# 社會調查師量化認證範例試題 #########
# Data: 台灣社會變遷基本調查計畫 2011 第六期第二次:健康組
library(magrittr)
setwd("~/Desktop/社會調查師量化認證")
par(family = "PingFangTC-Regular")
# 一、 請針對此一調查樣本的基本人口特徵進行描述統計分析 #########
# (a) #######
# 請利用統計軟體讀取所提供的 ASCII 型式資料檔(附檔名可能為.DAT, .CSV, 或.TXT)
# 或 Excel 檔案(附檔名為. XLSX)，並根據附件的編碼簿更改變項 名稱
# (如:將變項 v1 更改為 gender)，並加上相應的變項標籤(如:變項 gender 的標籤為“性別”)
# 以及數值標籤(如:變項 gender 中數值 1 之標籤為“男性”、 數值 2 之標籤為“女性”)
# import data #####
# .sav
library(haven)
df <- read_sav(file = "tscs112.sav")
# .dta
df <- haven::read_dta(file = "tscs112.dta", encoding = "BIG-5")
# label #####
library(labelled)
df$gender <- labelled(df$gender,
c(男性 = 1, 女性 = 2, 不知道 = 97, 拒答 = 98, 跳答或不適用 = 99),
label = "性別")
df$性別 <- factor(df$gender,
levels = c(1, 2),
labels = c("男性", "女性"))
# (b) #######
# 請自行建立年齡變項[年齡=調查年(year_m)-出生年(birth_y)]，
# 並描 述全體樣本與男女兩性(gender)各自的年齡分布狀況
# age variable #######
df$age <- with(df,
year - (birth_y + 1911))
# 表一:年齡的基本描述統計值-全體樣本與按性別分 #######
library(dplyr)
## Warning: package 'dplyr' was built under R version 4.0.5
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
df %>% summarise(性別 = "全體",
N = n(),
平均數 = mean(age),
標準差 = sd(age),
最小值 = min(age),
最大值 = max(age)) %>%
rbind(df %>%
group_by(性別) %>%
summarise(N = n(),
平均數 = mean(age),
標準差 = sd(age),
最小值 = min(age),
最大值 = max(age))) %>%
mutate_if(is.numeric, round, 1) %>%
write.table(row.names = FALSE, quote = FALSE)
## 性別 N 平均數 標準差 最小值 最大值
## 全體 2199 47.2 17.8 19 93
## 男性 1086 46.8 18.1 19 93
## 女性 1113 47.6 17.5 19 93
# 圖一:全體樣本的年齡分布-直方圖 ########
hist(df$age,
xlim = c(0, 100), ylim = c(0, 0.025),
freq = FALSE, xlab = "年齡", ylab = NULL,
main = "圖一:全體樣本的年齡分布-直方圖")
# add normal distribution curve #######
x <- 0:100
curve(dnorm(x, mean(df$age), sd(df$age)), type = "l", add = TRUE)
# 圖二:年齡分布的盒形圖-依性別分 #######
boxplot(age ~ 性別, data = df, ylim = c(0, 100), ylab = "年齡",
main = "圖二:年齡分布的盒形圖-依性別分")
# (c) ########
# 請依兩種方式描述全體調查樣本的教育(g14)程度
# (1) #######
# 學歷[1-3=小學或以下;4-5=國(初)中;6-15=高中(職)或專科;
# 16-19= 大學;20-21=碩/博士;22 或 97 或 98=遺漏值]
df$學歷 <- df$g14 %>%
as.numeric() %>%
car::recode("1:3 = '小學或以下'; 4:5 = '國（初)中'; 6:15 = '高中（職)或專科';
16:19 = '大學'; 20:21 = '碩/博士'; 22 = NA; 97:99 = NA") %>%
factor(levels = c("小學或以下", "國（初)中", "高中（職)或專科", "大學", "碩/博士"))
# 表二:學歷的次數分布與百分比統計 ########
df %>%
group_by(學歷) %>%
summarise(人數 = n()) %>%
na.omit %>%
mutate(百分比 = 人數/sum(人數)*100,
累積百分比 = cumsum(百分比)) %>%
mutate_if(is.numeric, round, 1) %>%
write.table(row.names = FALSE, quote = FALSE)
## 學歷 人數 百分比 累積百分比
## 小學或以下 473 21.6 21.6
## 國（初)中 258 11.8 33.3
## 高中（職)或專科 845 38.5 71.9
## 大學 502 22.9 94.8
## 碩/博士 114 5.2 100
# 學歷遺漏值 #######
sum(!is.na(df$學歷))
## [1] 2192
sum(is.na(df$學歷))
## [1] 7
# 圖三:學歷分布的柱狀圖 ######
df %>%
group_by(學歷) %>%
summarise(N = n()) %>%
na.omit %$%
barplot(N ~ 學歷, ylab = "次數",
main = "圖三:學歷分布的柱狀圖")
# (2) #######
# 就學年數[1-2=0 年;3=6 年;4-5=9 年;6-15=12 年;16-19=16 年;
# 20=18 年;21=22 年;22 或 97 或 98=遺漏值
df$就學年數 <- car::recode(df$g14,
"1:2=0; 3=6; 4:5=9; 6:15=12; 16:19=16;
20=18; 12=22; c(22, 97, 98)=NA") %>%
as.numeric
# 表三:就學年數的基本描述統計值 ########
df[, "就學年數"] %>%
na.omit %>%
summarise(N = n(),
平均數 = mean(就學年數),
標準差 = sd(就學年數),
最小值 = min(就學年數),
最大值 = max(就學年數)) %>%
mutate_if(is.numeric, round, 1) %>%
write.table(row.names = FALSE, quote = FALSE)
## N 平均數 標準差 最小值 最大值
## 2192 11.2 4.6 0 21
# 圖四:就學年數分布的盒形圖 #######
boxplot(df$就學年數,
ylim = c(0, 22),
xlab = "就讀年數",
main = "圖四:就學年數分布的盒形圖")
# 二、 請選擇合適的統計方法分析調查資料以回答下列問題: ########
# (a) ########
# 假設兩位同樣嚴重的病人都需要接受相同的心臟手術，有年糼子女者是否應 優先接受手術(c8)?
# 這個問題沒有標準答案，基本上見仁見智。
# 但一個合理 的推測是，自身是否有子女(h16)將會影響對於上述問題的回答，
# 請檢驗此一 假設是否受到調查資料支持。
# 提示:c8-請將 97 與 98 定義為遺漏值，其餘答項皆保留;
# h16-請將 97 與 98 定義為遺漏值，其餘答項請簡化為「無子女」與「有子女」
df$接受手術優先性之考量 <- df$c8 %>%
as.numeric %>%
car::recode("1 = '有年幼子女的病人'; 2 = '沒有年幼子女的病人';
3 = '不應該用是否有年幼子女來決定誰先接受手術';
94 = '無法選擇'; 97:99 = NA") %>%
factor(levels = c('有年幼子女的病人', '沒有年幼子女的病人', '不應該用是否有年幼子女來決定誰先接受手術', '無法選擇'))
df$有無子女 <- df$h16 %>% as.numeric %>%
car::recode("0 = '無子女'; 1:21 = '有子女'; 97:99 = NA") %>%
factor(levels = c("無子女", "有子女"))
# 表四:「有無子女」與「接受手術優先性之考量」的交叉表 #######
table(df$接受手術優先性之考量, df$有無子女)
##
## 無子女 有子女
## 有年幼子女的病人 373 946
## 沒有年幼子女的病人 5 24
## 不應該用是否有年幼子女來決定誰先接受手術 284 491
## 無法選擇 13 27
tb4 <- xtabs(~ 接受手術優先性之考量 + 有無子女, data = df)
tb4 %>% write.table(quote = FALSE)
## 無子女 有子女
## 有年幼子女的病人 373 946
## 沒有年幼子女的病人 5 24
## 不應該用是否有年幼子女來決定誰先接受手術 284 491
## 無法選擇 13 27
tb4 %>% chisq.test()
##
## Pearson's Chi-squared test
##
## data: .
## X-squared = 18.609, df = 3, p-value = 0.0003293
# 表四:「有無子女」與「接受手術優先性之考量」的交叉表 (SPSS) #######
library(gmodels)
CrossTable(df$有無子女, df$接受手術優先性之考量,
expected = F,fisher = F,
prop.c = F,prop.t = F,prop.chisq = T, chisq = TRUE)
##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## |-------------------------|
##
##
## Total Observations in Table: 2163
##
##
## | df$接受手術優先性之考量
## df$有無子女 | 有年幼子女的病人 | 沒有年幼子女的病人 | 不應該用是否有年幼子女來決定誰先接受手術 | 無法選擇 | Row Total |
## -------------|----------------------|----------------------|----------------------|----------------------|----------------------|
## 無子女 | 373 | 5 | 284 | 13 | 675 |
## | 3.623 | 1.812 | 7.345 | 0.021 | |
## | 0.553 | 0.007 | 0.421 | 0.019 | 0.312 |
## -------------|----------------------|----------------------|----------------------|----------------------|----------------------|
## 有子女 | 946 | 24 | 491 | 27 | 1488 |
## | 1.643 | 0.822 | 3.332 | 0.010 | |
## | 0.636 | 0.016 | 0.330 | 0.018 | 0.688 |
## -------------|----------------------|----------------------|----------------------|----------------------|----------------------|
## Column Total | 1319 | 29 | 775 | 40 | 2163 |
## -------------|----------------------|----------------------|----------------------|----------------------|----------------------|
##
##
## Statistics for All Table Factors
##
##
## Pearson's Chi-squared test
## ------------------------------------------------------------
## Chi^2 = 18.60927 d.f. = 3 p = 0.0003292669
##
##
##
#(b) #######
#研究指出，在面臨壓力時，女性比較容易出現內在化(internalizing)症狀，
# 也就是呈現出較多的負面情緒;男性則比較容易出現外在化(externalizing) 症狀，
# 也就是呈現出較多的行為問題。
# 請檢驗調查資料是否支持女性(gender) 比男性更可能出現心理憂困(psychological distress)之假設。
# 提示:請將d22a-d22f共六題相加計算出心理憂困的量表分數後再進行分析。
# 建立量表分數時，務必要確認六題都答者才能計算其量表分數，並讓分數愈
# 高代表「心理憂困」愈嚴重，最後再評估此一量表分數的信度(reliability)。
df$d22a %<>% car::recode("94:99 = NA")
df$d22b %<>% car::recode("94:99 = NA")
df$d22c %<>% car::recode("94:99 = NA")
df$d22d %<>% car::recode("94:99 = NA")
df$d22e %<>% car::recode("94:99 = NA")
df$d22f %<>% car::recode("1 = 5; 2 = 4; 3 = 3; 4 = 2; 5 = 1; 94:99 = NA")
df <- df %>%
mutate(心理困憂 = d22a + d22b + d22c + d22d + d22e + d22f)
# 信度分析：心理困憂 ########
library(psych)
df %>%
dplyr::select(starts_with("d22")) %>%
alpha()
##
## Reliability analysis
## Call: alpha(x = .)
##
## raw_alpha std.alpha G6(smc) average_r S/N ase mean sd median_r
## 0.84 0.85 0.84 0.49 5.7 0.0052 1.9 0.74 0.46
##
## 95% confidence boundaries
## lower alpha upper
## Feldt 0.83 0.84 0.85
## Duhachek 0.83 0.84 0.85
##
## Reliability if an item is dropped:
## raw_alpha std.alpha G6(smc) average_r S/N alpha se var.r med.r
## d22a 0.87 0.87 0.85 0.57 6.7 0.0044 0.012 0.59
## d22b 0.80 0.81 0.80 0.46 4.3 0.0069 0.028 0.44
## d22c 0.80 0.81 0.79 0.46 4.2 0.0068 0.022 0.44
## d22d 0.80 0.81 0.80 0.46 4.3 0.0067 0.024 0.45
## d22e 0.79 0.80 0.79 0.45 4.0 0.0071 0.022 0.44
## d22f 0.84 0.85 0.84 0.53 5.5 0.0056 0.028 0.59
##
## Item statistics
## n raw.r std.r r.cor r.drop mean sd
## d22a 2198 0.60 0.57 0.42 0.39 2.1 1.13
## d22b 2195 0.82 0.82 0.78 0.72 2.0 1.02
## d22c 2193 0.81 0.82 0.79 0.72 1.7 0.92
## d22d 2188 0.80 0.81 0.78 0.70 1.7 0.92
## d22e 2196 0.85 0.85 0.84 0.76 1.8 0.95
## d22f 2190 0.67 0.67 0.56 0.52 2.2 0.97
##
## Non missing response frequency for each item
## 1 2 3 4 5 miss
## d22a 0.43 0.20 0.25 0.09 0.03 0.00
## d22b 0.42 0.24 0.27 0.07 0.01 0.00
## d22c 0.59 0.21 0.16 0.03 0.01 0.00
## d22d 0.58 0.22 0.16 0.04 0.01 0.01
## d22e 0.51 0.25 0.19 0.04 0.01 0.00
## d22f 0.27 0.41 0.22 0.08 0.02 0.00
# std.alpha = 0.85
# 表五:心理憂困量表分數之基本描述統計值與信度係數 ########
df[, "心理困憂"] %>%
na.omit() %>%
summarise(N = n(),
平均數 = mean(心理困憂),
標準差 = sd(心理困憂),
最小值 = min(心理困憂),
最大值 = max(心理困憂)) %>%
mutate_if(is.numeric, round, 3) %>%
mutate(alpha = 0.85) %>%
write.table(row.names = FALSE, quote = FALSE)
## N 平均數 標準差 最小值 最大值 alpha
## 2180 11.361 4.436 6 30 0.85
# 心理困憂遺漏值 ######
sum(is.na(df$心理困憂))
## [1] 19
# 表六:心理憂困量表分數之樣本平均值(按性別分)與 t 檢定之結果摘要 #########
df[, c("性別", "心理困憂")] %>%
na.omit() %>%
group_by(性別) %>%
summarise(N = n(),
平均數 = mean(心理困憂),
標準差 = sd(心理困憂)) %>%
mutate_if(is.numeric, round, 3) %>%
write.table(row.names = FALSE, quote = FALSE)
## 性別 N 平均數 標準差
## 男性 1081 10.724 4.195
## 女性 1099 11.986 4.578
# t test #######
t.test(心理困憂 ~ 性別, data = df)
##
## Welch Two Sample t-test
##
## data: 心理困憂 by 性別
## t = -6.7126, df = 2167.2, p-value = 2.433e-11
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -1.630716 -0.893328
## sample estimates:
## mean in group 男性 mean in group 女性
## 10.72433 11.98635
# (c) ########
#「健康梯度」的概念指出，個人的主觀社會地位愈高，心理健康愈好，反之 亦然。
# 其次，根據「壓力過程理論」可以推測，主觀社會地位(g1)較低者， 自我控制感(g2)也會較低，
# 因此心理健康較差;反之，主觀社會地位較高者， 自我控制感也會較高，因此心理健康較好。
# 若以心理憂困量表分數測量心理 健康，請在控制年齡與性別之後，
# 檢驗上述假設是否受到調查資料支持。
# 提示:針對主觀社會地位與自我控制感，請將 94 或 97 或 98 定義為遺漏值，
# 並讓分數愈高代表主觀社會地位愈高、自我控制感也愈強。
df$主觀社會地位 <- car::recode(df$g1, "94:99 = NA")
df$自我控制感 <- car::recode(df$g2, "84:99 = NA")
# 表七:分析變項的基本描述統計值與相關係數矩陣 #####
# 基本描述統計值 #######
df2c <- df[, c("age", "gender", "主觀社會地位", "自我控制感", "心理困憂")] %>%
na.omit()
df2c %>%
summarise_all(mean) %>%
rbind(
df2c %>%
na.omit() %>%
summarise_all(sd)
) %>%
t %>%
data.frame %>%
mutate_if(is.numeric, round, 3) %>%
write.table(col.names = c("平均數", "標準差"), quote = FALSE)
## 平均數 標準差
## age 46.462 17.5
## gender 1.498 0.5
## 主觀社會地位 4.956 1.577
## 自我控制感 6.84 2.096
## 心理困憂 11.35 4.413
# 相關係數矩陣 #######
df2c %>%
cor %>%
round(3) %>%
write.table(quote = FALSE)
## age gender 主觀社會地位 自我控制感 心理困憂
## age 1 0.004 -0.041 0.051 -0.069
## gender 0.004 1 0.065 0.052 0.141
## 主觀社會地位 -0.041 0.065 1 0.297 -0.144
## 自我控制感 0.051 0.052 0.297 1 -0.243
## 心理困憂 -0.069 0.141 -0.144 -0.243 1
# Regression ##########
m1 <- lm(自我控制感 ~ age + gender + 主觀社會地位, data = df2c)
m2 <- lm(心理困憂 ~ age + gender + 主觀社會地位, data = df2c)
m3 <- lm(心理困憂 ~ age + gender + 主觀社會地位 + 自我控制感, data = df2c)
# 表八:檢驗中介假設的三步驟多元迴歸分析之結果摘要 #########
library(stargazer)
## Warning: package 'stargazer' was built under R version 4.0.5
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Summary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=stargazer
stargazer(m1, m2, m3, type = "html",
title = "表八:檢驗中介假設的三步驟多元迴歸分析之結果摘要",
out = "表八:檢驗中介假設的三步驟多元迴歸分析之結果摘要.doc")
##
## <table style="text-align:center"><caption><strong>表八:檢驗中介假設的三步驟多元迴歸分析之結果摘要</strong></caption>
## <tr><td colspan="4" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left"></td><td colspan="3"><em>Dependent variable:</em></td></tr>
## <tr><td></td><td colspan="3" style="border-bottom: 1px solid black"></td></tr>
## <tr><td style="text-align:left"></td><td>自我控制感</td><td colspan="2">心理困憂</td></tr>
## <tr><td style="text-align:left"></td><td>(1)</td><td>(2)</td><td>(3)</td></tr>
## <tr><td colspan="4" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left">age</td><td>0.008<sup>***</sup></td><td>-0.019<sup>***</sup></td><td>-0.016<sup>***</sup></td></tr>
## <tr><td style="text-align:left"></td><td>(0.002)</td><td>(0.005)</td><td>(0.005)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td></td></tr>
## <tr><td style="text-align:left">gender</td><td>0.137</td><td>1.336<sup>***</sup></td><td>1.400<sup>***</sup></td></tr>
## <tr><td style="text-align:left"></td><td>(0.087)</td><td>(0.188)</td><td>(0.183)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td></td></tr>
## <tr><td style="text-align:left">主觀社會地位</td><td>0.395<sup>***</sup></td><td>-0.440<sup>***</sup></td><td>-0.256<sup>***</sup></td></tr>
## <tr><td style="text-align:left"></td><td>(0.028)</td><td>(0.060)</td><td>(0.061)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td></td></tr>
## <tr><td style="text-align:left">自我控制感</td><td></td><td></td><td>-0.465<sup>***</sup></td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td>(0.046)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td></td></tr>
## <tr><td style="text-align:left">Constant</td><td>4.328<sup>***</sup></td><td>12.427<sup>***</sup></td><td>14.439<sup>***</sup></td></tr>
## <tr><td style="text-align:left"></td><td>(0.223)</td><td>(0.481)</td><td>(0.510)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td><td></td></tr>
## <tr><td colspan="4" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left">Observations</td><td>2,116</td><td>2,116</td><td>2,116</td></tr>
## <tr><td style="text-align:left">R<sup>2</sup></td><td>0.093</td><td>0.049</td><td>0.094</td></tr>
## <tr><td style="text-align:left">Adjusted R<sup>2</sup></td><td>0.092</td><td>0.048</td><td>0.092</td></tr>
## <tr><td style="text-align:left">Residual Std. Error</td><td>1.997 (df = 2112)</td><td>4.306 (df = 2112)</td><td>4.206 (df = 2111)</td></tr>
## <tr><td style="text-align:left">F Statistic</td><td>72.345<sup>***</sup> (df = 3; 2112)</td><td>36.508<sup>***</sup> (df = 3; 2112)</td><td>54.454<sup>***</sup> (df = 4; 2111)</td></tr>
## <tr><td colspan="4" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left"><em>Note:</em></td><td colspan="3" style="text-align:right"><sup>*</sup>p<0.1; <sup>**</sup>p<0.05; <sup>***</sup>p<0.01</td></tr>
## </table>
# (d) ######
# 根據過往理論與相關研究，帶有「宿命論觀點」(fatalism)的個人，思考比較 負面，
# 覺得自己在社會上的地位很難改變，因此心理憂困的程度更容易受到 當前主觀社會地位的影響;
# 反之，「宿命論觀點」傾向較低的個人，思考較為 正面，
# 對自己未來社會地位的提升更具信心，因此心理憂困的程度比較不容 易受到當前主觀社會地位的影響。
# 請在控制年齡與性別之後，檢驗上述假設 是否受到調查資料支持。
# 提示:請將 g22a-g22b 共二題相加計算出「宿命論觀點」的量表分數後再進行分析。
# 建立量表分數時，務必要確認兩題都答者才能計算其量表分數，
# 並讓分數愈高代表「宿命論觀點」的傾向愈強，最後再評估此一量表分數的信度(reliability)。
df$g22aa <- car::recode(df$g22a, "1=5; 2=4; 3=3; 4=2; 5=1; 97:99=NA")
df$g22bb <- car::recode(df$g22b, "1=5; 2=4; 3=3; 4=2; 5=1; 97:99=NA")
df %<>% mutate(宿命論觀點 = g22aa + g22bb)
df_2d <- df[, c("心理困憂", "age", "性別", "主觀社會地位", "宿命論觀點")] %>%
mutate_if(is.numeric, scale)
# Regression ######
m1 <- lm(心理困憂 ~ age + 性別 + 主觀社會地位 + 宿命論觀點, data = df_2d)
summary(m1)
##
## Call:
## lm(formula = 心理困憂 ~ age + 性別 + 主觀社會地位 +
## 宿命論觀點, data = df_2d)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.9826 -0.7382 -0.1582 0.5623 3.7071
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.14618 0.02901 -5.039 5.08e-07 ***
## age -0.15904 0.02193 -7.251 5.78e-13 ***
## 性別女性 0.28511 0.04121 6.918 6.08e-12 ***
## 主觀社會地位 -0.09797 0.02145 -4.566 5.25e-06 ***
## 宿命論觀點 0.26216 0.02247 11.666 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9407 on 2090 degrees of freedom
## (104 observations deleted due to missingness)
## Multiple R-squared: 0.1081, Adjusted R-squared: 0.1064
## F-statistic: 63.35 on 4 and 2090 DF, p-value: < 2.2e-16
m2 <- lm(心理困憂 ~ age + 性別 + 主觀社會地位*宿命論觀點, data = df_2d)
summary(m2)
##
## Call:
## lm(formula = 心理困憂 ~ age + 性別 + 主觀社會地位 *
## 宿命論觀點, data = df_2d)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.1560 -0.7264 -0.1516 0.5781 3.8069
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.16169 0.02936 -5.507 4.10e-08 ***
## age -0.15829 0.02189 -7.232 6.65e-13 ***
## 性別女性 0.28458 0.04113 6.920 6.00e-12 ***
## 主觀社會地位 -0.09266 0.02147 -4.315 1.67e-05 ***
## 宿命論觀點 0.25029 0.02274 11.008 < 2e-16 ***
## 主觀社會地位:宿命論觀點 -0.06101 0.01930 -3.161 0.00159 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9387 on 2089 degrees of freedom
## (104 observations deleted due to missingness)
## Multiple R-squared: 0.1124, Adjusted R-squared: 0.1102
## F-statistic: 52.89 on 5 and 2089 DF, p-value: < 2.2e-16
# 表九:檢驗調節假設的二步驟多元迴歸分析之結果摘要 ########
stargazer(m1, m2, type = "html",
title = "表九:檢驗調節假設的二步驟多元迴歸分析之結果摘要",
out = "表九:檢驗調節假設的二步驟多元迴歸分析之結果摘要.doc")
##
## <table style="text-align:center"><caption><strong>表九:檢驗調節假設的二步驟多元迴歸分析之結果摘要</strong></caption>
## <tr><td colspan="3" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left"></td><td colspan="2"><em>Dependent variable:</em></td></tr>
## <tr><td></td><td colspan="2" style="border-bottom: 1px solid black"></td></tr>
## <tr><td style="text-align:left"></td><td colspan="2">心理困憂</td></tr>
## <tr><td style="text-align:left"></td><td>(1)</td><td>(2)</td></tr>
## <tr><td colspan="3" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left">age</td><td>-0.159<sup>***</sup></td><td>-0.158<sup>***</sup></td></tr>
## <tr><td style="text-align:left"></td><td>(0.022)</td><td>(0.022)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td></tr>
## <tr><td style="text-align:left">性別女性</td><td>0.285<sup>***</sup></td><td>0.285<sup>***</sup></td></tr>
## <tr><td style="text-align:left"></td><td>(0.041)</td><td>(0.041)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td></tr>
## <tr><td style="text-align:left">主觀社會地位</td><td>-0.098<sup>***</sup></td><td>-0.093<sup>***</sup></td></tr>
## <tr><td style="text-align:left"></td><td>(0.021)</td><td>(0.021)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td></tr>
## <tr><td style="text-align:left">宿命論觀點</td><td>0.262<sup>***</sup></td><td>0.250<sup>***</sup></td></tr>
## <tr><td style="text-align:left"></td><td>(0.022)</td><td>(0.023)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td></tr>
## <tr><td style="text-align:left">主觀社會地位:宿命論觀點</td><td></td><td>-0.061<sup>***</sup></td></tr>
## <tr><td style="text-align:left"></td><td></td><td>(0.019)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td></tr>
## <tr><td style="text-align:left">Constant</td><td>-0.146<sup>***</sup></td><td>-0.162<sup>***</sup></td></tr>
## <tr><td style="text-align:left"></td><td>(0.029)</td><td>(0.029)</td></tr>
## <tr><td style="text-align:left"></td><td></td><td></td></tr>
## <tr><td colspan="3" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left">Observations</td><td>2,095</td><td>2,095</td></tr>
## <tr><td style="text-align:left">R<sup>2</sup></td><td>0.108</td><td>0.112</td></tr>
## <tr><td style="text-align:left">Adjusted R<sup>2</sup></td><td>0.106</td><td>0.110</td></tr>
## <tr><td style="text-align:left">Residual Std. Error</td><td>0.941 (df = 2090)</td><td>0.939 (df = 2089)</td></tr>
## <tr><td style="text-align:left">F Statistic</td><td>63.346<sup>***</sup> (df = 4; 2090)</td><td>52.894<sup>***</sup> (df = 5; 2089)</td></tr>
## <tr><td colspan="3" style="border-bottom: 1px solid black"></td></tr><tr><td style="text-align:left"><em>Note:</em></td><td colspan="2" style="text-align:right"><sup>*</sup>p<0.1; <sup>**</sup>p<0.05; <sup>***</sup>p<0.01</td></tr>
## </table>
# 圖七:主觀社會地位與宿命論在預測心理憂困時的交互作用效果 ######
with(df,
interaction.plot(主觀社會地位, 宿命論觀點, 心理困憂))
