A Minimal Book Example
1
教学内容与课时
1.1
目录
2
第一讲：为什么要学习R
2.1
R在心理科学及社会科学中的运用
2.1.1
数据科学
2.1.2
数据科学的诞生——数字化时代
2.1.3
为什么要学习R语言？{1-why-learn-R}
2.2
R语言使用的示例展示
2.2.1
数据清洗
2.2.2
ggplot2画图
2.2.3
心理学数据分析与结果汇报
2.2.4
Regression
2.3
现场运行代码
2.4
课程安排
2.4.1
课程大纲
2.4.2
成绩分配
2.5
如何学好这门课
2.6
课程总结与期望
2.7
推荐
3
第二讲：如何开始使用R
3.1
数据分析的出发点——问题
3.1.1
问题一: 人类企鹅计划（问卷数据）
3.1.2
问题二：认知决策任务（反应时和反应选择数据）
3.2
如何安装R
3.2.1
R的下载与安装
3.2.2
R console（控制台）
3.3
如何安装Rstudio
3.3.1
Rstuio的下载与安装
3.3.2
测试Rstudio
3.3.3
创建新项目
3.3.4
包(packages)的介绍与调用
3.3.5
镜像的选择
3.3.6
安装Rtools（windows）
3.4
如何通过和鲸（Model Whale）使用R
4
第三讲：Git & RStudio工作流
4.1
Files and Folders System
4.2
Git and Git Hub
4.2.1
Git
4.2.2
Git Hub
4.3
Local Version Control
4.4
Remote Version Control
4.5
作业
5
第四讲：如何导入数据
5.1
正式开始前的Tips
5.2
回顾与问题
5.3
数据导入
5.3.1
数据的“住址”——路径 (以Mac系统为例)
5.3.2
绝对路径/相对路径
5.3.3
设定工作目录 – 手动挡与自动挡
5.4
读取数据
5.4.1
读取数据——手动档
5.4.2
读取数据——自动挡(GUI点击操作)
5.5
数据类型
5.6
数据结构
5.7
数据索引
5.7.1
数据索引(中括号)
5.7.2
数据索引($)
5.7.3
数据索引(逻辑值)
5.8
对象（object）
5.9
其它注意事项
5.9.1
变量命名
5.9.2
缺失值（NA） 空值（NULL）
5.9.3
数据类型的转换
5.9.4
目录和文件管理函数:
5.9.5
对象与变量名
5.10
final project（期末作业）
5.10.1
Requirements
5.10.2
评分标准
6
第五讲：R语言中的对象2: 函数
6.1
加载数据
6.1.1
数据的“地址”——路径
6.1.2
绝对路径与相对路径
6.2
读取数据
6.2.1
手动导入
6.2.2
代码导入
6.3
赋值
6.4
数据类型
6.4.1
单个元素
6.4.2
数值型(numeric)
6.4.3
字符串(character)
6.4.4
逻辑值(logical)
6.5
数据结构
6.5.1
向量(vector)
6.5.2
类型转换
6.5.3
向量循环
6.5.4
向量的索引
6.5.5
因子(factor)
6.6
数据框
6.6.1
数据框的索引
6.7
矩阵与数组
6.8
列表
6.9
函数
6.9.1
函数的调用
6.9.2
自定义函数
6.9.3
函数的组成
6.9.4
函数的简写
6.9.5
if 条件语句
7
第六讲：数据预处理
7.1
Tidyverse
7.2
问卷数据
7.2.1
研究问题&数据情况
7.2.2
操作步骤|完整的管道操作
7.2.3
小结
7.3
反应时数据
7.3.1
研究问题 & 数据情况
7.3.2
操作步骤
7.3.3
小结
8
第七讲：描述性统计与数据可视化基础
8.1
回顾
8.1.1
批量导入数据
8.1.2
代码书写规范
8.1.3
数据清洗
8.2
探索性数据分析
8.2.1
常用函数介绍
8.3
数据可视化
8.3.1
可视化的重要性
8.3.2
可视化的逻辑
8.3.3
单个图片的组成
8.4
常用图形
8.4.1
直方图
8.4.2
直方图+密度图
8.4.3
箱线图
8.5
Data Explorer
8.5.1
Data Explorer
8.5.2
使用ggpairs
8.6
练习
8.7
参考阅读
9
第九讲：回归模型(二)：分层线性模型
9.1
回顾
9.2
重复测量方差分析
9.3
分层线性模型/多层线性模型(HLM):
9.4
多层线性模型的应用
9.5
HLM的应用
9.6
思考
10
第十讲：回归模型(三)：广义线性模型
10.1
前章回顾和本章数据预处理
10.2
广义线性模型
10.2.1
回归方程和普通线性模型
10.2.2
连接函数和广义线性模型
10.3
二项分布
10.3.1
伯努利实验
10.3.2
GLM代码实操
10.4
不同方法比较
10.4.1
不同的建模方法
10.4.2
不同的模型比较方法
10.5
其他分布
11
第十一讲：回归模型(四)：中介分析
11.1
准备工作
11.2
线性模型回顾
11.2.1
线性模型及模型检验
11.2.2
多元线性模型的局限
11.3
中介分析
11.3.1
2.1 对于“机制”的表示——“图”
11.3.2
中介分析
11.3.3
中介效应
11.3.4
中介效应的检验
11.3.5
问题提出
11.3.6
代码实现
11.3.7
PROCESS in bruceR()
11.3.8
反思
11.4
因果推断
11.4.1
因果推断(Casual Inference)
11.4.2
因果推断与概率
11.4.3
基于实验的中介
11.5
参考资料推荐
11.6
总结
12
第十二讲：数据可视化进阶
12.1
作图的必要性和作图数据处理
12.1.1
为什么要作图以及作图的原则
12.1.2
作图数据准备
12.2
基础作图
12.2.1
ggplot2基础回顾
12.2.2
主要图层
12.2.3
可选图层
12.2.4
同时呈现多张图片
12.3
进阶作图
12.3.1
整体和个体效应共存的图
12.3.2
可视化层级模型的random effect
12.3.3
雨云图（rain cloud plot）
12.4
高级图片处理–magick
13
第十三讲：基于网络模型的心理学研究
13.1
基于潜变量的心理学研究
13.2
潜变量模型在心理学的困境
13.3
基于网络的心理学视角
13.4
如果寻找可观测特征的因果关系
13.4.1
d-separation
13.5
DAG（贝叶斯网络）
13.6
高斯图模型（GGM）
13.7
易辛模型Ising model
13.8
心理网络的估计
13.8.1
高斯图模型
13.8.2
多元估计
13.8.3
一元估计
13.8.4
代码实现
13.9
模型选择
13.9.1
模型选择的方式
13.9.2
代码实现
13.9.3
代码实现
13.9.4
代码实现
13.9.5
总结
13.10
心理网络的挑战
13.11
我们是否还需要潜变量模型
14
第十四讲：心理学元分析入门
14.1
什么是元分析
14.2
元分析的实施
14.3
回顾与总结
15
补充1：如何进行基本的数据分析: 相关与回归
15.1
什么是相关
15.2
相关-代码实现
15.3
什么是回归
16
补充2：从分析到手稿
16.1
通过Papaja撰写论文
16.1.1
Part1: Papaja包的安装
16.1.2
Part2: Papaja语法格式
16.1.3
Part3: 正文的撰写
16.1.4
总结
17
补充3：效应量和元分析
17.1
效应量简介
17.2
算法实现
17.3
小练习
17.4
元分析简介
17.5
元分析实现
References
Published with bookdown
R语言在心理学研究中的应用: 从原始数据到可重复的论文手稿(V2)
References