18.12 |  25.50
##     3 | 349 | 33.46 |   33.46 |  58.96
##     4 | 333 | 31.93 |   31.93 |  90.89
##     5 |  68 |  6.52 |    6.52 |  97.41
##     6 |  27 |  2.59 |    2.59 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

frq(x1351$v17r)

## 
## 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？ (x) <categorical>
## # total N=1043  valid N=1043  mean=1.34  sd=0.61
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 |  77 |  7.38 |    7.38 |   7.38
##     1 | 538 | 51.58 |   51.58 |  58.96
##     2 | 428 | 41.04 |   41.04 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

plot_frq(x1351$v17r)

## 變數10
# (v18)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？
# (1)毫不相關 (2)不太相關 (3)只有一點相關 (4)一定程度相關 (5)特別相關   (6)絕對相關
table(x1351$v18)

## 
##   1   2   3   4   5   6 
##  48 101 213 459 146  76

x1351$v18r <- rec(x1351$v18, rec = "1=0; 2:3=1; 4:6=2", as.num = F)
frq(x1351$v18)

## 
## 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？ (x) <numeric>
## # total N=1043  valid N=1043  mean=3.75  sd=1.17
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     1 |  48 |  4.60 |    4.60 |   4.60
##     2 | 101 |  9.68 |    9.68 |  14.29
##     3 | 213 | 20.42 |   20.42 |  34.71
##     4 | 459 | 44.01 |   44.01 |  78.72
##     5 | 146 | 14.00 |   14.00 |  92.71
##     6 |  76 |  7.29 |    7.29 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

frq(x1351$v18r)

## 
## 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？ (x) <categorical>
## # total N=1043  valid N=1043  mean=1.61  sd=0.58
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 |  48 |  4.60 |    4.60 |   4.60
##     1 | 314 | 30.11 |   30.11 |  34.71
##     2 | 681 | 65.29 |   65.29 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

plot_frq(x1351$v18r)

## 變數11
# (v20)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？
# (1)毫不相關 (2)不太相關 (3)只有一點相關 (4)一定程度相關 (5)特別相關   (6)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=0; 2:3=1; 4:6=2", as.num = F)
frq(x1351$v20)

## 
## 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) <numeric>
## # total N=1043  valid N=1043  mean=4.22  sd=1.23
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     1 |  30 |  2.88 |    2.88 |   2.88
##     2 |  60 |  5.75 |    5.75 |   8.63
##     3 | 153 | 14.67 |   14.67 |  23.30
##     4 | 388 | 37.20 |   37.20 |  60.50
##     5 | 228 | 21.86 |   21.86 |  82.36
##     6 | 184 | 17.64 |   17.64 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

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=1.74  sd=0.50
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 |  30 |  2.88 |    2.88 |   2.88
##     1 | 213 | 20.42 |   20.42 |  23.30
##     2 | 800 | 76.70 |   76.70 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

plot_frq(x1351$v20r)

## 變數12
# (v21)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？
# (1)毫不相關 (2)不太相關 (3)只有一點相關 (4)一定程度相關 (5)特別相關   (6)絕對相關
table(x1351$v21)

## 
##   1   2   3   4   5   6 
##  58 188 348 351  61  37

x1351$v21r <- rec(x1351$v21, rec = "1=0; 2:3=1; 4:6=2", as.num = F)
frq(x1351$v21)

## 
## 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？ (x) <numeric>
## # total N=1043  valid N=1043  mean=3.27  sd=1.11
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     1 |  58 |  5.56 |    5.56 |   5.56
##     2 | 188 | 18.02 |   18.02 |  23.59
##     3 | 348 | 33.37 |   33.37 |  56.95
##     4 | 351 | 33.65 |   33.65 |  90.60
##     5 |  61 |  5.85 |    5.85 |  96.45
##     6 |  37 |  3.55 |    3.55 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

frq(x1351$v21r)

## 
## 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？ (x) <categorical>
## # total N=1043  valid N=1043  mean=1.37  sd=0.59
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 |  58 |  5.56 |    5.56 |   5.56
##     1 | 536 | 51.39 |   51.39 |  56.95
##     2 | 449 | 43.05 |   43.05 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

plot_frq(x1351$v21r)

## 變數13
# (v22)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？ 
# (1)毫不相關 (2)不太相關 (3)只有一點相關 (4)一定程度相關 (5)特別相關   (6)絕對相關
table(x1351$v22)

## 
##   1   2   3   4   5   6 
##  27  74 180 424 222 116

x1351$v22r <- rec(x1351$v22, rec = "1=0; 2:3=1; 4:6=2", as.num = F)
frq(x1351$v22)

## 
## 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？ (x) <numeric>
## # total N=1043  valid N=1043  mean=4.04  sd=1.16
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     1 |  27 |  2.59 |    2.59 |   2.59
##     2 |  74 |  7.09 |    7.09 |   9.68
##     3 | 180 | 17.26 |   17.26 |  26.94
##     4 | 424 | 40.65 |   40.65 |  67.59
##     5 | 222 | 21.28 |   21.28 |  88.88
##     6 | 116 | 11.12 |   11.12 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

frq(x1351$v22r)

## 
## 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？ (x) <categorical>
## # total N=1043  valid N=1043  mean=1.70  sd=0.51
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 |  27 |  2.59 |    2.59 |   2.59
##     1 | 254 | 24.35 |   24.35 |  26.94
##     2 | 762 | 73.06 |   73.06 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

plot_frq(x1351$v22r)

## 變數14
# (v23)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？
# (1)毫不相關 (2)不太相關 (3)只有一點相關 (4)一定程度相關 (5)特別相關   (6)絕對相關
table(x1351$v23)

## 
##   1   2   3   4   5   6 
## 295 325 223 158  29  13

x1351$v23r <- rec(x1351$v23, rec = "1=0; 2:3=1; 4:6=2", as.num = F)
frq(x1351$v23)

## 
## 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？ (x) <numeric>
## # total N=1043  valid N=1043  mean=2.37  sd=1.19
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     1 | 295 | 28.28 |   28.28 |  28.28
##     2 | 325 | 31.16 |   31.16 |  59.44
##     3 | 223 | 21.38 |   21.38 |  80.82
##     4 | 158 | 15.15 |   15.15 |  95.97
##     5 |  29 |  2.78 |    2.78 |  98.75
##     6 |  13 |  1.25 |    1.25 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

frq(x1351$v23r)

## 
## 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？ (x) <categorical>
## # total N=1043  valid N=1043  mean=0.91  sd=0.68
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 | 295 | 28.28 |   28.28 |  28.28
##     1 | 548 | 52.54 |   52.54 |  80.82
##     2 | 200 | 19.18 |   19.18 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

plot_frq(x1351$v23r)

## 變數15
# (v24)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？
# (1)毫不相關 (2)不太相關 (3)只有一點相關 (4)一定程度相關 (5)特別相關   (6)絕對相關
table(x1351$v24)

## 
##   1   2   3   4   5   6 
##  29  74 202 451 178 109

x1351$v24r <- rec(x1351$v24, rec = "1=0; 2:3=1; 4:6=2", as.num = F)
frq(x1351$v24)

## 
## 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？ (x) <numeric>
## # total N=1043  valid N=1043  mean=3.96  sd=1.15
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     1 |  29 |  2.78 |    2.78 |   2.78
##     2 |  74 |  7.09 |    7.09 |   9.88
##     3 | 202 | 19.37 |   19.37 |  29.24
##     4 | 451 | 43.24 |   43.24 |  72.48
##     5 | 178 | 17.07 |   17.07 |  89.55
##     6 | 109 | 10.45 |   10.45 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

frq(x1351$v24r)

## 
## 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？ (x) <categorical>
## # total N=1043  valid N=1043  mean=1.68  sd=0.52
## 
## Value |   N | Raw % | Valid % | Cum. %
## --------------------------------------
##     0 |  29 |  2.78 |    2.78 |   2.78
##     1 | 276 | 26.46 |   26.46 |  29.24
##     2 | 738 | 70.76 |   70.76 | 100.00
##  <NA> |   0 |  0.00 |    <NA> |   <NA>

plot_frq(x1351$v24r)

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"  "v8r"  "v9r"  "v10r" "v11r" "v14r" "v15r" "v16r" "v17r"
## [51] "v18r" "v20r" "v21r" "v22r" "v23r" "v24r"

save(x1351, file = "x1351.rda")

變數分布分析

具關懷性的變數

變數1(v7r)「有沒有人在情感上受到傷害」、變數11(v20r)「有沒有做令人覺得殘忍的事」都有過半數受訪者認為至少具有一定程度相關，而且人們更重視「有沒有做令人覺得殘忍的事」。變數6(v14r)「有沒有展現過關懷弱勢、或關懷受到傷害的人」，呈現比較不一樣的現象，48.7%(508人)表示具微弱相關性(不太相關或只有一點相關)，其次是至少具一定程度相關的有42.1%(439人)，但三個變數認為毫不相關的比率都不高(低於10%)，顯示關懷原則對於人們判斷對錯相關。

具公平性的變數

變數2(v8r)「有沒有人受到差別待遇」、變數7(v15r)「做的事有沒有展現公平公正」、變數15(v24r)「權利有沒有被侵犯、甚至被剝奪」三個變數都是呈現相似的分布圖像，有6、7成受訪者認同具公平性原則行為與判斷對錯具有一定程度以上的相關性。顯示關於公平原則的行為是最可能觸發人們的正義之心。

具忠誠性的變數

變數3(v9r)「在行為上有沒有展現愛國心」、變數8(v16r)「有沒有背叛他的團隊或組織」、變數12(v21r)「言行有沒有展現忠誠」，三個變數也是呈現類似的分布，但與前兩項原則不同的是，最多的受訪者是認為具微弱相關性(不太相關或只有一點相關)，其次才是有一定程度的相關，顯示忠誠原則比較不容易啟動人們的正義之心。

具權威性的變數

變數4(v10r)「在行為上有沒有展現愛國心」、變數9(v17r)「有沒有背叛他的團隊或組織」，此二個變數呈現以認同具微弱相關性(不太相關或只有一點相關)最多，其次才是認為具一定程度相關。變數13(v22r)「有沒有做出破壞秩序、甚至造成混亂的事」則有高達73.1%(763)認為有一定程度以上的相關性。顯示權威性原則與對錯判斷的相關性看法則明顯較分歧，甚至有些矛盾。這或許也可以用來解釋了為何在特定時空背景(為避免混亂)，某些具權威性原則的行為會得到人們的強烈支持。

具貞潔性的變數

變數5(v11r)「有沒有做出不聖潔、或違反善良風俗的事」、變數10(v16r)「有沒有做令人看了渾身不舒服、甚至是作嘔的事」二個變數均呈現最多比例的受訪者認同至少一定程度以上的相關。變數14(v23r)「在言行上，有沒有遵循神／佛／上帝的教誨」，呈現與其他題目最不相同的分布情形，最多比例52.5%(548人)認為具微弱相關性，其次有28.3%(295人)受訪者認為毫不相關。顯示具貞潔性原則的行為，對啟動人們的正義之心，呈現較兩極化的影響，很支持或是較無感。

探索式分析

load("X1351.rda")
library(dplyr)

## 
## Attaching package: 'dplyr'

## 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, v8r, v9r, v10r, v11r, v14r, v15r, v16r, v17r, v18r, v20r, v21r, v22r, v23r, v24r)
x1351MCA.nona <- na.omit(x1351MCA)
names(x1351MCA.nona)

##  [1] "v7r"  "v8r"  "v9r"  "v10r" "v11r" "v14r" "v15r" "v16r" "v17r" "v18r"
## [11] "v20r" "v21r" "v22r" "v23r" "v24r"

nrow(x1351MCA.nona)

## [1] 1043

names(x1351MCA.nona)

##  [1] "v7r"  "v8r"  "v9r"  "v10r" "v11r" "v14r" "v15r" "v16r" "v17r" "v18r"
## [11] "v20r" "v21r" "v22r" "v23r" "v24r"

res <- MCA(x1351MCA.nona, ncp = 5, graph = F)
fviz_screeplot(res, ncp=10)

## Registered S3 methods overwritten by 'car':
##   method                          from
##   influence.merMod                lme4
##   cooks.distance.influence.merMod lme4
##   dfbeta.influence.merMod         lme4
##   dfbetas.influence.merMod        lme4

# 維次歸納描述
# install.packages("corrplot")
library(corrplot)

## corrplot 0.84 loaded

corrplot(res$var$cos2, is.corr=FALSE)

# 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=0.5, 
     selectMod = "cos2",
     invisible=c("ind", "quali.sup"), 
     autoLab = "yes",
     title="")

從探索式分析，我們可以看見一些可能具潛在關聯的變數類別群組。在第二象限可以看到有三組較鄰近的類別項目。第一組認為「在行為上有沒有展現愛國心」與判斷對錯具一定程度以上相關的受訪者(v9r_2)很可能也會認同「有沒有尊重權威」(v10_2)、「在言行上，有沒有遵循神／佛／上帝的教誨」(v23_2)與判斷對錯具一定程度以上的相關。重視忠誠原則的人也可能是重視權威與貞潔原則的人。

第二組有四個鄰近的類別項目：認為「有沒有展現過關懷弱勢、或關懷受到傷害的人」與判斷對錯具一定程度以上相關的受訪者(v14r_2)，也會認為「有沒有背叛他的團隊或組織」(v16r_2)、「言行有沒有遵循社會的傳統價值」(v17r_2)，以及「言行有沒有展現忠誠」(v21r_2)與對錯判斷有一定程度以上的相關性。顯示重視關懷原則的人也可能較重視忠誠與權威原則。

第三組四個鄰近的類別項目有高度認同「有沒有人受到差別待遇」會影響判斷對錯的受訪者(v8r_2)也很可能是會認同「做的事有沒有展現公平公正」(v15r_2)、「有沒有做令人看了渾身不舒服、甚至是作嘔的事」(v18r_2)以及「權利有沒有被侵犯、甚至被剝奪」(v24r_2)與判斷對錯具一定以上程度相關的人。顯示重視關懷原則的人也可能較重視公平、貞潔原則。

由以上分析，觀察到關懷原的行為容易和其他的原則共同影響啟動人們的正義之心。至於重視中忠誠原則的人也較重視權威原則，則是比較有趣的發現，為確認關聯性將忠誠原則與權威原則相關的題目進行卡方檢定。

用卡方檢定確認具潛在關聯變數之間的相關性

library(sjPlot)
library(readr)

tab_xtab(x1351$v9r, x1351$v10r, 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 = "gray",
                 tdcol.row = "brown")

隞銵銝<9c><9c><84><9c><88>辣鈭<9a>嚗<9c><97><9f>	撠辣鈭<9a>嚗<9c><9c><87><88><9a><9c><97><9f>			Total
	0	1	2	Total
0	83 56.8 % 65.4 %	51 34.9 % 8.3 %	12 8.2 % 4 %	146 100 % 14 %
1	35 5.6 % 27.6 %	489 78.5 % 79.5 %	99 15.9 % 32.9 %	623 100 % 59.7 %
2	9 3.3 % 7.1 %	75 27.4 % 12.2 %	190 69.3 % 63.1 %	274 100 % 26.3 %
Total	127 12.2 % 100 %	615 59 % 100 %	301 28.9 % 100 %	1043 100 % 100 %
χ²=593.519 · df=4 · Cramer’s V=0.533 · p=0.000

tab_xtab(x1351$v9r, x1351$v17r, 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 = "gray",
                 tdcol.row = "brown")

隞銵銝<9c><9c><84><9c><88>辣鈭<9a>嚗<9c><97><9f>	撠辣鈭<9a>嚗銵<9c><9c>敺芰冗<9c><9a>蝯勗潦<88><9a><9c><97><9f>			Total
	0	1	2	Total
0	47 32.2 % 61 %	75 51.4 % 13.9 %	24 16.4 % 5.6 %	146 100 % 14 %
1	23 3.7 % 29.9 %	372 59.7 % 69.1 %	228 36.6 % 53.3 %	623 100 % 59.7 %
2	7 2.6 % 9.1 %	91 33.2 % 16.9 %	176 64.2 % 41.1 %	274 100 % 26.3 %
Total	77 7.4 % 100 %	538 51.6 % 100 %	428 41 % 100 %	1043 100 % 100 %
χ²=228.227 · df=4 · Cramer’s V=0.331 · p=0.000

tab_xtab(x1351$v9r, x1351$v22r, 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 = "gray",
                 tdcol.row = "brown")

隞銵銝<9c><9c><84><9c><88>辣鈭<9a>嚗<9c><97><9f>	隞<9c><9c><81>憯妝摨<94><88>毽鈭<9a><88>辣鈭<9a>嚗<9c><97><9f>			Total
	0	1	2	Total
0	22 15.1 % 81.5 %	29 19.9 % 11.4 %	95 65.1 % 12.5 %	146 100 % 14 %
1	4 0.6 % 14.8 %	192 30.8 % 75.6 %	427 68.5 % 56 %	623 100 % 59.7 %
2	1 0.4 % 3.7 %	33 12 % 13 %	240 87.6 % 31.5 %	274 100 % 26.3 %
Total	27 2.6 % 100 %	254 24.4 % 100 %	762 73.1 % 100 %	1043 100 % 100 %
χ²=142.082 · df=4 · Cramer’s V=0.261 · Fisher’s p=0.000

tab_xtab(x1351$v16r, x1351$v10r, 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 = "gray",
                 tdcol.row = "brown")

隞<9c><9c><83><8f><9a><9c><9a><88><88>辣鈭<9a>嚗<9c><97><9f>	撠辣鈭<9a>嚗<9c><9c><87><88><9a><9c><97><9f>			Total
	0	1	2	Total
0	48 61.5 % 37.8 %	23 29.5 % 3.7 %	7 9 % 2.3 %	78 100 % 7.5 %
1	55 10.7 % 43.3 %	377 73.5 % 61.3 %	81 15.8 % 26.9 %	513 100 % 49.2 %
2	24 5.3 % 18.9 %	215 47.6 % 35 %	213 47.1 % 70.8 %	452 100 % 43.3 %
Total	127 12.2 % 100 %	615 59 % 100 %	301 28.9 % 100 %	1043 100 % 100 %
χ²=307.589 · df=4 · Cramer’s V=0.384 · p=0.000

tab_xtab(x1351$v16r, x1351$v17r, 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 = "gray",
                 tdcol.row = "brown")

隞<9c><9c><83><8f><9a><9c><9a><88><88>辣鈭<9a>嚗<9c><97><9f>	撠辣鈭<9a>嚗銵<9c><9c>敺芰冗<9c><9a>蝯勗潦<88><9a><9c><97><9f>			Total
	0	1	2	Total
0	41 52.6 % 53.2 %	30 38.5 % 5.6 %	7 9 % 1.6 %	78 100 % 7.5 %
1	28 5.5 % 36.4 %	362 70.6 % 67.3 %	123 24 % 28.7 %	513 100 % 49.2 %
2	8 1.8 % 10.4 %	146 32.3 % 27.1 %	298 65.9 % 69.6 %	452 100 % 43.3 %
Total	77 7.4 % 100 %	538 51.6 % 100 %	428 41 % 100 %	1043 100 % 100 %
χ²=432.737 · df=4 · Cramer’s V=0.455 · p=0.000

tab_xtab(x1351$v16r, x1351$v22r, 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 = "gray",
                 tdcol.row = "brown")

隞<9c><9c><83><8f><9a><9c><9a><88><88>辣鈭<9a>嚗<9c><97><9f>	隞<9c><9c><81>憯妝摨<94><88>毽鈭<9a><88>辣鈭<9a>嚗<9c><97><9f>			Total
	0	1	2	Total
0	21 26.9 % 77.8 %	22 28.2 % 8.7 %	35 44.9 % 4.6 %	78 100 % 7.5 %
1	5 1 % 18.5 %	197 38.4 % 77.6 %	311 60.6 % 40.8 %	513 100 % 49.2 %
2	1 0.2 % 3.7 %	35 7.7 % 13.8 %	416 92 % 54.6 %	452 100 % 43.3 %
Total	27 2.6 % 100 %	254 24.4 % 100 %	762 73.1 % 100 %	1043 100 % 100 %
χ²=328.248 · df=4 · Cramer’s V=0.397 · Fisher’s p=0.000

tab_xtab(x1351$v21r, x1351$v10r, 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 = "gray",
                 tdcol.row = "brown")

暻潘銵<9c><9c>敹<88>甇支<9a>嚗<9c><97>嚗<9f>	撠辣鈭<9a>嚗<9c><9c><87><88><9a><9c><97><9f>			Total
	0	1	2	Total
0	42 72.4 % 33.1 %	13 22.4 % 2.1 %	3 5.2 % 1 %	58 100 % 5.6 %
1	57 10.6 % 44.9 %	392 73.1 % 63.7 %	87 16.2 % 28.9 %	536 100 % 51.4 %
2	28 6.2 % 22 %	210 46.8 % 34.1 %	211 47 % 70.1 %	449 100 % 43 %
Total	127 12.2 % 100 %	615 59 % 100 %	301 28.9 % 100 %	1043 100 % 100 %
χ²=321.669 · df=4 · Cramer’s V=0.393 · p=0.000

tab_xtab(x1351$v21r, x1351$v17r, 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 = "gray",
                 tdcol.row = "brown")

暻潘銵<9c><9c>敹<88>甇支<9a>嚗<9c><97>嚗<9f>	撠辣鈭<9a>嚗銵<9c><9c>敺芰冗<9c><9a>蝯勗潦<88><9a><9c><97><9f>			Total
	0	1	2	Total
0	38 65.5 % 49.4 %	17 29.3 % 3.2 %	3 5.2 % 0.7 %	58 100 % 5.6 %
1	25 4.7 % 32.5 %	380 70.9 % 70.6 %	131 24.4 % 30.6 %	536 100 % 51.4 %
2	14 3.1 % 18.2 %	141 31.4 % 26.2 %	294 65.5 % 68.7 %	449 100 % 43 %
Total	77 7.4 % 100 %	538 51.6 % 100 %	428 41 % 100 %	1043 100 % 100 %
χ²=481.250 · df=4 · Cramer’s V=0.480 · Fisher’s p=0.000

tab_xtab(x1351$v21r, x1351$v22r, 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 = "gray",
                 tdcol.row = "brown")

暻潘銵<9c><9c>敹<88>甇支<9a>嚗<9c><97>嚗<9f>	隞<9c><9c><81>憯妝摨<94><88>毽鈭<9a><88>辣鈭<9a>嚗<9c><97><9f>			Total
	0	1	2	Total
0	22 37.9 % 81.5 %	11 19 % 4.3 %	25 43.1 % 3.3 %	58 100 % 5.6 %
1	5 0.9 % 18.5 %	211 39.4 % 83.1 %	320 59.7 % 42 %	536 100 % 51.4 %
2	0 0 % 0 %	32 7.1 % 12.6 %	417 92.9 % 54.7 %	449 100 % 43 %
Total	27 2.6 % 100 %	254 24.4 % 100 %	762 73.1 % 100 %	1043 100 % 100 %
χ²=446.509 · df=4 · Cramer’s V=0.463 · Fisher’s p=0.000

確認式分析

## 確認式分析，二元勝算對數模型

library(car)

## Loading required package: carData

## 
## Attaching package: 'car'

## The following object is masked from 'package:dplyr':
## 
##     recode

library(sjPlot)
load("x1351.rda")

## 模型一：重視忠誠原則的人，也較重視權威原則
mod.1 <- glm(v9r ~ v10r, 
             data=x1351, 
             family=binomial)
summary(mod.1)

## 
## Call:
## glm(formula = v9r ~ v10r, family = binomial, data = x1351)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -2.5386   0.2853   0.4161   0.4161   1.4560  
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept)  -0.6347     0.1865  -3.403 0.000666 ***
## v10r1         3.0379     0.2370  12.820  < 2e-16 ***
## v10r2         3.8162     0.3486  10.947  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 844.68  on 1042  degrees of freedom
## Residual deviance: 616.34  on 1040  degrees of freedom
## AIC: 622.34
## 
## Number of Fisher Scoring iterations: 5

mod.1 <- glm(v9r ~ v17r, 
             data=x1351, 
             family=binomial)
summary(mod.1)

## 
## Call:
## glm(formula = v9r ~ v17r, family = binomial, data = x1351)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -2.4005   0.3397   0.3397   0.5480   1.3730  
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept)  -0.4490     0.2337  -1.921   0.0547 .  
## v17r1         2.2692     0.2648   8.570   <2e-16 ***
## v17r2         3.2723     0.3142  10.413   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 844.68  on 1042  degrees of freedom
## Residual deviance: 722.46  on 1040  degrees of freedom
## AIC: 728.46
## 
## Number of Fisher Scoring iterations: 5

mod.1 <- glm(v9r ~ v22r, 
             data=x1351, 
             family=binomial)
summary(mod.1)

## 
## Call:
## glm(formula = v9r ~ v22r, family = binomial, data = x1351)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -2.0833   0.4924   0.5161   0.5161   1.8365  
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept)  -1.4816     0.4954  -2.991  0.00279 ** 
## v22r1         3.5304     0.5333   6.620 3.59e-11 ***
## v22r2         3.4305     0.5074   6.761 1.37e-11 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 844.68  on 1042  degrees of freedom
## Residual deviance: 779.52  on 1040  degrees of freedom
## AIC: 785.52
## 
## Number of Fisher Scoring iterations: 4

mod.1 <- glm(v16r ~ v10r, 
             data=x1351, 
             family=binomial)
summary(mod.1)

## 
## Call:
## glm(formula = v16r ~ v10r, family = binomial, data = x1351)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -2.7427   0.2169   0.2761   0.2761   0.9744  
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept)   0.4982     0.1830   2.723  0.00648 ** 
## v10r1         2.7498     0.2805   9.804  < 2e-16 ***
## v10r2         3.2394     0.4240   7.641 2.16e-14 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 554.55  on 1042  degrees of freedom
## Residual deviance: 431.20  on 1040  degrees of freedom
## AIC: 437.2
## 
## Number of Fisher Scoring iterations: 6

mod.1 <- glm(v16r ~ v17r, 
             data=x1351, 
             family=binomial)
summary(mod.1)

## 
## Call:
## glm(formula = v16r ~ v17r, family = binomial, data = x1351)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -2.8682   0.1816   0.3387   0.3387   1.2331  
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept)  -0.1301     0.2284  -0.569    0.569    
## v17r1         2.9593     0.2958  10.006   <2e-16 ***
## v17r2         4.2268     0.4442   9.515   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 554.55  on 1042  degrees of freedom
## Residual deviance: 409.38  on 1040  degrees of freedom
## AIC: 415.38
## 
## Number of Fisher Scoring iterations: 6

mod.1 <- glm(v16r ~ v22r, 
             data=x1351, 
             family=binomial)
summary(mod.1)

## 
## Call:
## glm(formula = v16r ~ v22r, family = binomial, data = x1351)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -2.4822   0.3067   0.3067   0.3067   1.7344  
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept)  -1.2528     0.4629  -2.706   0.0068 ** 
## v22r1         3.6085     0.5139   7.022 2.18e-12 ***
## v22r2         4.2863     0.4942   8.673  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 554.55  on 1042  degrees of freedom
## Residual deviance: 462.29  on 1040  degrees of freedom
## AIC: 468.29
## 
## Number of Fisher Scoring iterations: 5

mod.1 <- glm(v21r ~ v10r, 
             data=x1351, 
             family=binomial)
summary(mod.1)

## 
## Call:
## glm(formula = v21r ~ v10r, family = binomial, data = x1351)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -3.0360   0.1415   0.2067   0.2067   0.8961  
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept)   0.7050     0.1886   3.738 0.000186 ***
## v10r1         3.1303     0.3379   9.265  < 2e-16 ***
## v10r2         3.8935     0.6101   6.381 1.75e-10 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 447.89  on 1042  degrees of freedom
## Residual deviance: 320.83  on 1040  degrees of freedom
## AIC: 326.83
## 
## Number of Fisher Scoring iterations: 7

mod.1 <- glm(v21r ~ v17r, 
             data=x1351, 
             family=binomial)
summary(mod.1)

## 
## Call:
## glm(formula = v21r ~ v17r, family = binomial, data = x1351)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -3.1498   0.1186   0.2534   0.2534   1.1664  
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept)  0.02598    0.22794   0.114    0.909    
## v17r1        3.39656    0.33571  10.118  < 2e-16 ***
## v17r2        4.92750    0.62255   7.915 2.47e-15 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 447.89  on 1042  degrees of freedom
## Residual deviance: 293.39  on 1040  degrees of freedom
## AIC: 299.39
## 
## Number of Fisher Scoring iterations: 7

mod.1 <- glm(v21r ~ v22r, 
             data=x1351, 
             family=binomial)
summary(mod.1)

## 
## Call:
## glm(formula = v21r ~ v22r, family = binomial, data = x1351)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -2.6142   0.2583   0.2583   0.2583   1.8365  
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)    
## (Intercept)  -1.4816     0.4954  -2.991  0.00279 ** 
## v22r1         4.5768     0.5835   7.844 4.38e-15 ***
## v22r2         4.8653     0.5355   9.085  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 447.89  on 1042  degrees of freedom
## Residual deviance: 336.48  on 1040  degrees of freedom
## AIC: 342.48
## 
## Number of Fisher Scoring iterations: 6

變數關係的判斷

將3個與忠誠原則有關的行為(v9r「有沒有展現愛國心」、v16r「有沒有背叛他的團隊或組織」、v21r「言行有沒有展現忠誠」)和3個與權威原則有關的行為(v10r「有沒有尊重權威」、v17r「言行有沒有遵循社會的傳統價值」、v22r「有沒有做出破壞秩序、甚至造成混亂的事」)交叉進行卡方檢定驗證結果：φ均大於0.25，關聯度強，再以二元勝算對數模型加以檢驗，也都呈現顯著相關，證實重視忠誠原則的人也會較重視權威原則的假設。

與資料喝杯咖啡

從以上的資料看出具公平原則的行為最容易激發人們的正義之心，這個結果並不意外，因為公平與正義原本就是人類生存與發展過程中永恆的主題，即使兩者在概念並不完全相同。觀察現今政壇的政治人物，確實蠻擅長訴求公平性原則行為，例如前立法委員黃國昌就是以勇於揭發不公不義的事(運用公平原則)，來啟動人們的正義之心，塑造出「戰神」的形象。而關懷原則行為則具普遍性，大部分都能啟動人們的正義之心，每當發生重大輿論事件時，事件當事人大多會採取哀兵姿態(運用關懷原則)來尋求社會大眾的正義之心支持(或諒解)。忠誠原則則比較不易激發人們的正義之心(相關性較弱)，或許可解釋為人們認為忠誠與正義似乎比較沒什麼直接相關，甚至過度忠誠反而可能傷害了正義。權威原則與正義之心的相關性則較為矛盾，大部分人們認為權威原則與正義之心是微弱相關，但特殊情形則反而呈現強烈的支持，這或許正好解釋了新冠肺炎嚴重之際，人們願意配合政府政策的現象。而貞潔原則行為與正義之心的相關性比較兩極，這或許和貞潔原則的行為大多和宗教有關，宗教信仰本身就是比較兩極，信徒強烈支持，不信者則無感!比較有趣的是，從探索式分析發現到重視忠誠原則的人也比較重視權威原則，我覺得這很有趣卻似乎也很合理，我的解讀是認同忠誠原則的人，本身應該也會較願意遵守忠誠原則的道德規範(服從性較高)，也因此比較能認同權威原則的規範，若後續再進一步探索正義之心與世代或政黨傾向或職業別的關聯性，或許會有更多的意外驚喜呢!

探索人們的正義之心

N086020018 歐雅欣

2021/1/8

研究動機

變數說明

本研究的核心關懷為「某一事件或行為會與判斷對錯有關，也就是該事件或原則會觸發人們的正義之心」

本研究選擇15題具「關懷」、「公平」、「忠誠」、「權威」、「貞潔」等概念的相關行為與道德判斷對錯有關的問題，來探索變數間的相關性。

變數1、有沒有人在情感上受到傷害【關懷】

變數2、有沒有人受到差別待遇 【公平】

變數3、當事人行為上有無展現愛國心【忠誠】

變數4、當事人有沒有不尊重權威 【權威】

變數5、當事人有無做出不聖潔或違反善良風俗的事 【貞潔】

變數6、當事人有沒有展現關懷弱勢或受到傷害的人 【關懷】

變數7、當事人做的事有無展現公平公正 【公平】

變數8、當事人有無背叛他的團體或組織 【忠誠】

變數9、當事人的言行有無遵循社會的傳統價值 【權威】

變數10、當事人有無做了令人不舒服或作嘔的事 【貞潔】

變數11、當事人有無做出令人覺得殘忍的事 【關懷】

變數12、當事人的言行有無展現忠誠 【忠誠】

變數13、當事人有無做出破壞秩序的事 【權威】

變數14、當事人的言行有無遵循神/上帝的教誨 【貞潔】

變數15、當事人的權利有無被侵犯或剝奪 【公平】

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

性別比例：男43.52%，女56.18%

年齡分布：未滿20歲2.40%，20至29歲27.71%，30至39歲37.97%，40至49歲19.37%，50至59歲9.11%，60歲以上3.45%

居住地區分布：北部50.10%，中部20.92%、南部26.30%、東部1.34%、其他1.34%

初步處理資料檔

變數編碼與描述

變數分布分析

具關懷性的變數

具公平性的變數

具忠誠性的變數

具權威性的變數

具貞潔性的變數

探索式分析

由以上分析，觀察到關懷原的行為容易和其他的原則共同影響啟動人們的正義之心。至於重視中忠誠原則的人也較重視權威原則，則是比較有趣的發現，為確認關聯性將忠誠原則與權威原則相關的題目進行卡方檢定。

用卡方檢定確認具潛在關聯變數之間的相關性

確認式分析

變數關係的判斷

與資料喝杯咖啡

變數2、有沒有人受到差別待遇【公平】

變數4、當事人有沒有不尊重權威【權威】

變數5、當事人有無做出不聖潔或違反善良風俗的事【貞潔】

變數6、當事人有沒有展現關懷弱勢或受到傷害的人【關懷】

變數7、當事人做的事有無展現公平公正【公平】

變數8、當事人有無背叛他的團體或組織【忠誠】

變數9、當事人的言行有無遵循社會的傳統價值【權威】

變數10、當事人有無做了令人不舒服或作嘔的事【貞潔】

變數11、當事人有無做出令人覺得殘忍的事【關懷】

變數12、當事人的言行有無展現忠誠【忠誠】

變數13、當事人有無做出破壞秩序的事【權威】

變數14、當事人的言行有無遵循神/上帝的教誨【貞潔】

變數15、當事人的權利有無被侵犯或剝奪【公平】