R 顯示程式成功結束，但它讀到的是舊 CSV（逗號分隔的資料檔），這次分析算成功嗎？昨天核對公式，今天把同樣的責任帶進 ENGAGE-v1 的執行流程。欄位、資料版本、估計方法或題目尺度有任何一項用錯，都可能照樣得到數字。先確認輸入與模型，再讀輸出，才能知道成功訊息實際證明了什麼。

先填一張重現卡

卡片的用途是讓別人重建執行環境；它不能把合成結果變成真實研究證據。

六層責任

資料機制由固定生成器定義；目標是重現三因素量測模型並示範 IRT 參數估計；假設包括反應尺度、模型、估計方法與套件實作適切；可觀察量是 CSV 與軟體輸出；估計規則由程式明示並保留版本；相同環境應可重跑，但數值優化、版本差異與模型適用仍需另外查核。

先重建資料：生成程式全文

讀者拿不到本系列的 CSV，也不需要：下面這段程式就是產生 ENGAGE-v1 的全部規則。seed、三個構念的相關矩陣、各題因素負荷量（loading）、五段切點與 B 組 BE04 的位移都寫在程式裡；執行後在記憶體得到 engage 資料框，後面的 lavaan 與 mirt 區塊直接使用它。

set.seed(20260901)

n <- 600L
group <- rep(c("A", "B"), each = n / 2L)

sigma <- matrix(
  c(1.00, 0.55, 0.50,
    0.55, 1.00, 0.60,
    0.50, 0.60, 1.00),
  nrow = 3L,
  byrow = TRUE
)
latent <- matrix(rnorm(n * 3L), ncol = 3L) %*% chol(sigma)
colnames(latent) <- c("BE", "EE", "CE")

make_items <- function(theta, prefix, loadings, group_shift = 0) {
  raw <- vapply(seq_along(loadings), function(j) {
    loadings[j] * theta + rnorm(length(theta), sd = sqrt(1 - loadings[j]^2)) +
      ifelse(group == "B" & j == 4L, group_shift, 0)
  }, numeric(length(theta)))
  out <- apply(raw, 2L, function(x) {
    as.integer(cut(x, breaks = c(-Inf, -0.85, -0.25, 0.25, 0.85, Inf), labels = 1:5))
  })
  colnames(out) <- sprintf("%s%02d", prefix, seq_len(ncol(out)))
  out
}

engage <- data.frame(
  id = sprintf("S%03d", seq_len(n)),
  group = group,
  make_items(latent[, "BE"], "BE", c(.78, .74, .81, .70), group_shift = 0.25),
  make_items(latent[, "EE"], "EE", c(.76, .72, .79, .68)),
  make_items(latent[, "CE"], "CE", c(.80, .73, .77, .71)),
  check.names = FALSE
)

# 想另存檔案時取消下一行註解；本文的校驗值以這個呼叫產生
# write.csv(engage, "engage-v1.csv", row.names = FALSE, fileEncoding = "UTF-8")

items <- engage[grep("^(BE|EE|CE)", names(engage))]
stopifnot(nrow(engage) == 600L)
stopifnot(ncol(items) == 12L)
stopifnot(all(vapply(items, function(x) all(x %in% 1:5), logical(1))))

alpha_from_cov <- function(x) {
  s <- cov(x)
  k <- ncol(s)
  k / (k - 1) * (1 - sum(diag(s)) / sum(s))
}

cat(sprintf("ENGAGE-v1 rows=%d items=%d alpha_total=%.3f\n",
            nrow(engage), ncol(items), alpha_from_cov(items)))

我在 R 4.5.1（預設 Mersenne-Twister）重跑這段程式，並以註解中那行 write.csv 存檔，得到的檔案 SHA-256 為 701b771d6e488f342f9c50702708a5fa9471b48e9c591b2ccd3869b96222038e，與本系列 2026-08-25 保存的資料檔逐位元相同。若你的結果不同，先比對 R 版本、RNGkind() 與 write.csv 參數，再懷疑程式。這個校驗只證明資料可重建，不證明模型或用途正確。

lavaan：先檢查輸入，再擬合

dat <- engage
items <- sprintf("%s%02d", rep(c("BE", "EE", "CE"), each = 4), 1:4)
stopifnot(nrow(dat) == 600, all(items %in% names(dat)))

model <- '
  BE =~ BE01 + BE02 + BE03 + BE04
  EE =~ EE01 + EE02 + EE03 + EE04
  CE =~ CE01 + CE02 + CE03 + CE04
'

fit <- lavaan::cfa(model, data = dat,
                   ordered = items, estimator = "WLSMV")
stopifnot(lavaan::lavInspect(fit, "converged"))

這段 skeleton（程式骨架）的關鍵不是函數名，而是 schema assertions（資料結構定義、程式內的前提檢查）、ordered 題目（item）與 convergence check。正式報告還要檢查 warnings 與 thresholds（切點）。也要檢查因素負荷量、因素相關（相關係數）、殘差（residual）與 fit。若環境沒有 lavaan，腳本要明確失敗並告知安裝需求，不得略過後仍標 verified（已通過本系列查核）。

mirt：不要偷換 response definition

Day 19 為手算把五類反應衍生為 response>=4的二分 view。程式必須把它命名 *_hi，保留原欄，不可覆寫：

item_data <- dat[items]
binary <- as.data.frame(lapply(item_data, function(x) as.integer(x >= 4)))
names(binary) <- paste0(items, "_hi")

fit_2pl <- mirt::mirt(binary, 1, itemtype = "2PL", verbose = FALSE)
stopifnot(mirt::extract.mirt(fit_2pl, "converged"))

這只示範二分 2PL（雙參數邏輯模型）；保留 ordinal categories 時應明確選 polytomous 模型（model）。若文章展示 2PL 結果卻仍稱為原五點量表參數，target 已偷換。

完整例題：輸入、模型與解釋分三層

第一層 smoke test：generator 輸出 600 rows、12 題目、values 全在 1–5，總 alpha（內部一致性信度係數）由 base R 共變異數（covariance） formula（公式、共變異數）約為 0.843。第二層模型 test：lavaan/mirt 存在、模型收斂、參數在可解釋範圍、沒有未處理 warnings。第三層 substantive review：三因素是否符合預定內容、局部 BE04 shift 是否被診斷、二分化限制是否明說。

若第一層失敗，不進模型；第二層失敗，不報參數；第三層失敗，程式即使成功也保持 draft。這個狀態順序比一行 summary(fit) 更重要。

Claude 協作：code skeleton 必須帶 assertions

請 Claude 產生程式時，要檢查選欄規則。若用欄名前綴一次選入，未來新增 BE_note 也可能被算成題目；上面的骨架改用明確的 12 個題目 ID。這個錯誤案例說明為什麼資料格式檢查要先於估計，而不是等參數不合理才猜哪個欄位出了問題。

列印 summary(fit, fit.measures=TRUE) 只會展示輸出，仍須對每項結果提問：模型收斂了嗎？有負殘差變異嗎？因素相關是否異常？估計方法如何處理有序反應？主張是否限於合成示例？Claude 可以提出檢查候選；哪些警告改變推論，必須由懂模型的教師判讀。

反例：跑出數字，資料卻錯版

假設工作目錄中有舊 engage.csv，欄名相同但 seed 與 BE04 shift 不同。程式照常執行，文章數字卻無法重現。解法是固定路徑、data version 與 checksum，並由 generator 重建；若 hash 不符，停止。

第二個 failure case（失敗案例）是套件升版後 estimator default（估計方法）或輸出改變。只記「使用 lavaan」不足，需保存 package version 與 session info。重跑出現合理差異時，不手動改回舊數字；先比較 release notes（套件的版本更新說明）、設定與數值容差，再更新 verification record。

第三個反例是模型 convergence 卻有不合理 estimates。optimiser 找到一個解，不代表它符合心理計量可接受範圍。negative 殘差變異數（residual variance）、極端標準誤（standard error）、因素相關超界都需 surfaced。

上面的單因素 2PL 也要特別解讀：資料來自三面向題本，這段程式是在示範介面與二分衍生欄位，沒有證明單維模型足夠。即使收斂，也應回 Day 19 檢查維度與局部獨立；不能將十二題的估計參數直接當成可用的 CAT（電腦適性測驗）題庫。

最小可重現不等於最少資訊

最小的意思是恰好足以重做主張：資料或 generator、版本、seed、code、輸出摘要與限制。刪掉 session info、warnings 或 data transformations，檔案會更短，主張卻不可重現。完整 console dump 也非必要；保留能判斷的摘要，長輸出另存。

環境驗收也要如實記錄

既有驗證報告記錄了 2026-08-25 的環境：R 4.5.1、lavaan 0.7.2、mirt 1.45.1，並列出模型收斂摘要。這些是原稿的歷史重現紀錄；本次文字修訂沒有重新執行套件分析，也沒有原始安裝逐步紀錄可確認「先缺套件、再安裝」的細節。讀者重跑時，應重新檢查當下環境，保存自己實際取得的版本與輸出。

重現腳本將兩種失敗分開：dependency missing 直接以非零狀態停止；模型 warning 則完整保存並由人工判讀，不用 suppressWarnings() 讓畫面乾淨。若 mirt 或 lavaan 在未來升版，腳本先輸出新版本，verification report 標示與原稿不同，文章數字必須重跑後才能更新。

我也為結果設定 tolerance。浮點運算與優化器可能讓最後幾位不同，逐字比較整份輸出會產生假警報；但資料 row count、題目 IDs、收斂狀態、參數範圍與主要結論方向不能漂移。數值 tolerance 要對每個 quantity 指定，不以「差不多」取代。

最後，重現卡保存執行日期與命令。若讀者只開文章看程式，無法知道作者是否真的跑過；若只有輸出截圖，又無法重建輸入。code、machine-readable result 與短版文章解釋三者互相連結，才是一份可教的計算證據。

原問題的答案是：程式跑完只證明某段 code 在某環境執行，正確分析還需輸入、模型、估計、輸出與用途五層查核。基礎閱讀是 lavaan/mirt 官方文件；發展閱讀是 estimator 與 diagnostics；前沿閱讀可進 container、lockfile、numerical reproducibility 與 workflow provenance。

本篇留下重現卡、兩段帶輸入及收斂檢查的程式骨架，以及資料錯版反例。歷史執行摘要與本輪文字審閱分開記錄。下一篇把這些常見錯誤整理成失敗案例集，讓後續文章與 AI 助教有可依循的測試規格；是否通過仍要以各次執行紀錄判定。

來源與協作揭露

• lavaan project, A CFA example 與 Multiple groups。
• Chalmers, R. P. (2012). mirt；CRAN mirt。