今年適逢『朱銘美術館』十五週年紀念，幾天前特地慕名參訪。在館中聽到館員的熱情導覽，在她的解說中，國際級雕刻大師-朱銘的每個作品都彷彿有了溫度、有了生命一般，正如朱銘老師對生命、對土地、對親情的執著與熱情，於是每一個作品的背後都有了豐富與精彩的故事。
朱老師的作品不僅熱情奔放，他那簡潔俐落的刀工，他所使用的多元媒材，都讓人大開眼界，除了過去眾所皆知的太極系列與木雕系列，他也用海棉、陶土、金屬、布疋、石頭、保麗龍等作為材料。
朱銘老師已年屆76歲，在過去15年間，他為買地、興建美術館、維持美術館的運作，幾乎傾其全力，將他一生所有的都付上了，仍舊連年虧損，且不見政府補助，於是印證了一件事，在台灣從事文創工作，通常是一條艱辛與孤單的路。
希望更多的企業與民間，大家一起攜手合作，透過各種行銷管道，讓這座充滿生命力的美術館能夠國際化且有永續經營的未來，並成為國內藝術發展與傳承的重要殿堂。
以下是當天所參觀的各系列作品
人間系列─跳傘
飛行員的身體飽滿且有漂亮的弧度，是由麻繩捆綁海棉後再灌模，而飛行傘的材料是不鏽鋼，是非常大件的戶外作品。
此文將延續之前的ROC曲線 (http://goo.gl/B9H0tg) 的介紹，進一步分享如何使用SigmaPlot軟體繪製ROC曲線。上一篇PO文介紹的操作軟體為SPSS，該軟體的限制主要為無法比較不同檢驗工具間的曲線下面積(AUC)之差異，有許多的統計軟體皆可達到此一分析目的，SigmaPlot即為其一，為何要介紹SigmaPlot呢？因為它的界面好操作，ROC曲線圖的呈現夠專業。
SigmaPlot 操作
|
實例：醫師對失智症病人做了各種測量，想從測量數據中找出幾個可以用來初步判斷病人是否為失智症的工具，請以SigmaPlot找出準確性較高的診斷工具。 dementia是臨床醫師對失智症的確診， Index1~Index3為新的檢驗工具。 |
執行步驟
站在敦化北路的高樓裡，眺望著玻璃窗外的遠山，以及反射在大樓玻璃的夕陽，一群聽了一天的『社會企業』課程的年輕人，即將要結束充實的學習之旅，並帶著自己的夢想繼續往前走。
筆者代表公司和一群『夢想自造家』一起學習與交流，每個年輕人都懷抱著能對社會帶來正向影響與改變的夢想齊聚在『DOIT;Delivering Open Innovations for Tomorrow共創公域』 的教室裡。有的年輕人想改善原住民的生活；有的想照顧街友、身障朋友；有的想透過小農的栽種推出新的酒品，幫助小農改善生活；有人已成立毛小孩的資源整合網路平台，提供照顧寵物相關資訊以及為動物保護法的改革發聲；有一群年輕人為著幫助孩子在面對國、高中數學學習的障礙，提供思考引導，並將有意願的老師鏈結到教學平台上；還有為著公益而號召志同道合者騎腳踏車走入偏鄉幫助弱勢族群，更幫助自己與參與者走出舒適帶，挑戰自我、認識自我極限的騎喚之旅。
地理醫學：結合個人健康與公共衛生
Geomedicine: Hooking Personal Health and Public Health
台北場：2014年10月24日(週五) 台灣大學公衛學院(徐州路)213教室
台南場：2014年10月26日(週日) 成功大學醫學院(小東路)第四講堂
【議程】
當我們想瞭解一個大群體(或稱母群體；a population)的資料特性，但礙於人力、經費與時間等現實因素，我們無法收集到母群體完整的資訊，於是會藉由抽取一部份的樣本以代表母群體，並利用抽樣結果描述母群體，而每次的抽樣結果與母裙體間的偏差即為標準誤(Standard Error)。它與標準差(Standard Deviation; SD)雖然只有一字之差，但意義完全不同。標準差為每個樣本與樣本平均值的偏差(Deviation)，用來描述一組樣本的分散情形。
以下的影片由英國心理學會(British Psychological Society; BPS) 募集資金製作的，希望透過舞蹈的趣味讓更多心理學系學生對統計觀念有更深刻的印象。
影片中穿藍衣的舞者代表母群體，他有自己的資料分佈特性，以藍色長方形表示他的資料形態(shape)，之後的每一個舞者代表每次的抽樣結果與資料分怖形態，不同次的抽樣結果亦有不同的資料形態以推估母群體。請大家注意每個樣本分佈的形態並與藍色的母群體做比較。
一個好的樣本估計會與母群體的資料形態很接近，然而，每一次的抽樣結果可能有不一樣的資料形態，此即我們所知的抽樣變異(sampling variation)，不同的抽樣結果產生不同的的母群體估計值。
當兩個變項具有線性相關時，可將兩個變項的直線關聯性以一個直線型迴歸函數表示。常見的簡單線性迴歸模型中只有一個解釋變項，其模式可表示為Yi=a+bXi+ei (Yi為依變項、Xi為自變項/解釋變項、a為截距、b為迴歸係數、ei為殘差) ，其中研究者所收集到的資料爲(Yi, Xi) ，其主要的目的即爲以收集到的依變項及解釋變項的資料來估計出未知的參數a, b。
實例說明：腰圍對空腹血糖值的解釋力為何？
[程式]
>model=lm(fpg~waist) #建立迴規模式lm(Y~X)，並命名為model
>summary(model) #檢視迴歸統計量
>plot(waist,fpg) #製作散佈散佈圖plot(X,Y)
分層抽樣之基本觀念請參考另篇文章：分層隨機抽樣 (Stratified Random Sampling)
以下為分層不等比例隨機抽樣之SAS的應用：
在[程式一]中建立30筆資料, 變數包括no, age, sex，檔名為AA，其中男性10筆，女性20筆，以尼曼配置法 (Neyman allocation）估算，女性將抽出7個樣本，男性將抽出2個樣本。
[程式一];
data aa;
分層抽樣之基本觀念請參考另篇文章：分層隨機抽樣 (Stratified Random Sampling)
以下為分層等比例隨機抽樣之SAS的應用：
在[程式一]中建立30筆資料, 變數包括no, age, sex，檔名為AA，其中男性10筆，女性20筆，欲抽出30%的樣本，根據比例配置法(Proportional allocation），女性將抽出6個樣本，男性將抽出3個樣本。
[程式一];
data aa;
input no age sex $ @@;
cards;
首先在[程式一]建立10筆資料，包含no, age ,sex等變項。
[程式一]
data aa;
input no age sex $ ;
cards;
1 23 F
2 24 F
3 52 M
在健保資料中，若要看每年的承保人數、醫護人員數、慢性病盛行人數，若未留意這些資料在各年是不連貫的, 例如承保檔只存在加保與退保的記錄, 若無變更, 中間的各年間是不會有資料的；
在健保資料庫中定義了糖尿病的發生資料，若想看糖尿病的盛行趨勢, 若中間有未就醫的記錄, 例如就醫年份為1997,1998,2000,2001,2003,2004,2005，但1999與2002年未就醫，對於一旦確定是糖尿病的患者，若非死亡的因素，應該一直為疾病盛行人口, 但患者若有一段時間未就醫, 如何觀察盛行率的長期趨勢?
以下介紹簡單的補值, 程式中建立2筆資料, 資料的起迄年份為IN_YEAR, OUT_YEAR, 利用DO /END的迴圈,以及OUTPUT指令即可將中間各年的資料補上。
迴圈自IN_YEAR跑到OUT_YEAR, 迴圈每跑一圈, 年份自動加 1, 新產生的年份置入新變數YEAR中, 此時以OUTPUT將新的迴圈結果輸出, 一直遞迴至迴圈結束為止。
