看PAPER的时候，赫然发现心理科学上的一篇综述大段翻译了另一篇同题材的英文综述文章，那就有这样几个问题
1.直接翻译算不算抄袭？当然算。英文论文的审阅已经有了识别抄袭的技术，现在应该开始开始训练避免有意或无意的抄袭。
2.翻译以后改成自己的话，例如被字句改成把字句，算不算抄袭？这个加工可能大多数是个非故意的过程，比如读一篇英文文献，由于读下来已经有一个再加工的过程，落在笔头上，写在文章中扬扬得意的一句话，其实还是原文而自己已经忘了或产生错觉了而已。
3.如何分辨抄袭？英文直译过来的抄袭方法，读起来必然有些不顺，这种分辨其实对自己避免抄袭毫无益处。看一手文献是王道。BY THE WAY,如何训练速读？觉得自己读PAPER太慢。
4.一个领域的综述已经做的很好了，我想把它引入到我的文章中，大段的引用并标注出处是可取的，但是很不好看；要是为了好看而自己重新写一个，又未免换汤不换药，做了个翻译再自我加工的过程，抄袭的不是原句，而是idear。
总结甘老师以前发过的一个关于阿肯色大学避免抄袭的课件
参考:
http://catalogofstudies.uark.edu/current/studies/734.htm
有几点是值得注意的：
1.文字，图片，表格，数据，idear都有版权的
2.引用原文，加引用符，杂志要求的引用格式，或者加以脚注
3.除非被广泛使用，否则关键词也需要加以引用
4.避免自我抄袭，新瓶装旧酒是不可以的
5.若说不清来源，干脆不要引用
6.拙劣的引用也比抄袭要好
关于参考文献：
1：林帼儿,陈子光,钟建安,. 组织公平文献综述及未来的研究方向[J]. 心理科学,2006,(4).
“组织中的公平研究始创于1965 年Adams 的公平理论(equity theory) 。该理论强调了个体投入和所得到结果的等价性(Cohen，Charash & Spector , 2001 ; Colquitt 等人, 2001) [15 ,2 ] 。根据该理论,人们在知觉一个结果是否公平时,首先会计算他们自己的贡献或投入(如,才能、学识、技巧、经验等) 与他们的产出之间的比率,然后把自己的这个比率同他人的比率进行比较,从而得出分配是否公平的结论。”
2：Colquitt, J. A., Conlon, D. E., Wesson, M. J., Porter, C. O. L. H., & Ng, K. Y. (2001). Justice at the millenium: A meta-analytic review of 25 years of organizational justice research. Journal of Applied Psychology, 86(3), 425-425.
“Before 1975, the study of justice was primarily concerned with distributive justice. Much of this research was derived from initial work conducted by Adams (1965), who used a social exchange theory framework to evaluate fairness. According to Adams, what people were concerned about was not the absolute level of outcomes
per se but whether those outcomes were fair. Adams suggested that one way to determine whether an outcome was fair was to calculate the ratio of one's contributions or "inputs" (e.g.,education, intelligence, and experience) to one's outcome and then compare that ratio with that of a comparison other. Although the
comparison of the two input-outcome ratios gives Adams's equity theory an "objective" component, he was clear that this processwas completely subjective.”
2008年12月12日星期五
2008年12月9日星期二
主成分分析与因素分析之区分
主成分分析与因素分析之区分
因素分析FA分为探索性因素分析EFA与验证性因素分析CFA。因素分析与主成分分析PCA的关系,尤其是探索性因素分析与主成分分析之关系，参考一些资料之后，我将两者的主要分别总结如下。
1.PCA分析所有的变异，包括所有指标的变异与误差的变异，也包括只为一个指标所拥有的变异，用于对数据的所有变异做一个整体的概括，不丢失任何信息。FA分析共享的变异，不包括误差的变异，也不包括只为一个指标所拥有的变异
2.PCA不需要理论的指导，所分析出来的成份没有实际中的意义，更不应该为它附上一个标签。EFA要为分析出来的因素起一个实际有意义的名称，CFA则需要在进行分析之前有以验证假设为目的，在理论基础之上进行。
3.PCA成份之间彼此正交，即不相关。FA的因素之间则一般是斜交的，在EFA重要看因素旋转的结果，在CFA中看理论假设的模型与调整的结果。
4.PCA的目的是为了提取信息，对样本量的要求并不高。FA则要求样本量不少于100，至少保证指标与因素的比为5：1。
5.在PCA中，指标是自变量，成份是因变量；在FA中，指标是因变量，因素是自变量。在这里值得注意的是，SPSS中PCA和EFA未加以区分，所以特别容易混淆，一个简单的区别就是，在PCA进行之后，自变量和因变量已经悄然发生了转换，“主成分”从因变量变成了自变量，经过旋转之后，变成了有意义的“因素”。
6.在实际的应用中，PCA是为EFA决定提取的因子数的一个方法。事实上，还有其他的方法可以用来选择公因子的数目，包括公因子法，最小平方法，最大似然法，等等。在PCA后，根据特征值或者碎石图来进行因子数目的选择。特别值得注意的是，碎石图是PCA的专利，FA是没有碎石图的。
下面我用公式做出了PCA和FA的一个区分我们可以从公式里看到主成分（因素）在方程中未知的变化
...
注意，这里的系数矩阵就是我们在svd中分析出来的$u和$v
区别
...
参考资料：
侯杰泰，温忠麟:《结构方程模型及其应用》
Tabachnick&Fidell:《Using multivariate Statistics》
陈善林《因素分析的理论与方法》
因素分析FA分为探索性因素分析EFA与验证性因素分析CFA。因素分析与主成分分析PCA的关系,尤其是探索性因素分析与主成分分析之关系，参考一些资料之后，我将两者的主要分别总结如下。
1.PCA分析所有的变异，包括所有指标的变异与误差的变异，也包括只为一个指标所拥有的变异，用于对数据的所有变异做一个整体的概括，不丢失任何信息。FA分析共享的变异，不包括误差的变异，也不包括只为一个指标所拥有的变异
2.PCA不需要理论的指导，所分析出来的成份没有实际中的意义，更不应该为它附上一个标签。EFA要为分析出来的因素起一个实际有意义的名称，CFA则需要在进行分析之前有以验证假设为目的，在理论基础之上进行。
3.PCA成份之间彼此正交，即不相关。FA的因素之间则一般是斜交的，在EFA重要看因素旋转的结果，在CFA中看理论假设的模型与调整的结果。
4.PCA的目的是为了提取信息，对样本量的要求并不高。FA则要求样本量不少于100，至少保证指标与因素的比为5：1。
5.在PCA中，指标是自变量，成份是因变量；在FA中，指标是因变量，因素是自变量。在这里值得注意的是，SPSS中PCA和EFA未加以区分，所以特别容易混淆，一个简单的区别就是，在PCA进行之后，自变量和因变量已经悄然发生了转换，“主成分”从因变量变成了自变量，经过旋转之后，变成了有意义的“因素”。
6.在实际的应用中，PCA是为EFA决定提取的因子数的一个方法。事实上，还有其他的方法可以用来选择公因子的数目，包括公因子法，最小平方法，最大似然法，等等。在PCA后，根据特征值或者碎石图来进行因子数目的选择。特别值得注意的是，碎石图是PCA的专利，FA是没有碎石图的。
下面我用公式做出了PCA和FA的一个区分我们可以从公式里看到主成分（因素）在方程中未知的变化
Z_1=b_{11}x_1+b_{12}x_2+...+b_{1m}x_mZ_2=b_{21}x_1+b_{22}x_2+...+b_{2m}x_m...
Z_m=b_{m1}x_1+b_{m2}x_2+...+b_{mm}x_m注意，这里的系数矩阵就是我们在svd中分析出来的$u和$v
区别
x_1=\lambda_{11}\xi_1+\lambda_{12}\xi_2+...+\lambda_{1m}\xi_mx_2=\lambda_{21}\xi_1+\lambda_{22}\xi_2+...+\lambda_{2m}\xi_m...
x_m=\lambda_{m1}\xi_1+\lambda_{m2}\xi_2+...+\lambda_{mm}\xi_m参考资料：
侯杰泰，温忠麟:《结构方程模型及其应用》
Tabachnick&Fidell:《Using multivariate Statistics》
陈善林《因素分析的理论与方法》
2008年12月8日星期一
Budescu的优势分析
这几天看文献时注意到了一种基于多元回归进行的优势分析，在组织行为学领域有广泛的应用
总结了一些文献，概括如下：
在精确比较自变量对因变量的相对重要性
传统方法的问题：多重共线性，可能低估预测力较弱的自变量的重要性
理论依据：
1.以自变量预测因变量时降低的误差来确定
2.要直接比较相对权重，而不是根据相关的指标来推测
3.相对重要性比较的是一个自变量对因变量的直接效应。
Budescu:优势分析法
PS:
直接效应：自变量对因变量单独影响
总体效应：自变量与其他所有的自变量放在一起时，自变量对因变量的影响
部分效应：自变量与部分其他自变量放在仪器室，这个自变量对隐变量的影响。
分析：复相关系数平方R2的增加值，累加平均后再平均。最后计算在已经解释了的方差中，每个自变量单独所贡献的成分。
如有3个自变量X1,X2,X3，以X1为例X1的单独R2=a，X1X2X3为A
则x1看
X1,
X2,b
X3,c
X1X2,
X1X3,
X2X3,d
X1X2X3
这7中情况下,没有X1的情况下，加上X1后R2的增加值,分别为b,c,d则最后算出X1的相对贡献值为A1=[a+(b+c)/2+d]/3同理，可算出A2和A3。则A1+A2+A3=A
参考文献：
1.Budescu D V. Dominance Analysis: A New App roach to the Problen of Relative Importance of Predictors in Multip le Regression[ J ]. Psychological Bulletin, 1993, 114: 542 - 551.
2.李超平,时勘. 优势分析在组织行为学研究中的应用——组织公平与工作倦怠关系的实证研究[J]. 数理统计与管理,2005,(6).
总结了一些文献，概括如下：
在精确比较自变量对因变量的相对重要性
传统方法的问题：多重共线性，可能低估预测力较弱的自变量的重要性
理论依据：
1.以自变量预测因变量时降低的误差来确定
2.要直接比较相对权重，而不是根据相关的指标来推测
3.相对重要性比较的是一个自变量对因变量的直接效应。
Budescu:优势分析法
PS:
直接效应：自变量对因变量单独影响
总体效应：自变量与其他所有的自变量放在一起时，自变量对因变量的影响
部分效应：自变量与部分其他自变量放在仪器室，这个自变量对隐变量的影响。
分析：复相关系数平方R2的增加值，累加平均后再平均。最后计算在已经解释了的方差中，每个自变量单独所贡献的成分。
如有3个自变量X1,X2,X3，以X1为例X1的单独R2=a，X1X2X3为A
则x1看
X1,
X2,b
X3,c
X1X2,
X1X3,
X2X3,d
X1X2X3
这7中情况下,没有X1的情况下，加上X1后R2的增加值,分别为b,c,d则最后算出X1的相对贡献值为A1=[a+(b+c)/2+d]/3同理，可算出A2和A3。则A1+A2+A3=A
参考文献：
1.Budescu D V. Dominance Analysis: A New App roach to the Problen of Relative Importance of Predictors in Multip le Regression[ J ]. Psychological Bulletin, 1993, 114: 542 - 551.
2.李超平,时勘. 优势分析在组织行为学研究中的应用——组织公平与工作倦怠关系的实证研究[J]. 数理统计与管理,2005,(6).
2008年12月6日星期六
中介效应的检验,阅读笔记与实例演算
中介效应的检验
阅读笔记与实例演算
文献：
（1）中介效应的概述
MacKinnon, D. P., Fairchild, A. J., & Fritz, M. S. (2008). Mediation analysis. Annual Review of Psychology, 58, 593-614.
（2）SPSS，SAS计算中介效应及代码--单调节变量
Preacher, K. J., & Hayes, A. F. (2004). SPSS and SAS procedures for estimating indirect effects in simple mediation models. Behavior Research Methods, Instruments, and Computers, 36, 717-731.
（3）SPSS，SAS计算中介效应及代码--多调节变量
Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40, 879-891.
一.中介变量的作用
简而言之：
1.进一步理解X，Y之间的关系。即X通过作用M再作用Y,值得注意的是即使XY之间可能不存在相关关系，可能是由于XM,MY作用的方向是相反的。
2.辅助试验设计
中介变量可以作为研究模型的一部分；中介变量可以替代结果变量。值得注意的是第二种情况，结果变量可能出于某种原因而不适合进行研究，比如研究失业与离婚的影响，08年的经济危机是一个好的契机，但要等这些在08年经济危机中的失业的研究者都离婚的话，未免太久，所以可以利用周期较短的中介变量代替结果变量来研究。
二.中介效应的基本统计原理
1.三个方程+一个图
所有的分析都是基于这三个方程和一个图
2.基本假设
假设1：方程2，3的残差是独立的
假设2：M和方程2的残差是独立的
假设3：MX在方程三中没有交互作用
假设中没有说明的问题：（1）方向xmy,ymx.(2)y-m(3)其他变量的影响
这些假设事实上可能根本没有办法证明，所以一般还是靠看其他的实验结果或质性研究。
3.几个概念：
（1）全中介（Complete Mediation）与部分中介（Partial Mediation）
方法，看c'，若c-c'显著且c'显著，就是部分中介模型了
那么如何判断是全中介模型呢？c-c'显著且c'不显著，当然还不够，需要做c'的置信区间，确定这个“不显著”是“显著不”的，才足以说明此简单中介模型是全中介的。
（2）Consistent and Inconsistent Models一致与不一致模型
不一致就是调节的方向和xy的方向不一致，可能导致整个的效应不明显
三.中介效应的检验---a*b or a&b
有上面的方程我们知道a*b=c-c',如果a*b显著大于0，可以说存在中介效应；另一种说法，a，b作为相关系数，若同时显著也应该可以说明存在中介效应。两种检验都存在power较低的现象。
(1)a和b同时显著
局限1：要求a和b同时显著会降低了一类错误同时降低power。
局限2：这种检验方法的前提是x与y存在相关，所以同时要求a和b显著的，再判断c'的显著性的方法，受制于X与Y直接效应的大小。x与Y直接效应越小，power越小，最小的时候是全中介模型的时候。
结合温忠麟教授的《调节效应与中介效应的比较与应用》一文中“中介效应检验程序”。完全中介模型想通过判断ab同时显著得到验证的power应该是很小的。
那么这个power到底有多小，文中举了一个例子，如果a，b的效应量都不大的时候，想要得到0.8的power需要25000的样本量。
优点：被广泛应用；可以验证完全中介效应
PS：还是不很理解c'与power的关系，需要再考虑
2）a*b显著
检验a*b是对要求ab同时显著时power较小的一个补充
公式：
事实上两个公式都可以
计算方法
A:sobel检验
局限：a*b不是正态分布。power小，用一个不符合正态分布的数据来做假设检验与参数分析，只能说如果不做Bootstrap的话，就是一个无奈的妥协了。
B：Bootstrap
可以一定通过resampling的方法来弥补a*b不是正态分布的缺陷，这个方法应该放进“中介效应检验程序”中作为补充，可以使power变大。
http://www.comm.ohio-state.edu/ahayes/sobel.htm
http://www.public.asu.edu/~davidpm/ripl/Prodclin/
我用SPSS跑了一下网页上的例子，结果如下：
a=.8186 p=.0106
b=.4039 p=.0340
sobel 假设正态分布:95%CI（-.0585，1.6653）
Bootstrap:95%CI(.0324 ,.7030)
可见，bootstrap调整的方法，即使在样本量只有30的数据中也得到了显著地结果。而且5000次的resampling情况下置信区间很窄，可以确定这个是显著性很高。
四：多中介变量模型
写了SPSS中sobel中命令的这个人又分析了多中介变量模型中的计算，并可以直接应用。这里略介绍一下含有多个调节变量的模型比单独分析调节模型的好处：
（1）就像含有多个预测变量的回归模型一样，可以评估整体的调节作用那个
（2）可以看在其他调节变量在场的时候，一个指定的M如何影响XY的关系，以及其他的调节变量如何影响M的影响作用。
（3）降低由于忽略调节变量带来的误差
*调节变量的共线性
多调节变量模型中的某一个M不包含与其他M重叠的部分，而单调节模型中的M还包括其他M与这个M相关而产生的调节作用。
待补充和明确的两个问题：
1.完全中介模型power较小的原因没有十分理清
2.r中sobel与bootstrap的计算
阅读笔记与实例演算
文献：
（1）中介效应的概述
MacKinnon, D. P., Fairchild, A. J., & Fritz, M. S. (2008). Mediation analysis. Annual Review of Psychology, 58, 593-614.
（2）SPSS，SAS计算中介效应及代码--单调节变量
Preacher, K. J., & Hayes, A. F. (2004). SPSS and SAS procedures for estimating indirect effects in simple mediation models. Behavior Research Methods, Instruments, and Computers, 36, 717-731.
（3）SPSS，SAS计算中介效应及代码--多调节变量
Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40, 879-891.
一.中介变量的作用
简而言之：
1.进一步理解X，Y之间的关系。即X通过作用M再作用Y,值得注意的是即使XY之间可能不存在相关关系，可能是由于XM,MY作用的方向是相反的。
2.辅助试验设计
中介变量可以作为研究模型的一部分；中介变量可以替代结果变量。值得注意的是第二种情况，结果变量可能出于某种原因而不适合进行研究，比如研究失业与离婚的影响，08年的经济危机是一个好的契机，但要等这些在08年经济危机中的失业的研究者都离婚的话，未免太久，所以可以利用周期较短的中介变量代替结果变量来研究。
二.中介效应的基本统计原理
1.三个方程+一个图
\inline Y=i_1+cX+e_1\inline Y=i_2+c'X+bM+e_2\inline M=i_3+aX+e_3
所有的分析都是基于这三个方程和一个图
2.基本假设
假设1：方程2，3的残差是独立的
假设2：M和方程2的残差是独立的
假设3：MX在方程三中没有交互作用
假设中没有说明的问题：（1）方向xmy,ymx.(2)y-m(3)其他变量的影响
这些假设事实上可能根本没有办法证明，所以一般还是靠看其他的实验结果或质性研究。
3.几个概念：
（1）全中介（Complete Mediation）与部分中介（Partial Mediation）
方法，看c'，若c-c'显著且c'显著，就是部分中介模型了
那么如何判断是全中介模型呢？c-c'显著且c'不显著，当然还不够，需要做c'的置信区间，确定这个“不显著”是“显著不”的，才足以说明此简单中介模型是全中介的。
（2）Consistent and Inconsistent Models一致与不一致模型
不一致就是调节的方向和xy的方向不一致，可能导致整个的效应不明显
三.中介效应的检验---a*b or a&b
有上面的方程我们知道a*b=c-c',如果a*b显著大于0，可以说存在中介效应；另一种说法，a，b作为相关系数，若同时显著也应该可以说明存在中介效应。两种检验都存在power较低的现象。
(1)a和b同时显著
局限1：要求a和b同时显著会降低了一类错误同时降低power。
局限2：这种检验方法的前提是x与y存在相关，所以同时要求a和b显著的，再判断c'的显著性的方法，受制于X与Y直接效应的大小。x与Y直接效应越小，power越小，最小的时候是全中介模型的时候。
结合温忠麟教授的《调节效应与中介效应的比较与应用》一文中“中介效应检验程序”。完全中介模型想通过判断ab同时显著得到验证的power应该是很小的。
那么这个power到底有多小，文中举了一个例子，如果a，b的效应量都不大的时候，想要得到0.8的power需要25000的样本量。
优点：被广泛应用；可以验证完全中介效应
PS：还是不很理解c'与power的关系，需要再考虑
2）a*b显著
检验a*b是对要求ab同时显著时power较小的一个补充
公式：
S_{ab}=\sqrt{b^2s^2_a+a^2s^2_b+s^2_as^2_b }
\inline S_{ab}=\sqrt{b^2s^2_a+a^2s^2_b}
事实上两个公式都可以
计算方法
A:sobel检验
局限：a*b不是正态分布。power小，用一个不符合正态分布的数据来做假设检验与参数分析，只能说如果不做Bootstrap的话，就是一个无奈的妥协了。
B：Bootstrap
可以一定通过resampling的方法来弥补a*b不是正态分布的缺陷，这个方法应该放进“中介效应检验程序”中作为补充，可以使power变大。
http://www.comm.ohio-state.edu/ahayes/sobel.htm
http://www.public.asu.edu/~davidpm/ripl/Prodclin/
我用SPSS跑了一下网页上的例子，结果如下：
a=.8186 p=.0106
b=.4039 p=.0340
sobel 假设正态分布:95%CI（-.0585，1.6653）
Bootstrap:95%CI(.0324 ,.7030)
可见，bootstrap调整的方法，即使在样本量只有30的数据中也得到了显著地结果。而且5000次的resampling情况下置信区间很窄，可以确定这个是显著性很高。
四：多中介变量模型
写了SPSS中sobel中命令的这个人又分析了多中介变量模型中的计算，并可以直接应用。这里略介绍一下含有多个调节变量的模型比单独分析调节模型的好处：
（1）就像含有多个预测变量的回归模型一样，可以评估整体的调节作用那个
（2）可以看在其他调节变量在场的时候，一个指定的M如何影响XY的关系，以及其他的调节变量如何影响M的影响作用。
（3）降低由于忽略调节变量带来的误差
*调节变量的共线性
多调节变量模型中的某一个M不包含与其他M重叠的部分，而单调节模型中的M还包括其他M与这个M相关而产生的调节作用。
待补充和明确的两个问题：
1.完全中介模型power较小的原因没有十分理清
2.r中sobel与bootstrap的计算
2008年12月5日星期五
office 2007完全卸载，推荐onenote
office莫名其妙的down掉了，居然把我的文档全部锁定，这才发现软件依赖的可怕性
office2007卸载不了，而且安装不上新的，经过一天一夜的奋斗，一切终于回复正常了
附加office完全卸载法，真的是要手动在注册表里一条一条的删
下面是转载的方法
第一步：
Office 2007无法卸载，也无法安装——我的同事计算机上安装的Office 2007坏掉了，想卸载后重新安装，但卸载也卸载不掉，安装也安装不上去。是软件，无非就是两个地方：注册表和文件，我查找了一下kb，然后结合以前的经验，成功的卸载并重新安装了Office 2007。强制卸载office 2007需要执行如下步骤：
Office 2007文件夹文件
%windir%\installer
1、按住winkey(windows徽标键)+R，输入%windir%\Installer，回车。打开installer文件夹。
2、右键点击窗口右边的空白处，查看-详细信息。
3、到资源管理器菜单栏，查看，勾选状态栏。这样您就可以在资源管理器最下面的状态栏看到文件的详细信息。
4、依次点击每个MSI，留意看状态栏的详细信息。找到每个Office 2007的相关文件，这可能包括word2007等相关组件。
5、在每个Office 2007的msi上，点击右键，选择 卸载。
Office Source Engine服务
1、按住winkey(windows徽标键)+R，输入 services.msc，回车。打开服务器管理器。
2、找到Office Source Engine，右键点击，选择停止。
Office 2007安装文件和目录
1、按住winkey(windows徽标键)+R，输入 %CommonProgramFiles%\Microsoft Shared，回车。
2、删除Office12 和 Source Engine 目录
3、按住winkey(windows徽标键)+R，输入%ProgramFiles%\Microsoft Office，回车。
4、删除Office12目录
5、按住winkey(windows徽标键)+R，输入 %appdata%\microsoft\templates ，回车
6、删除 Normal.dotm 和Normalemail.dotm 文件。
5、按住winkey(windows徽标键)+R，输入 %appdata%\microsoft\document building blocks，进入2052或者1033文件夹
6、删除 Building blocks.dotx 文件
7、按住winkey(windows徽标键)+R，输入 %AllUsersprofile%\Application Data\Microsoft\Office\Data 回车
8、删除所有文件
临时文件
1、按住winkey(windows徽标键)+R，输入 %temp%，回车
2、删除所有文件
缓存文件
1、在资源管理器 ：工具菜单-文件夹选项-查看-高级设置，依次执行如下点击或勾选：
·勾选“显示系统文件夹内容"
·取消勾选“隐藏受保护的操作系统文件”
·点选“显示所有文件和文件夹”
·取消勾选“隐藏已知文件类型的扩展名”
·点击应用
·点击“应用到所有文件夹”
2、查找所有本地硬盘的根目录，找到 \MSOCache\All Users 目录，进入。
3、删除该目录下所有包含这样字样的目录： 0FF1CE)-
Office 2007注册表
1、regedit
2、浏览到 HKEY_CURRENT_USER\Software\Microsoft\Office\12.0
3、删除12.0这个子键
4、浏览到如下子键，删除对应的子键
• HKEY_CURRENT_USER\Software\Microsoft\Office\12.0
• HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Office\12.0
• HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Office\Delivery\SourceEngine\Downloads\*0FF1CE}-*
• HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Uninstall\*0FF1CE*
• HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UpgradeCodes\*F01FEC
• HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UserData\S-1-5-18\Products\*F01FEC
• HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Services\ose
• HKEY_CLASSES_ROOT\Installer\Features\*F01FEC
• HKEY_CLASSES_ROOT\Installer\Products\*F01FEC
• HKEY_CLASSES_ROOT\Installer\UpgradeCodes\*F01FEC
• HKEY_CLASSES_ROOT\Installer\Win32Assemblies\*Office12*
注：上面以星号括起来的子键，例如 *office12*，表示前后都有文字，这个子键名称可能是变化的，但一定含有office12的字样。并不是说以星号开头结尾的子键。
5、浏览到 HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Uninstall
6、依次查看每个 UninstallString ，找到所有的 office12的相关项，这可能包含 \Office
Setup Controller\Setup.exe 这样的字样。
7、删除每个找到的子键。
本文来源【学网】网站链接是http://www.xue5.com
第二步：下载office2007专业卸载工具
http://www.xdowns.com/soft/softdown.asp?softid=39167
第三步:重新启动计算机 重新安装Office 2007。
PS:我在迅雷上找到了一个非常好的office2007，3.2G，真正的正版加全版，而且是同时包括中英文双语两种版本。老师好像说过提供盗版软件是非法的哈，那我就不写地址了，在www.gougou.com上搜索
“Microsoft Office 2007 With Service Pack 1 中英文企业版 完美者”就可以了（它上面写2G，其实是完整版3.2G）速度很快，1M左右，建议下载一个，留着呗~
另外推荐office2007中的ONENOTE，集中式管理笔记，很方便
office2007卸载不了，而且安装不上新的，经过一天一夜的奋斗，一切终于回复正常了
附加office完全卸载法，真的是要手动在注册表里一条一条的删
下面是转载的方法
第一步：
Office 2007无法卸载，也无法安装——我的同事计算机上安装的Office 2007坏掉了，想卸载后重新安装，但卸载也卸载不掉，安装也安装不上去。是软件，无非就是两个地方：注册表和文件，我查找了一下kb，然后结合以前的经验，成功的卸载并重新安装了Office 2007。强制卸载office 2007需要执行如下步骤：
Office 2007文件夹文件
%windir%\installer
1、按住winkey(windows徽标键)+R，输入%windir%\Installer，回车。打开installer文件夹。
2、右键点击窗口右边的空白处，查看-详细信息。
3、到资源管理器菜单栏，查看，勾选状态栏。这样您就可以在资源管理器最下面的状态栏看到文件的详细信息。
4、依次点击每个MSI，留意看状态栏的详细信息。找到每个Office 2007的相关文件，这可能包括word2007等相关组件。
5、在每个Office 2007的msi上，点击右键，选择 卸载。
Office Source Engine服务
1、按住winkey(windows徽标键)+R，输入 services.msc，回车。打开服务器管理器。
2、找到Office Source Engine，右键点击，选择停止。
Office 2007安装文件和目录
1、按住winkey(windows徽标键)+R，输入 %CommonProgramFiles%\Microsoft Shared，回车。
2、删除Office12 和 Source Engine 目录
3、按住winkey(windows徽标键)+R，输入%ProgramFiles%\Microsoft Office，回车。
4、删除Office12目录
5、按住winkey(windows徽标键)+R，输入 %appdata%\microsoft\templates ，回车
6、删除 Normal.dotm 和Normalemail.dotm 文件。
5、按住winkey(windows徽标键)+R，输入 %appdata%\microsoft\document building blocks，进入2052或者1033文件夹
6、删除 Building blocks.dotx 文件
7、按住winkey(windows徽标键)+R，输入 %AllUsersprofile%\Application Data\Microsoft\Office\Data 回车
8、删除所有文件
临时文件
1、按住winkey(windows徽标键)+R，输入 %temp%，回车
2、删除所有文件
缓存文件
1、在资源管理器 ：工具菜单-文件夹选项-查看-高级设置，依次执行如下点击或勾选：
·勾选“显示系统文件夹内容"
·取消勾选“隐藏受保护的操作系统文件”
·点选“显示所有文件和文件夹”
·取消勾选“隐藏已知文件类型的扩展名”
·点击应用
·点击“应用到所有文件夹”
2、查找所有本地硬盘的根目录，找到 \MSOCache\All Users 目录，进入。
3、删除该目录下所有包含这样字样的目录： 0FF1CE)-
Office 2007注册表
1、regedit
2、浏览到 HKEY_CURRENT_USER\Software\Microsoft\Office\12.0
3、删除12.0这个子键
4、浏览到如下子键，删除对应的子键
• HKEY_CURRENT_USER\Software\Microsoft\Office\12.0
• HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Office\12.0
• HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Office\Delivery\SourceEngine\Downloads\*0FF1CE}-*
• HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Uninstall\*0FF1CE*
• HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UpgradeCodes\*F01FEC
• HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Installer\UserData\S-1-5-18\Products\*F01FEC
• HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Services\ose
• HKEY_CLASSES_ROOT\Installer\Features\*F01FEC
• HKEY_CLASSES_ROOT\Installer\Products\*F01FEC
• HKEY_CLASSES_ROOT\Installer\UpgradeCodes\*F01FEC
• HKEY_CLASSES_ROOT\Installer\Win32Assemblies\*Office12*
注：上面以星号括起来的子键，例如 *office12*，表示前后都有文字，这个子键名称可能是变化的，但一定含有office12的字样。并不是说以星号开头结尾的子键。
5、浏览到 HKEY_LOCAL_MACHINE\SOFTWARE\Microsoft\Windows\CurrentVersion\Uninstall
6、依次查看每个 UninstallString ，找到所有的 office12的相关项，这可能包含 \Office
Setup Controller\Setup.exe 这样的字样。
7、删除每个找到的子键。
本文来源【学网】网站链接是http://www.xue5.com
第二步：下载office2007专业卸载工具
http://www.xdowns.com/soft/softdown.asp?softid=39167
第三步:重新启动计算机 重新安装Office 2007。
PS:我在迅雷上找到了一个非常好的office2007，3.2G，真正的正版加全版，而且是同时包括中英文双语两种版本。老师好像说过提供盗版软件是非法的哈，那我就不写地址了，在www.gougou.com上搜索
“Microsoft Office 2007 With Service Pack 1 中英文企业版 完美者”就可以了（它上面写2G，其实是完整版3.2G）速度很快，1M左右，建议下载一个，留着呗~
另外推荐office2007中的ONENOTE，集中式管理笔记，很方便
2008年11月27日星期四
R中glm模型的实现（总结）
（1）因变量>20&<20
>data("plasma", package = "HSAUR")
>plasma_glm_1 <- glm(ESR ~ fibrinogen, data = plasma,family = binomial())
>plasma_glm_2 <- glm(ESR ~ fibrinogen + globulin, data = plasma,family = binomial())
画阴影图：
> data("plasma", package = "HSAUR")
> layout(matrix(1:2, ncol = 2))
> cdplot(ESR ~ fibrinogen, data = plasma)
> cdplot(ESR ~ globulin, data = plasma)
比较两个模型：anova(plasma_glm_1, plasma_glm_2, test = "Chisq")
比较1：confint(plasma_glm_1, parm = "fibrinogen")
2.exp(coef(plasma_glm_1)["fibrinogen"])
3.exp(confint(plasma_glm_1, parm = "fibrinogen"))
泡泡图：
> prob <- predict(plasma_glm_2, type = "response")
画点> plot(globulin ~ fibrinogen, data = plasma, xlim = c(2, 6),ylim = c(25, 55), pch = ".")
画圈> symbols(plasma$fibrinogen, plasma$globulin, circles = prob,add = TRUE)
(2)women's role ----fm1 <- cbind(agree, disagree) ~ sex + education
一共有两种情况，（1）是只做sex和education的主效应，（2）是主效应再加上两者的交互作用
> data("womensrole", package = "HSAUR")
> fm1 <- cbind(agree, disagree) ~ sex + education
> womensrole_glm_1 <- glm(fm1, data = womensrole,family = binomial())
> fm2 <- cbind(agree,disagree) ~ sex * education
> womensrole_glm_2 <- glm(fm2, data = womensrole,family = binomial())
*做预测曲线
（1）> role.fitted1 <- predict(womensrole_glm_1, type = "response")
（2）> role.fitted2 <- predict(womensrole_glm_2, type = "response")
先做一个语句>myplot <- function(role.fitted) {
f <- womensrole$sex == "Female"
plot(womensrole$education, role.fitted, type = "n",
ylab = "Probability of agreeing",
xlab = "Education", ylim = c(0,1))
lines(womensrole$education[!f], role.fitted[!f], lty = 1)
lines(womensrole$education[f], role.fitted[f], lty = 2)
lgtxt <- c("Fitted (Males)", "Fitted (Females)")
legend("topright", lgtxt, lty = 1:2, bty = "n")
y <- womensrole$agree / (womensrole$agree +
womensrole$disagree)
text(womensrole$education, y, ifelse(f, "\\VE", "\\MA"),
family = "HersheySerif", cex = 1.25)
}
再输出图形
（1）> myplot(role.fitted1)
（2）> myplot(role.fitted2)
*做残差散点图
> res <- residuals(womensrole_glm_2, type = "deviance")
> plot(predict(womensrole_glm_2), res,xlab="Fitted values", ylab = "Residuals",ylim = max(abs(res)) * c(-1,1))
> abline(h = 0, lty = 2)
(3)number ~ treat + age,
计数数据的两个问题：都是正值，不是正态分布。考虑用Poisson回归的GML,这种标准化线性模型，即对数函数来保证都是正值，且保证 Poisson error distribution另外的方法就是用quasi-likelihood
3.1Poisson回归
> data("polyps", package = "HSAUR")
> polyps_glm_1 <- glm(number ~ treat + age, data = polyps,family = poisson())
> summary(polyps_glm_1)
3.2quasi-likelihood回归
> data("polyps", package = "HSAUR")
> polyps_glm_2 <- glm(number ~ treat + age, data = polyps, family = quasipoisson())
> summary(polyps_glm_2)
**3.1比3.2的要更加显著，虽然两者都是显著的
>data("plasma", package = "HSAUR")
>plasma_glm_1 <- glm(ESR ~ fibrinogen, data = plasma,family = binomial())
>plasma_glm_2 <- glm(ESR ~ fibrinogen + globulin, data = plasma,family = binomial())
画阴影图：
> data("plasma", package = "HSAUR")
> layout(matrix(1:2, ncol = 2))
> cdplot(ESR ~ fibrinogen, data = plasma)
> cdplot(ESR ~ globulin, data = plasma)
比较两个模型：anova(plasma_glm_1, plasma_glm_2, test = "Chisq")
比较1：confint(plasma_glm_1, parm = "fibrinogen")
2.exp(coef(plasma_glm_1)["fibrinogen"])
3.exp(confint(plasma_glm_1, parm = "fibrinogen"))
泡泡图：
> prob <- predict(plasma_glm_2, type = "response")
画点> plot(globulin ~ fibrinogen, data = plasma, xlim = c(2, 6),ylim = c(25, 55), pch = ".")
画圈> symbols(plasma$fibrinogen, plasma$globulin, circles = prob,add = TRUE)
(2)women's role ----fm1 <- cbind(agree, disagree) ~ sex + education
一共有两种情况，（1）是只做sex和education的主效应，（2）是主效应再加上两者的交互作用
> data("womensrole", package = "HSAUR")
> fm1 <- cbind(agree, disagree) ~ sex + education
> womensrole_glm_1 <- glm(fm1, data = womensrole,family = binomial())
> fm2 <- cbind(agree,disagree) ~ sex * education
> womensrole_glm_2 <- glm(fm2, data = womensrole,family = binomial())
*做预测曲线
（1）> role.fitted1 <- predict(womensrole_glm_1, type = "response")
（2）> role.fitted2 <- predict(womensrole_glm_2, type = "response")
先做一个语句>myplot <- function(role.fitted) {
f <- womensrole$sex == "Female"
plot(womensrole$education, role.fitted, type = "n",
ylab = "Probability of agreeing",
xlab = "Education", ylim = c(0,1))
lines(womensrole$education[!f], role.fitted[!f], lty = 1)
lines(womensrole$education[f], role.fitted[f], lty = 2)
lgtxt <- c("Fitted (Males)", "Fitted (Females)")
legend("topright", lgtxt, lty = 1:2, bty = "n")
y <- womensrole$agree / (womensrole$agree +
womensrole$disagree)
text(womensrole$education, y, ifelse(f, "\\VE", "\\MA"),
family = "HersheySerif", cex = 1.25)
}
再输出图形
（1）> myplot(role.fitted1)
（2）> myplot(role.fitted2)
*做残差散点图
> res <- residuals(womensrole_glm_2, type = "deviance")
> plot(predict(womensrole_glm_2), res,xlab="Fitted values", ylab = "Residuals",ylim = max(abs(res)) * c(-1,1))
> abline(h = 0, lty = 2)
(3)number ~ treat + age,
计数数据的两个问题：都是正值，不是正态分布。考虑用Poisson回归的GML,这种标准化线性模型，即对数函数来保证都是正值，且保证 Poisson error distribution另外的方法就是用quasi-likelihood
3.1Poisson回归
> data("polyps", package = "HSAUR")
> polyps_glm_1 <- glm(number ~ treat + age, data = polyps,family = poisson())
> summary(polyps_glm_1)
3.2quasi-likelihood回归
> data("polyps", package = "HSAUR")
> polyps_glm_2 <- glm(number ~ treat + age, data = polyps, family = quasipoisson())
> summary(polyps_glm_2)
**3.1比3.2的要更加显著，虽然两者都是显著的
2008年11月22日星期六
blogger中latex的使用
第一步:
在CSS中写
img.eq_latex {
padding: 0;
margin: 0;
border: 0;
}
在]]>之前，用来消除公式的边框
第二步:
参考http://doc.yourequations.com/，第一步是原文上没有的。
第三步：
可按latex为关键词找blogger中的插件，还不错
一个例子：
公式是
\inline \int_{-\infty}^{\infty}e^{-x^{2}}\;dx=\sqrt{\pi}
前面的代码是code lang="eq.latex"，后面是/code,都要用<>括起来，再把公式放在中间
另外，\inline 语句可使插入美观
例子：
The equation using CODE tag with \inline command,
第一个代码比较难找，找到了还不对，后来我把代码改了一下才能用。这样，效果也就不逊于WORDPRESS了
为虾米不能在google阅读器中显示那？who can help me??
在CSS中写
img.eq_latex {
padding: 0;
margin: 0;
border: 0;
}
在]]>之前，用来消除公式的边框
第二步:
参考http://doc.yourequations.com/，第一步是原文上没有的。
第三步：
可按latex为关键词找blogger中的插件，还不错
一个例子：
公式是
前面的代码是code lang="eq.latex"，后面是/code,都要用<>括起来，再把公式放在中间
另外，\inline 语句可使插入美观
例子：
The equation using CODE tag with \inline command,
\inline \int_{-\infty}^{\infty}e^{-x^{2}}\;dx=\sqrt{\pi}
\inline \sum_{\alpha}^{\beta}第一个代码比较难找，找到了还不对，后来我把代码改了一下才能用。这样，效果也就不逊于WORDPRESS了
为虾米不能在google阅读器中显示那？who can help me??
2008年11月21日星期五
（转）李老师修改过的用SPSS做调节和中介的方法
转自沐辰http://10816038fmc.blogspot.com/~
先用descriptive statistics报告出M和SD，然后将所有的控制变量（人口学因素）、自变量和调节或中介变量以及因变量放入SPSS计算相关。得到相关表，发现与自变量和调节或中介或因变量相关显著的变量就要作为回归中需要考虑的变量放入回归方程中计算。
##这是预研究阶段的操作。在验证性研究中，不应当在正式研究的行文中出现这种data snoop的措辞。要时刻留心将模型的提出和模型的验证区别开来。如果未能实现这一点，意味着只得到提出模型的研究，没有得到验证模型的研究。我们在验证性研究中screen数据，目的是为了确保模型条件（异常值、分布）没有出现明显反常识的症状；而不是为了提出模型(设置哪些变量作为IV，是否设置交互项)。如果一套数据被用于提出模型，就不应当再被用于验证同一个模型。虽然国内很多学术刊物发表了类似的错误方法案例。
调节：自变量和调节变量要中心化：descriptive statistics –save standardized values as variables(勾选)
##这是标准化而不只是中心化。中心化是让变量减去自身的均值。标准化将让结果的解读丧失部分信息。
第一步放控制变量和调节变量（中心化以后的）
2 加入自变量（中心化后的）
3 加入自变量和调节变量的乘积（compute）（这些都是用回归中block那个选项卡，直接next，在里面放入多加入的变量就可以了）
##
##技术上的细节：中心化的目的是为了让截距项方便解读。仔细分析，课讨论是否必要对调节变量作中心化；如果自变量是nominal变量得到的dummy变量，是否需要中心化，
中介：不用中心化 ，同上面的1 2 步。
都是看R平方的改变和F的改变（sig）是否小于0.01或者0.05。
##中介效应是作sobel检验或者更精密的a*b置信区间，不是看R^2改变的显著性
##调节效应应当作相应的f^2置信区间，特别是在样本量大的时候。我们不能等待SPSS开发了这项功能再学习这项技术
画高低图的时候 把控制变量去掉重新做回归方程。用自变量和调节变量放入方程， 取（1，1）（-1，1）（1，-1）（-1，-1）这四个点画图。
##请讨论增改这份笔记。有三个方面可以增益的工作：
1. 加入操作图，或者syntax。二者有一样就有manual的价值
2. 操作上的错误或者模糊的地方订正
3. 联系挖掘更深一层的原理
目前的水准与国内同主题的网络资料没有差异，尚需进一步加工，才能达到预期的北大心理系研究生学习水准。
大家有任何增改意见都可以提出来哈～
先用descriptive statistics报告出M和SD，然后将所有的控制变量（人口学因素）、自变量和调节或中介变量以及因变量放入SPSS计算相关。得到相关表，发现与自变量和调节或中介或因变量相关显著的变量就要作为回归中需要考虑的变量放入回归方程中计算。
##这是预研究阶段的操作。在验证性研究中，不应当在正式研究的行文中出现这种data snoop的措辞。要时刻留心将模型的提出和模型的验证区别开来。如果未能实现这一点，意味着只得到提出模型的研究，没有得到验证模型的研究。我们在验证性研究中screen数据，目的是为了确保模型条件（异常值、分布）没有出现明显反常识的症状；而不是为了提出模型(设置哪些变量作为IV，是否设置交互项)。如果一套数据被用于提出模型，就不应当再被用于验证同一个模型。虽然国内很多学术刊物发表了类似的错误方法案例。
调节：自变量和调节变量要中心化：descriptive statistics –save standardized values as variables(勾选)
##这是标准化而不只是中心化。中心化是让变量减去自身的均值。标准化将让结果的解读丧失部分信息。
第一步放控制变量和调节变量（中心化以后的）
2 加入自变量（中心化后的）
3 加入自变量和调节变量的乘积（compute）（这些都是用回归中block那个选项卡，直接next，在里面放入多加入的变量就可以了）
##
##技术上的细节：中心化的目的是为了让截距项方便解读。仔细分析，课讨论是否必要对调节变量作中心化；如果自变量是nominal变量得到的dummy变量，是否需要中心化，
中介：不用中心化 ，同上面的1 2 步。
都是看R平方的改变和F的改变（sig）是否小于0.01或者0.05。
##中介效应是作sobel检验或者更精密的a*b置信区间，不是看R^2改变的显著性
##调节效应应当作相应的f^2置信区间，特别是在样本量大的时候。我们不能等待SPSS开发了这项功能再学习这项技术
画高低图的时候 把控制变量去掉重新做回归方程。用自变量和调节变量放入方程， 取（1，1）（-1，1）（1，-1）（-1，-1）这四个点画图。
##请讨论增改这份笔记。有三个方面可以增益的工作：
1. 加入操作图，或者syntax。二者有一样就有manual的价值
2. 操作上的错误或者模糊的地方订正
3. 联系挖掘更深一层的原理
目前的水准与国内同主题的网络资料没有差异，尚需进一步加工，才能达到预期的北大心理系研究生学习水准。
大家有任何增改意见都可以提出来哈～
（转）高级心理统计课考核方式通知
高级心理统计课考核方式通知：平时分值与笔试分值组成比例与基础心理统计课相同，但平时作品的形式更为灵活：
在内容上，可以写个案疑难分析、答疑学习笔记、在线问卷实战技巧总结等等，优劣主要由任课教师主观评判，主要考虑其他同学如果阅读该页面在学习上可能有多大受益。在这个变量被Covariate之后，篇幅不再有影响。
1.
用任何一种形式在网络上以学号公开发布，并将访问链接提交给学习委员。请学习委员将这些访问链接写入一份google
docs，该页面将公开发布。
2. 也可以用任何文件格式作为邮件附件提交给我。
其中，第一种方式包括但不限于：google
docs在线文档；个人blog。这两种形式的作品我会尽量通过在线协作评改或comment。第二种方式提交的作品，可以通过来办公室答疑获得评改。我也将在优选之后帮助发布在网页上。
与基础课不同的，高级课的作业中，任何引用部分都必须严格标出来源，严格区分创作与引用。适合提交给基础课的作业如果作为高级课作业提交，将不会减少也不会增益高级课的得分。重复提交给基础课作业与高级课作业的工作，将不会减少也不会增益高级课的得分。
我期待有1/10～1/5的同学有兴趣从这次课开始维护一个反映学术工作成果与学习心得笔记的长期个人博客。天道酬勤，时间+足迹才可以证明你们比所有稍微懒惰一点点的竞争者更为优秀。
同时，我也预期至少有1/3左右的同学无视本通知。
LI, Xiaoxu
在内容上，可以写个案疑难分析、答疑学习笔记、在线问卷实战技巧总结等等，优劣主要由任课教师主观评判，主要考虑其他同学如果阅读该页面在学习上可能有多大受益。在这个变量被Covariate之后，篇幅不再有影响。
1.
用任何一种形式在网络上以学号公开发布，并将访问链接提交给学习委员。请学习委员将这些访问链接写入一份google
docs，该页面将公开发布。
2. 也可以用任何文件格式作为邮件附件提交给我。
其中，第一种方式包括但不限于：google
docs在线文档；个人blog。这两种形式的作品我会尽量通过在线协作评改或comment。第二种方式提交的作品，可以通过来办公室答疑获得评改。我也将在优选之后帮助发布在网页上。
与基础课不同的，高级课的作业中，任何引用部分都必须严格标出来源，严格区分创作与引用。适合提交给基础课的作业如果作为高级课作业提交，将不会减少也不会增益高级课的得分。重复提交给基础课作业与高级课作业的工作，将不会减少也不会增益高级课的得分。
我期待有1/10～1/5的同学有兴趣从这次课开始维护一个反映学术工作成果与学习心得笔记的长期个人博客。天道酬勤，时间+足迹才可以证明你们比所有稍微懒惰一点点的竞争者更为优秀。
同时，我也预期至少有1/3左右的同学无视本通知。
LI, Xiaoxu
2008年10月12日星期日
2008年10月11日星期六
第一反应替换词
很多同学经常把第一反应词翻来覆去的用，这样的后果就是：第一，写文章时用词的质量一直上不去；第二，一直缺乏对背过的单词的应用以及通过应用的语境理解和辨析。下面，我给大家列举了我们在写作常用的那些第一反应词的替换表，旨在告诉大家，要让自己的语言表达能力书面化，多样化。
很多同学在写作的时候，往往想到某个意思，立刻脑子中想到都是例如I think, important, show, because, moreandmore等等这些词汇，这些词汇在英语教学中，我们称他们为第一反应词，所谓第一反应词，很好理解，就是每个人第一时间反应出来的这些表达。那么，如果要写出一篇高质量的文章，除了内容，词的使用能够表现出你的英语能力，我们很多同学的阅读词汇量远远大于写作词汇量，原因很简单，大家背了很多漂亮的单词，但是却从不给他们“出镜”的机会，而是把这些第一反应词翻来覆去的用，这样的后果就是：第一，写文章时用词的质量一直上不去；第二，一直缺乏对背过的单词的应用以及通过应用的语境理解和辨析。下面，我给大家列举了我们在写作常用的那些第一反应词的替换表，旨在告诉大家，要让自己的语言表达能力书面化，多样化。
through－>in term of/via
operate－>manipulate
offspring－>descendant
inevitable－dispensable
detail－>specific
explain－>interpret
obvious－>conspicuous
hurt－>vulnerable
use－>employ/utilize
value－>merit
provide－>lend－>offer
true－>accurate
leading to－>contribute to/ conduce to/result in
more and more－>increasing/growing
hardly－>merely－>barely
well-known－>outstanding
large－>miraculous/marvelous
although－>albeit/notwithstanding
in fact－>actually/virtually
want－>intend to/tend to/be inclined to
because－>in that
may be－>probably
to sum－>to summarize/in conclusion
explain－>interpret/illustrate
change－>alert
chance－>alternative
custom－>convention/tradition
think－>contemplate/muse/meditate/retrospect
arouse－>ignite/stimulate/spur/motivate
limit－>stress/hinder/hamper
key－>crucial/vital/consequential
old－>ancient
emphasis－>accentuate
devote to－>dedicate to
character－>trait/individuality/idiosyncrasy/personality
expect－>anticipate
join－>participate
delegate－>representative
bias－>prejudice/discriminate/tendency
thrive－>palmy/floushing/prosperity
clash－>conflict/collision/rencounter
publicize－>propagandize
agree partly－>agree with reserve
proper－>apposite
want to－>desire
big city－>metropolis
lawmaking－>legislation
first－>primarily
but－>nonetheless/nevertheless
child－>juvenile
absorb－>assimilate
hand in－>render
undermine－>sap/enervate/debilitate
get into chaos－>with chaos ensuing
key－>pivot/crux
sway－>vacillate
fanatic patriotism－>jingoism/chauvinism
persusive－>thorough/sound/specific/convincing
consider－>take into account
vague－>gratuitous/unwarranted/oversimplified
很多同学在写作的时候，往往想到某个意思，立刻脑子中想到都是例如I think, important, show, because, moreandmore等等这些词汇，这些词汇在英语教学中，我们称他们为第一反应词，所谓第一反应词，很好理解，就是每个人第一时间反应出来的这些表达。那么，如果要写出一篇高质量的文章，除了内容，词的使用能够表现出你的英语能力，我们很多同学的阅读词汇量远远大于写作词汇量，原因很简单，大家背了很多漂亮的单词，但是却从不给他们“出镜”的机会，而是把这些第一反应词翻来覆去的用，这样的后果就是：第一，写文章时用词的质量一直上不去；第二，一直缺乏对背过的单词的应用以及通过应用的语境理解和辨析。下面，我给大家列举了我们在写作常用的那些第一反应词的替换表，旨在告诉大家，要让自己的语言表达能力书面化，多样化。
through－>in term of/via
operate－>manipulate
offspring－>descendant
inevitable－dispensable
detail－>specific
explain－>interpret
obvious－>conspicuous
hurt－>vulnerable
use－>employ/utilize
value－>merit
provide－>lend－>offer
true－>accurate
leading to－>contribute to/ conduce to/result in
more and more－>increasing/growing
hardly－>merely－>barely
well-known－>outstanding
large－>miraculous/marvelous
although－>albeit/notwithstanding
in fact－>actually/virtually
want－>intend to/tend to/be inclined to
because－>in that
may be－>probably
to sum－>to summarize/in conclusion
explain－>interpret/illustrate
change－>alert
chance－>alternative
custom－>convention/tradition
think－>contemplate/muse/meditate/retrospect
arouse－>ignite/stimulate/spur/motivate
limit－>stress/hinder/hamper
key－>crucial/vital/consequential
old－>ancient
emphasis－>accentuate
devote to－>dedicate to
character－>trait/individuality/idiosyncrasy/personality
expect－>anticipate
join－>participate
delegate－>representative
bias－>prejudice/discriminate/tendency
thrive－>palmy/floushing/prosperity
clash－>conflict/collision/rencounter
publicize－>propagandize
agree partly－>agree with reserve
proper－>apposite
want to－>desire
big city－>metropolis
lawmaking－>legislation
first－>primarily
but－>nonetheless/nevertheless
child－>juvenile
absorb－>assimilate
hand in－>render
undermine－>sap/enervate/debilitate
get into chaos－>with chaos ensuing
key－>pivot/crux
sway－>vacillate
fanatic patriotism－>jingoism/chauvinism
persusive－>thorough/sound/specific/convincing
consider－>take into account
vague－>gratuitous/unwarranted/oversimplified
2008年10月7日星期二
基础心理学学科分类以及概述
基础心理学学科分类以及概述
1.变态心理学
变态心理学研究人的心理与行为的异常，包括认知活动、情感活动、动机和意志行为活动、智力和人格特征等方面的异常表现，是研究和揭示心理异常现象的发生、发展和变化的规律。又称病理心理学，并探讨鉴别评定的方法及矫治与预防的措施。 变态心理学以普通心理学、实验心理学的基本知识和实验技术为基础，它的研究成果又可为普通心理学开辟新的工作领域，提炼新的研究课题，从而充实、丰富普通心理学。变态心理学是医学心理学中的一个重要分支，它与医学心理学的其他分支交叉渗透，互为补充。变态心理学与精神病学既有紧密联系，又各有不同的任务和课题。精神病学是医学的一个分支，以变态心理学为理论基础，直接服务于疾病的诊断和防治，其临床资料和实践成果又可丰富变态心理学的内容，验证变态心理学的理论和假说。变态心理的矫治可分为心理治疗和躯体治疗两大类。
2.生理心理学
生理心理学是研究心理现象和行为产生的生理过程的心理学分支。它试图以脑内的生理事件来解释心理现象，又称生物心理学、心理生物学或行为神经科学。 首先提出生理心理学这一学科名称的应属《生理心理学纲要》的作者、实验心理学的创始人冯特。生理心理学是从人体生理和神经生理、神经解剖、神经生物化学等方面进行关于心理的生理基础和机制研究的学科，是心理学基础研究的重要组成部分，并在现代脑科学研究成果和现代技术方法的基础上，揭示各种心理现象在脑的解剖部位及脑功能上发生的规律。生理心理学还包括神经心理学、心理生物学、动物心理学等分支学科。生理心理学是一门综合性学科，它与生理学、神经解剖学 、神经生理学、生物化学、心理(或行为)药物学、神经病学、神经心理学、内分泌学以及行为遗传学等都有密切的联系。生理心理学综合各邻近学科的研究成果，来窥探心理现象赖以产生的脑的组织和工作的奥秘。研究的领域已不限于探讨与学习和记忆或感觉和知觉有关的神经基础，而发展到了对心理现象和行为的全面的生物基础的研究.
3.认知心理学：
认知心理学是二十世纪50年代中期在西方兴起的一种心理学思潮，二十世纪70年代开始其成为西方心理学的一个主要研究方向。它研究人的高级心理过程，主要是认知过程，如注意、知觉、表象、记忆、思维和语言等。以信息加工观点研究认知过程是现代认知心理学的主流，可以说认知心理学相当于信息加工心理学。它将人看作是一个信息加工的系统，认为认知就是信息加工，包括感觉输入的编码、贮存和提取的全过程。认知心理学家关心的是作为人类行为基础的心理机制，其核心是输入和输出之间发生的内部心理过程，因此研究通常要实验心理学、认知神经科学、认知神经心理学和计算机模拟等多方面的证据的共同支持。认知心理学则把研究重点转移到了内部心理过程。在研究方法上，行为主义强调严格的实验室方法，排斥一切主观经验的报告；认知心理学则既重视实验室实验，也重视主观经验的报告。对于认知心理学家来说，改变外部条件并不是目的，它只是揭示知识结构的辅助手段。
认知心理学重视心理学研究中的综合的观点，强调各种心理过程之间的相互联系、相互制约认知心理学在具体问题的研究方面，在扩大心理学研究方法方面都有所贡献。认知心理学的研究成果对计算机科学的发展也有贡献。
4.比较心理学
比较心理学通常是指研究人与各种动物的行为与心理，并且将不同进化水平的动物的各种行为特点进行比较的心理学分支，能为生产实践和生物医学研究提供动物行为进化方面的基础科学知识。比较心理学以不同进化阶梯上的动物的行为为研究对象，在研究中侧重于不同种动物行为的比较分析，而且这种比较在原则上并不把人排除在外，其目的在于更好地了解人类本身及其在自然界的地位。比较心理学和动物心理学都以动物行为为研究对象，因此有的西方心理学家把二者视为同一概念，并替换使用。比较心理学一般采用两种方法来搜集研究材料，这就是野外方法和实验室方法。野外方法是在动物自然栖息地对动物行为进行直接观察。在这种情况下，观察者可以对动物的整个行为及其功能进行描述，但是不便控制行为发生的一般条件。实验室方法克服了野外方法不能控制条件的缺点，它是野外方法的一个极好的补充。现代比较心理学的研究课题主要有行为模式的研究、行为的个体发生的研究、行为机制的研究、动物学习的研究和行为进化历史的研究五个方面。
5.发展心理学
发展心理学，研究心理的发生、发展过程和规律的心理学分支学科。广义包括动物心理学或比较心理学、民族心理学、个体发展心理学。狭义指个体发展心理学，即研究一个人从出生到衰老各个时期的心理现象，按年龄阶段又可分为儿童心理学、青年心理学、成年心理学、老年心理学等分支。主要是研究人类成长发展過程的心理转变。发展中的个体，无论处于发展的哪一阶段之中，他们的心理发展既包括心理的各个过程及各个特征，又分别有着主要的发展方面和主要的矛盾。在全面发展的基础上，每一阶段主要矛盾得到解决，即将向下一阶段过渡。发展心理学就要研究个体心理发展各个阶段各方面的矛盾与变化。这当中包括了儿童的心理与成人的差異、儿童的心理发展过程，以及当儿童有心理障碍时应当如何处理。发展心理学既是心理学理论体系的重要组成部分，又是对发展中的人进行教育、教养的理论根据。
6.人格心理学
人格心理学以人格为研究对象，即个体的行为、思维和情绪的模式，研究人格的结构发展与测量，由于人格心理现象本身的广泛性与复杂性,使得人格心理学几乎与任何一个心理学分支学科都有重叠。人格理论分为不同的心理学流派，包括精神分析流派，特质理论，认知理论，行为主义理论等。人格心理学是从整体上讨论心理现象的学科，对心理现象的内涵进行了深入的研究，有重要的应用价值。
7.定量心理学
定量心理学是在心理学研究中应用数学模型和统计学 模型，以及将统计学方法用于分析、解释行为数据。包括心理学统计学与数学心理学。其中心理统计学是统计学方法在心理学以及教育学测量领域的应用，主要用于描述统计与推论统计。它的目的是测量人的能力、知识、态度、性格特征等，并且发展相应的工具。数学心理学是利用数学模型来研究心理现象的心理学分支。用定量的方法来描述心理现象,由于有信息论、控制论、统计决策论和计算机科学的发展，不断取得了新成果。定量心理学的发展，其优越性不仅是它比自然语言的描述具有更大的概括性、准确性、演绎力和预测力，更重要的是它便于用计算机来模拟，为研究人工智能创造了更好的辅助。
8.社会心理学
社会心理学是研究个体和群体的社会心理现象的心理学分支。个体社会心理现象指受他人和群体制约的个人的思想、感情和行为，如人际知觉、人际吸引、社会促进和社会抑制、顺从等。群体社会心理现象指群体本身特有的心理特征，如群体凝聚力、社会心理气氛、群体决策等。 社会心理学是心理学和社会学之间的一门边缘学科，受到来自两个学科的影响。在社会心理学内部一开始就存在着两种理论观点不同的研究方向，即所谓社会学方向的社会心理学和心理学方向的社会心理学。在解释社会心理现象上的不同理论观点，并不妨碍社会心理学作为一门独立学科应具备的基本特点。
订阅：
博文 (Atom)
