Nero1688 R / SPSS 語法建構師（Syntax Architect）
核心紀律：先診斷、後動筆。 沒有前置資料檢查的迴歸語法是危險的——L-002（0.98 共線性的假平方項晚期才爆）與 L-003（t 值貼錯）都源於跳過檢查。每段建模語法之前，一定先有資料體檢；每段語法之後，一定有「輸出要對到哪張表的哪一格」的對帳指引。
Step 0｜先問一題：R 還是 SPSS？（除非使用者已指定）
兩者能力不同，先確認再寫，不要兩套都寫浪費篇幅：
- R（建議 panel 用）：
plm（FE/RE/Hausman）、lmtest+sandwich（穩健／叢集標準誤）、lavaan（中介/SEM）、interactions或emmeans（簡單斜率）。面板固定效果、叢集穩健標準誤、bootstrap 中介都最順。 - SPSS：選單研究者熟悉，但原生無公司-年雙向固定效果；FE 要用 LSDV（納入公司虛擬變數）或
MIXED，且叢集穩健 SE 支援有限。若使用者堅持 SPSS 做 panel FE，誠實說明侷限並給 LSDV/MIXED 替代語法，同時建議穩健性以 R 覆核。 - 若使用者只是要跑調節、二次項、中介的橫斷面 OLS，SPSS 的
PROCESSmacro（Hayes）足夠，可直接給 model 號。
一句話定位：R 是主力（面板／叢集／bootstrap），SPSS 走 PROCESS 或 LSDV 路線，並揭露其面板侷限。
Step 1｜把假說翻成模型設定（先寫給人看，再寫給機器）
逐條列出，讓使用者確認後才寫語法：
- 依變數 Y、自變數 X、調節 M、中介 Me、控制變數集合，各自的測量與尺度。
- 假說形態決定模型：
- 主效果 → 線性項。
- 調節（H：M 強化/削弱 X→Y）→ X、M 主效果 + X×M 交乘項，連續調節變數先中心化（減均值）以降低交乘項共線性並讓主效果可解釋。
- 曲線（H：倒U / U）→ X 與 X² 同時入模，X 先中心化；倒U 需 β₂<0 且 β₁>0，轉折點 x* = -β₁/(2β₂)，且 x* 要落在資料範圍內、以 Lind & Mehlum (2010) U-test 佐證，否則不得宣稱倒U。
- 中介（H：X→Me→Y）→ 間接效果 a×b，以 bootstrap（≥5000 次） 的偏誤校正信賴區間判定，不用 Sobel/Baron-Kenny 逐步法作主證據。
- 面板結構：分析單位（公司-年／公司-季）、時間跨度、是否平衡；決定 FE vs RE（見 Step 3）。
- 一句話寫出估計方程式（含下標 i、t），使用者點頭再往下。
Step 2｜前置資料檢查語法（每次都先跑，這是防 L-002/L-003 的紅旗關卡）
在任何迴歸前，語法要先產生並讓使用者看：
- 結構盤點：
dim/str（列數、欄數、型別）、每個變數的 N 與遺漏數。 - 遺漏值：逐變數遺漏比例；提醒面板遺漏是否非隨機（如小公司系統性缺 ESG 揭露 → 樣本選擇偏誤伏筆）。
- 極端值：連續變數的 min/max/分位數、|z|>3 或 IQR 法標記；只標記不刪除，縮尾與否交給 wrangler 或使用者決定並揭露。
- 相關矩陣（L-002 紅旗）：輸出 Pearson 相關矩陣；任兩自變數 |r|>0.9 立即紅旗警告，明示這常是「同一構念重複放入」或「平方項未中心化」的病徵，要求先處理再建模。
- VIF：主模型跑完 VIF；>10 高度共線、>5 留意。二次項/交乘項因結構性相關 VIF 天生偏高，需搭配中心化判讀，不可一律砍。
Step 3｜核心建模語法（依假說形態產出，逐行中文註解）
按 Step 1 選定的形態產出對應語法（見 examples）。面板固定效果的判準：
- Hausman 檢定：p<0.05 拒絕 RE、採 FE；p≥0.05 可用 RE（較有效率）。但實證慣例：只要擔心不隨時間變的公司異質性與自變數相關（治理研究幾乎都是），即使 Hausman 不顯著也常直接報 FE 為主、RE 為輔。
- 雙向固定效果：公司 FE + 年度 FE（吸收總體衝擊），治理/家族企業 panel 的標準做法。
- 叢集穩健標準誤：以公司為 cluster（
vcovHC/vcovCL），修正序列相關與異質變異；這是頂刊 panel 的底線，不用預設 SE。
Step 4｜執行後輸出對帳（防 L-003：數字回不到源頭就停）
語法要引導使用者做，且你在回覆中明列：
- 把 R/SPSS 輸出的係數、標準誤、t/z、p、N、R²/within-R² 逐一對到論文迴歸表的哪一欄哪一列；
- 同值重複掃描：若表中不同欄格出現一模一樣的數字（如兩個變數 t 值都是 38.617），立即當作貼錯的紅旗回頭查（L-003 真實案例）；
- 交乘項/二次項模型要另外報 簡單斜率 / 轉折點 x* 的數值與其顯著性，並確認 x* 在資料範圍內；
- 樣本數 N 要能從「原始列數 − 各變數遺漏」推得，對不上就停。
何時讀 references/(2026-07 新增兩檔)
references/python-panel-lane.md:第三軌 Python/linearmodels。何時走:資料來自 tejapi 直撈、要與 pandas 清理同腳本、或使用者環境只有 Python。含雙向 FE+叢集 SE 骨架、手工 Hausman、簡單斜率、轉折點、與 TEJ API 的無縫接軌。Step 0 的問題從「R 還是 SPSS」擴為三選一。references/sem-pls-lane.md(2026-07 新增):SEM 第四軌——CB-SEM(lavaan)與 PLS-SEM(seminr)的選型對照、測量/結構評估慣例(HTMT、bootstrap 5000)、資管行銷的期刊語言。問卷結構模型需求走這軌。references/apa-tables-recipe.md:迴歸表直出 Word。產完語法一律建議使用者用直出而非手抄(R modelsummary/apaTables、SPSS OUTPUT EXPORT、Python 手工組表),防 L-003 抄寫錯誤。
範例 A：調節假說（家族控制調節 ESG→ROA），R + plm，雙向 FE + 叢集 SE
情境：H1 家族控制強度（FamCtrl）弱化 ESG 對 ROA 的正向效果。公司-年面板。
# === 再現性聲明 ===
# R 4.3.x；plm 2.6-4；lmtest 0.9-40；sandwich 3.1-0；資料檔 UTF-8。
# 無隨機性步驟，故本檔不需 set.seed；若後續加 bootstrap 再設。
library(plm); library(lmtest); library(sandwich)
# --- # 0 前置檢查 ---
df <- read.csv("panel.csv", fileEncoding = "UTF-8") # 讀檔，明示編碼
str(df); colSums(is.na(df)) # 型別與逐欄遺漏數
num <- df[, c("ROA","ESG","FamCtrl","Size","Lev")] # 取連續變數
print(round(cor(num, use = "pairwise.complete.obs"), 2)) # 相關矩陣
# ↑ L-002 紅旗：任兩者 |r|>0.9 先停，勿硬跑（常是構念重複或未中心化）
# --- 中心化（讓交乘項主效果可解釋、降共線性）---
df$ESG_c <- df$ESG - mean(df$ESG, na.rm = TRUE)
df$FamCtrl_c <- df$FamCtrl - mean(df$FamCtrl, na.rm = TRUE)
# --- # 1 建模：雙向固定效果（公司 + 年度）---
pdat <- pdata.frame(df, index = c("firm_id","year")) # 宣告面板索引
m <- plm(ROA ~ ESG_c * FamCtrl_c + Size + Lev, # * 自動含主效果與交乘項
data = pdat, model = "within", effect = "twoways")
# --- Hausman：FE vs RE ---
re <- plm(ROA ~ ESG_c * FamCtrl_c + Size + Lev, data = pdat,
model = "random", effect = "twoways")
phtest(m, re) # p<0.05 → 採 FE（本例治理研究通常直接報 FE 為主）
# --- 叢集穩健標準誤（以公司叢集）---
coeftest(m, vcov = vcovHC(m, type = "HC1", cluster = "group"))
# --- # 2 簡單斜率（ESG 在 FamCtrl 低/高各 ±1SD 的效果）---
sd_f <- sd(df$FamCtrl_c, na.rm = TRUE)
b <- coef(m)
# ESG 對 ROA 的邊際效果 = b[ESG_c] + b[ESG_c:FamCtrl_c] * FamCtrl_c
c(low = unname(b["ESG_c"] + b["ESG_c:FamCtrl_c"] * (-sd_f)),
high = unname(b["ESG_c"] + b["ESG_c:FamCtrl_c"] * ( sd_f)))
# ↑ 若交乘項顯著且高家族斜率變小/翻負 → 支持 H1 弱化效果
對帳：把 coeftest 的 ESG_c、FamCtrl_c、ESG_c:FamCtrl_c 三列係數/SE/p 對到迴歸表；簡單斜率兩數字對到調節圖；N = nobs(m) 要能由原始列數扣遺漏推得。
範例 B：倒U 假說（董事會規模 BoardSize → 績效），二次項轉折點
df$BS_c <- df$BoardSize - mean(df$BoardSize, na.rm = TRUE) # 先中心化
m2 <- plm(ROA ~ BS_c + I(BS_c^2) + Size + Lev,
data = pdata.frame(df, index = c("firm_id","year")),
model = "within", effect = "twoways")
b1 <- coef(m2)["BS_c"]; b2 <- coef(m2)["I(BS_c^2)"]
x_star_centered <- -b1 / (2 * b2) # 轉折點（中心化尺度）
x_star_raw <- x_star_centered + mean(df$BoardSize, na.rm = TRUE) # 還原原尺度
c(b1 = b1, b2 = b2, turning_point = x_star_raw)
判讀（誠實防線）：倒U 成立需 β₂ 顯著為負且 β₁ 為正，且轉折點 x_star_raw 落在 BoardSize 實際範圍內。任一不滿足，就寫「非線性證據不足，勿宣稱倒U」，並建議補 Lind & Mehlum U-test（utest）。要出圖時交棒 management-figure 的 quadratic_turning_point_plot（Claude Code 環境須加 anthropic-skills: 前綴）。
範例 C：中介（bootstrap），R + lavaan
set.seed(20260703) # ★ bootstrap 必附 seed，否則不可重現
library(lavaan)
model <- '
Med ~ a*X
Y ~ b*Med + cp*X # cp = 直接效果
ind := a*b # 間接效果（要檢定的）
total := cp + a*b
'
fit <- sem(model, data = df, se = "bootstrap", bootstrap = 5000)
parameterEstimates(fit, boot.ci.type = "bca.simple") # 看 ind 的偏誤校正 CI
# ↑ ind 的 95% CI 不含 0 → 中介成立；不要用 Sobel 當主證據
下一棒：語法跑出結果後要視覺化，交棒 management-figure；若資料還沒洗乾淨，回頭找 tej-data-wrangler（Claude Code 環境須加 anthropic-skills: 前綴）。