教育測量與因果推論（筆記）
===

Author: @jiewen-tsai

**2021-03-21**
**2021-02-17**

:::warning
△ HackMD Books 大集合
https://sites.google.com/view/books-jwtsai/
:::

https://www.notion.so/jiewen/My-learning-751b4f0b233841159f4549e082f6e6f8

## 緣起

Q：為什麼要寫這個筆記呢？

Ａ：主要就是因為我的輸出式學習觀：只有在回答問題、解決問題（輸出）的過程中，才能真正學會／體會某一個事物。光只有學思（閱讀與思考）還是隔了一層。自己能夠清楚的說明（寫），並說到別人也懂，那才算是真正的有體會。

透過筆記，也能累積自己在 R 語言/資料分析上的使用經驗，留下學習軌跡。（也許也可以整理成教材）>> 也就是==分享==的功能。

這些筆記雖然會公開，但其實我的目標對象並不是其他人，而是我自己。是要寫給我自己理解、方便查找。當然如果能順便幫助到其他人，那也不錯。至於「寫給別人看的東西」，則會在另外的平台專欄發表。

## 內容

教育學研究方法1：計算篇
教育學研究方法2：測量篇（描述型模型）
教育學研究方法3：統計篇（解釋型模型）

[**△「教育統計學：核心計算」**](https://hackmd.io/@dear-markdown/H1a9JG1MO)
計算篇：資料分析的核心當然就是機率／統計等基本理論，以及微積分／線性代數／數值分析等計算工具。關於這部分的筆記會分類到計算篇。相當於現在市面上「機器學習的數學基礎」那一類的書。但以==統計學核心方法（core statistics）== 為主。

[**△「學習評量：客觀測量」**](https://hackmd.io/@dear-markdown/HJlNgzkM_)
測量篇：主要是關於教育心理學上的測量問題。但會集中火力在 ==Rasch 測量==的應用上。相當於 Education Measurement、Psychometrics、Analysis of Questionnaires/ Survey Data 這一類的書。
1. 客觀測量
2.

[**△「教育學研究方法：因果推論**」](https://hackmd.io/@dear-markdown/HJAsZfJfd)
推論篇：變數之間的因果推論問題。會集中火力在==長期資料分析（LCSM）==（重複測量也是一種因果推論的方法）、以及==貝氏因果推論（PGM）== 這 2 個方向上。
1. 因果推論方法
2. 長期資料分析
3. 貝氏因果推論

## 形式

其實還是以讀書筆記、重點摘要與評論為主。
把這些評論彙整起來。

###### tags: `EM/CI`