應用計量經濟學導論

class: center, middle, inverse, title-slide

.title[
# 應用計量經濟學導論
]
.subtitle[
## 實習課
]
.author[
### <div style="margin-top:-18px; line-height:1.2;">
王俊欽 
<a href="mailto:d14627001@ntu.edu.tw" class="email">d14627001@ntu.edu.tw</a> 
2026/09/14 
 
</div>
]

---

layout: true
background-image: url(data:image/png;base64,#https://www.agec.ntu.edu.tw/uploads/asset/data/675f864c74ccc38a768f8254/%E6%9C%AA%E4%BE%86%E5%B1%95%E6%9C%9B%E5%9C%96%E7%89%87.png)
background-position: 98% 2%
background-size: 5%

---
## TA

### 徐麗茵
- 學經歷

- 流行病學與預防醫學研究所 生統組博士班
  
  - 資料科學博士學位學程

- 聯絡方式

- leyin2030@gmail.com

- 課程負責項目

- 批改正課作業
  
  - 批改期中期末試題

---
## TA

### 王俊欽（Leo）
- 學經歷

- 農業經濟學系研究所博士班
  
  - 統計碩士學位學程

- 聯絡方式

- d14627001@ntu.edu.tw

- 課程負責項目

- 實習課授課
  
  - 批改實習課作業與考試

---
## 實習課評分

實習課成績占學期總成績 20 %

- 出席（5%）
 - 每次實習課點名，請假寄信至 d14627001@ntu.edu.tw 
 - 前兩次請假、未到不扣分，第三次開始扣 1 % 總成績 
- 實習作業 2 次（5%，共計 100 分）
 - 繳交內容：程式碼、報告or結果
 - 繳交方式：NTU COOL 線上繳交
 - 作業遲交 24 小時扣 10 分，超過 24 小時不予補交
 
---
## 實習課評分
實習課成績占學期總成績 20 %

- 上機考試（10%）
 - 考試日期：10/12、12/7 兩天
 - 考試時間：14:20 - 16:00
 - 考試地點：博雅 408、409電腦教室
 - 考試方式：Open Book，可以攜帶隨身碟，禁止使用網路與電子產品

- 更多細節如：繳交方式，電腦使用方法待考試前會再與大家說明。

---
## 實習課評分

- **填寫期末教學評鑑，期末分數總分加 ?? 分**

- office hour 時間
 - 每週一 16:20 - 18:20，地點：待訂
 - 如有問題要詢問，請先將問題寄給助教
 
.center[** 歡迎找厲害的同學討論或積極與助教約 office hour，但千萬不要抄襲拜託**]
.center[** 有任何問題請盡早寄信給助教 **]

---
## 實習課學期目標

- 熟練 R 語言程式操作

- 學習更多資料預處理技巧

- 學習資料視覺化

- 計量分析的實際操作

- 簡單迴歸（OLS、Fixed Effect）
 - 雙重差分（DID）
 - 工具變數（IV）

---
class: center, middle, inverse
### 快速複習一下上學期都學了什麼
#### 過了一個暑假應該已經找不到 Rstudio 了吧...

---
## DATA TYPE
 `str()`、`class()`、`typeof()` 等指令可以用來辨別資料型態或結構。
.panelset[
.panel[.panel-name[String]
字串（String）需使用單引號 ' 或雙引號 " 作區分

``` r
str("abc")
```

```
##  chr "abc"
```

``` r
class("1")
```

```
## [1] "character"
```

``` r
typeof("Time flies when you're having fun.")
```

```
## [1] "character"
```
]
.panel[.panel-name[Nuneric]

``` r
class(123.123)
```

```
## [1] "numeric"
```

``` r
typeof(123L)
```

```
## [1] "integer"
```
]
.panel[.panel-name[Logic]

``` r
class(TRUE)
```

```
## [1] "logical"
```

``` r
typeof(FALSE)
```

```
## [1] "logical"
```
]
.panel[.panel-name[Boolean]

.left-column[
 
不管是直接輸入或是指令中的 arguments，都可以用 `T` 或 `F`取代
 
此外，TRUE 或 FALSE 也分別代表 1 或 0
]
.right-column[

``` r
T
```

```
## [1] TRUE
```

``` r
F
```

```
## [1] FALSE
```

``` r
T + T
```

```
## [1] 2
```
]
]
]

---
## DATA STRUCTURE
Vector 屬於一維資料，且資料內容必須為相同 **Data Type**。
.panelset[
.panel[.panel-name[Vector]
.left-column[
 
記得使用 `c()` 建立向量！
 
如果字串與數值同時出現，向量將以字串為主
]
.right-column[

``` r
num <- c(1, 2, 3, 4, 5)
```

``` r
str <- c("1", 2, 3, 4, 5)
class(str)
```

```
## [1] "character"
```
]
]
.panel[.panel-name[Index]
索引值（index），為資料所在位置，使用 `[所在位置]` 來尋找。

``` r
num[3]
```

```
## [1] 3
```

``` r
num[2:4]
```

```
## [1] 2 3 4
```

``` r
str[-1]
```

```
## [1] "2" "3" "4" "5"
```
]
.panel[.panel-name[Named Vector]
已命名的向量可以用 `[名稱]` 來選取特定值。

``` r
vec <- c(a = 1, b = 2, c = 3, d = 4, e = 5); print(vec)
```

```
## a b c d e 
## 1 2 3 4 5
```

``` r
vec[c("a", "c", "e")] 
```

```
## a c e 
## 1 3 5
```
]
.panel[.panel-name[Boolean Index]
用布林值作為索引時，布林值與向量長度必須相同。

``` r
vec[c(T, F, T, F, T)]
```

```
## a c e 
## 1 3 5
```
Recall ! 當布林值長度與向量長度不一致時 ... 循環補齊（recycling）

``` r
vec[c(T, F)]
```

```
## a c e 
## 1 3 5
```
]

]
---
## DATA STRUCTURE
矩陣（matrix）本質與向量一樣，資料須為相同 **Data Type**，但屬於二維資料。
.panelset[
.panel[.panel-name[Matrix]
.pull-left[

``` r
m <- matrix(c(9, 6, 3, 7, 4, 1), nrow = 2, ncol = 3)
```

矩陣有兩個維度，分別顯示列（row）與行（column）

``` r
dim(m)
```
]
.pull-right[

```
## [,1] [,2] [,3]
## [1,] 9 3 4
## [2,] 6 7 1
```

```
## [1] 2 3
```
]

]
.panel[.panel-name[Index]
二維資料使用 `[列, 行]` 作為索引值尋找資料。

``` r
m[1, 3]
```

```
## [1] 4
```
當索引位置為空值時，預設為全部，如 `[1, 空值]`，則選取整個第 `1` 列。

``` r
m[1, ]
```

```
## [1] 9 3 4
```

]
]
---
## DATA FRAME
Data frame 是剛接觸資料分析時最常會遇到的資料結構，與矩陣皆為二維資料，但 Data frame 內可以存在**不同 Data Type**。
.panelset[
.panel[.panel-name[Look like]
<img src="data:image/png;base64,#./df.png" width="65%" style="display: block; margin: auto;" />
]
.panel[.panel-name[In Practice]

``` r
library(ggplot2)
```

``` r
df <- mpg %>% select(1:5) %>% head(); df
```

```
## # A tibble: 6 × 5
## manufacturer model displ year cyl
## <chr> <chr> <dbl> <int> <int>
## 1 audi a4 1.8 1999 4
## 2 audi a4 1.8 1999 4
## 3 audi a4 2 2008 4
## 4 audi a4 2 2008 4
## 5 audi a4 2.8 1999 6
## 6 audi a4 2.8 1999 6
```
]
.panel[.panel-name[Index]
Data frame 索引值用法大致與矩陣相同，可以用數字或 `變數名稱` 作為索引值。
.pull-left[

``` r
df[, 2]
```

``` r
df[2, "manufacturer"]
```

]
.pull-right[

```
## # A tibble: 6 × 1
## model
## <chr>
## 1 a4 
## 2 a4 
## 3 a4 
## 4 a4 
## 5 a4 
## 6 a4
```

```
## # A tibble: 1 × 1
## manufacturer
## <chr> 
## 1 audi
```
]
]

.panel[.panel-name['$' sign]
Data frame 可以用 $ 符號作為"行"的索引方式。

- 以 `$` 符號選擇 Data frame 其中一行。

- 使用 `$` 符號後直接接上變數名稱，`不需加上 ""`，類似 dplyr 的便利性。

- 輸出格式為向量（Vector）。

``` r
df$year
```

```
## [1] 1999 1999 2008 2008 1999 1999
```
]
.panel[.panel-name[Note!]
**處理二維資料時，必須注意資料結構的呈現！（回傳的資料結構不一定是你想要的）**

``` r
df[c(1, 3, 5), "model"]
```

```
## # A tibble: 3 × 1
## model
## <chr>
## 1 a4 
## 2 a4 
## 3 a4
```

``` r
df[c(1, 3, 5), c("model", "cyl")]
```

```
## # A tibble: 3 × 2
## model cyl
## <chr> <int>
## 1 a4 4
## 2 a4 4
## 3 a4 6
```
]
]

---
## CRUD
資料分析時的四個基礎步驟
.panelset[
.panel[.panel-name[Create]
- 直接呼叫已存在資料如：iris、mpg

- 從外部環境導入資料（實務上肯定是），副檔名通常為：.csv、.xlsx、.json

- 設定好你的工作路徑 `setwd()`，預設為當前 R file 儲存的位置

- 檔案路徑中的反斜線 `\` 須改為正斜線 `/` 或是 `\\`（Windows 系統）。

- `.` 可以取代當前工作路徑（working directory）

- 如果資料與當前 R file 儲存在相同位置（同個資料夾中），可以直接打上檔名即可

``` r
read.csv("CASchools.csv")
```
]
.panel[.panel-name[Read]
讀取資料可以透過指令、索引值與邏輯運算子進行簡單操作

``` r
head(df, n = 3)
```

```
## # A tibble: 3 × 5
## manufacturer model displ year cyl
## <chr> <chr> <dbl> <int> <int>
## 1 audi a4 1.8 1999 4
## 2 audi a4 1.8 1999 4
## 3 audi a4 2 2008 4
```

``` r
df[df$year == 1999 & df$cyl == 4,] # 二維資料記得補上 ","
```

```
## # A tibble: 2 × 5
## manufacturer model displ year cyl
## <chr> <chr> <dbl> <int> <int>
## 1 audi a4 1.8 1999 4
## 2 audi a4 1.8 1999 4
```
]
.panel[.panel-name[Update]
使用 `append()`、`$`、`索引值` 簡單新增或修改資料

``` r
new_model <- c(df$model, "a5")
new_model <- append(df$model, "a5")
```

```
## [1] "a4" "a4" "a4" "a4" "a4" "a4" "a5"
```

``` r
new_model[2] <- "a2"
```

```
## [1] "a4" "a2" "a4" "a4" "a4" "a4" "a5"
```

``` r
df$county <- "Germany"
```

```
## # A tibble: 1 × 6
## manufacturer model displ year cyl county 
## <chr> <chr> <dbl> <int> <int> <chr> 
## 1 audi a4 1.8 1999 4 Germany
```
]
.panel[.panel-name[Delete]
使用 `!`、`索引值` 簡單刪除資料

``` r
new_model1 <- new_model[-2]
```

```
## [1] "a4" "a4" "a4" "a4" "a4" "a5"
```

``` r
df1 <- df[df$year != 2008,]
```

```
## # A tibble: 4 × 6
## manufacturer model displ year cyl county 
## <chr> <chr> <dbl> <int> <int> <chr> 
## 1 audi a4 1.8 1999 4 Germany
## 2 audi a4 1.8 1999 4 Germany
## 3 audi a4 2.8 1999 6 Germany
## 4 audi a4 2.8 1999 6 Germany
```

]
]

---
## dplyr
dplyr 是使用 R 進行資料分析時的入門學習套件之一，同時結合獨特的 pipe operator（%>%），對於程式閱讀上來說更直觀、且學習時更容易上手。

**使用 dplyr package 中的 commands 時，直接輸入欄位變數名稱，無須加上引號！**
.panelset[
.panel[.panel-name[Select]
`select()` 可以選擇指定欄位，且支援連續選取 `:`。

``` r
df1 <- df %>% select(manufacturer:year); head(df1, n = 3)
```

```
## # A tibble: 3 × 4
## manufacturer model displ year
## <chr> <chr> <dbl> <int>
## 1 audi a4 1.8 1999
## 2 audi a4 1.8 1999
## 3 audi a4 2 2008
```
]
.panel[.panel-name[Filter]
`filter()` 可以選擇指定列位，搭配邏輯運算子一起使用。

``` r
df2 <- df %>% filter(year == 1999 & displ > 2)
```

```
## # A tibble: 2 × 6
## manufacturer model displ year cyl county 
## <chr> <chr> <dbl> <int> <int> <chr> 
## 1 audi a4 2.8 1999 6 Germany
## 2 audi a4 2.8 1999 6 Germany
```
]
.panel[.panel-name[Mutate]
`mutate()` 可以建立新變數，搭配其他指令以達到建立新變數的要求。

``` r
df %>% mutate(county = "Germany")
```

```
## # A tibble: 6 × 6
## manufacturer model displ year cyl county 
## <chr> <chr> <dbl> <int> <int> <chr> 
## 1 audi a4 1.8 1999 4 Germany
## 2 audi a4 1.8 1999 4 Germany
## 3 audi a4 2 2008 4 Germany
## 4 audi a4 2 2008 4 Germany
## 5 audi a4 2.8 1999 6 Germany
## 6 audi a4 2.8 1999 6 Germany
```
]
.panel[.panel-name[Summarize]
`summarize()` 可以進行簡易的敘述性統計。

``` r
df %>% group_by(year) %>% summarize(count = n(), displ_m = mean(displ))
```

```
## # A tibble: 2 × 3
## year count displ_m
## <int> <int> <dbl>
## 1 1999 4 2.3
## 2 2008 2 2
```

]
]

---
class: center, middle, inverse
### 謝謝
#### 下周見