本篇文章將介紹針對結構方程常用的配適度指標作介紹，除了整理各指標的判斷標準及參考文獻之外，亦針對一些特殊的情況進行說明。
CFI類似於NFI，但對樣本數有加以懲罰，因此CFI與RMSEA一樣較不受到樣本數大小的影響（Fan, Thompson, & Wang, 1999），即使在小樣本之下，CFI對模式配適度的估計表現仍相當好（Bentler, 1995）。CFI介於0~1之間，CFI指數越接近1代表模型契合度越理想，表示能夠有效改善中央性的程度。傳統上認為CFI在0.9以上為良好配適（李茂能，2006；陳正昌、程炳林、陳新豐與劉子鍵，2003；張偉豪，2011）。而有學者認為要以大於.95為通過門檻，用來評估模式適配度才夠穩定（Bentler, 1995; Hu & Bentler, 1999; 邱皓政，2011），但1不代表是完美配適，只代表模型卡方值小於假設模型的自由度。CFI在巢型結構中也是個常用的指標，巢型結構模型中CFI差異的大小決定模型是否不同（Cheung & Rensvold, 2002）。
本篇文章將介紹針對結構方程常用的配適度指標作介紹，除了整理各指標的判斷標準及參考文獻之外，亦針對一些特殊的情況進行說明。
卡方值是SEM最原始的指標，因為它直接從ML估計法的函數【（N-1）FML】計算而得。卡方值是愈小愈好，但也沒有一定的標準，因為卡方值不但會受到樣本數的影響，也會受到模型複雜度的影響，幾乎所有的模式都可能被拒絕（Bnetler & Bonett, 1980; Marsh & Hocevar, 1985; Marsh, Balla, & McDonald., 1988），算不上是實用的指標，因此顯少採用，但它是許多配適度指標的計算基礎，所以在SEM分析中需要呈現。
SAS 2017/7/28出版的文件【SAS 9.4 新功能】中，介紹許多SAS 9.4M1到SAS 9.4M4的增強功能及調整。其中，在Proc Freq程序中，增強估計勝算比 (odds ratio, OR)的信賴區間。以下將透過簡單的範例玩玩這個功能。
首先，先以proc logistic的程序估計勝算比及勝算比的信賴區間，程式碼如下所示(Mortality=1為死亡)：
（二）Points system
如上所述，nomogram不適用於解釋變項太多的情況（例如>10），當我們的多變項分析同時包括10個甚至15個變項時，此時則可以考慮以points system來呈現多變項模式的結果。
多變項迴歸分析（Multivariable or multi-predictor regression analysis）指的是迴歸方程式中，同時有2個或2個以上的解釋變項，反應變項（Response variable, Y）則可能是各種尺度的變項，常見的有線性（連續變項）、二元、計數與存活資料等，分別適用線性迴歸（Linear regression）、羅吉斯迴歸（Logistic regression）、卜瓦松迴歸（Poisson regression）及Cox比例危險模型（Cox proportional hazard model）等。
呈現多變項分析結果最常見的方式就是列表，列出迴歸係數、勝算比或危險比的值、信賴區間以及顯著性，如下表所示。方程式除了列解釋變項的迴歸係數（或勝算比、危險比）之外，也列出截距項（Intercept or constant）的數值，以利讀者可以帶入特定值，以計算出預測的結果變項的數值，例如50歲男性且Creatinine是0.8，此人的預測Y值是多少。預測Y值在線性迴歸跟卜瓦松迴歸代表的是平均值，在羅吉斯迴歸與Cox模型則是代表發生事件的機率。
當我們要看二個連續變項的相關度(例如照護品質與健康人數)，最常用的視覺效果是散佈圖。就像下圖點出XY軸二變數的位置，如果散佈點往右上的話，那是正相關，代表照護品質愈好，健康人數愈多；反之，右下是負相關。此外，如果加上圈圈大小，還可以表示第3連續變項，例如圈圈愈大，所得愈高。而且顏色也可以變化，同一顏色代表同一區域等。所以說散佈圖可以表達的資訊其實也可以很豐富。
本篇文章將介紹關於SPSS在三階層HLM的操作應用，筆者曾於過去寫過SPSS在二階層HLM的應用文章，其中有提到模式中固定效果的設定，會較HLM軟體來得直觀，就算到了三階層HLM也是如此，因此本篇文章僅以零模型為例，介紹隨機效果的設定方式，並以HLM軟體所分析出來的結果來驗證正確性。
一、資料介紹
根據成功大學呂宗學教授及其團隊針對健保資料庫所作的詳盡搜尋，目前為止（2017/11/17）已有4356 篇文章以英文的形式發表在國際期刊，其中Impact factor大於10分者高達104篇，可謂是台灣醫學領域之光。
{{ article.title }}