Representing others: major trends

1 – Dramatization

2 – Eroticization

3 – Mythicization

http://feeds.feedburner.com/blogspot/sGXLS

Eroticizing others– what do the majority men want to see in minority women?

It is their breasts which represent the ‘nature’, a nature that needs to be conquered.

Tourists, amateur photographers go ‘hunting’ for ‘mountainous women in streams’.Tourist websites eagerly promote this ‘cultural heritage’, together with exotic ‘minority alcohol’ to attract (male) customers.

Common words used to describe them : ‘mountainous girls’, ‘wildly beautiful’, ‘innocent’…

 

Drunkenness in northern upland of Vietnam

How should we understand all these things?

• The state/tourist industry: it is cultural heritage of ethnic minorities, it is simply ‘beautiful’
• The public health official: it is a health risk – lack of knowledge, lack of information
• The sociologist: it reflects societal problems – power inequality, shortage of employment opportunities, discrimination against ethnic minorities, problems of internal colonialism
• The anthropologist: it functions to help drinkers overcome something, inside (a psychological, temporal escape of inescapable social inequalities)  or outside their heads (smoothing social relations, building social networks, etc)

'Vietnam Posters: The David Heather Collection' - latimes.com

'Vietnam Posters: The David Heather Collection' - latimes.com

Communist Propaganda Posters of the Vietnam War

VSPA.com: Communist Propaganda Posters of the Vietnam War. Page-1.

This site provides many pictures of communist propaganda posters that can be used for teaching or other academic purposes.

Sách Việt Sử

Trung Tâm Việt Ngữ Văn Lang - San Jose:: Sách Việt Sử

A site that offers books on Vietnamese history. Free download.

• Việt Nam Sử Lược
  Do học giả Trần Trọng Kim soạn thảo vào năm 1919. Trung tâm học liệu in lần thứ nhất vào năm 1971, nhóm Sách Việt chuyển sang ấn bản điện tử vào năm 1994.
  
  
• Việt Sử Toàn Thư
  Do sử gia Phạm Văn Sơn soạn thảo vào năm 1960, hội chuyên gia Việt Nam chuyển sang ấn bản điện tử vào năm 1996.
  
  
• Quốc Triều Chánh Biên Toát Yếu
  Do Quốc Sử Quán Triều Nguyễn soạn thảo vào khoảng đầu thế kỷ 20.
  Nhóm nghiên cứu sử địa dịch sang chữ Quốc Ngữ vào năm 1972.
  Nhóm bạn Lê Bắc, Doãn Vượng, Công Đệ chuyển sang ấn bản điện tử năm 2001.
  
  
• Khâm Định Việt Sử Thông Giám Cương Mục
  Do Quốc Sử Quán Triều Nguyễn soạn thảo khoảng năm 1856-1881. Viện Sử học dịch sang chữ Quốc Ngữ vào năm 1960. Nhóm bạn Lê Bắc, Công Đệ, Ngọc Thủy, Tuyết Mai, Thanh Quyên chuyển sang ấn bản điện tử năm 2001.
  
  
• Việt Sử Tiêu Án
  Do Ngô Thời Sỹ soạn thảo vào năm 1775. Hội Việt Nam Nghiên Cứu Liên Lạc Văn Hóa Á Châu dịch sang chữ Quốc Ngữ vào năm 1960. Nhóm bạn Lê Bắc, Doãn Vượng, Công Đệ chuyển sang ấn bản điện tử năm 2001.
  
  
• Đại Việt Thông Sử
  Do Lê Quý Đôn soạn thảo vào năm 1759. Lê Mạnh Liêu dịch sang chữ Quốc Ngữ vào năm 1973. Nhóm bạn Lê Bắc, Công Đệ chuyển sang ấn bản điện tử năm 2001.
  
  
• Đại Việt Sử Ký Toàn Thư
  Do nhiều sử gia nhà Trần và nhà Lê soạn thảo ra. Năm 1993, nhà XBKHXH ấn hành bản chữ Quốc Ngữ, dịch từ bản in năm Chính Hòa thứ 18 (1697).
  Nhóm bạn Lê Bắc, Công Đệ, Ngọc Thủy, Tuyết Mai, Hồng Ty và Nguyễn Quang Trung chuyển sang ấn bản điện tử năm 1999.
  
  
• Lam Sơn Thực Lục
  Do Nguyễn Trãi soạn thảo, Lê Lợi đề tựa vào thế kỷ 15. Mạc Bảo Thần dịch sang chữ Quốc Ngữ vào năm 1944. Nhóm bạn Lê Bắc, Công Đệ, Tuyết Mai và Doãn Vượng chuyển sang ấn bản điện tử năm 2001.
  
  
• Thiền Uyển Tập Anh
  Soạn thảo vào đời nhà Trần, khoảng thế kỷ 14. Sách viết về các thiền sư đời Lý, Trần, v.v... tuy nhiên lại cho biết rất nhiều dữ kiện lịch sử vào các thời kỳ đó. Lê Mạnh Thát dịch sang chữ Quốc Ngữ vào năm 1976. Lê Bắc chuyển sang ấn bản điện tử năm 2001.
  
  
• An Nam Chí Lược
  Do Lê Tắc soạn thảo vào khoảng thế kỷ 14, Ủy ban phiên dịch sử liệu Việt Nam thuộc Viện Đại Học Huế dịch sang chữ Quốc Ngữ vào năm 1960. Nhóm bạn Lê Bắc, Công Đệ và Doãn Vượng chuyển sang ấn bản điện tử năm 2000.
  
  
• Đại Việt Sử Lược
  Do một tác giả khuyết danh soạn thảo vào khoảng thế kỷ 14. Nguyễn Gia Tường dịch sang chữ Quốc Ngữ vào năm 1972. Nhóm bạn Lê Bắc, Công Đệ chuyển sang ấn bản điện tử năm 2001.

Guanxi, Blat: the economy of shortage

 

In command economies of Soviet countries, China, and Vietnam, foods and services were often scare.

The practice of getting scare services and goods from informal contacts was widespread. In Chinese, it is called, in general sense, guanxi. In Russia, it is blat. Many other academic terms relates to that:

‘economy of favours’, ‘economy of shortage’, ‘second economy’, ‘culture of shortage’

How have those practice changed over time and how could they be used for analyses of contemporary social issues in the post-socialist countries are important questions.

People have said much about ‘social capital’ and often ignored this form of social capital in the post-socialist world.

This is a good review, it is worth having a look:

Ledeneva, A. (2008). "Blat and Guanxi: informal practices in Russia and China." Comparative Studies in Society and History 50(1): 118-144.

Power Analysis for multiple logistic regression

I – Short answer: use powerlog in Stata
II – Long answer:
powerlog, p1(.25) p2(.35) rsq(.4)
In order to understand that, you should think of a ‘dependent variable’,  ‘key predictor’, and all other predictors which are of less interest, or confounders.
p1 and p2 concern the key predictor and the dependent variable (Y) only:

• at p1, you guess the possibility of Y=1 if p1 is at  its mean
• at p2, you guess the possibility of Y=1 if p1 is at its mean plus one standard deviation (or p1=mean+1 SD)

Where do the ‘guesses’ come from: from the literature review, or a pilot test, you make an ‘educated’ guess. This guess should have a practical application if it is true.
rsq concerns only the key predictors and all other predictors. Ideally there should be no endogenous variable in the set of predictors – or rsq should be 0. If you expect some level of correlation between the key predictor and other predictors, note that:

• strong correlation: 0.5 to 1
• moderate correlation 0.3 to 0.49   
• weak correlation 0.1 to 0.29

Ideally, you should remove predictors that strongly correlate with others, because they are redundant, unless you have good reasons to keep. A model is efficient if it has less predictors but explain more variance of Y.
In the case above p1 is set at 0.25 and p2 at 0.35. That means when the key predictor takes its mean value, the possibility that Y=1 (eg. getting promoted, getting cancer, being an alcohol abuser) is 0.25. Note that when p2 is set at 0.35, the expected association between Y and key predictor is a positive one – when key predictor increase, the change of getting Y=1 increases.
In Stata we get 290 for power=.80
powerlog, p1(.25) p2(.35) rsq(.4)
Logistic regression power analysis
One-tailed test: alpha=.05  p1=.25  p2=.35  rsq=.4  odds ratio=1.615384615384615
power    n
0.60    173
0.65    196
0.70    223
0.75    253
0.80    290
0.85    335
0.90    397
Note that this is a power analysis for one-tailed test, which mean 5% chance of ‘wrong guess’ goes all on one tail of the curve:

For a two-tailed test, each tail would have a 2.5% chance that the guess would go wrong


In stata, we can do as below. This time we get 369 for power=.8, two tailed.
. powerlog, p1(.25) p2(.35) rsq(.4) alpha(0.025)
Logistic regression power analysis
One-tailed test: alpha=.025  p1=.25  p2=.35  rsq=.4  odds ratio=1.615384615384615
power          n
0.60         235
0.65         263
0.70         293
0.75         328
0.80         369
0.85         420
0.90         489

Dealing with Survey data (updating)

1) Declare that your data is survey data
2) Think about research goals: Do you want to compare something with something else, or do you want to see if something relates to something else?
3) Choose the test, as mentioned here
4) Read the questions and answers as following (credits UCLA):

• How do I use the Stata survey (svy) commands?
• Sample setups for commonly used survey data sets
• Choosing the correct analysis for various survey designs
• How can I check for collinearity in survey regression?
• How can I do a t-test with survey data?
• How can the standard errors with the cluster() option be smaller than those without the cluster() option? (from Stata FAQs)
• Do the svy commands handle zero weights differently than non-svy commands? (from Stata FAQs)
• How can I analyze a subpopulation of my survey data in Stata?
• Why doesn't summarize accept pweights? What does summarize calculate when you use aweights? (from Stata FAQs)
• Why doesn't the test of the overall survey regression model in Stata match the results from SAS and SUDAAN?

New source on Indochina War

Welcome to the On-Line Resource Site on the Indochina War at the Université du Québec à Montréal (UQÀM). This electronic resource seeks to provide specialists, teachers, students, and the general public with reliable reference tools needed to better understand this complex conflict.

Viet Texts - Vietnam History Online in English

Viet Texts

Introduction

This web site contains English-language translations of Vietnamese historical texts. It also contains searchable versions of the classical Chinese (Hán) originals.

Two-way relation between interethnic social capital and drunk driving, risky drinking, binge drinking

 

 

Interethnic social capital is measured by frequency of interethnic drinking (at least monthly)

 

This is the model for drunk driving:

 

This is the model for binge drinking (expert definition, drinking 6 cups or more at a time)

 

This is the model for risky drinking (expert definition, AUDIT >7 for men)

This is the model for binge drinking (an ‘agreed’ version between ‘expert knowledge’ and ‘lay knowledge’)

This is the model for risky drinking (an ‘agreed’ version between ‘expert knowledge’ and ‘lay knowledge’)

Drinking a cup of tea, performing an identity

Take them home. Dry them up – until they become a bit dark, black. Serve with hot water, using a tea pot, or a coffee cup. Add sugar if you like. In rural area, you may want to call a friend over and share it with him, her.

Green tea is very much a piece of social interaction. It is not simply a drink. The smell, the colour, and the taste of your tea tell others who you are. Tea makes an distinction, shows an identity, and mark a status. Tea functions to glue seemingly strangers, maintain communal harmony, cement solidarity, provide a sense of being healthy. You can have a good network of friends just because you like to drink tea with them. You may use a cup of tea to show other that you belong to some class, some ethnic group, some gender, some region, and some education level. When you drink your tea, you make a performance of your identities. You negate the similarities between you and other. You play a role, like in a theatre so that you yourself and other will feel happy. You may talk about your tea drinking in a certain way, in order to convey certain meanings, conceal some information, or manage other impression of you. You drink your tea, therefore you are who you are.
So, have you had a cup of tea today?
Interested in a tea/alcohol/coffee research? Consider using identity performance framework. We drink to express, symbolically, our gender, ethnic, class identities. However, somebody may always there, who have the power to interpret, label, stigmatise our performance. We need to negotiate by repeating the performance, talking about it, explaining it. We use ‘techniques of information control’, ‘techniques of neutralization’, and perhaps strategy of mitigation as well, if we feel like what we ‘ve just said is ‘politically incorrect’! (I am not racist, but his practice is very backward!)
Look at Goffman (1959) for a definition of ‘performance’
Look at Butler (1989) for a definition of gender performance
Look at Connell (1987) for a definition of negation (reduce similarities)
Look at Room (2005) for a piece on ethnic performance

Guide for Chapter Formation

A standard chapter in a thesis, or a article should satisfy the following :

1) what is the aim of this chapter?

2) what is going to happen (what will be presented here)?

3) Heading 1: say about it, but keep mentioning in passing other key ideas in the chapter

4) Heading 2: say about it, and referring back to what have been said so far

5) Provide a conclusion:

- a summary of what have been mentioned

- highlight the idea/concept (among many things you mentioned) that is important at most in your work

-tell what is going to happen /be presented in the next chapter

Other requirements:

-Should be 7-8 thousand words in length

-Should cover (the number of thousand words x 10) = 8 x 10 = 80 references

-References should be the key studies in the mentioned area. Do Google Scholar search to determine roughly which studies get cited the most. The more cited, the more influential. References will not be counted in word counting.

- Map, table, formula all need caption. Insert them, right click, choose caption, choose among options (table, figure, equation), give a name

-Margins: Left: 3cm, Right, free, Top/Bottom: 2,5

-Page number: top, right

-Font: 12, double spaced, Times New Roman

-Appendixes are at the end of thesis

How to spend the last month of your PhD crazily?

It is not easy. You have to do the following:

1) Write only when all the ideas are clear to you

2) Disagree with your academic adviser’s style of commenting

3) Follow your working routine: wakeup at 5, leave home at 7, stop for lunch at 12, and come back to work at 2, leave for dinner at 8, and sleep at 11

4) Read more, since you keep finding new articles

5) Stop being nice with people because you ‘are busy’

6) Watch some movies, nice pictures, face booking,

7) Forget about visa expiration

8) Forget about financial stuff

9) For get all the ‘hygienic stuff’

10) Eat biscuits everyday – or ask somebody to buy it for you

RESEARCH AREA

HOW TO deal with ENDOGENEITY of binary variable

I-SHORT ANSWER

This is a common problem in social sciences,

y= x1……..xn, but

x1=x2…..xn

How to deal with it? In Stata, use ivprobit if the suspected endogenous variable is continuous, if it is binary/discrete, use treatreg.

II-LONG ANSWER

look for lnsigma and athrho 

1) meaning of lnsigma

lnsigma = log of sigma

sigma could be understood as standard error of….what?

of ….correlation….between what?

2) meaning of athrho

athrho= transformation of rho, and rho is basically a correlation measure

In this context, rho is the correlation between the errors (residuals) of the probit equation (full equation) and the reduced equation for the suspected endogenous variable (now let us call this correlation between two residuals ‘A’)

full model: y=x1+……………….xn ---> error 1

reduced model: x1=x2….xn --->error 2

Does error1 correlate significantly with error2?

The task here is to test a Ho : there is no endogeneity problem in the set of predictors in relation with the dependent variable. In other words, we test that A is not significant.

if athrho >0.05, that means the possibility that A is not significant is larger than 5%

if athrho <0.05, that means the chance for A to be insignificant is very tiny.

IN SHORT, IF athrho is larger than 5%, we can say that: we cannot reject Ho, or, it is less likely that there is an endogeneity issue in here.

Then WHAT ---> RUN a normal model using probit or logit, depending on what you like, then use it for final results.

IF athrho <0.05, you should keep the output result of ivprobit, which include estimate for both models

NOTE THAT: ivprobit should be used for continuous (suspected) endogenous variable. Consider transform your variable if it is discrete. Nevertheless, the test idea is the same: Does residual in FULL MODEL significantly correlate with residual in REDUCED MODEL?

Consider using –treatreg FOR BINARY endogenous variable:

svy, subpop(sex): treatreg [Y] [ALL_X] , treat(BINARYVARGOESHERE = ALL_X)

est store m1

estout m1, cells(b(star fmt(3)) ) l starlevels(+ 0.1 * 0.05 ** 0.01 *** 0.001) stats(N F,star(r2 p))

Buffalo and pig raising in Tan Lac from 1966 to 2008

How to create a ‘Send to’ option in window explorer?

1) Create or think about a folder you would like to keep your files
2) Push window button and R at the same time
3) You will see a 'run window', now key in: shell:sendto
4) You will see a folder where you can create a shortcut to your folder in step one. Right click in any blank place, choose new shortcut, choose the folder you like.

Thế nào là gia trọng?

Là làm cho cấu trúc (tuổi, giới, dân tộc, vv) của mẫu phù hợp với cấu trúc đó trong dân số.

Công thức tính gia trọng như sau: <![if !msEquation]><![endif]>

Trong đó

N_i là số người từ 18-25 trong một phường

N là tổng số người từ 18-60 trong phường đó.

n_i là số người từ 18-25 ta chọn được/hỏi được sau khi kết thúc survey

n là tổng số người từ 18-60 ta hỏi được

Ví dụ tỷ lệ người trong độ tuổi 18-25 trong toàn dân số (từ 18-60 của phường đó) là 0.18

Nhưng tỷ lệ người này trong mẫu chỉ có 0.05.

Vậy trọng số cho nhóm tuổi đó sẽ bằng: 0.18/0.05= 3.6

Nói cách khác các hệ số tính được từ mẫu sẽ được nhân với 3.6 để ra được hệ số có gia trọng. Hệ số có gia trọng phản ánh chính xác hơn quan hệ của các tham số trong dân số.

Nếu phải gia trọng nhiều thuộc tính của dân số thì không nên làm từng cái rồi nhân với nhau, mà làm như sau:

<![if !supportLists]>-         <![endif]>Gia trọng cho thuộc tính thứ nhất

<![if !supportLists]>-         <![endif]>Tính phân phối (proportions) của thuộc tính thứ hai sau khi đã gia trọng thuộc tính thứ nhất

<![if !supportLists]>-         <![endif]>Gia trọng thuộc tính thứ hai

<![if !supportLists]>-         <![endif]>Tính phân phối của thuộc tính thứ bas sau khi đã gia trọng thuộc tính thứ hai,

<![if !supportLists]>-         <![endif]>Vv xem thêm

Gia trọng và liên hệ với chọn mẫu thừa (oversampling is good!)

Chọn mẫu thừa nghe thì có vẻ như cái gì đó 'tiêu cực'. Nhưng không phải vậy.

Trong cách chọn mẫu ngẫu nhiên đơn giản có hệ thống, người ta có thể chọn 1 trong mỗi 50 người hoặc 200 người để nghiên cứu.

Nhưng khi ta gặp một nhóm mẫu có đặc điểm ta quan tâm đặc biệt nào đó, ta sẽ áp dụng cách chọn mẫu thừa, sao cho số trường hợp được chọn trong tổng số mẫu sau cùng là đủ để phân tích.

Các nhóm dân tộc thiểu số thường được 'chọn thừa' là vì như thế.

Khi phân tích xong rồi, ta phải nhân kết quả với trọng số (như trong ví dụ trên) để trả lại tình trạng ban đầu cho nó.