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。

筆者於2016/11/27參加嘉義長庚健康資料卓越研究中心主辦的「健康資訊科學與科技學術研討會」(活動項目:goo.gl/xxKXFl),其中邀請到四位在大數據醫療具有深厚涵養與優秀成績的一流研究者。其中包括筆者仰慕已久的吳俊穎醫師,吳醫師在健保資料庫研究的成績斐然,論文發表求質不求量,基本上只發表在impact factor > 10分或ranking < 5%的期刊。

筆者研究過吳醫師的論文,從資料本身的廣度(都是台灣的全人口檔,而不是抽樣檔)、研究的高度(多數都是企圖改變治療指引 [guideline] 的研究)、研究設計與統計的深度都具有非常高的水準。而從本次吳醫師的演講中,筆者發現吳醫師在健保資料庫已經在進行新型態的研究了。

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

F3_1.tif

 

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

插補遺漏資料值(multiple imputation)-結果

15)「插補模式」

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

插補遺漏資料值(multiple imputation)-操作

1)點選「多重插補(multiple imputation)」→「插補遺漏資料值」

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

多重插補法(multiple imputation)可以說是以模型基礎法來插補的延伸,是屬於利用迴歸模式進行插補的一種方法,由於該方式是從預測值的合理分配中隨機抽取數個數值進行插補,因此稱之為多重插補,此一方法可適用於縱貫性資料或單一觀察資料,也可處理多變量資料結構。

目前多重插補法主要的演算法分為(1)最大期望值法(expectation maximization, EM)與(2)馬可夫鏈蒙地卡羅法(Markov Chain Monte Carlo, MCMC),而SPSS軟體中所提供的演算法即為後者,是透過貝氏定理的方法,以先驗機率分析資料,再以條件後驗分配進行重覆抽樣,直至近似分配收歛至目標分配為止。

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

Gary Yourofsky ~~美國純素主義的推廣者

Gary Yourofsky的這篇演講的確是我看過最好的演講,網路上很多人討論他觀點的正確性,但我認為正確與否不重要,我在乎的是這真的是一個好演講。從喚起聽眾的恐懼到闡明道理到如何簡單執行與改變,一氣呵成絕對令聽眾留下很深的印象。整篇演講中他穿插許多很活潑、很生動、很血腥的例子,每個例子都充滿張力,我認為有心要做好演講的人,絕對要把這篇演講多看幾遍,真的可以學習到很多。吃東西有的人吃的是一種味道,有的人吃的是一種習慣,也有的人吃的是一種理念,看你怎麼吃囉!!

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

本篇文章介紹目前競爭風險存活分析最常使用的方法,即Fine and Gray1999年提出的次分佈瞬間危險(SubDistribution HazardFunction,以下簡稱SDH)。SDH與特定因素危險函數(Cause-Specific Hazard Function, CSH)一樣能允許存在多個事件,兩者的差異在於計算瞬時危險(Instantaneous hazard)時的風險集是不同的。

SDH在計算風險集時,並非採用傳統Kaplan-Meier的估算方法,而是採用累積發生函數(Cumulative incidence function, CIF),核心精神為:發生過競爭風險的人,在未來的觀察時間仍會保留在觀察名單(Population at risk)中。

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

        呈本系列第一篇文章所提及,競爭風險存活分析目前主流方法有二,特定因素危險函數(Cause-Specific Hazard Function,以下簡稱CSH)與次分佈瞬間危險(SubDistribution HazardFunction,以下簡稱SDH),本篇將介紹CSH的概念與背後的想法。讀者必須要先瞭解傳統存活分析對於風險集(Risk set)的算法,特別是最常用的Kaplan-MeierKM)的估算方法,讀者可參考筆者之前介紹KM法的文章(短網址:goo.gl/HtM58w)。

    CSH是由Cox model所變化而成,風險集的設定也是採取Kaplan-Meier的估算方法:一旦發生研究興趣事件或是失去追蹤(設限,censor)的個案,在下一個觀察時間,皆從觀察名單中(Populationat risk/ patient at risk)被排除。如圖2所示,Time=1時觀察名單有30人,且同時興趣事件(正方形□)發生1位,競爭風險(三角形▲)發生1位。於是在Time=2時,上一個時間點已發生興趣事件及競爭風險的人皆從觀察名單中被排除,故計算Time=2的危險函數(Hazard function)時,觀察名單為30-1-1=28人。

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

在醫學研究領域,當涉及到「追蹤時間」(Follow up)的結果變項(Outcome variable / Endpoint)時,主流分析方法為存活分析(Survival analysis),常見作法為將病人的追蹤結果分為兩大類,第一、沒有發生興趣事件(Event of interest)者為設限樣本(Censor),發生研究興趣事件者為事件樣本(Event)。

在目前常見作法中,假設該病人只可能發生單一事件。然而,病人實際的狀況卻沒有這麼簡單。病人在追蹤過程中,除了發生研究興趣事件之外,也有可能遭遇其他事件(例如死亡、器官移植、手術等),在各種病人可能遭遇的其他事件中,某些事件是一旦先發生了(例如死亡),病人將沒有機會再發生研究興趣事件。

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

找更多相關文章與討論

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