在先前的三篇文章已經有介紹存活分析(Survival analysis)的使用時機、如何繪製存活曲線圖(Kaplan-Meier curve),以及如何比較「組別」之間的存活曲線是否有顯著差異(Log-rank test),但當「自變項是連續變項」或「當自變項超過2個以上」的時候怎麼辦?在存活分析眾多方法之中,有一個最廣為應用的迴歸模型:即為Cox proportional hazard model。
在先前的三篇文章已經有介紹存活分析(Survival analysis)的使用時機、如何繪製存活曲線圖(Kaplan-Meier curve),以及如何比較「組別」之間的存活曲線是否有顯著差異(Log-rank test),但當「自變項是連續變項」或「當自變項超過2個以上」的時候怎麼辦?在存活分析眾多方法之中,有一個最廣為應用的迴歸模型:即為Cox proportional hazard model。
成對樣本T檢定的case通常有兩種,一種是「重複量數」,也就是前後測的問題,像是減肥前後、實驗前後的成績,因此每一筆配對的資料都是來自同一位受試者,這種是最常見的配對樣本;另一種為「配對組法」,雖然每一筆配對的資料是來自兩位的受試者,但是我們會認定他們的某一特質(研究者所關心的)是相同的,像是相同智力的男女生皆受某一項測驗有沒有差別,而這種是比較不常見的配對樣本。但不管是第一種case或第二種,我們都會認為兩筆資料是有相關的,因此不能用獨立樣本T檢定,而要改用成對樣本T檢定
研究常常會遇到要比較兩個不同群體的對象在某一變數上的差異情形(限定為兩個群體),譬如說想要比較「男女生的成績」、「實驗組與控制組的成效」、「已婚與未婚的滿意度」,此時我們就必須藉由著獨立樣本T檢定來檢驗之。
在先前的兩篇文章已經有介紹存活分析(Survival analysis)的使用時機以及如何繪製存活曲線圖(Kaplan-Meier curve),但實務上只畫出一組的Kaplan-Meier curve似乎不夠,因為我們通常都想比較不同組別的存活狀況是否具有差異,例如實驗組與控制組是否有差異,我們意圖想證明實驗組相較於控制組有「較長的存活時間&較低的死亡機率」。
我們常常想要去檢樣我們的樣本是否高於、低於或等於某一特定值,因此要以樣本的平均數去和某一特定值做比較(像是班上的成績與全校平均成績80分是否有差異),此時我們就以單一樣本T檢定來檢驗們想要知道的答案。
上一篇文章有介紹存活分析(Survival analysis)的使用時機,但我們常常在期刊文章上看到畫所謂的「存活曲線」,我將在這一篇短文簡單介紹一下Kaplan-Meier curve。