學 ：洪翊茗 期：5/27 實驗室： 理計量研究室 主要內容：因果推論

本週老師在meeting的 開始，先跟我們講解了找論 的重要性。老師先拋出的問題

是，我們如何針對 個主題，搜尋相關 獻的。我個 的做法是使 Google學術搜尋或是
chatGPT、copilot等 成式AI 具，搜尋最相關的論 ，然後再根據該論 的引 獻或有
引 該論 的 獻來做輻射式的搜尋。老師有提到，這樣的做法最 的風險在於，如何確保
第 篇的品質是可 的，也說明了第 篇論 的品質可能決定了後續 獻的可信度。因此，
在 理學領域，知道每 個 領域有哪些可信度跟品質較佳的 獻是 件重要的事情。
接著，我們探討了SEM中關於因果推論的研究與模型。這真的是 分困難的議題，在
般的研究當中，連兩個變數之間要解釋因果推論都相當不容易了，更何況是在 個更 型
的模型當中，想要找尋各變項之間的相關性，然後還要進 因果推論。在這邊，老師提到，
理學的研究當中最怕碰到confounder的問題，因為confounder會很 程度的影響模型的
解釋 ，甚 在相同的資料中，使 不同的confounder進 資料分析，會呈現出完全不同
的結論，因此如何抓confounder就是在因果推論中必須好好討論的問題，但這似乎沒有什
麼系統性或操作性的定義跟做法。在今天的paper中，我們探討了confounder的不同形式，
以及這些不同形式可能怎麼影響我們對於變項之間相關跟因果性之間的推論。
這禮拜也針對下禮拜要報告的paper進 比較深入的閱讀。〈Component Analysis
Versus Common Factor Analysis: A Monte Carlo Study 〉利 蒙地卡羅 法，探討了兩
種分析 法之間的差異，與適合應 的情境。但在之前的課程中，並沒有深入探討這兩種
法背後的理論跟邏輯，我的線代基礎 不是很好，所以在更進 步搜尋兩種 法的理論時也
不太理解，所以整篇讀起來有點吃 ，可能以後要去認真修習線性代數課程了。
一
心
生
用
一
心
力
方
文
至
文
日
一
行
生
一
子
一
工
用
用
力
心
一
又
文
文
行
人
文
行
行
文
文
一
用
用
大
文
一
大
十
文
方
方
一
用
文
大
方