Wednesday, March 22, 2017

內政統計查詢網

http://statis.moi.gov.tw/micst/stmain.jsp?sys=100
歲月真的是這個世界上最好的答案。

讓慘痛的撕裂變成蒼白淡淡的記憶,讓執著的人選擇離開 。

時間教你歷經滄桑,在人來人往之間,明白簡單不過的道理 :萬般多是巧合。

所謂的「命運」,根本不必神算,答案終究一句:順其自然。

Sunday, March 19, 2017

洗葡萄

葡萄一串、太白粉兩匙
【步驟】

1. 首先在一個乾淨的盆子中放入約兩大匙的太白粉
2. 將葡萄連著蒂頭一顆顆剪下後放進盆中
3. 用雙手將葡萄以太白粉乾洗一下,再加入冷水沖開,清洗一下後倒掉
4. 最後用冷開水沖洗葡萄即可(重複做此動作大約三次,葡萄上只要沒有殘留太白粉就可以囉~)
5. 完成!要獲得乾淨透亮的葡萄,就是這麼容易。
【小提醒】

1. 葡萄要連著蒂頭剪下,是為了避免在清洗過程中,髒汙或農藥經由拔掉蒂頭後的洞口流進去哦~
2. 太白粉會帶掉葡萄的髒污,如果用牙膏洗,容易殘留牙膏味,使的葡萄香氣減分~所以快來試試看用太白粉洗葡萄吧!

犯罪率

https://ba.npa.gov.tw/npa/stmain.jsp?sys=100
刑案總數
發破數
犯罪率(件/十萬人口)
criminal cases

Criminal Cases per 100,000 Population



u pay into social security system with every paycheck (it is the deduction listed under FICA)

Saturday, March 18, 2017

新北市統計年報

http://www.bas.ntpc.gov.tw/content/?parent_id=10239
警察官階由低至高為「警佐」、「警正」與「警監」

警佐待遇人員

一、佐待人員:即警察機關暫支領警佐待遇人員,於警察官監督下,協助執行勤務。其現所指係以前受過警察教育而分發在警察機關服務警察人員,因故未通過警察特考的而無「法」銓敘審定任用(銓敘部銓敘審定合格實授派任警察官)之人員,亦即一般所謂的「黑官」,因渠等人員必需在「警察官」--監督下--,--協助--執行勤務,也就是不能單獨執勤且僅能--協助--執勤,過去曾引起執法上的爭議(如掣發交通違規舉發單),惟經警政署的強力輔導考試或退休(早期人員),是類人員已日趨減少。 

二、委待人員:即「同委任及委任待遇人員」,為以在編制員之內,經前臺灣省政府警政廳核准派用在職者為限,其職稱為「線務員」及「話務員」。 

三、警佐一階之薪俸:警佐一階一級,薪點230元,警佐一階二級,薪點220元,警佐一階三級,薪點210元。 

四、如需更詳細資料可至警政署或警光網站查詢。 

http://www.npa.gov.tw/~or~

各縣市統計資料庫

http://statdb.dgbas.gov.tw/pxweb/dialog/statfile9.asp

台北市統計資料庫

http://210.69.61.217/pxweb2007-tp/dialog/statfile9.asp

Friday, March 17, 2017

panel data, excel file coding example

http://forums.eviews.com/viewtopic.php?t=74

type 1

Year Country GDP Unemployment Inflation
1990         USA 45.18521 71.83384877 71.1575
1991         USA 23.04601 78.76719258 56.60289
1992         USA 29.69415 46.21706091 70.55974
1993         USA 53.55889 78.60050714 77.54319
1994        USA 19.47274 31.85681226 76.86575
1995        USA 91.50116 98.91007925 63.9196
1996         USA 24.84979 40.67420505 58.7951
1997         USA 53.52124 45.11429455 18.41375
1990         UK 85.98417 2.065408081 79.77445
1991        UK 87.49779 96.39854289 39.46303
1992         UK 68.00752 53.67362608 10.63008
1993          UK 89.58283 36.18780323 24.06416
1994         UK 36.88112 14.28218606 95.576
1995          UK 13.51797 39.154493 75.34766
1996          UK 44.41815 69.83427487 46.24098
1997         UK 15.82823 63.36841282 26.53226

type 2
A second type of format that is used in Excel, is where the columns represent dates, then the rows represent both cross-sections and variables

State Variable Yr1940 Yr1941 Yr1942 Yr1943
Alabama GDP 0.442658 0.315485 0.109414 0.411838
Alabama Unemp 0.652004 0.171815 0.929798 0.878353
Alabama House Price 0.818003 0.2169 0.487288 0.155818
Alabama Prisons 0.636364 0.458292 0.946148 0.352237
Alabama School Budget 0.578769 0.90547 0.277085 0.417637
Alabama Police Budget 0.745779 0.159693 0.150518 0.310762
Alaska GDP 0.51315 0.239402 0.690371 0.902755
Alaska Unemp 0.047899 0.329383 0.039415 0.261495
Alaska House Price 0.430723 0.457658 0.688661 0.359665
Alaska Prisons 0.031685 0.376072 0.836634 0.534889
Alaska School Budget 0.665001 0.99451 0.525446 0.998323
Alaska Police Budget 0.461253 0.327956 0.373816 0.797453
Arkansas GDP 0.751544 0.405693 0.252975 0.160238
Arkansas Unemp 0.592959 0.467335 0.360323 0.411224
Arkansas House Price 0.605316 0.236436 0.824262 0.488503
Arkansas Prisons 0.826649 0.613368 0.100428 0.197751
Arkansas School Budget 0.038491 0.358908 0.020196 0.373979
Arkansas Police Budget 0.362473 0.253577 0.393876 0.126115

Panel data, longitudinal data, cross-sectional time series data

Panel data, also called longitudinal data or cross-sectional time series data, are data where multiple cases (people, firms, countries etc) were observed at two or more time periods.

multiple cities, observed at two or more time periods




http://dss.princeton.edu/online_help/stats_packages/stata/panel.htm

pooled time series vs pure panel data

Pooled analysis combines time series for several cross-sections. Pooled data are characterized by having repeated observations (most frequently years) on fixed units (most frequently states and nations).

Both pooled cross sectional data and pure panel data collect data over tine (this can range from 2 time periods to any large number). They key difference between the two is the "units" we follow. I am defining units as households, countries, or whatever we are collecting data on.
In pooled cross section, we will take random samples in different time periods, of different units, i.e. each sample we take, will be populated by different individuals. This is often used to see the impact of policy or programmes.
For example we will take household income data on households X, Y and Z, in 1990. And then we will take the same income data on households G, F and A in 1995. Although we are interested in the same data, we are taking different samples (using different households) in different time periods.

In pure panel data, we are following the same units i.e. the same households or individuals over time. For example we will follow the same set of households X, Y and Z, for each time period we collect data i.e. in 1990 and we will also interview the same households in 1995.

spss - How to perform pooled cross-sectional time series analysis

http://stats.stackexchange.com/questions/33923/how-to-perform-pooled-cross-sectional-time-series-analysis

Wednesday, March 15, 2017

Logistic Regression vs. Logit

Logistic Regression
In simple terms the logistic regression is a version of multiple regression where the outcome variable is binary (dichotomous), meaning there are only two possible outcomes. The model can be used to calculate the probability of one of the two outcomes occurring over the other for a given case/observation by using the values of a set of known explanatory variables.

Logit
This glossary entry refers to a binary logit, the type used in logistic regression. Without getting too technical Logits are basically transformations of existing binary outcome variable data points into a probability P (ranging from 0 to 1). A logit curve is therefore a graph of these logits plotted against an explanatory variable.




Log-likelihood, logit, -2 log-likelihood (-2LL)

Log-likelihood
Analogous to the Sum of Squares in Multiple regression, the -2 log-likelihood (-2LL) provides us with an indication of the total error that is in a logistic regression model. The larger the value of the -2LL the less accurate the predictions of the model are. 

The deviance, or -2 log-likelihood (-2LL) statistic
The deviance is basically a measure of how much unexplained variation there is in our logistic regression model – the higher the value the less accurate the model.

Deviance (-2LL)
This is the log-likelihood multiplied by -2 and is commonly used to explore how well a logistic regression model fits the data. The lower this value is the better your model is at predicting your binary outcome variable.

Multiplying it by -2 is a technical step necessary to convert the log-likelihood into a chi-square distribution, which is useful because it can then be used to ascertain statistical significance. Don't worry if you do not fully understand the technicalities of this.

The deviance has little intuitive meaning because it depends on the sample size and the number of parameters in the model as well as on the goodness of fit.

R2 equivalents for logistic regression
The two versions most commonly used are
Hosmer - Lemeshow’s R2
Nagelkerke’s R2

Both describe the proportion of variance in the outcome that the model successfully explains. Like R2 in multiple regression these values range between ‘0’ and ‘1’ with a value of ‘1’ suggesting that the model accounts for 100% of variance in the outcome and ‘0’ that it accounts for none of the variance. Be warned: they are calculated differently and may provide conflicting estimates!

Hosmer-Lemeshow Goodness of fit – This option provides a X2 (Chi-square) test of whether or not the model is an adequate fit to the data. The null hypothesis is that the model is a ‘good enough’ fit to the data and we will only reject this null hypothesis (i.e. decide it is a ‘poor’ fit) if there are sufficiently strong grounds to do so (conventionally if p<.05). We will see that with very large samples as we have here there can be problems with this level of significance, but more on that later.

in Model Summary, This table contains the Cox & Snell R Square and Nagelkerke R Square values, which are both methods of calculating the explained variation. These values are sometimes referred to as pseudo R2 values (and will have lower values than in multiple regression). However, they are interpreted in the same manner, but with more caution. Therefore, the explained variation in the dependent variable based on our model ranges from 24.0% to 33.0%, depending on whether you reference the Cox & Snell R2 or Nagelkerke R2 methods, respectively. Nagelkerke R2 is a modification of Cox & Snell R2, the latter of which cannot achieve a value of 1. For this reason, it is preferable to report the Nagelkerke R2 value.

https://statistics.laerd.com/spss-tutorials/binomial-logistic-regression-using-spss-statistics.php#procedure

interpret output, Binomial Logistic Regression, spss

https://statistics.laerd.com/spss-tutorials/binomial-logistic-regression-using-spss-statistics.php#procedure -- 頁面下方

4.12 The SPSS Logistic Regression Output
http://www.restore.ac.uk/srme/www/fac/soc/wie/research-new/srme/modules/mod4/12/index.html

log odds is different from odds ratio
說明及比較 http://zencaroline.blogspot.tw/2017/03/logit-vs-probit.html

for spss

Odds Ratio is labelled as Exp (B)

if male=0 (reference category)  female=1
The Exp(B) column (the Odds Ratio) shows 1.37.
Means that females are 1.37 times more likely than males (reference category, code 0) to achieve fiveem, after controlling for other independent variables.

Dichotomous (or dummy) explanatory variables

For a dichotomous explanatory variable the OR is simply the difference between the odds for the base category (x=0, male) and the other category (x=1, female). Thus in our earlier example for gender and aspirations the OR was 2.0 indicating girls (x=1) were twice as likely as boys (x=0) to aspire to continue in FTE.

OR is 2. While the OR is sufficient for meaningful interpretation, some researchers also like to express the OR in percentage terms. Subtracting 1 from the OR and multiplying by 100 gives the percentage change. Thus (2-1) *100 = a 100% increase in the odds.
 (1-OR) *100

If odd ratios is 1.37, females (code 1) are about 1.37 times (or 37%) more likely to achieve fiveem than males (code 0).
(1.37-1)*100= 37%

If OR is 1.48, (1.48-1)*100= 48 %

spss Logistic Regression Sub-menus

if you click save, then choose the following four

Predicted probabilities – This creates a new variable that tells us for each case the predicted probability that the outcome will occur (that fiveem will be achieved) based on the model.

Predicted Group Membership – This new variable estimates the outcome for each participant based on their predicted probability. If the predicted probability is >0.5 then they are predicted to achieve the outcome, if it is <.5 they are predicted not to achieve the outcome. This .5 cut-point can be changed, but it is sensible to leave it at the default. The predicted classification is useful for comparison with the actual outcome!

Residuals (standardised) – This provides the residual for each participant (in terms of standard deviations for ease of interpretation). This shows us the difference between the actual outcome (0 or 1) and the probability of the predicted outcome and is therefore a useful measure of error.

Cook’s – We’ve come across this in our travels before. This generates a statistic called Cook’s distance for each participant which is useful for spotting cases which unduly influence the model (a value greater than ‘1’ usually warrants further investigation).

http://www.restore.ac.uk/srme/www/fac/soc/wie/research-new/srme/modules/mod4/11/

if you click option, then

Classification plots – Checking this option requests a chart which shows the distribution of outcomes over the probability range (classification plot). This is useful for visually identifying where the model makes most incorrect categorizations.

Hosmer-Lemeshow Goodness of fit – This option provides a X2 (Chi-square) test of whether or not the model is an adequate fit to the data. The null hypothesis is that the model is a ‘good enough’ fit to the data and we will only reject this null hypothesis (i.e. decide it is a ‘poor’ fit) if there are sufficiently strong grounds to do so (conventionally if p<.05). We will see that with very large samples as we have here there can be problems with this level of significance, but more on that later.


CI for exp(B) – CI stands for confidence interval and this option requests the range of values that we are confident that each odds ratio lies within. The setting of 95% means that there is only a p < .05 that the value for the odds ratio, exp(B), lies outside the calculated range (you can change the 95% confidence level if you are a control freak!).

Casewise listing of residuals 




dummy variable in regression

A dummy variable is a variable for which all cases falling into a specific category assume the value of 1 and all cases not falling into that category assume a value of zero.

Coding convention: 0 for the value that does not have the characteristic and 1 for the value that has the characteristic. e.g., My study focuses on female. Thus, male=0, female= 1

e.g, if the Income variable has four categories

You will end up having 4 dummy variables-- income100dollar(代號A),income200dollar(代號B),income300dollar(代號C),income400dollar(代號D) in the data coded as follows:
coding book
ABCD
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1

When you use this variable in a regression analysis, the dummy variable for reference category is omitted (some softwares will do that automatically for you).
e.g, I want to study female (code 1). Thus, male is code 0 (reference category)

One category, usually the one which contains the highest number of respondents, is designated as the 'reference' category (code 0) and does not have a dummy variable. All other categories have a dummy variable created for them. Participants are coded '1' if they belong to the particular category of each dummy variable and '0' if not. Participants who belong to the reference category are coded as '0' for all dummy variables.

The coefficients (B) for each of these new variables tell us how much difference in the outcome is predicted for a member of that category relative to members of the reference group. 

Tuesday, March 14, 2017

logit, categorical independent variable, dummy variable, spss

All explanatory variables need to be placed in what is named the covariates box. If the explanatory variable is continuous it can be dropped in to this box as normal and SPSS can be trusted to add it to the model, However, the process is slightly more demanding for categorical variables such as the three we wish to add because we need to tell SPSS to set up dummy variables based on a specific baseline category (we do not need to create the dummies ourselves this time).

To do this we need to click the button marked ‘Categorical’ to open a submenu. You need to move all of the explanatory variables that are categorical from the left hand list (Covariates) to the right hand window.

The next step is to tell SPSS which category is the reference (or baseline) category for each variable. To do this we must click on each in turn and use the controls on the bottom right of the menu which are marked ‘Change Contrast’. The first thing to note is the little drop down menu which is set to ‘Indicator’ as a default. This allows you to alter how categories within variables are compared in a number of ways (that you may or may not be pleased to hear are beyond the scope of this module). For our purposes we can stick with the default of ‘indicator’, which essentially creates dummy variables for each category to compare against a specified reference category 

All we need to do then is tell SPSS whether the first or last category should be used as the reference category (code 0) and then click ‘Change’ to finalise the setting.

Whether you choose Last or First will depend on how you set up your data. In this example, males are to be compared to females, with females acting as the reference category (who were coded "0"). Therefore, First is chosen.

For our Ethnic variable the first category is ‘0’ White-British (the category with the highest number of participants) so, as before, we will use this as the reference category.
Change the selection to ‘First’ and click ‘Change’.

For the Gender variable we only have two categories and could use either male (‘0’) or female (‘1’) as the reference. Previously we have used male as the reference so we will stick with this (once again, change the selection to ‘First’ and click ‘Change’).

For Socio Economic Class (sec) we will use the least affluent class (code 8) as the reference (‘Never worked/long term unemployed - 8’). This time we will use the ‘Last’ option given that the SEC categories are coded such that the least affluent one is assigned the highest value code. Remember to click ‘Change’! You will see that your selections have appeared in brackets next to each variable and you can click ‘Continue’ to close the submenu.





Ordinal logistic regression (often just called 'ordinal regression)

https://statistics.laerd.com/spss-tutorials/ordinal-regression-using-spss-statistics.php

logit, spss output

https://statistics.laerd.com/spss-tutorials/binomial-logistic-regression-using-spss-statistics.php

Dependent variable
binomial logistic regression (often referred to simply as logistic regression), predicts the probability that an observation falls into one of two categories of a dichotomous dependent variable, based on one or more independent variables that can be either continuous or categorical. (If, on the other hand, your dependent variable is a count, see our Poisson regression guide. Alternatively, if you have more than two categories of the dependent variable, see our multinomial logistic regression guide.)

 If your dependent variable was not measured on a dichotomous scale, but a continuous scale instead, you will need to carry out multiple regression, whereas if your dependent variable was measured on an ordinal scale, ordinal regression would be a more appropriate starting point.

example:
1.use binomial logistic regression to understand whether exam performance can be predicted based on revision time, test anxiety and lecture attendance

  • dependent variable--exam performance, dichotomous scale (passed or failed)
  • three independent variables: "revision time", "test anxiety" and "lecture attendance"
2.use binomial logistic regression to understand whether drug use can be predicted based on prior criminal convictions, drug use amongst friends, income, age and gender

  • dependent variable--drug use, measured on a dichotomous scale (yes or no)
  • five independent variables: "prior criminal convictions", "drug use amongst friends", "income", "age" and "gender"

3. n=200 high schools students

  • dependent variable (dichotomous variable):  female (1), male (0)
  • independent variable: scores on 4 tests: science, math, reading and social studies (socst)

Independent variable

  • You have one or more independent variables, which can be either continuous (i.e., an interval or ratio variable) or categorical (i.e., an ordinal or nominal variable). 
  • Continuous variables-- revision time (measured in hours), intelligence (measured using IQ score), exam performance (measured from 0 to 100), weight (measured in kg)
  • Ordinal variables --- Likert items (e.g., a 7-point scale from "strongly agree" through to "strongly disagree"), amongst other ways of ranking categories (e.g., a 3-point scale explaining how much a customer liked a product, ranging from "Not very much" to "Yes, a lot")
  • Nominal variables ---- gender (e.g., 2 groups: male and female), ethnicity (e.g., 3 groups: Caucasian, African American and Hispanic), profession (e.g., 5 groups: surgeon, doctor, nurse, dentist, therapist)
  • If you have a categorical variable with more than two levels (e.g., a three-level variable: low, medium ,high), you can tell SPSS to create the dummy variables necessary to include the variable in the logistic regression.
Assumption: to run logit, there needs to be a linear relationship between any continuous independent variables and the logit transformation of the dependent variable. Use the Box-Tidwell (1962) procedure to test for linearity
if a violation to the assumption is not correctable, you will no longer be able to use a binomial logistic regression (although you may be able to run another statistical test on your data instead). Just remember that if you do not run the statistical tests on these assumptions correctly, the results you get when running binomial logistic regression might not be valid. 

Testing assumptions
https://statistics.laerd.com/features-overview.php
https://statistics.laerd.com/features-assumptions.php

How to use SPSS
  • SPSS -- Analyze/Regression/Binary Logistic…
  • By default, SPSS does a listwise deletion of missing values.  This means that only cases with non-missing values for the dependent as well as all independent variables will be used in the analysis.
  • https://statistics.laerd.com/spss-tutorials/binomial-logistic-regression-using-spss-statistics.php#procedure

How to interpret report the Output of a Binomial Logistic Regression Analysis
https://statistics.laerd.com/spss-tutorials/binomial-logistic-regression-using-spss-statistics.php#procedure






multinomial logit vs multinomial probit

binomial logistic regression (often referred to simply as logistic regression), predicts the probability that an observation falls into one of two categories of a dichotomous dependent variable, based on one or more independent variables that can be either continuous or categorical.

If, on the other hand, your dependent variable is a count, see our Poisson regression guide. Alternatively, if you have more than two categories of the dependent variable, see our multinomial logistic regression guide.

Poisson regression is used to predict a dependent variable that consists of "count data" given one or more independent variables. The variable we want to predict is called the dependent variable (or sometimes the response, outcome, target or criterion variable). The variables we are using to predict the value of the dependent variable are called the independent variables (or sometimes the predictor, explanatory or regressor variables). Some examples where Poisson regression could be used are described below:
https://statistics.laerd.com/spss-tutorials/poisson-regression-using-spss-statistics.php

Multinomial logistic regression (often just called 'multinomial regression') is used to predict a nominal dependent variable given one or more independent variables. It is sometimes considered an extension of binomial logistic regression to allow for a dependent variable with more than two categories. As with other types of regression, multinomial logistic regression can have nominal and/or continuous independent variables and can have interactions between independent variables to predict the dependent variable.
https://statistics.laerd.com/spss-tutorials/multinomial-logistic-regression-using-spss-statistics.php

logit vs probit; stata output; log odds vs odds ratio

for Binary Outcome:
•Yes(1)/No(0)
• Success(1)/Failure(0)
• Heart Attack(1)/No Heart Attack(0)
• In(1)/Out of the Labor Force(0)

 y* as the underlying latent propensity that y=1 (yes, success, heart attack, in the labor force)
• Example: For the binary variable, (yes/no; heart attack/no heart attack), y* is the propensity for yes (1); a heart attack (1).
• Example 2: For the binary variable (in/out of the labor force), y* is the propensity to be in the labor force (1).

Since y* is unobserved, we use do not know the distribution of the errors, ε
• however, in order to use maximum likelihood estimation (ML), we need to make some assumption about the distribution of the errors.

Thus, the difference between Logistic and Probit models lies in this assumption about the distribution of the errors.

which one to choose? binomial logit or binomial probit?
  • Results tend to be very similar 
  • Preference for one over the other tends to vary by discipline
  • binomial logit is the most frequently used estimation technique for equations with dummy dependent variables
  • binomial probit
  • logistic regression is robust against multivariate normality and therefore better suited for smaller samples than a probit model
  • probit models typically are estimated by applying maximum likelihood techniques
  • probit is based on the cumulative normal distribution
  • probit estimation procedure uses more computer time than does logit
  • since probit is based on the normal distribution, it is quite theoretically appealing (because many economic variables are normally distributed)--however, with extremely large samples, this advantages falls away
Stata output
How to interpret logit?

Sample: BA degree earners
• Dependent Variable: Entry into a STEM occupation  (yes=1, no=0)
• Independent Variable: Parent education-- categorical variable of highest degree: 2-year
degree or lower vs. BA and Advanced Degree














Log odds (b coefficient in stata)
  • When used in logistic regression the log odds tells us how much the odds an outcome occuring increase (or decrease) when there is a unit change in the associated explanatory variable.
  • In logistic regression the b coefficient indicates the increase in the log odds of the outcome for a one unit increase in X. 
  • Interpretation: Among BA earners, having a parent whose highest degree is a BA degree (code 1) versus a 2-yr degree or less (code 0) increases the log odds of entering a STEM job by 0.477.
  • Interpretation: Among BA earners, having a parent whose highest degree is a BA degree (code 1) versus a 2-year degree or less (code 0) increases the log odds by 0.477.

Odds ratio 
  • However,log odds do not provide an intuitively meaningful scale to interpret the change in the outcome variable. Taking the exponent of the log odds allows interpretation of the coefficients in terms of Odds Ratios (OR) which are substantive to interpret
  • we can easily transform log odds into odds ratios by exponentiating the coefficients (b coeffcient= 0.477)--- exp(0.477)=1.61 
  • Interpretation: BA degree earners with a parent whose highest degree is a BA degree (code 1) are 1.61 times more likely to enter into a STEM occupation than those with a parent who have a 2-year degree or less (code 0).











SPSS gives this Odds ration for the explanatory variable labelled as Exp(B).
The odds ratio is labelled as Exp(B) on SPSS

Monday, March 13, 2017

高雄市, 市政統計資料庫

http://kcgdg.kcg.gov.tw/pxweb2007p/dialog/treelist/folder.htm

Sunday, March 12, 2017

inferential statistics

Inferential statistics are used to draw inferences about a population from a sample.Consider an experiment in which 10 subjects who performed a task after 24 hours of sleep deprivation scored 12 points lower than 10 subjects who performed after a normal night's sleep. Is the difference real or could it be due to chance? How much larger could the real difference be than the 12 points found in the sample? These are the types of questions answered by inferential statistics

There are two main methods used in inferential statistics: estimation and hypothesis testing. In estimation, the sample is used to estimate a parameter and a confidence interval about the estimate is constructed. 

In the most common use of hypothesis testing, a "straw man" null hypothesis is put forward and it is determined whether the data are strong enough to reject it. For the sleep deprivation study, the null hypothesis would be that sleep deprivation has no effect on performance

Saturday, March 11, 2017

诺不轻信,故人不负我。 诺不轻许,故我不负人。

廖柏森, 英文研究論文

《英文研究論文寫作:關鍵句指引》
《英文研究論文寫作:文法指引》
《英文研究論文寫作:搭配詞指引》
《英文研究論文寫作:段落指引》
《英文研究論文發表:口語報告指引》
《英文論文寫作不求人:教授推薦你20個專業網站和語料庫》、
《英文論文寫作不求人2:從世界名校的線上課程開始》
《美國老師教你寫出好英文》
《新聞英文閱讀與翻譯技巧》
《翻譯教學實務指引:從15份專業教案開始》
《英語與翻譯之教學》
譯有《英語學習策略完全教學手冊》

Thursday, March 09, 2017

It takes far less effort to find and move to the society that has what you want than it does to try to reconstruct an existing society to match your standards." - Harry Browne, How I Found Freedom in an Unfree World

Security... it's simply the recognition that changes will take place and the knowledge that you're willing to deal with whatever happens.

You don't have to buy from anyone. You don't have to work at any particular job. You don't have to participate in any given relationship. You can choose.

Wednesday, March 08, 2017

Monday, March 06, 2017

王鳳儀思想《化性談》又名(不怨人)

1. 我常研究,怨人是苦海。越怨人,心裡越難過,以致不是生病,就是招禍,不是苦海是什麼?

管人是地獄,管一分,別人恨一分;管十分,別人恨十分,不是地獄是什麼?必須反過來,能領人的才能了人間債,盡了做人的道。能度人的就是神,能成人的就是佛。

2.君子求己,小人求人。君子無德怨自修,小人有過怨他人。嘴裡不怨心裡怨,越怨心裡越難過,怨氣有毒,存在心裡,不但難受,還會生病,等於是自己服毒藥。人若能反省,找著自己的不是(錯誤),自然不往外怨。你能,不怨不能的;你會,不怨不會的,明白對面的人的道,就不怨人了。

3. 現今的人,都因為別人看不起自己,就不樂。其實我這個人,好就是好,歹就是歹,管別人看得起看不起呢!只是一個不怨人,就能成佛。現在的精明人,都好算帳,算起來,不是後悔,就是抱屈,哪能不病呢?

4. 「不怨人」三個字,妙到極點啦!(不怨人就是真陽土)

不生氣,不上火

5. 我常研究,火逆的多吐血,氣逆的多吐食。要能行道、明道,氣火就都消了。

6. 上火是「龍吟」,生氣是「虎嘯」,人能降伏住氣火,才能成道。

有人惹你,你別生氣,若是生氣,氣往下行變成寒;有事逼你,你別著急,若是著急,火往上行變為熱。寒熱都會傷人。修行人,遇好事不喜,遇壞事不愁,氣火自然不生,就是「降龍伏虎」。能降伏住,它就為我用;降伏不住,它就是妖孽了。

7. 稟性(怒、恨、怨、惱、煩,又稱氣稟性)用事,鬼來當家。因為生氣、上火一定害病,生病就是被鬼給打倒了!正念一生,神就來;邪念一起,鬼就到。可惜人都不肯當神,甘願做鬼!

8. 火是由心裡生的,人心一動就生火。一著急,火往上升;一動念,火向外散。若能定住心,火自然下降。不守本分的人,額外的貪求,火就妄動。若能把心放下,不替人著急,就不起火,該有多麼輕快!

9. 動性(耍脾氣)是火,心裡生氣,才是氣。佛說「七處心燈」,我說不如掐死一頭。人心一死,道心自生;人心一動,道心自滅,爭貪的念頭就生出來了。因爭生氣,因貪上火,氣火攻心,整天煩惱,就是富貴,也沒樂趣。所以古人治心,如同治病。我說把心掐死,多麼省事!

找好處,認不是

10.修好的人多,得好的人少,是因為什麼呢?就因為心裡存的,都是別人的不好,又怎能得好呢?

11.找人好處是「聚靈」,看人毛病(缺點)是「收贓」。「聚靈」是收陽光,心裡溫暖,能夠養心;「收贓」是存陰氣,心裡陰沉,就會傷身。人人都有好處,就是惡人,也有好處,正面找不著,從反面上找。所以我說,找好處是「暖心丸」,到處有緣,永無苦惱。

12.找好處是真金,要想找好處,就得以志為根,在沒有絲毫的好處里,找出真好處來;在忍無可忍時,還能忍得住,就是「大義參天」。

13.認不是生智慧水,水能調五味、合五色,隨方就圓。人的性子,要能煉得像水一樣,就成道了。所以古人說「上善若水」。

14.人和天地是一體,天下的事都是自己分內的事,世界沒好,咱們哪能沒有不是?不是(錯誤)到處都有,低頭也是、抬頭也是、睜眼也是、閉眼也是。看妻子不好是低頭不是,看老人不對是抬頭不是,看別人不對是睜眼不是,心裡尋思別人不對是閉眼不是。依我說,有不明白的道、不會做的事,都是不是。人要能找著本分,才知道不是。人把天理丟了、道理迷了、情理虧了,才知道認不是(承認不對即自己認錯)。

15.要能把不是認真了,自然神清氣爽、心平氣和。

16.認不是生智慧水,找好處生響亮金。

17.找好處開了天堂路,認不是閉上地獄門。

18.認不是勝服「清涼散」,找好處勝用「暖心丸」。

五行性

19. 我所講的「五行」,是以木、火、土、金、水五個字代表來說的,和佛家的五戒、道家的五元、儒家的五常是一樣的。

20.人的苦都在性子中呢!不服人是陰木,好爭理是陰火,好怨人是陰土,好分辯是陰金,好煩人是陰水。

21.木性人招難,火性人受苦,土性人受累,金性人受貧,水性人受氣,像聚寶盆似的,內里有什麼,就聚什麼。太上說:「禍福無門,惟人自召」,一點也不錯。所以我說,好事歹事都是性子招的。

22.常人的性子都有所偏:偏於火的爭理,偏於土的欺人,偏於金的傷人,偏於水的厭人,偏於木的頂撞人。能化除這一偏之性,自然得道。

23.陰木性人,抗上、不服人,好生怒氣。怒氣傷肝,頭迷眼花、兩臂麻木、胸膈不舒、耳鳴牙痛、癱瘓中風。

陰火性人,急躁、爭理、喜虛榮、愛面子、好恨人。恨人傷心,心熱心跳、失眠顛狂、音啞疔瘡。

陰土性人,蠢笨蠻橫,疑心重、好怨人。怨人傷脾,膨悶脹飽、腹痛吐瀉、虛弱氣短。

陰性金人,殘忍妒忌、虛偽好辯,好惱人,惱人傷肺,氣喘咳嗽,肺癆咳血。

陰水性人,愚魯遲鈍、多憂多慮,好煩人,煩人傷腎,腰腿病痛,遺精陽萎。所以說什麼性,就得什麼病。

24.我說的五行,和佛家的五戒是一樣的。生怒氣(木)便是殺;好穿衣服、求好看(火)便是淫;買東西少給一文錢(金)也是盜;好吃好東西(水)便是酒;說半句謊話(土)也是妄。

25.真木是佛的根(木性仁慈),真(陽)木性人有主意、能忍辱,能立萬物。真火是神的根,火主明理、知時達務,能化萬物,不為萬物所拘。真土是道的根,信因果、能容能化,能生萬物。別人壞是別人的因果,你不要怨他,也不要替他著急。真金是仙的根,能找人好處,找好處生響亮金,和人聚萬緣,有義氣,有果斷力,遇事迎刃而解,能創萬物。真水是聖的根,能認不是,認不是生智慧水,性柔和,能養萬物。人如果得不著真五行,固執稟性用事,就死在五行里啦!

26.今生是什麼性,就知道前生是做什麼的。今生是火性,前生一定是當官的;今生是水性,前生一定是商人;今生是木性,前生一定是工人;今生是土性,前生一定是莊稼人;今生是金性,前生一定是讀書人。

27.前生好殺害生靈的,今生火性就高;前生好抗上的,今生木性就大;前生好說謊的,今生金性就強;前生好怨人的,今生土性就厚。

28.達天時就是陽火,信因果就是陽土,找好處是陽金,認不是是陽水,能受氣是真陽木,這是真五行。

29.現今的天時,人人性里都有火。火性人主貪、好爭理,所以才爭貪不已、戰亂不息。不爭不貪是真陽火,真陽火才能達天時。(達天時不爭不貪)。

三界

30.人是三界生的,天賦人的性,地賦人的命,父母生的身,所以說三界是人的來蹤。性存天理,心存道理,身盡情理,才能返本歸根。人只知有個身我,不知天上有個性我,地府有個命我。性化了,天上的性我得天爵;道理明了,地府的命我得人爵。所以一人本身有三身,可惜人都不知道呀!

31.我所講的「性存天理、心存道理、身盡情理」和佛家的「三皈」、道家的「三華」、儒家的「三綱」是一樣的。

32.佛家的「三皈」就是性、心、身。性存天理就是皈依佛;心存道理就是皈依法;身盡情理就是皈依僧。

33.道家的「三華」就是性、心、身,性華開天理足,心華開道理足,身華開情理足。

34.儒家的「三綱」就是性、心、身。性存天理有仁,心存道理有智,身盡情理有勇。

35.三界就是三教,儒家從立命做起,道家從煉身做起,佛家從養性做起。

36.性存天理要柔和;心存道理要平和;身盡情理要藹和。

37.性要服人,不服人傷性;心要愛人,不愛人傷心;身要讓人,不讓人傷身。

38.性、心、身三界不太平,是因為三界中有三個賊,一稟性(又名氣稟性,指怒、恨、怨、惱、煩而言),二私慾,三不良嗜好。要想三界太平,就要用天理捉拿性中的賊,用道理捉拿心裡的賊,用情理捉拿身上的賊。

39.三皇就是天皇、地皇、人皇,人說是上古的三位皇帝。我說天皇是玉皇爺,管人的性,人要是動性耍脾氣,天就降災;地皇是閻皇爺,管人的命,人要是壞了良心,違背倫理常道,地府就降病;人皇是皇王爺,管人的身,人要是犯罪,國法處罰。三皇管人的性心身三界,是為了叫人學好。

40.心裡尋思別人不對是心病,性里常發脾氣是性病,心病必引起性病,性病必引起身病,能反過來病就好了。

41.性界清沒有脾氣,心界清沒有私慾,身界清沒有不良嗜好;性不清沒有福,心不清沒有祿,身不清沒有壽,所以要清三界。

42.三界的病我全會治,必須分開三界、清理三曹。身無不良嗜好,身界就沒病;心無私慾,心界就沒病;性無脾氣,性界就沒病。心性的病,非用道治不好,吃藥是沒有效的,可惜人都不知道呀!

43.人生要是就是去貪、去爭、去攪,貪的虧天理,欠天上債;爭的虧道理,欠人間債;攪的虧情理,欠陰間債。倘若三個字都犯了,欠三界的債,哪能有好結果?貪就是過,爭就是罪,攪就是孽。

44.好抱屈傷心,不抱屈保氣保命;好後悔傷性,不後悔保性保福;好怨人傷身,不怨人保身保壽。人能不抱屈、不後悔、不怨人,三界就都不受傷了。

45.我也有三個省,一省性中有沒有脾氣?有人拂逆我的時候,我的性里起什麼作用?二省心裡知不知足?有沒有偏私?吃虧的時候,心裡是什麼滋味?三省行為正不正當?確實會做什麼?這是我的三省。

46.我也有個三綱領,就是性存天理,心存道理,身盡情理。我也有個八條目:一不貪、二不爭、三不抱屈、四不後悔、五不怨人、六不著急、七不上火、八不生氣。若能做到,不費金錢、不費力氣,不但成道,還能成佛。

47.人有三寶就是性、心、身。性屬水、心屬火、身屬土。水是人的精,土是人的氣,火是人的神。精足有智慧、氣足有發育、神足有靈。像燒磚似的,先用土坯,再用火燒,最後用水澆,才能堅固。大家講性心身,講幾遍就等於燒幾把火。講透了「三寶」足,勝享百官之富。

48.能忍則性了,知足則心了,勤勞則身了,這正是好了。不能了,就好不了。

三性

49.人有三性,一天性、二稟性、三習性。天性是純善無惡的,孟子說的性善,正是指的天性;人賦的性是稟性,稟性是純惡無善的,荀子主張的性惡,正是指的稟性;後天的性叫習性,習性是可善可惡的,「近朱則赤,近墨則黑」,告子說的性「可東可西」,正是指的習性。

50.以天性用事的會找人好處,以稟性當家的准看人不對。這叫什麼性,招什麼事。

51.天性有源,稟性有根。前生的習性,就是今生的稟性。能化去稟性(愁、恨、怨、惱、煩),天性就圓滿了。不能化的,一觸即發,像被鬼迷住了似的,所以叫做「五鬼」,鬧得家宅不安。又叫做「五毒」,令人害病死亡。它的根最深,不易拔除。人若是降伏不住它,就難當好人。佛說:「業力隨身,必至妄動無明」,難以成道。

52.習性是物慾所繞,稟性是人間的煩惱。能在道德場中盡義務,身界算是脫出去了。會當人的,脫出了心界。稟性化盡,才脫出了性界。不然怎能「超出三界外」呢?

53.神足即是德,神足就樂,樂就可以化稟性。脾氣化盡,因果自了。

54.去習性、化稟性、圓滿天性。

三命

55.人有三命:一天命、二宿命、三陰命。性與天命合,道義就是天命;心與宿命合,知識、能力、錢財都是宿命;身與陰命合,稟性(怒、恨、怨、惱、煩)就是陰命。把這三命研究明白,你若用好命,你的命准好。命好與不好,在乎自己,那用算命呢?

56.「不知天命無以為君子」,不知人不能「達彼岸」。知人的好處是知天命,知人的功勞是知宿命,知人的稟性是知陰命。知命的人才是君子,好動稟性(耍脾氣)消天命,好生怨氣消宿命,好占便宜長陰命。天命小,要會長;宿命小,要會增;陰命大,要會消。命小要會長,命大要會守,就是「天權在手」。

57.有人來見我,我先問他是做什麼的?就知道他的天命有多大;再問他的家業和境況,就知道他的宿命有多大。看看他的稟性大小,就知道他的陰命大小。三命是三界,三界貫通,還有不知道的嗎?

58.人都沒有為眾的心,只知為己,所以才糟的。我所以能成為善人,是因為我把為己的心開除了,也就是把宿命掐死了。宿命是無盡無休的,為它還有頭嗎?

59.孟子說:「修其天爵而人爵從之」,可是人一得了人爵,就不再修天爵啦!修德性是長(音掌)天命;學習技藝、多積錢財是長宿命;善用宿命的長(音常)知足,能消陰命;不會用的長陰命。只有長天命,才可以消陰命的。現今的人,只知用陰命、重宿命,不知道長天命,又怎麼能明白天道呢?

60.以宿命為公益的長天命,以宿命為自己享受的長陰命。所以說,所以有錢會花超三界,不會花的孽難逃。

61.香瓜,苦的時候正長(音掌);天命,苦的時候也正長。

62.不說人的不對,是消陰命;能忍才可以消陰命;若能忍受大侮辱,便消許多陰命。

63.天命大的宿命也不小,宿命大的陰命了不了。所以要止宿命、了陰命、長天命。

性命

64.性命是人的根,我得到了人根,那道根也就算得著了。道根是人的性,人根是人的命,性根若是好了,那命根也沒個不好的。可見人的命不好,都是被性子累的。所以我教人化性,人能化性,就算得道。

65.性是命的根,有德的人性量必大。性量大,命也必大。人的命都是好命,因為性子不好,把命也拐帶壞啦!

66.性是根,命是果,紮下根才能結果。人若是定不住性,就是沒紮下根;若不認命,也難結果,好似開個幌花。學道的人,一要化性,二要認命。性化了就不生氣,不生氣才肯吃虧,吃虧就是占便宜。認命就不怨人,不怨人才能受苦,受苦才能享福。可惜世人都不知道,把性命看輕,把名利看重啦!

67.古人說:「修命不修性,此是修行第一病;修性不修命,一點靈光無用處」,這話把性命雙修的重要,說得太透徹啦!

四大界

68.志、意、心、身四大界(四個境界)。迷信的人說:奈何橋上三條路,一條是「金」,一條是「銀」、一條就是「黃泉路」。我說用志做人就是「金」,用意做人就是「銀」,以身心用事,就是走上了「黃泉路」。

69.我常說,一個人必須把四大界分別清楚。究竟怎樣算是分清呢?若能本性如如不動(罵也不動性、打也不動性、殺了也不動性),把世間的愚人都托起來,使他們成為大智慧人,便是志界,就是佛國的境界;若能心無一物,常樂無憂,便是意界,就是天堂的境界;若是貪得無厭,多憂多慮,便是心界,就是苦海的境界;若是為名為利,爭貪攪擾,花天酒地,流連忘返,好勇鬥狠,便是身界,就是地獄的境界。所以說,志界是佛國,意界是天堂,心界是苦海,身界是地獄。

70.志界人沒說(沒有說道,怎樣都好),意界人知足,心界人好貪,身界人好鬥。沒說的叫做無心人,知足的叫做凈心人,好貪的叫做操心人,好鬥的叫做糟心人。糟心人是鬼,操心人是人,凈心人是神,沒心人是佛。

71.身界人只知為身子作打算,有己無人,橫不講理,見著東西就想占為己有,占不到便宜就生氣打架,總是發愁,所以是個鬼;心界人貪而無厭,總是不知足,滿腦子妄想,好用機謀巧算,所以是個小人;意界人知足常樂,樂就是「神」;志界人一切沒說,看透因果,不找循環,沒說就是「佛」。人要想超凡入聖,得會挪界(轉移境界)。

72.身界的人互相揭短,心界的人互相爭理,意界的人互相容讓,志界的人互相感恩。

73.佛界人不思而得,神界人思則得之,魔(心)界人「求」才能得,鬼(身)界人「爭」才能得。

74.志有志的性,他是無為而無不為的;意有意的性,是信著人的,遇著好事就願意讓給別人;心有心的性,他是貪而無厭,一心為己,總想占人的便宜;身有身的性,他是破壞成性的,人己兩傷也不知悔。所以說,心身兩界,絕不可叫他為主,只可叫他聽命。

75.講佛經的人說:人死之後要入六道輪迴。我說六道輪迴,都在我們身上呢!何必向外求?人的持身行事,用志的便是佛道,用意的便是神道,用心的便是人道,貪取外物、不顧情理的便是物道(畜牲道),專好上火的便是妖道,專好生氣的便是鬼道。這六道每天都輪迴在我們身上,何必等死後呢?

76.佛說有三千大千世界,我說有四個大世界,得道的人一眼就看出是那一界的人。以身當人的,不論做到什麼地步也是個破敗星;以心當人的,不論怎麼能幹,也是個操心人;以意當人的,不論事情怎麼多,也不累心,是個活神仙。以志當人的,不論遇著多麼逆的環境,也不動性,就是一尊佛。

77.有所憂慮則志倒,有所恐懼則意倒,有所好樂則心不正,有所忿詈則身不正。

78.苦極生志,樂極生意,真了就是佛,假了就是魔。有病就是地獄,貪心就是苦海。

79.會使用志的人,越遇逆境越樂;會使用意的人,意念多大,義氣也多大。

80.心中有累,就是命中有累,事實上必有累事。

81.不高興是生心眼啦!意像皮球似的,有針鼻大小的眼,就漏氣了。性是本,意是根,是萬事萬物的根。根就像雨似的,天雨本來無心,可是酸梨得了必酸,甘草得了必甜,志在天地之間,也像那雨似一樣。

82.死心才能化性,稟性化了而後意成,意成而後志成,這是一定的道理。

83.稟性化了就是意,我們化世界,輕則用意,重則使志。能夠用志的,萬世罪孽一筆勾銷。可是魔來了,你可得定住,稍微一動,便是種子。

84.把一切假事看破,自然成真。天堂沒有壞人,地獄沒有好人,苦海沒有真人,佛國沒有假人。

85.用志當人是沒說的、不變的,你欺我、罵我,也是成我。你假、你詐,也是成我。就是殺了我,也是成我。

86.以志當人就是個真人。若是老公公被兒媳婦罵了,便該立志說:「你要能罵動我,算我當不起公公!」能這樣定住就是佛,是佛就有神來保護。以意為主就是個樂,樂就是神。

87.各教聖人,沒有不是以志為主的。我聽說,孔子在陳絕糧,仍然是坦蕩自如,弦歌不輟。又聽說,耶穌被釘十字架,三日復活仍救世人。釋迦佛當忍辱真人時,被歌利王割截肢體後還說:我成佛先度你!他們這種精神,是不是一樣呢?所以我說,各教的形式雖然不同,可是精神是一樣的,若是分門別派就不對啦!

88.當今之世,諸天神佛,全在人間,可並沒有降生落凡。奪誰的志,誰的靈就來。學哪位神佛,哪位神佛的靈就到;學哪位聖賢,哪位聖賢就來。遇到什麼事,就學什麼人。像摘(挑取)花似的,摘一個做一個。孟子說:「人皆可以為堯舜」,就是叫人奪志。平常人要不奪古人的志,終究是個平常人。

89.真到了志界,半點火氣也沒有,只剩真樂啦!

學道

90.人的心理,總是好高,都是愛好。哪知事全糟在高上、壞在好上,好上、高處哪裡有道呢?人是正眼沒開,把道看錯啦!別人不做的你去做,別人拋棄的你撿來,那就是德,也就是道。像水的就下,把一切物全托起來,自然歸服你,自然服從你,這叫托底。可惜人都好搶上,不肯就下,所以離道遠啦!

91.世人都怕水深火熱,怕死在裡面。豈不知好名的死在名上,好利的死在利上,每天都處在水深火熱之中,自己還不知道呢!我講道,不要名是「入火不焚」、不要錢是「入水不溺」。

92.我學道先學損、學窮,別人學高、學講學問,所以沒趕上我。

93.知足才能落底,知足才能得道,這是得道的要訣。

94.道是天道,人人都有,並沒離開人。今人為什麼沒得著呢?舉例來說,一顆豆子,有了秧必須向上度漿,把豆粒度成了算。人也有本,常尋思自己的本(分),誠心求三個月,便能得著,這是我求做活道得著的。

95.好高是貪,怕壞是粘;好好是孽,嫌不好是缺德;不盡職是丟天命。

96.只一個好字,把英雄豪傑都坑害啦!

立命

97.世人都願享福,為什麼享福的人少、受苦的人多呢?因為人一不知足、二不認命。人要明道,有福會享,沒福也會找。

98.看自己不如人,那叫自欺,也叫不知足,這種人准苦。知足的人天命一定長,情理足道理長,道理足天理長,足了就不費力。若是做這個想那個,叫做漏氣,象氣球似的,一漏氣就癟了;又象蒸包子,一漏氣就生了。所以君子做事不嫌事小,有十分力量使七分,又輕鬆又愉快,就是活神仙。一起貪心,便落苦海,不論怎樣大富大貴,也是毫無樂趣。

99.命就是人的本分,守住本分就立住了天命。天命長,名也准大起來。會當幾個人就得著幾條道。若是不盡職、不盡力、喜虛榮、做假事、有名無實,就立不住命。

100.道是行的,德是做的。不行沒有道,不做沒有德。上天按天理命名,人要照本分行事,就合天道。本著天道所做的就是天德,也就能不思而得。

101.行道不可出本位,若是離開本位,不但勞而無功,反而有過。什麼是本位呢?就是人的本分,「素位而行」,就可以成道。

102.人要「素位而行」,做事不出本位,說話不出本位,思想不出本位,才能當體成真。若是生為女身羨慕男人,貧窮人妄想富貴,做這個想那個,全是出位的人,怎能成道呢?就像梨要成在梨樹上,不能在杏樹上成。

103.八德就是八個大門,都能進入佛國。不過人應當從哪個門進,就由哪個門進,這就是「素位而行」的意思。我是由忠、孝兩個門進來的,給人放牛、扛活(傭工)全都是抱定一個忠字;對老人,抱定一個孝字,這是我敢自信的。

104.「命者,名也」,名正,命就正了。命正、性自然就化啦。所以教人最重要的是教性、教命。

化性

105.人落在苦海里,要是沒有會游泳的去救,自己很難出來,因此我立志要救人的性命。救人的命是一時的,還在因果里;救人的性是永遠的,是一救萬古、永斷循環。所以救命是有形的,是一時的;救性是無形的,是萬劫不朽的。人性被救,如出苦海,如登彼岸,永不墮落。

106.人被事物所迷,往往認假為真,那叫看不透,所以才說人不對,和人生氣上火。其實是自己看不透,若能把世事看透,準會笑起來,哪能和人生氣打架呢?我當初看世上沒有一個好人,我就生氣,氣得長了十二年瘡癆,幾乎沒把我氣死,直到我三十五歲那年正月聽善書,才知道生氣不對,對天自責,我的瘡癆一夜功夫就好了,立刻出了地獄。

107.恭敬我的,正是害我;羞辱我的,正是成我。假(指財、色、榮、辱等)的來了,要把它看透,知道是上天使它來考驗我的,受辱受罪,正是消災免難。

108.能知人的性,才能認識人;能知物的性,才會利用物。這是和天接碴。什麼樣的人,就存什麼心,說什麼話,辦什麼事。你要是看他不對,是不知他的性,也就是不明他的道,准被他氣著。就像屎殼螂推糞球、黃皮子(鼬)好吃小雞,爭貪的人,好占便宜。哪一界的人,辦哪一界的事,所以說都對。

109.我受種種打擊,立志不生氣、不上火,被人譏笑,也不動性。氣、火是兩個「無常鬼」,能把他們降伏住,使火變為「金童」、氣變為「玉女」,不受他們克,那就是佛!

110.逆來的是德,人需要認識,吃了虧不可說,必是欠他的。眾人替你抱屈,你就是長命。若是無故挨打受氣,也是自己有罪,受過了算還債,還要感激他,若是沒有他打罵,我的罪何時能了?我說小人也有好處,是擠兌人好的,從反面幫助人。

111.受了受了,一受就了。受罪了罪,受苦了苦。沒孽不挨罵,沒罪不挨打。逆事來了,是給你送德來的,不但忍受,還要感激他。

112.一切事沒有不是從因果中來的,逆事來若能樂哈哈地受過去,認為是應該的,自然就了啦;若是受不了,心裡含有怨氣,這件事雖然過去,將來必有逆事重來,正因為受而未了的原故。

113.凡是對面來的,都是命里有的,所以遇著不如意的事、不對頭的人,要能忍受。孔子在陳絕糧,耶穌被釘十字架,佛被割截肢體,都沒怨人,那才是真認命,真認命才能成道。

114.人欺人,天不欺人,天加福是逆來的。若是遇著逆事,自己立不住志,那就半途而廢了。

115.金剛是最硬的東西,所以要立金剛志。愚人受人侮辱,或被人斥責,不以為是加福,反而生氣,是剛倒了!明白人好和愚人生氣,是剛炸了!不倒不炸,才能立住金剛志。

116.「煉透人情,就是學問」。要在親友中去煉,煉成了就不怕碰,象磚瓦似的,煉透了就堅固,煉不透的如同磚坯子,一見水就化了!

117.要想明德,必須性圓。要想性圓,必須死心。能做個活死人,性就化了。

118.舍錢不如捨身,捨身不如舍心,舍心不如舍性。人能舍掉稟性,就算得道。


腦場

數學家孫嘉林, 轉基因
王乐娃根据孙嘉林在1999年墨西哥国际生命起源大会上公开的论文《氢二氧一即第一生物》,开创了“脑场健生法”

根据孙嘉林先生研究,人是由二个人:一个是生命人,另一个是生物人构成。那生命人是什么呢?生命人就是人的左右大脑和心脏,也就是H20,生物人是人体的轮廓。任何物质都有它的“场”存在状态,电子有粒状态、场状态;人体结构也有粒状态、也有场状态,人体场状态也就是称之为生命人,人体粒状态也就相应称之为生物人。生物和生命是根本不同的两个概念。    脑场健生法是王乐娃女士在孙嘉林先生关于全新的生命科学研究成果的基础上开创的科学健生法,此方法有效地激活人体的免疫系统、增强机体抵抗外界传染性因子的防护能力,清除机体损伤和死亡的细胞,维持自身生理平衡的自身稳定功能,并能对机体监视发现并清除突变细胞的免疫监视功能,让H2O旋转起来,把每个人自身的256个基因密码调动起来,按照自有的程序重新归位,把不正确的分子信号排除体外,生命人健生了,生物人就健康了。脑场健生法唤醒沉睡了几十年的生命人,激活人体的所有细胞,彻底根除人体的索引绝症,人人都能达到更高水平的健生状态,它既是科学中的创举,又是人类格调的创举,此项研究成果的高超性,完全表征了创立者人格的高超性,脑场健生法在大力促进人类真正意义上的健康,并推动和谐世界建设方面具有重要意义。此项成果已申报国家专利(专利号:200910180701.7) 。

脑场健生法是一种适合人类健生的有效法宝,不吃药,不打针,不借用任何医疗器械,通过人与人之间的场来激活人体细胞,把病变的细胞或坏死的细胞排除体外。那通过什么方法来激活呢?首先由排毒师把手放在患者头顶上,通过排毒师本身的场能量与患者的场差,来激活患者的全身细胞(人的场能量是巨大的,可与光的速度相等,每秒可达到30万公里)。科学家通过研究利用这一科学原理,发明了让人旋转起来,旋转,自然界本身就在旋转,地球、太阳、各大行星无时无刻不在旋转、不断碰撞,也就是说人在每分每秒都在旋转。通过
这个方法最终达到人体各器官的免疫系统高度平衡,使外来的细菌和病变的细胞在人体内不得复发,如有病变也能排出体外,保证了人体不患病。   脑场健生法的宗旨是:给我10天,送你终生健康。    脑场健生法的好处在哪里:不受时间、地点、环境的影响,当学会这个方法后,终生伴随您,终生不得病,还能延长生命,是人类延年益寿的法宝。    通过什么方法进行排毒呢:通过排毒师对患者30分钟全身细胞激活,而后把负面分子细胞或坏死的细胞,通过旋转从人身的毛孔、淋巴、全息部位排出,同时人体在旋转的过程中,会散发出各种气味,也就是毒素。    如何学习此方法:患者首先在排毒师的引导、指导下进入状态,通过本身的意识来学习此方法(人的意识一旦主动用起来,力量是无比巨大的),通过意识激发人本身的能量,让生命人、生物人旋转起来。只要有正常意识的人,都能学会这个方法。通过10天的学习与体验,我们教会你这个方法,你就能每天自己“健生”了。    脑场健生法wlw—癌炁健生法根除癌症区别于其他任何方法,显示出六大特点:    1、该健生法不是疗法、药法,不是各气功法,也不是心理学的精神作用方法,而是最简单、普通的意识方法。该健生意识法适用于任何正常意识尚能保持的癌患者。    2、该健生法有特殊的简捷性,即简明又快愈,该方法的第一实施人——王乐娃女士用手触及患者头部并进行意识交流,30分钟后即能启动患者之“炁”。如此,每天只需一次。一般情况是一个月,即可癌变逆转。    3、该健生法适用于除了神经不正常和白血病的任何癌症患者,这是因为“健生”是人类最基本的功能。    4、该健生法无任何毒副作用,这是因为“健生”只能有益无害。    5、该健生法主治癌症,患者痊愈之后,已知和未知的其它病症(糖尿病,基至是尿毒症„„)亦同时被逆转。    6、该健生法对于任何人都能实现健生的状态并能延寿,当之无愧是人体终生的法宝。   每天三次 一般情况是一个月,即可癌变逆转。第一实施人——王乐娃女士用手触及患者头部并进行意识交流„„   “健生”(西医的“治疗真空”)人类经历了几千年的生物学和医药学,研究对象主要是生物人,而非生命人,开发新的治疗空间。    总之,学会了这个方法,能使人达到一个高度免疫、高度自稳、高度监视状态,人一旦能达到这三个高度,也就告别了疾病,从此不得癌症。

山西养生大师手按头顶就能给人体“转基因”
养生大师的手就是医疗仪器,只要放在患者头顶,暗念口诀,她能将人体内的H2O水分子转动起来,进而转动患者的基因,补足基因链的缺失。在医学界研究数十年而无解的疑难杂症,就这样被养生大师的双手攻克。人体内其实藏着一个“小人儿”,它能突破生物界限,操控化学元素,甚至补足基因链,治愈百病。不久前,这个听来荒诞无稽的“养生理论”悄然出现在大连。6月2日记者亲身体验了一次养生大师所谓的“转基因疗法”。
“养生大师”藏身民居讲学治病
一段时间以来,每天下午,总有十多位白发老人出现在沙河口区西安路附近的一栋高层建筑里。她们口中念念有词,虔诚地走进一户人家,不一会儿,房间里传来一阵音乐声。
“听说是一位按摩专家。”6月2日,记者在寻找养生大师过程中,邻居们称这位大师有些神秘,据说可以用手给人治病,癌症、白血病、糖尿病都不在话下。通过邻居指点,记者找到这户人家,此时大师并未“出诊”。
房间里只有一对老夫妻,老汉患脑血栓卧床不起,老伴称刚到大连五六天,平时有人来听课。养生大师是山西人,一共3位,女儿不久前请来讲学的,不过几人都没在家。虽然家人请来养生大师,可身患脑血栓的丈夫还要老伴一口口地喂饭。大师究竟如何神奇,老人笑了笑,“不懂他们讲什么,好像和基因有关。”老人说。
“我师傅正在外面给人看病。”记者电话联系到老人的女儿,她称有位癌症患者请专家们看病,最近课程基本暂停。记者假称看病,她匆匆赶回,联系师傅出诊。“我师傅是跟北京的数学专家学习的。”这位大师的女弟子左侧肢体行动僵硬迟缓,她称是脑血栓后遗症,幸亏认识师傅,病情大为好转。在等待养生大师时,女弟子播放一套教学光盘,并详细描述了光环中的养生大师。
在女弟子口中,这位养生大师身家不菲,在老家有一处五星级酒店,开着豪华轿车,但为了广大患者,她心怀慈悲,抛下家业四方云游,只为挽救更多生命,宣传一套突破性的科技理论。
人体内“小人儿”能操控化学元素
6月2日16时许,记者终于见到养生大师,身边还跟着一名男弟子和一位自称患有癌症的女子。这位专家是一名50岁左右的中年妇女,头发染成栗子色,身穿普通黑色外套、红色连衣裙。“头就是氢原子,心就是氧原子。每个人身体里都有个小人儿。这套理论已经获得国家专利了。”专家向记者介绍了一套匪夷所思、超越常识的“脑场炁健生法”,它源自孙嘉林发明的数学理论《零分析》。
这位被养生大师誉为国际级数学家的孙嘉林教授是自学成才的。“现在他和妻子都在美国,正在攻克最后科研难题,即将获得诺贝尔奖。”养生大师说,健生法就是孙嘉林妻子王乐娃根据《零分析》理论创建的。
养生大师之后的讲述,已令常人无法理解,说得云山雾罩、玄之又玄。按照她的说法,人体主要成份是有水,水的分子结构是"H2O",生命就是从水里走出来的。人的左右大脑就是“双氢”,心脏就是“氧”,它们是人体的核心。“你看人体器官只有大脑和心脏不能摘掉,其他器官拿掉移植都没事。”养生大师称,人体所有病症都是氢氧失调所致。
大师说孙教授的研究已经突破了科学的界限,比如国际上现在发现的基因一共64对,孙教授发现其实共有256对。而且孙教授还发现了控制人体内化学元素的秘密。“我们身体里有两个人,一个是生物人,就是你的肉体,一个是生命人,那刚被孙教授发现。”蕴藏在人体的基因链受疾病损伤发生缺失或残损,只要唤醒身体里的“生命人”,就能依靠意识转动体内的氢氧原子,修复受损基因链。
“转基因”疗法全靠养生大师一双手
“这个健生法治疗癌症、白血病和尿毒症最有效果,你看血液里水份最多,只要开启生命人,就能将体内毒素排出,消灭血液中的病症。”养生大师称,几日来她一直在为癌症患者传授健生法。跟随大师而来的女子连忙附和,自称自己身患乳腺癌,经过治疗身体明显好转。
这套匪夷所思的理论,已攻克医学难关,看似复杂但操作起来却极为简单。大师只看了一下记者的面色和双手便断定记者身体内氢氧原子严重失调。在记者一再要求下,大师为记者运转氢氧原子,转动体内基因链。
大师戴上一副塑料手套,打开电视,播放健生法的光碟。让记者闭上眼睛,全身放松,面向窗口坐着。伴随着轻缓的音乐,大师双手按在记者头上,口中轻念;“让全身氢氧原子转动起来。”两手交叉轮换,“你随着我的意念走,感觉就像一个滚筒洗衣机一样,氢氧原子在转动。”大师称,她用手传递着她的意识,与记者进行意识交流,带动记者形成脑场。
治疗刚一开始,大师就命人打开门窗,“他身体有毒,一会排毒出来气味很大的。”还不到两分钟,大师称记者排出的“毒气”呛得她睁不开眼睛,身边弟子随声附和,“恩,味太大了,臭。”而记者没有闻到任何气味。
前后不到10分钟,大师就完成了治疗过程。“你这病很重,起码得做10个疗程。”大师说,10个疗程后,她就会将健生法传给记者,唤醒体内的小人儿。“以后就不用我帮助了,就算走路时,你想要转基因,生命人就能自行转动。”
荒诞健生法忽悠了数十位老人
在给记者转基因时,女弟子的母亲笑呵呵地坐在一边观看,丈夫在隔壁卧床不起。包治百病的健生法似乎对这位卧床老人不起作用。经过10分钟的治疗,记者同样未有神奇的感觉。虽然效果不明显,但大师收费却实在不菲。
“传授这套健生法费用是5000元,全部课程一共10天。”大师介绍,这是对大连患者的优惠。“孙教授夫妻俩在国外传授,每人收费2500美金。”大师说,她在北京传授时,收费标准也高于大连,每人一万元钱左右。
女弟子告诉记者,师傅已经在大连开办了三期课程,第一期大概有30人左右,“第二期是我组织的,一共20人。”不过第三期效果不好,只有七八名患者参加。女弟子拿出一份名单,记者看到上面写满了人名,“都是熟人互相介绍的。”
这个健生法是否真如其所说包治百病,记者昨日在国家知识产权总局查询“脑场炁健生法”,但没有查询到专利已获批的结果。关于孙嘉林及其夫人的理论研究,也没有在重要科学期刊上找到。
为了了解治疗效果,记者又找到一位患者家属。“他们其实是在骗人。”患者家属气愤地告诉记者,自从学上健生法,患者仿佛被洗脑一样,每天放着音乐坐在窗边,口中念着“转动氢氧原子”,想像转动体内基因。
“一派胡言乱语,氢和氧是化学元素,上中学时就学过,水必须通过电解质才能分离出氢氧元素,他们用意识能把氢氧原子分离出来,这不是笑话吗。”患者家属说,这些所谓大师就是用氢氧原子、基因等时髦词语,在披上所谓数学专家的外衣,引诱老人上当受骗。

顺势疗法的生命科学理论根据
——H2O全息生命法则
孙嘉林
顺势疗法的理论根据是H2O全息生命法则。
生命法则表达式为:
氧化主宰性 ~ 对应自主性,
其中符号“~”表示生命。
生命定义为:氧化主宰性与对应自主性之间的关系。
生命特性是氧化主宰性和对应自主性这两种对立性质共存而一致的特性。
人的生存环境不仅是指周围的高楼、街道、山水、树木……这些外环境,而且也是指他的内环境:皮肤、器官、组织、细胞、分子、原子……。任何存在物都有其粒状态和场状态之分,人体是粒状态,其生命是场状态。因此,生化过程实际上是人的生命特性指令他所有的全息化H2O场状态,其它分子场状态共同对其粒状结构变化的作用过程。当人体粒状态变构、变象稳定下来,人体也就进化了。从生命的根本意义上讲,顺势疗法是药物场状态通过H2O场能量作用于人体病患的最直接方法。
1、 生命科学
药物与人的生命有治疗关系,生命是生物的性质,那么药性与生命性质之间即疗法关系。顺势疗法是一种治疗方法,而不是药性学研究。我们首先研讨生命科学。
生命只能是起源于两种对立的性质,不可能仅源于存在物的一般性质。否则,“起源”也就失去了它本身意义。所谓起源是由无到有,生命是非生物,没有生物独有的关系存在物,它必须是由两种相反性质共同创生的,不能创生于某单一性质。有的生命起源专家认为地球生物是“C”(碳)生物,地外生物是“N”(氮)生物,这些猜想既违反理性也与事实不符。有人认为生命起源于宇宙大爆炸之宇宙起源,这种观念更加悖理,这是因为:宇宙不可能有起源,生命是宇宙中的存在物,是一种特殊的关系存在物,人类及其意识均是宇宙之中的存在物,凡是存在物必有其起源。我们只能是认识宇宙之中的存在物,认识其起源,不可能认识宇宙本身,否则“认识”也就违反它的本身意义,无所谓“认识”。任何认识均有其“已知”和“未知”这两含义。若无已知,则不能认识;若无未知,则无可认识。变未知为已知必须以已知出发才有认识过程和结果,增强智能。全知全能的上帝、佛陀、神圣均基于同一论,均源自于“非已”,均因否定其本身而不成立,均因对立同一之矛盾而违反理性,与科学不符。同一论因违反理性而使生命起源于氧化主宰性和对应自主性之认识得以明晰,这是因为宗教信仰之主宰性是基于利益。生命特性中的氧化主宰性虽然 违反理性,但是该性质却成为生物独有,非生物没有的利生因素。氧化主宰性以违反理性(假)的意义与对应自主性(真)的意义相对立,两方对立而一致结果创造了生物,使生命起源了。当代天文学、地球化学、生物化学、分子生物学……为生命起源于H2O之结论提供了明确的科学证据:地球之外的氢元素,地壳内的氢和氧两元素,生物体中的H2O成分均有高丰度,证据非常充分。
水分子H2O不仅是生物(包括人体)生存必要条件,它本身即是生物,含有生命关系。H2O是分子生物,分子生物的后生物是链状生物、体状生物……。这是研究H2O全息生命法则的主导思想。H2O是第一生物,生命起源于H2O。水分子与人体本来就是一家。人体是水分子复杂化的生物结构,人体的生命是由H2O的生命进化而成。H2O的生命是其单氧原子的氧化主宰性与其双氢原子的对应自主性之间的场状存在物。人体的生命是其单一心脏的氧化主宰性与其左右半脑的对应自主性之间的场状存在物。人体中的心脏是由H2O中的单氧原子进化而成,人体中的左右半脑是由H2O中的双氢原子进化而成。水分子从40多亿年前进化至现在人体,这一贯至今的进化思想是生物、生命研究的理论基础。水分子场状态本能具有人体生命全息功能,因此顺势疗法才能得以实现水分子场状态的全息疗效。H2O生命起源之说是顺势疗法的指导思想,H2O全息生命法则是顺势疗法的基本原则,生物场论是顺势疗法的基础理论。
2.顺势疗法之生命根基
任何存在物若非粒状态,则是场状态,这是因为任何存在物截然分为粒状和场状这两种存在状态。药物亦不例外,药片和药液均是药物之粒状态,药性是药物之场状态。至今仍然令顺势疗法学者们困惑不解,却坚信不疑的医疗效果:当药物用纯水高度稀释并振荡,其疗效反而增强,在此也就有其理论根据了。药物之粒状态被水稀释程度越高,被振荡的能量越强,药物之场状态的疗效反而越佳,其根本原因在于水分子与人体是不同级别的两类生物,两者的生命有共同特性。地球上的生物有千差万别,它们的生命却是源于一起。
H2O水分子是分子生物,有其生命,但是水分子的任何团聚体却均非生物,均无生命。这就像人体是生物、有其生命,而人的任何团聚体均非生物,均无生命一样。药物含有分子生物,亦含有无生命分子,我们服用药物,它的各种成份均进入身体,经过体内的生化反应后各显其能。生化反应必须在水分子作用下进行。药物分子之粒状态生化是以H2O为必要条件,以生物酶为充分条件。药物分子之场状态生化却是以H2O和人体这两者场状态共同生化作用为必要条件,以生物酶场状态为充分条件。所以药物的粒状态和场状态各有其生化反应表达式。药物之粒状态生化反应表达式基于一般的化学理论,而药物之场状态生化反应表达式必须增加有生命场的理论。生物分子的粒状态生化显示的化学氧化反应对于其场状态的生化还须赋有主宰性,这是因为氧化主宰性才是生命特性;同时粒状态生化显示的化学对应反应亦赋有自主性。这是因为氧化主宰性和对应自主性共同构成生命特性。药物以及人体内器官、组织、细胞、分子生物各自的粒状态生化的共同主导者均是人体的生命场状态。人体生命自始至终主导着药物的粒状态和场状态在人体内的生化反应过程。例如:服毒者已经死亡,其体内仍然存留有粒状毒物,死者状态必呈现出异状态;免疫增强者体内已经不再含有药物成份……这都是人体生命场作为生化主导的表现。
治疗和免疫是人体健生的两大措施,治疗是指人体疾病已经发生所采取的措施,免疫却是预防措施。这两措施在顺势疗法中不再区分,既能治疗又能免疫,这是因为药物之粒状态有其剂量之别,药物之场状态却无剂量之别,仅有场能量之别。药物之场状态与其它场状态一样也是无体积、无重量的,也有其全息性。药物的场状态能量是顺势疗法功效的决定性指标。顺势疗法的药物稀释程度实质上也是药物场能量指标。任何场状态之能量一方面决定于其特定波之振荡幅度,另一方面决定于振荡频率。固有频率的波振荡幅度越大,场能量亦越高。顺势疗法的药物场状态稀释度越大,疗效就越强,原因在于药物之粒状态对其场状态之振荡波动有阻碍作用。一盆清水就比一盆泥浆容易发生振荡、产生波动。药物之场波动激发人体固有频率之场波,药物之场波能量越强,人体固有频率的场状态被激发就越快、越强,人体生命的诸生理指标也就改变越大。这就是顺势疗法疗效与药物稀释并振荡相关的原因。
“相同者能治愈”是顺势疗法的基本原理。该原理既表达了顺势疗法的治疗含义,又表达了免疫含义。利用药物之场状态调谐人体场状态的过程为其治疗功能,同时也利用药物之场状态激发、产生人体内尚缺之场状态的过程为其免疫功能。这两种功能在顺势疗法中均没有毒副作用,这是因为顺势疗法的H2O全息生命法则在根本意义上是以药物之场状态,而非以粒状态起效用。“相同者能治愈”的原理之生化根据是H2O全息生命法则,更深层的物理根据是以药物之场状态替代粒状态进行治疗。任何存在物均既有粒状态,又有其场状态。顺势疗法与东方的中医、中药学的经络系统一样都是以人体场状态而实施医疗的方法。人体中经络系统实质上是人体场状态系统,经络即是人体中各器官场状态之间关系网络的标志。这就像地图上各国边界一样,均没有固定不变国界物质。任何仪器均不可能检测到经络的粒状态物质,所谓关系存在物,那就非对象存在物,经络根本没有粒状态的细胞和组织。
3.顺势疗法为大势所趋
20世纪是物理场状态研究蓬勃开展的时期,21世纪是生物场状态研究的深入化、理性化、系统化的时期。正在形成的中药针剂学、中药生化学、绝症根治学、寿命预测确定学、人体经络科学化……专门学科所推动的国际商业高潮以不可阻挡之势均将归结为人类对顺势疗法的深入研究。顺势疗法是一种药物场状态的疗法,而非药理学的新药法。该疗法之机理是利用药场能量在H2O场状态中被人体生物场所接收。若药物是对症施用,则顺势疗法能立刻见效,这是因为药物之场状态能够贯通人体各种细胞质膜、核膜、各细胞器的内膜,甚至是直达染色体DNA基因组,立即引发生化反应。药物之场状态不仅能发挥粒状态治疗的最佳效果,而且还具有粒状态不能完全作用于人体生命场的特点。因此,顺势疗法的药物研究能引发“一药多治”的配方思路,这一特点既可免除传统西药经常发生的毒副作用,又能达到传统中药“一方多效”之功能。
西方正统的对抗疗法基于药物之粒状态,新兴的顺势疗法基于药物之场状态,到目前为止这两种对立的疗法所用的药物都是成份单纯的物质。与此相反,东方药物却是成份复杂的物质,其复杂程度令人震惊,成千上万,其无效成份混杂于药物之中,延长了发效时间。东西两方药物各有利弊,西方药物成份单纯,因而发效快,但是毒副作用既多又强,原因在于药物成份单纯化并不适合身体各器官的调谐机理。东方药物及其疗法均没有粒状态和场状态的区分,药物及其疗法均须按照十二经脉、奇经八脉进行归经而施治。东方医学和药学中的五脏六腑均是人体中的粒状态,它们之间的关系“经络”均是人体中的场状态,粒状态和场状态从一开始就是不能分开的。东方的医理和药理自始至今注重人体的整合平衡,其根据就是“黄帝内经”所主张的“天人合一”。当今科学发展已达到能分辨存在物的粒状态和场状态的水平,医学和药学也不例外,均须根据生物、生命学的分子水平改革、纠偏。
新兴的学科“中药化学”与基因组测序一样也具有机械倾向,不能把握人体生化原本的生命特性,至今仍然坚持一般的无生命物质的化学观念,而不是基于生物和生命的生化观念进行解析。由此可知:生命起源和基因组进化的来龙去脉之研究是何等重要,这种研究涉及到与生物、生命相关的所有学科的基础及其展开的方向、思路、方法。该研究方向偏离所导致的时间白费不是几年、几十年、而是几百年、甚至几千年。
“中药生化学”必然是将要建立的一门学科,这是因为“中药生化学”与“中药化学”一样也是医药学的基础学科。中药化学的研究内容并没有包括药物中的苷分子在生化过程中所起的“主帅”作用,人体中的核苷分子在生化过程中的“主导”作用,“256”个秘码子所成的秘码系统在基因组生化解析中的决定性作用。所以至今基因组这部“生命天书”所记录的生物体生化过程尚未解读,尚未发现人体生理组也与基因组一样也是客观存在的。
生物不同于非生物,也不同于生命。生物是生命关系的对象双方,生命是对象双方生物之间的关系,更进一步讲生命是氧化主宰性生物与对应自主性生物之间的关系。生物是特殊的对象存在物,生命是特殊的关系存在物。在生物、生命学研究中,生物呈现为粒状态,生命呈现出为场状态。生物和生命两概念的含混意义,导致药物之粒状态和场状态这两者的意义混同,也导致了诸病之根茎“基因组”至今仍然错误定义为单一序列。因此,诸多绝症无法根治,人的寿命研究也是不得要领。其根本原因在于基因组对象意义与生理组关系意义均未明确,这两组必须是并行共存,缺一不可。生理组之生命意义比基因组更基本、更深远,主导性更强。在生理组中人脑场状态具有至高无上,主导全身之功能。人体生命场状态可以表达为心 ~ 脑,其中符号“~”表示生命关系。生命关系决定了人体场状态。人脑场状态可以表达为左脑~右脑,其中符号“~”表示左右脑之间的意识关系,人的意识由此而生。
人体生命关系表现为人体场状网络,人脑意识关系表现为人脑场状网络。人体生命力弱时由人体活动呈现出来,人脑意识能力弱时由人脑活动呈现出来。由于人脑是人体生命关系的对象之一方,另一方是心脏,并且由于人脑也是与外界直接相通的一方,另一方是外界,因而人脑具有调谐人体内部和人体内和外这两种的双重大功能。人脑产生的意识不仅具有对人体外界环境的适应和改变功能,而且还具有对人体内部的自主性功能。意识首先是作用于心脏,使心脏固有的氧化主宰性增强,该变化通过血液循环系统调谐全身的生理功能。所以自主性的脑场意识首先激活的是全身体细胞,其次着重激活各器官细胞,最终返回激活人脑神经元。当脑场意识激活体细胞时,我们将会觉察到全身发热、真炁畅通,当脑场意识激活体内各器官时,我们将会觉察到五脏六腑功能增强,被清洗、涤荡;当脑场意识激活脑中神经元时,我们将会觉察到脑海中的某点发光、发声、清彻透神。
4.H2O全息生命法则
水分子H2O既非有机物,又非无机物,它是生物,并且是第一生物。H2O不仅有酸性,而且有碱性,最重要的是它还有生命特性。水分子中的单氧原子对双氢原子有主宰性,称为氧化主宰性;水分子中的双氢原子对单氧原子有反主宰性,双氢原子以它们各自平等性共同对抗单氧原子的主宰性,这种复合特性称之为对应自主性。因此氧化主宰性与对应自主性之间的关系也就成为生命,H2O也就成为第一生物。氧化主宰性和对应自主性共同创造了生命,因此生物具有非同一般存在物的特性“生命”特性,具有非生物所没有的生物场状态。H2O具有其它无生命分子所没有的分子生物场状态。H2O的生命法则表达式为:
O ~ H2
其中符号“~”表示H2O中的O和H2之间的生命关系,它不是“是”的意义,而必须是“非”的意义。这是因为对立双方之矛盾是双方之同一,而非双方之一致。对立双方同一才是矛盾。由于该关系式符合同已一致性要求,因而生物、生命均没有“出尔反尔”自相矛盾,才能生存于大自然之中。H2O不仅有一般无生命物质的存在资格,而且有其特殊的生物生存资格。H2O的生命场并非一般无生命存在物之场状态,而是与人生命一样的场状态。H2O的生命活动没有新陈代谢、自我更新……这些复杂生物才具有的活动现象。但是,氧化主宰性、对应自主性、进化遗传性……这些最基本性质的生命活动,H2O均有其直接显现。并且H2O的后生物,环氧乙烷、呋喃、核糖、核苷,以及RNA核糖核酸、DNA核糖核酸、氨基酸、肽链、蛋白质、脂肪酸……一直到人体都是因H2O的生化而具有氧化主宰性、对应自主性、进化性、遗传性和其它高级性质的生命活动特征。H2O在各类生物体中的含量均占绝对优势的事实和任何生化反应均须在H2O中进行的事实即是H2O生化既导致生物进化,又导致生物遗传的充分证据。H2O生化全息性贯彻于生物进化序列,也贯彻于各类生物遗传家族。总之地球生物是在H2O全息性的生命场状态下发生进化和遗传的。现代的天文学、地球化学、生物化学、分子生物学科研究资料已经为“H2O是第一生物,生命起源于H2O”提供了充分的证据。我们所在的银河系实际上就是各种化学元素的冶炼场地,各类恒星即是冶炼炉。8倍太阳质量为一个限度,在这质量以下的恒星只能产生小于氧元素质量的化学元素,重元素是由大质量的恒星产生的。宇宙太空中元素丰度最大的是氢元素,其次是氦元素和氧元素。由于地球的地壳已经不具备核反应条件,因而氦元素隐居于原子核之中,并且也不参与化学反应。因此氢和氧两元素不仅在地球之外的太空中含量占优势,而且在地壳的含量也占优势。在此状况下,氧元素不顾大自然中氢元素的对抗而猛烈地在地球上创建了由它主宰的氧化王国,但是它却不能摆脱氢元素的限定,于是地壳之外形成了复盖全地球的水圈。地壳之外的水圈和气圈为生物圈的形成创造了生存条件,生物由H2O开始以不可阻挡之势开展了它们的进化序列。
地球生物圈具有H2O全息生命特性之结论具有地球演化的必然性,各类地球生物家族和地球生物进化序列不可能不具有H2O的全息性生化特性。所以顺势疗法的H2O全息生命场状态不可能不在药物疗法之中显示其重大功能。
在这次论述结束时,我要谈一谈一件令人惊奇的健生方法“脑场炁意识法”,这是王乐娃女士的世纪创举。我之所以用“令人惊奇”和“世纪创举”的辞义,一方面是因为该健生法既非疗法、又非药法,无需医治亦无需用药,仅仅是用脑场意识想一想;另一方面“意识”作用在健生活动之中不仅确有其能,并且它的效能远远超过了任何疗法和任何药法。人类孜孜以求几千年的绝症根治和寿命延长诸重大关口极有可能在意识法中一举攻克。
医学中的医理和药理是两大研究内容,人体生理为其基础。自顺势疗法为始开创了现代科学化的人体场状态疗法,人人都期盼心 ~ 脑场状态健生法能更上一层楼。




【病因對照查詢表】王鳳儀、劉有生善人講病病因總結查詢表

https://read01.com/3GdyO6.html

網路祭祖

http://www.amtb.tw/wanxi/wxse.htm

http://brainw.org/modules/tadnews/index.php?nsn=46

脑场二:脑场及癌症

脑场指导音乐 - 华文版 (2013最新版)

脑场一:脑场意识健生法介绍

腦場

http://brainw.org/

bank statement


  • ask ur employer to direct deposit ur paycheck into ur bank account
  • check with ur bank to see if ur account has free bounced-check protection or courtesy overdraft protection, if bank say yes, u need to tell bank that u want to opt out of this coverage and have bank send u a written confirmation
  • u have to pay an annual fee of $ 10 to $ 50 to have the bank take money out of ur saving account (or off ur credit card) when u are about to bounce a check
  • with the bounced-check protection, the bank coughs up their own money to cover ur checks, for this bit of financial chivalry, u get hit with a fee that is typically $ 25 per check
  • there also can be additional charge of about $ 3 per day, until u pay back the bank for the amount they covered
  • to look for a better deal, shop around with banks and credit unions; u can join a credit union simply by knowing someone who is a member, credit unions are nonprofits and thus tend to offer low interest rates and fees on their financial products, www.creditunion.coop/
  • https://ebus.cuna.org/sso/Login.aspx?vi=8&vt=81658224e27c9edec34b57fcab49e3b598d67c4a123e622eab50fe47dbff04e7f1babb538ec41a0bcdfc359b93d6a483

home phone line, cell phone

boost ur minutes on cell phone
get rid of home line

insurance deductible


  • u should raise ur insurance deductible
  • the higher ur deductible (what u pay before the insurer covers the cost of a loss, 自付額), the lower ur annual premium 
  • if u to for the low deductible and end up making claims, ur insurer will either raise ur premium or cancel ur policy outright, thus, ur low deductible will end up costing u more in the long run
  • u should boost $ 250 or $ 500 deductible to  $ 1000
  • if u do need to make a claim, and u don't have the cash to cover the deductible then u will use ur low-rate credit card 

tax refund


  • stop getting a tax refund --- don't have too much withheld from each paycheck and later to fill out ur tax returns
  • change ur withholding so less money is subtracted from ur paycheck
  • contact ur HR on ur W-4 form; the more exemptions u claim, the less money will be withheld from each paycheck
  • the less money is withheld, the more u will have to pay ur bills on time each month

home equity loan, home equity line of credit, home loan

HEL
  • home equity loan (HEL) -- interest rate is fixed, better, lower risk
HELOC
  • home equity line of credit (HELOC) -- interest rate is adjustable, rate rise and fall along with the general interest rate in the economy, (interest rate may rise), thus greater risk; the only time to use a HELOC is if u think rates will remain stable or decline during ur payback period
  • don't use HELOC, just keep HELOC handy for emergency
  • don't use these home loan to pay off credit card debt

student loan


  • you can have all sorts of other debt (such as credit card debt, auto loans) "dismissed" through bankruptcy, but ur student loans stick with u
  • unless u get a court to let u off as a hardship case, which typically requires permanent disability, ur student loan debt will stay with u until u die 

mortgage, loan


  • keep ur credit card bills super-low in the months before u apply for a mortgage
  • cut off ur credit spending for the two months before u apply for a mortgage; do everything u can to minimize ur charges
  • for two months before applying for a major loan, try to keep ur credit card spending to an absolute minimum

Sunday, March 05, 2017

multiple regression, class, lecture, 2017

1.theoretical model→hypothesis (relationship between variables)
2.use evidence (data) to test hypothesis → test theoretical model
3.use econometrics in testing hypotheses

  • regression analysis (result), no matter how statistically significant, can't prove causality. Regression analysis can only test whether a significant quantitative relationship exists, it can only test the strength and direction of the quantitative relationship involved
  • Y= a + b X; a (constant, intercept), b is coefficient; b is slope coefficient
  • Linear regresions need to be linear in the coefficients, do not necessarily need to be linear in the variables. Linear regresson analysis can be applied to an equation that is nonlinear in the variables if the equation can be formulated in a way that is linear in the coefficients. When econometricians use the phrase "linear regression", they usually mean "regressin that is linear in the coefficients"
  1. linear in variables -- an equation is linear in the variables if plotting the function in terms of X and Y generates a straight line --- Y= a + b X (is linear in the variables);  however,  Y = a + b Xis not linear in the variables
  2. linear in coefficients -- if linear regression techniques are to be applied to an equation, that equation must be linear in coefficients; An equation is linear in coefficients only if the coefficients (b) appear in the simplest form: that is, coefficients are not raised to any powers, (other than one), are not multiplied or divided by other coefficients, don't themselves include functions (e.g., log or exponents)--- Y= a + b X (is linear in the coefficients); however, Y= a + Xb (is not linear in the coefficients, a, b); Of all possible equation for a single explanatory variable (X), only functions of the general form f (Y)= a + b f (X) are linear in the coefficients a and b 
Stochastic Error Term ε
  • some variation in Y can't be explained by the model. This variation probably comes from sources such as omitted influences, measurement errors, incorrect functional form, random and unpredictable occurrences
  • unexplained variation (error) --- expressed through a stochastic (or random) error term
  • a stochastic error term is a term that is added to a regression equation to introduce all the variation in Y that can't be explained by the included Xs
  • error term is the difference between the observed Y and the true regression equation (the expected value of Y)
  • error term is a theoretical concept that can never be observed
  • 座標上某點A, 與 true regression line (can't be observed) 間之距離, 稱為 error term (can't be observed)
  • see below for picture
Y= a + b X1+ c X2 +d X3 + ε
  • b (regression coefficient): the impact of one unit increase in X1 on the dependable variable Y, holding constant the (influence of) other independent variables (X2, X3) -- isolate the impact on Y of a change in one variable from the impact on Y of changes in the other variables
  • if a variable is not included in an equation, then its impact is NOT held constant in the estimation of the regression coefficients
  • Time series --- data consists of a series of years or months ----                                                  Y= a + b X1t+ c X2t +d X3t + ε  (t = 1,2,3.....n), t is used to denote time
Residual (e)
  • Theoretical regression equation (purely abstract): Y = a + bX1+ ε, We can't actually observe the values of the true regression coefficients.      
  • Estimated regression equation: Y' = 105 + 12 X1, We calculate estimates of these coefficients from the observed data. 105,12 are estimated regression coefficients, they are obtained from sample data and are empirical best guess for the true regression coefficients (a,b)
  • the closer Y' is to Y, the better the fit of the equation
  • the difference between the estimated value of Y' and the actual value of Y is defined as "residual (e)" 
  • residual is a real-world value that is calculated for each observation every time a regression is run
  • the smaller the residuals, the better the fit, the closer the Y' will be to the Y
  • 座標上某點A, 與 estimated regression line (can be observed, estimated regression line 與true regression line 不同) 間之距離, 稱為 residual (can be observed and calculated/measured)
  • 就某個角度而言, residual can be thought of as an estimate of the error term (can't be observed)
  • difference between error term and residual (picture)






Ordinary Least Square
  • the purpose of regression analysis is to take a purely theoretical equation, Y= a + bX+ ε, and use a set of data to create an estimated equation, Y'= a'+b'X
  • OLS is a regression estimation technique that calculates a', b', so as to to minimize the sum of the squared residuals--- OLS minimizes Σ (Y-Y') 2
  • OLS is the simplest of all econometric estimation techniques
  • Most other techniques involves complicated nonlinear formulas or iterative procedures, many of which are extensions of OLS itself
Decomposition of variance -- decomposition of the variance in Y
picture

Saturday, March 04, 2017

原始點實際案例 >> 按患處或病名查詢

http://cch-foundation.org/list/?353_1.html

Friday, March 03, 2017

“There are a lot of pressures in this career, there's a lot going on. It's really important to not lose yourself. Stay true to who you are and do what is most important and of greatest interest to you.” – Catherine Woolley, PhD

Thursday, March 02, 2017

Windows 10 PRO的XP模式工具

之前版本微軟在Windows 7系統中提供了一個名為Windows XP Mode的工具,

使用者可以在Windows 7系統中虛擬出一個Windows XP環境,確實幫助到企業解決舊版本軟體相容性問題

How to add an XP Mode Virtual Machine to Windows 10 (or 8) using Hyper-V

http://www.download3k.com/articles/How-to-add-an-XP-Mode-Virtual-Machine-to-Windows-10-or-8-using-Hyper-V-00770

backjoy

https://www.backjoy.com/

原始點

呂紹睿醫師--膝蓋關節

http://dl.tzuchi.com.tw/jointcenter/node/30

慈濟醫院

Wednesday, March 01, 2017

percent of sales, 營收比例

若你是因為某項特定產品, 而對一家公司感興趣, 則你須要知道這項產品對該公司是否重要?
這項產品佔該公司的營收比例 (percent of sales)有多少?

產品A能讓甲公司的股價大幅上升, 此乃因為甲公司的規模較小

對大型的B公司而言 (其有很多不同產品,), 產品A的重要性相對就沒有那麼大---對B公司的股東來說, 產品A的重要性就不大, 故你的選項有二: (1) 找尋生產類似產品的公司, 或 (2)忘了這項產品,
 If you walk into a situation thinking, "I hope I don't lose," you'll perform worse than if you think, "I'm here to win."

Take a deep breath and tell yourself, "I'm going to do well." That slight change in your thought process will increase your chance of success.

Visualize success.---Olympic gold medalist Lindsey Vonn said, "By the time I get to the start gate, I've run that race 100 times already in my head, picturing how I'll take the turns." Mental imagery has a profound effect on the way your body behaves.

Studies consistently show that no matter your skill level, visualizing yourself going through the motions will help you do better. Whether you're about to ask for a raise or give an important presentation, imagine yourself going through the motions. Thinking about each step in the process can help you perform at your peak.

Use positive self-talk.
When asked about his decision to leave the Cleveland Cavaliers to play for the Miami Heat, LeBron James told reporters, "I wanted to do what's best for LeBron James and do what makes LeBron James happy."

Initially, social media buzzed with teasing about James referring to himself in the third person. Although some suspected he was losing touch with reality, the truth is that talking to himself by name was likely part of his key to success. Studies have found that talking to yourself by name in this way reduces anxiety and helps you make better decisions. So rather than saying, "I can do this," call yourself by name. As strange as it sounds, it may help you regulate your emotions so you can focus your energy on the task at hand.

The first step to improving your game—whatever your game might be—is to think like a champion.

Tuesday, February 28, 2017

買車比租車更有利
因為在任何時間, 若你發現你付不出汽車貸款, 你可以把車子賣掉
在你在任何新車駛離賣場時, 那輛車子的價值馬上掉了至了20%以上

international shipping

www.sureline-express.com

home equity line of credit, 房屋淨值信用貸款


  • 房屋淨值是房屋市價扣除所欠貸款後的剩餘價值; 若房屋市價在你購買後上漲, 房屋的淨值也會跟著增加; 你可以向銀行申請房屋淨值信用貸款, 以這筆錢作為應急之用

sell short

most people buy a stock at 10 and sell it as 25, they buy and sell to make a profit

selling short reverses the process by which the profit is made. You sell the stock at 25 and then buy it at 10. How do u sell it if u don't first have it? You borrow the stock from sb. Eg., u go JP Morgan and borrow 100 shares of stock and sell the stock at 25, which is its current price. Then sell it because u think it will be going down in value. So when it goes to 10, u buy 100 shares and give them to JP Morgan. The bank has its 100 shares back. U have ur profit.

before asking how much u are going to get paid for a job, first decide whether it is the right job, whether it is the right place for u, because if it is the right place and u do the job right, the money will come, the money will find u

Monday, February 27, 2017

dynamic structural equation modeling (DSEM) for intensive longitudinal data using multilevel time series analysis in Mplus Version 8.
A Short History of Nearly Everything
by Bill Bryson

Sunday, February 26, 2017

The purpose of life is to live it, to taste experience to the utmost, to reach out eagerly and without fear for newer and richer experience.

This area in Detroit is now America’s first 100% organic, self-sustainable neighborhood

http://theheartysoul.com/first-sustainable-urban-agrihood/

Saturday, February 25, 2017

Announcing ggraph: A grammar of graphics for relational data

https://www.r-bloggers.com/announcing-ggraph-a-grammar-of-graphics-for-relational-data/

Friday, February 24, 2017

燒錄軟體

www.transcend-info.com/

CyberLink Media Suite 10(Power2Go & MediaShow)

cyberlink  power2go

Thursday, February 23, 2017

representative gov
disability
aborginee

各政府性別統計資料庫

whole list
http://www.stat.gov.tw/ct.asp?xItem=39165&CtNode=6233&mp=4

新北市統計資料庫
主計處首頁»業務資訊»統計»性別統計
http://pxweb.bas.ntpc.gov.tw/pxweb/dialog/statfile9_n.asp

台北市政府人事處
首頁 > 業務項目 > 人事統計
http://dop.gov.taipei/np.asp?ctNode=51825&mp=113001


宜蘭縣政府, 主計處, 首頁 性別統計專區性別統計圖像
http://bgacst.e-land.gov.tw/News.aspx?n=FB5E02E95571474A&sms=DD855C7DF840A224

重要性別統計資料庫

https://www.gender.ey.gov.tw/gecdb/

性別平等研究文獻資源網

https://www.gender.ey.gov.tw/research/default.aspx
https://www.gender.ey.gov.tw/research/default.aspx

survey 4 areas

北部7: 臺北市新北市、宜蘭縣桃園市新竹縣基隆市新竹市
中部5: 臺中市苗栗縣彰化縣南投縣雲林縣
南部6: 高雄市臺南市嘉義縣屏東縣澎湖縣嘉義市
東部2: 臺東縣花蓮縣

政府正在推動的是「長照保險法」,但市場上販售的「長期看護保險」,範圍比較小。雖然細項仍未公布,但主管機關計劃提供的照護內容包括護理服務、交通接送等實際服務,相形之下,保險公司傾向提供現金服務。

政府能提供的畢竟有限,長照保險法和健保一樣,只能提供基本服務,而保險公司則負責填補政策的縫隙。以健保為例,全民健保只能提供保戶住6人病房,許多東西也不給付,但日額型的民間保險每天補貼3000元,可以住雙人病房。

業者和學者同聲提醒,即使有需求,長看險仍不應該是規劃退休保障時的第一張保單。

凃薏如提醒,保戶應該先盤點自己缺了什麼,再想長看險,「先看家庭醫療、身故保障是否足夠,其次為重大疾病保障,最後才看長期看護。」

對中年保戶而言,如果年金夠,未必需要長看險。凃薏如舉例,如果退休後年金一個月只有兩萬元拿來當生活費,就建議買長看險;但如果一個月年金10萬元,就不需要。

換言之,保戶應該考慮扣除長期看護費用後(外籍看護一個月薪資約兩萬元、本國看護約六萬元),年金是否足以支應生活費。

除了買新保單,半年前,金管會推出的保單轉換服務也是保戶的好選擇。彭金隆指出,部份現在4、50歲的保戶,手邊有終身死亡險,步入中老年後,適合轉成自己是受益人的保單,此時長看險就是不錯的選擇。

依據新光人壽統計,從開放保單轉換至今,就有31%的保戶選擇轉換成長期看護類型的保單,顯示國人對此類保單的需求。

至於許多保戶憂心傳統長看險的定義不夠明確,凃薏如建議可以購買依據特定疾病、殘障等級給付的類長看險。但彭金隆提醒,類長看險給付範圍較小,保戶仍應多方比較。

「長照保險法」仍有一段路要走,但老化不等人。彭金隆戲稱,人生有兩次警告,第一次,是有人遞名片給你,你得拿遠一點才看得見;第二次,是坐捷運被讓座。這時候,就該開始規劃人生下半場。

少子化時代只能靠自己,盤點後,若年金不足以支應每月至少2萬元的支出,長看險的保障不無小補,值得參考。                    

買保險公司的長期看護險保單,有兩點特別需要注意
1.市售長看險多有90天免責期,業者無需理賠。保戶仍需做足準備,支應免責期間的生活。
2.長看險投保上限最高70歲,有意投保者應及早規劃。

Wednesday, February 22, 2017

為了解性別工作平等法實施成效及受僱者在職場就業平等實況,勞動部於104年8至9月分別以「事業單位」及「受僱者」為調查對象,分別辦理

「僱用管理就業平等概況調查」,104年僱用管理及工作場所就業平等概況
回收有效樣本事業單位3,182份
https://srda.sinica.edu.tw/gov/group/53
http://statdb.mol.gov.tw/html/svy04/0424menu.htm

「工作場所就業平等概況調查」,104年工作場所就業平等概況調查
計回收有效樣本受僱者4,117份(女性3,013份及男性1,104份)。

http://www.mol.gov.tw/announcement/2099/25057/
http://statdb.mol.gov.tw/html/mon/214040.htm
85902906 ms. wang for survey


http://www.mol.gov.tw/statistics/2452/
性別工作平等申訴案件件數-按地區分, march 1, 2017 will be updated online
85902901 ms. chen


資料整理與檢核之實務_ By Using R

Nesstar線上分析--功能介紹

R Data Input and Output

胡蘿蔔,蒸著吃最好


蒸是胡蘿蔔最健康的吃法,因為胡蘿蔔素存在於植物細胞中,經過加熱之後,細胞變軟,通透性升高,胡蘿蔔素能夠更好的釋放,吸收利用率更高。
這樣吃胡蘿蔔的好處也頗多:
1、護心、通血管
胡蘿蔔素中含的槲皮素、山柰酚能增加冠狀動脈血流量,降低血脂,促進腎上腺素的合成,因而有降壓強心的作用。
胡蘿蔔中含有琥珀酸鉀鹽,有助於防止血管硬化,降低膽固醇及有降低血壓的作用。
胡蘿蔔中的葉酸,能減少冠心病發病因素。高血壓者還可以飲胡蘿蔔汁後,有很好的降壓作用。
2、降糖降脂
胡蘿蔔還含有降糖物質,是糖尿病人的良好食品,其所含的某些成分,如懈皮素、山標酚能增加冠狀動脈血流量,降低血脂,促進腎上腺素的合成。
3、抗衰老、減緩老化
β胡蘿蔔素還能在機體正常新陳代謝中扮演抗氧化劑的作用,幫助細胞減緩老化的過程。
4、提高免疫力
胡蘿蔔素轉變成維生素A,有助於增強機體的免疫軾能,在預防上皮細胞癌變的過程中具有重要作用,而胡蘿蔔中的木質素也能提高機體免疫機制。
5、護眼明目
眾所周知,多吃胡蘿蔔對眼睛大有益處。因為胡蘿蔔中所含的維生素A與β胡蘿蔔素不僅能緩解眼疲勞和眼幹眼澀,還能預防夜盲症,並加強眼睛的辯色能力。

Tuesday, February 21, 2017

data, 中央研究院

http://www.rchss.sinica.edu.tw/adm/super_pages.php?ID=adm1

https://srda.sinica.edu.tw/

中央研究院人文社會科學研究中心調查研究專題中心
「學術調查研究資料庫」會員約定條款

為促進調查訪問原始資料共享,調查研究專題中心「學術調查研究資料庫」(以下簡稱本資料庫)特將各界捐贈或授權之調查資料檔案整理開放,供一般大眾與學界人士參考、使用。為維護資料捐贈者權益並便於資料庫管理,本資料庫採會員制。凡加入本資料庫會員者,方可使用本資料庫提供之各項會員服務。


1.      會員類別

會員資格依其使用權限的不同,區分為以下四種類別。

1.1一般會員(二年期)

(1)       國內外公私立研究機構之專任研究人員

(2)       國內外公私立大專院校之專兼任教師

(3)       政府機構之專任研究人員

(4)       捐贈或授權資料予「學術調查研究資料庫」之個人或單位代表

1.2一般會員(一年期)

(1)       國內外公私立大專院校大學部學生、碩博士班研究生

(2)       國內外公私立研究機構研究助理人員

(3)       國內外公私立大專院校研究助理人員

(4)       政府機構研究助理人員

若不符合前述一般會員資格,但已取得博士學位者,可以個案申請方式處理。

1.3 院內會員

中央研究院專任研究人員

1.4 網路會員

    不限資格之個人

2.會員資格申請及有效期限

2.1一般會員申請者,於資料庫網站填具申請表,完成電子郵件信箱確認後,簽署「會員約定條款同意書」,連同在職或在學文件影本向本資料庫提出申請。符合申請資格者,本資料庫會根據申請人提供之證件,開通帳號年限。

會員效期到期之前,本資料庫將主動與會員聯絡資料校正及資格延長事宜。會員須於校正期間內確認有無資料異動情形,否則暫停其一般會員權限。

2.2院內會員申請者,於資料庫網站填具申請表,提供中央研究院電子郵件信箱後並經確認,簽署「會員約定條款同意書」,連同中央研究院服務證影本向本資料庫提出申請。

本資料庫於每年11月以電子郵件校正資料,離職後會員權限失效。

2.3網路會員申請者,於資料庫網站填具申請表格,並完成電子郵件確認後,即可開通帳號使用。網路會員帳號為永久有效。

一般會員與院內會員在帳號過期或失效後,將自動轉為網路會員。


3.會員資料管理

3.1會員需自行設定一組密碼與帳號,以利會員權益之行使。

3.2對於會員所留存之個人資料,除下列情況外,本資料庫在未獲得會員同意之前,不得對外揭露會員之姓名、地址、電子郵件地址及其他依法受保護之個人資料:

(1)   依原資料提供者之要求;

(2)   基於法律之規定;

(3)   為保障本資料庫之財產及權益;

(4)   在緊急情況下為維護其他會員或第三人之權益。

3.3在會員資格終止後,本資料庫得保留會員資料作為統計、相關資料傳送、或衍生著作調查等聯絡之用。


4.會員權益

4.1會員可使用的公開釋出資料,依其會員資格有不同的資料權限。

4.1.1一般會員可申請使用或下載學術調查資料、政府抽樣調查資料、公共使用版資料、限制性使用版資料;使用線上分析軟體功能。

4.1.2院內會員,除一般會員能夠申請使用或下載的調查資料外,可申請使用政府普查資料。

4.1.3網路會員僅能下載公共使用版資料。

4.1.4特定資料的使用或下載,需依資料捐贈者之指定方式提出申請。

4.2會員可利用本資料庫網頁討論區、線上諮詢區等管道交流意見。

4.3會員可免費索取本資料庫發行之通訊。

4.4會員可免費收到本資料庫發行之電子報,內含最新的資料釋出消息或其他與資料庫相關的資訊。

5.會員風險資訊

5.1會員同意使用本資料庫各項服務,係基於個人之意願及決定,並同意自負任何使用風險,包括因為自本資料庫下載資料導致會員的電腦系統損壞,或是發生資料流失、錯誤等問題。
5.2會員應瞭解並同意,因軟硬體設備、相關電信業者網路系統之故障,或遭第三人侵入系統篡改或偽造變造資料等,可能造成本資料庫網站系統全部或部份中斷、暫時無法使用、遲延,或造成資料傳輸或儲存上之錯誤,會員不得因此而要求任何補償或賠償。
5.3本資料庫在網站上提供之網路連結,可能連結到其他個人、公司或組織之網站。提供該等連結之目的,僅係為便利會員自行搜集或取得資訊。對於所連結之該等個人、公司或組織之網站上所提供之產品、服務或資訊,本資料庫無法擔保其真實性、完整性、即時性或可信度;該等個人、公司或組織,亦不因此而與本資料庫有任何僱佣、委任、代理、合夥或其他類似之關係。

5.4本資料庫得隨時停止或變更各項服務內容,且無需事先知會個別會員。

6.會員規範

6.1會員同意提供完整且真實之個人資料,如有服務單位或職稱異動等情形時,應即時告知本資料庫更新之。

6.2對於申請會員所設定的密碼與帳號,會員應自行負責保密。會員應有義務妥善保管個人之帳號與密碼,並為此組帳號與密碼登入系統後所進行之一切活動負責。為維護會員自身權益,請勿將帳號與密碼洩露或提供予第三人知悉,或出借或轉讓他人使用。若同一時間內有第二人以同一帳號及密碼登入使用,將拒絕登入。如發現帳號或密碼遭人非法使用或有任何異常破壞使用安全之情形時,會員應立即通知本資料庫。

6.3會員同意不使用本服務之任何功能或下載資料從事下列行為:

(1)    張貼任何內容具詐欺、毀謗、侮辱他人或違反法律之文字、圖片或任何形式之檔案。

(2)    散布任何具有侵害、破壞、中止、干擾或毀損電腦、系統、程式、軟體或類似物件之病毒軟體、程式、檔案等類似載體。

(3)    侵犯他人著作權、商標權、專利權、營業祕密或其他具智慧財產權之圖片、文字、圖形、言論、軟體、檔案或程式。

(4)    從事任何廣告或商業交易。

(5)    違法或未經授權擅自進入其他會員之帳號或本資料庫未開放使用之空間。

6.4若發現會員有異常使用行為時,本資料庫得要求會員提出說明。

6.5會員不得擅自提供、拷貝、影印從本資料庫取得之資料給其他個人或機構。

6.6在使用資料時,會員應尊重並遵守該筆資料捐贈者所訂立之使用條件。

6.7 會員須遵守研究倫理及個人資料保護法等相關法規。

6.8會員使用資料於研究目的者,如有共同作者或使用者,須於本資料庫進行資料使用滿意度及申請用途調查時,提供所有使用資料人的姓名、職稱、服務單位等。

6.9資料若用於教學者,會員須於申請資料時或於本資料庫進行資料使用滿意度及申請用途調查時,提供所有學生的姓名、學號、系級等。

6.10會員利用本資料庫資料撰成之論著,必須於謝詞(acknowledgement),及參考文獻(References)處詳細書明資料出處(請見附件之範例) 。

6.11資料使用者因運用該調查資料撰成之一切論著(如會議論文、期刊論文、博碩士論文、專書或其他等),在出版或發表後,須告知本資料庫該論著之書目,以利其它資料使用者參考。

7.終止條款

會員如違反本約定條款之規範者,本資料庫得視情節停止或終止會員之權益。


8.賠償責任

8.1會員於使用本資料庫服務,而違反本約定之任一條款或法令之規定,導致中央研究院或本資料庫或其受僱人及其他履行輔助人因此而受有損害者,會員必須負損害賠償責任。

8.2會員於使用本資料庫服務,而違反本約定之任一條款或法令之規定(含附件之使用方式),而侵害第三人之權利或財產,或因而致第三人受有損害者,會員應自負損害賠償責任。若該第三人對中央研究院提出告訴,會員同意負責應訟,以及單獨負擔一切律師及行政費用,包括中央研究院之費用,以確保中央研究院不致因而受到任何損害;若中央研究院因而被判賠償者,會員亦全額負責。

8.3會員因使用本資料庫服務而與本資料庫間所產生之權利義務關係,應以中華民國法律為準據法,所涉及之一切訴訟,均以臺灣士林地方法院為第一審管轄法院。


9.修改條款

本資料庫保留隨時修改本條款之權利。本資料庫於條款修改後,會於本資料庫網頁公告修改內容,不另作會員個別通知。如會員不同意修改之內容,可要求本資料庫中止其會員資料。如會員未主動告知中止會員資格,則視為會員已同意並接受本資料庫修訂條款內容。

create ur own website, free

https://sites.google.com/

easy for cv, publications update

passive representation

examines whether the composition of the bureau- cracy mirrors the demographic composition of the general pop- ulation or whether women and minorities are under- represented in government agencies (Brown 1999; Dolan 2000, 2002; Esman 1999; Kelly and Newman 2001; Naff and Crum 2000; Riccucci and Saidel 2001).

Brown, Deryck R. 1999. Ethnic Politics and Public Sector Management in Trinidad and Guyana. Public Administration and Development 19(4): 367-79.

Dolan, Julie. 2000. The Senior Executive Service: Gender, Attitudes and Representative Bureaucracy. Journal of Public Administration Research and Theory 10(3): 513-29. - .

2002. The Budget-Minimizing Bureaucrat? Empirical Evidence from the Senior Executive Service. Public Administration Review 62(1): 42

Esman, Milton J. 1999. Public Administration and Conflict Management in Plural Societies: The Case for Representative Bureaucracy. Public Administration and Development 19(4): 353-

Kelly, Rita Mae, and Meredith Newman. 2001. The Gendered Bureaucracy: Agency Mission, Equality of Opportunity, and Representative Bureaucracies. Women and Politics 22(3): 1

Naff, Katherine C., and John Crum. 2000. The President and Representative Bureaucracy: Rhetoric and Reality. Public Administration Review 60(3): 98-109.

Riccucci, Norma M., and Judith R. Saidel. 1997. The Representativeness of State-Level Bureaucratic Leaders. PublicAdministration Review 57(5): 423