Richard Lu's Blog

要運動養生四大關節必須動起來，而且動起來時可以產生相當的能量，達到好的運動效果。四大關節是球窩型關節，動起來時一定是走曲圓弧，但不是第一個動點，是被帶動或被導引而動。個別的圓動都須了了分明，但又是協調性的連動 球臼關節的運作必須符合一陰一陽與陰陽和合的運作。例如，肩球動肩，臼不動或胯臼主動，胯球被動，或球臼分陰陽轉(不同方向的動) 藉由鬆肩墜肘打開肩球與肩臼，鬆腰落胯打開胯球與胯臼 起勢: 肩球(圓)動，肩臼不動與胯臼主動(圓動)，胯球被動 八勢是 掤、捋 、 擠 、 按 ；採、挒、肘、靠 胯的球臼分陰陽轉只做單邊 丹田球需二分，分上下，左右或前後 手或側腰點導引或帶動球臼的轉動 球臼的轉動不是本身先動 只有鬆開才能轉關靈活

 要運動養生需遵守下列事項: 1. 身體的肌筋骨都是鬆開的，意識也是鬆開的，手腰腳是啟動點需各自動作並同步連動，動作是延展的，不做肌肉收縮而將不同部位的骨頭綁在一起，力是由延展與關節的屈伸及轉動所產生 2. 關節處不主動，中涵虛，走兩端，兩端分虛實。例如，膝蓋不主動彎曲，是由腰帶臼落產生彎曲 3. 上半身大臂仙骨骨盆與大腿都是不主動，是被動或連動 4. 一動全無不動，盡可能動到所有可能的肌群，不做局部動作 5. 做各種可能性的動作(套路或功法)。例如，後退或使用非慣用手 6. 運動含心神意念氣形的運作，有動靜，虛實，開合與上下左右前後的對拉 7. 小腿撐，大腿開。身形往下是由腰帶臼落，走路跑步都是小腿撐，而非往下壓

 人生無常，世事難料 天有不測風雲，人有旦夕禍福 不治已亂治未亂，不治已病治未病 有時當思無時苦，好天要積雨來糧 宜未雨而綢繆，勿臨渴而掘井 常將有時思無時，莫到無時念有時 居安思危，居富思貧 居安思危，思則有備，有備無患

 丹田球是人體的阻尼球維繫身體動作的平衡，也是動能的主要來源 運轉丹田球需要由側腰點帶胯點做旋動(隅轉)，帶腰椎左右轉動(平旋)或帶臼往下動 身體往上是提會陰，小腿撐球應腰 逢動必轉，逢轉必沉 意在實球，念在虛球，手轉虛球也連動實球，虛實對拉 可融入在各種功法 三展中運導引

  金融機構與一般營利企業一樣需要創造價值。最常用模式是形成規模經濟與充分分散化的資產組合。例如，商業銀行募集眾人小額存款而後貸給大額的資金給企業做規模的投資，且藉由貸給不同產業企業與經濟區域而分散化信用風險。投資機構也是募集眾人資金形成大規模資金的管理並做有效的分散化投資。保險機構承受許多個體的風險而達成大數法則的效果。 如何創造價值，還可以從下列幾種商業模式來探討 ：   1.         將眾人的錢重新分配 1.1          將幸運的人的錢給不幸的人。此時不幸的是發生意外損失的人，幸運的是沒有發生的人。因為風險趨避者喜歡好與不好的組合。發生損失是不好，拿到分配的錢是好。沒有發生損失是好，沒拿到錢是不好，但知道錢送給需要的人是做功德也可能感覺很好。           以上即是保險機構的商業模式。其實在重分配時，保險機構也會拿走一些作為銷管費用與利潤，但拿走的部分應該是越少表示越有經營效率。 1.2          將錢集中給少數幸運的人。像是樂透彩，這種生意一直很好。 1.3          將有錢人的一些錢給窮人。政府的功能之一，可以增進全民的福祉。 1.4    龐氏騙局氏將後加入的投資人的錢給先加入的投資人。但由於給的報酬率太高，一但後續加入的投資人與資金不夠多，除了政府以外，通常很難永續經營。   2.         將大多數不會賺錢的人的錢借給會賺錢的人 與上面不太一樣的地方是這裡是有償的。提供錢的人可以獲得一些報酬，得到錢的人因為賺到錢必須付出代價。這些要注意的是，不能借給沒有能力但假裝會賺錢的人。   3.         提供資金給現在沒有錢但...

 迴歸分析、時間序列分析和面板數據分析是三種常見的統計分析方法，各自有其特點和應用場景。以下是它們的比較： ### 1. 迴歸分析 (Regression Analysis) - **定義**：迴歸分析用於研究自變量（獨立變量）與因變量（依賴變量）之間的關係。 - **應用**：適用於預測和模型擬合，常用於經濟學、社會科學等領域。 - **數據要求**：通常要求數據是獨立的，且不需要考慮時間序列的順序。 - **模型**：可以是線性回歸、多項式回歸等。 ### 2. 時間序列分析 (Time Series Analysis) - **定義**：時間序列分析專注於分析隨時間變化的數據，以捕捉數據的趨勢、季節性和周期性。 - **應用**：廣泛應用於經濟預測、股票市場分析、氣象預測等。 - **數據要求**：數據必須按時間順序排列，並考慮時間的影響。 - **模型**：常見模型包括自回歸移動平均模型（ARIMA）、季節性分解等。 ### 3. 面板數據分析 (Panel Data Analysis) - **定義**：面板數據分析結合了時間序列和橫截面數據，分析多個實體（如個人、公司、國家）在多個時間點的數據。 - **應用**：適用於考察個體隨時間的變化，並控制不變特徵的影響，常用於經濟學和社會科學研究。 - **數據要求**：需要有多個觀察單位和多個時間點的數據。 - **模型**：常見模型包括固定效應模型和隨機效應模型。 ### 總結 - **迴歸分析**適合單一時間點的關係研究。 - **時間序列分析**適合分析隨時間變化的趨勢。 - **面板數據分析**則結合了時間序列和橫截面數據的優勢，能夠更全面地分析數據。 根據研究目的和數據特性，選擇合適的分析方法是非常重要的。

 統計學和機器學習是數據分析領域中的兩個重要領域，它們有許多相似之處，但也存在顯著的差異。以下是它們的比較： ### 1. 理論基礎 - **統計學**：   - 專注於數據的收集、分析、解釋和呈現，強調數據的概率模型。   - 注重推斷和假設檢驗，使用數學模型來理解數據的分佈和關係。 - **機器學習**：   - 專注於從數據中自動學習模式和規則，強調算法的設計和實現。   - 更加關注預測性能，通常使用大量數據進行訓練。 ### 2. 方法論 - **統計學**：   - 使用的模型和方法（如線性回歸、假設檢驗）通常是基於理論推導的。   - 常常需要對數據的分佈做出假設（如正態分佈）。 - **機器學習**：   - 使用各種算法（如決策樹、支持向量機、神經網絡）來從數據中學習。   - 更加靈活，對數據分佈的假設較少，能處理更複雜的數據結構。 ### 3. 目標 - **統計學**：   - 主要目的是推斷和解釋數據背後的結構，理解變量之間的關係。   - 注重模型的可解釋性和推論。 - **機器學習**：   - 主要目的是提高預測準確性，關注模型的性能。   - 常常使用“黑箱”模型，對模型的可解釋性要求較低。 ### 4. 數據需求 - **統計學**：   - 通常需要較小的數據集，重視數據質量和樣本代表性。   - 強調隨機抽樣和實驗設計。 - **機器學習**：   - 通常需要大量數據來訓練模型，數據量越大，模型性能通常越好。   - 可以處理噪聲和不完整數據。 ### 5. 應用場景 - **統計學**：   - 常用於社會科學、醫學研究、經濟學等領域，強調數據的解釋和推斷。 - **機器學習**：   - 常用於人工智能、計算機視覺、自然語言處理等領域，強調自動化和預測。 ### 總結 統計學和機器學習各有其優勢和應用場景。統計學更注重數據的解釋和推斷，而機器學習則更關注預測性能和自動化。根據具體的研究問題和數據特性，選擇合適的方法將有助於獲得更好的結果。

 Bayesian和頻率主義統計是統計學中的兩種主要方法，各有其特點和應用場景。以下是它們的比較： ### 1. 理論基礎 - **Bayesian Statistics（貝葉斯統計）**：   - 基於貝葉斯定理，將先驗知識（prior knowledge）與觀察數據結合，更新對參數的信念。   - 允許使用主觀概率來表達不確定性。 - **Frequentist Statistics（頻率主義統計）**：   - 將概率視為事件在大量重複試驗中的相對頻率，強調長期行為。   - 不使用先驗知識，主要依賴樣本數據。 ### 2. 參數估計 - **Bayesian**：   - 提供參數的後驗分佈，允許對參數的不確定性進行全面描述。   - 可以計算參數的可信區間（credible intervals）。 - **Frequentist**：   - 提供點估計和置信區間（confidence intervals），但不直接描述參數的分佈。 ### 3. 假設檢驗 - **Bayesian**：   - 可以計算某一假設的後驗概率，並根據實際情況進行決策。   - 允許靈活的模型比較。 - **Frequentist**：   - 使用p值來檢驗假設，強調結果的統計顯著性。   - 假設檢驗結果不直接提供假設的概率。 ### 4. 優缺點 - **Bayesian**：   - **優點**：靈活性高，能夠融入先驗知識，適合小樣本情況。   - **缺點**：計算複雜度高，先驗選擇可能影響結果。 - **Frequentist**：   - **優點**：方法簡單，計算相對容易，適合大樣本情況。   - **缺點**：不考慮先驗信息，對小樣本的表現可能不佳。 ### 5. 應用場景 - **Bayesian**：適用於需要融入先驗知識的領域，如醫學、機器學習等。 - **Frequentist**：常用於社會科學、經濟學等領域的傳統研究。 ### 總結 Bayesian和頻率主義統計各有其優缺點，選擇哪種方法取決於具體的研究問題、數據特性以及研究者的偏好。理解這兩種方法的基本原理和適用場景，有助於在實際應用中...

  政府對商品加稅 ( 含關稅 ) 或費 ( 如碳費 ) ，直覺上是生產者需增加支出或成本，但其實可能會轉嫁到消費者，變成是消費者來承擔。政府對消費者的補貼 ( 例如房租補貼或低利的房貸政策 ) ，看似消費者受益，實質上可能是生產者受惠。 誰是承擔者或誰是受惠者的一個重要關鍵就是商品的需求與供給彈性。如果商品需求的價格彈性 (price elasticity of demand) 低，表示雖商品的價格上漲但需求沒辦法改變太多，此意味著加稅或加費後讓價格上升，商品需求不會減少太多，因此，生產者可以把稅和費藉由提高價格，轉嫁給消費者。因為即使加上這些稅或費，消費者仍然需要去購買。相反的，如果價格的需求彈性高，加費或加稅後讓價格上漲，消費者的需求必然大幅減少，因此生產者會自行吸收稅或費，不讓價格上升太多而影響需求。   補貼消費者後，消費者購買力增加，但供給沒有增加的話 ( 供給彈性低 ) ，商品價格就會上揚，最後補帖的受惠者會是供給者或生產者。所以房租補貼或低利房貸的受惠者可能不是消費者。消費者雖然表面上受益，實質上並沒有受惠。其實，只要補貼造成價格上漲，受惠的就不是消費者了。