公告版位
晨晰統計顧問有限公司在板橋~~服務市話:02-29602817 手機:0918-276-622 聯絡信箱:raising.statistic@gmail.com。 網址:http://www.rai-stat.com.tw。 歡迎大家踴躍發問,問問題請用facebook問(http://tinyurl.com/raising100)會快速回覆喔,我們每週才會統一回一次部落格上的問題。

(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。

晨晰部落格新站 發表在 痞客邦 留言(0) 人氣()

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Creatinine0.8,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。

晨晰部落格新站 發表在 痞客邦 留言(0) 人氣()

              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。

 

晨晰部落格新站 發表在 痞客邦 留言(0) 人氣()

16.接下來介紹「概化線性」的操作方式,點選分析→混合模式→概化線性。

17.先設定「資料結構」。

晨晰部落格新站 發表在 痞客邦 留言(0) 人氣()

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

晨晰部落格新站 發表在 痞客邦 留言(0) 人氣()

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(https://goo.gl/atTnNN),其中Impact factor大於10分者高達104篇,可謂是台灣醫學領域之光。

 

晨晰部落格新站 發表在 痞客邦 留言(0) 人氣()

一直以來,因工作關係,與新北市各地政機關同仁結下許多緣份,尤其在協助民眾滿意度調查上,榮幸幫上一些忙。

(2017)11月,意外接獲淡水地政來信,希望在12月底舉辦一次講座藉以提升滿意度調查的精準度。我非常高興有這樣的邀約,可以面對面與地政人員接觸,除了分享我的理念外,也可以發現更多更實務的問題,藉由QA讓大家有更多思考。

晨晰部落格新站 發表在 痞客邦 留言(0) 人氣()

 

晨晰部落格新站 發表在 痞客邦 留言(0) 人氣()

         延續上篇簡單描述什麼是不死偏誤,以及為什麼不死偏誤會讓用藥治療組傾向有比較好的結果。上篇文末提到的處理不死偏誤的幾種方式中,目前比較多模擬研究在比較的是時間相依(time-dependent)、用藥時間分佈配對(prescription time-distribution matching, PTDM)及sequential Cox approach這三種較為新穎的研究方法。但是多數研究為某兩種方法的比較,或是純理論推導的比較,模擬研究也比較多是在單一模擬資料集之下所做的研究結果。比較少有文獻同時比較這三種較為新穎的研究法,且在同一篇文獻中虛擬出不同特性的資料結構,比較三種研究法在不同資料結構之下的偏誤狀況及風險比例(Hazard ratio, HR)估算的結果差異。 

  本篇要分享2016年發表於美國流行病學期刊(American Journal of Epidemiology, AJE)的一份研究報告。作者首先透過公式推導的方式寫出偏誤(bias)的公式,藉此合理推論什麼情境之下偏誤會增加或減少。之後再以模擬資料集(simulated data)實際比較三種研究法的偏誤及Cox分析結果。本篇分享文略過複雜的公式部分,直接分享作者研究報告比較的結果,對研究中細部訊息有興趣的讀者,可以從下方參考文獻處的資訊搜尋全文閱覽。

晨晰部落格新站 發表在 痞客邦 留言(0) 人氣()

    觀察型或是資料庫追蹤研究的醫學藥物研究設計中,將用藥組跟非用藥組分別比較時,會面臨不死偏誤(immortal time bias)造成的錯誤分組(misclassification),而且這個錯誤分組傾向用藥組會有較好的存活效應。什麼是不死偏誤?而不死偏誤造成的錯誤分組指的又是什麼意思?

  不死偏誤指的是用藥組在疾病診斷日期之後到第一次用藥日期之間存活的時間偏誤,因為有機會在診斷日期之後被觀察到接受藥物治療的人,前提必須先活著,因此【沒有機會接受治療】的人會被歸類到非用藥組,產生錯誤分組的問題。沒有機會接受治療的人是指在診斷日期之後觀察追蹤的這段時間中死亡、設限或是發生事件的人。這個思考邏輯的背後有個前提假設,診斷日期之後的任何觀察追蹤時間點,病人都是有可能接受藥物治療的人,也是就風險人口(population at risk)的概念。

晨晰部落格新站 發表在 痞客邦 留言(0) 人氣()

您尚未登入,將以訪客身份留言。亦可以上方服務帳號登入留言

請輸入暱稱 ( 最多顯示 6 個中文字元 )

請輸入標題 ( 最多顯示 9 個中文字元 )

請輸入內容 ( 最多 140 個中文字元 )

請輸入左方認證碼:

看不懂,換張圖

請輸入驗證碼