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。

目前分類:研究方法 (55)

瀏覽方式: 標題列表 簡短摘要

8)分析完會先看到調節圖形,裡面目前有三調迴歸線,這是因為在第6點的設定,我們保持預設的三條迴歸線。

9)針對圖型不滿意的部分,可透過左邊的選項即時調整。

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

 

調節分析係指在不同調節變項的水準之下,去探討自變項對於依變項的影響程度是否會不同,若以圖形方式來呈現,就是在不同調節變項的水準之下,去個別畫出XY的迴歸線,當個別迴歸線的斜率差異越大時,代表調節的效果越明顯。

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

Meta-analysis(後設分析/統合分析)是當代科學研究主流的一種方式,是將個別單獨研究的數據予以萃取並整合的一種量化方法。目前國內關於統合分析的程序與概念說明已有數本譯作,包括Meta-analysis始祖級人物Robert Rosenthal的著作(http://www.books.com.tw/products/0010002637)與同是大師的Harris Cooper的著作(http://www.books.com.tw/products/0010611820)。

以上兩本書皆著重在進行Meta-analysis的脈絡與程序,另外舉例及背景也偏重於社會科學領域。對於公共衛生(流行病學)或醫學領域的研究者而言,對於書中所舉的範例,無法生出熟悉之感。於2009年時,Michael Borenstein與其他幾位大師共同出版了「Introduction to Meta-Analysis」(http://as.wiley.com/WileyCDA/WileyTitle/productCd-EHEP002313.html),出版不久後,筆者剛好在設計Meta-analysis課程,細讀其中幾章重點之後受益良多。

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

【單因子獨立樣本變異數分析】

1Test family選擇「F tests」。

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

筆者過去曾經介紹關於線性迴歸分析、羅吉斯迴歸分析之樣本數規劃,為了讓這系列的文章更為完整,此次將補充有關獨立t、成對t、單因子變異數分析與相關分析關於G-power的樣本數計算操作,並包含效果量的解說。

在以下的操作中,型一誤差α皆設為0.05,而Power(1-β)皆設為0.8,雙尾檢定。

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

當遇到要用G-power來計算樣本數的問題時,最常遇到這兩種論文題目,一種是建立迴歸預測模型(http://dasanlin888.pixnet.net/blog/post/34469720),另外一種則是RCT的介入研究,是我們今天要介紹的內容。

RCT的組別只分成實驗組與對照組兩組時,在公式的選擇上,會建議使用Diggle et al.2002)【Diggle, P. J., Heagerty, P., Liang, K.-Y. and Zeger, S. L. (2002). Analysis of Longitudinal Data (2nd edition). Oxford University Press.】所提除的公式(如下),此公式常被研究者拿來使用,或被其他研究者加以延伸發展。

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

五、圖形製作

1)複製PROCESS所產出的畫圖語法

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

三、分析操作

1)點選「分析」→「迴歸」→「PROCESS

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

最近剛好遇到幾位客戶問到詹森內曼(Johnson - Neyman)法的操作與報表解讀方式,網路上或教科書關於此部分的教學也不太好找,因此今天以詹森內曼法為主題寫一篇教學性的文章。

執行共變數分析前,必須先檢視是否有違反迴歸係數同質性的問題,如果違反,表示共變數對於依變項的影響程度,會因為組別的不同而有所差異,此時需改用詹森-內曼法(Johnson – Neyman method)來進行共變數分析(說明介紹,請參考http://dasanlin888.pixnet.net/blog/post/34469318記得早些年在處理詹森內曼法的問題時,是透過高雄市七賢國小張義芳老師設計開發附在Excel裡的「詹森-內曼法程式」來進行分析,不過此程式較大的限制為兩組樣本數必須等同。

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

      作迴歸分析(Regression analysis)時有種方法是以「自動選取」(Automatic variable selection)進行篩選有統計顯著意義的自變項,而自動選取的方法大致可分為向前選取法(Forward selection)、向後選取法(Backward selection)以及逐步選取法(Stepwise selection)這三種。

向前選取法是逐一增加自變項,直到任何一個自變項的額外貢獻量已經沒有統計意義(以線性迴歸 [linear regression] 來說就是Partial F; 以羅吉斯迴歸 [logistic regression] 來說則是LR卡方值);向後選取法則是逐一剔除自變項,直到當剔除任何一個自變項時,模式會損失過多的解釋力,此時即停止篩選變項;逐步選取法是同時結合了向前選取及向後選取兩種方法,最大不同處是逐步選取法可以允許被排除的變項又被選進模式,也允許被選進的變項最後又被模式排除。

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(1) 人氣()

<精確配對(Exact match)>

精確配對指的是指定治療組(treated)與對照組(untreated)的某個變項的分配(或比例)要一模一樣,通常都是類別變項(Categorical variable),最常見的就是性別,亦即指定男性必須配男性,女性就配女性。RNCSS的傾向分數配對的操作介面皆有提供精確配對的選項,但是SAS卻沒有,而是要透過自己修改Macro(巨集)加以指定對某些變項精確配對。

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

在非隨機分派的觀察型研究中(Non-randomized observational study),如果欲比較介入或處置的效果(Treatment),在研究上的最大威脅就是選擇性偏差(Selection bias)的問題。對此,傾向分數配對(Propensity score matching)已被證實是最有效的工具,並且已經廣為使用。

本篇文章並未嘗試介紹傾向分數的原理與使用方式,而是在介紹目前較受歡迎的幾個統計軟體之間的比較。若對於傾向分數想要深入認識者,可參考以下兩篇論文。其中Rosenbaum1983)年的論文是經典文獻,在Google scholar上的引用次數已經超過14,000次;而d’Agostino1998)則是一步一步教學且實務理論兼顧的教學文章。

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

在商業調查中,比較常見的資料型態其實是分類資料,如職業別、地域別、消費行為別等,相對於五點量表型資料而言,分類資料其實更容易解讀、歸納並推廣結論。

一般我們對於分類型資料常用的是交叉分析,即二維表格,可能直欄為消費行為,橫列為背景資料,然後加上卡方檢定,判斷二者是否有關聯。不過,這種方式有以下缺點:

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

在筆者的實務諮詢經驗中,常發現研究者用不適當的名詞來形容變項之間的關係,別以為這是研究新手才會犯的錯誤,其實許多研究經驗豐富的教授/醫師們也並未能夠總是使用最精確(最保守)的詞彙,因此本文旨在分享在不同的情境之下,應該使用何種詞彙來形容變項之間的關係。

影響

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

近來由於統計方法的推展及電腦軟體運算能力的大幅強化,目前在學術的各領域,樣本數規劃(Sample size determination)或統計檢定力分析(Power analysis)幾乎已經成為必須報告的項目(在論文的研究方法的一個小段落),而筆者與公司同仁在過去幾年也分享過許多篇關於樣本數計算及統計檢定力的文章(如表一)。

 

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

在各種的研究設計之下(例如RCT隨機對照試驗、Prospective cohort前瞻型世代研究、Case-control病例對照研究等),它們的統合分析(Meta-analysis)都是證據等級(Level of evidence)最高的研究,例如英國牛津實證醫學中心(Oxford centre for evidence based medicine, CEBM)證據等級最高者即為隨機試驗的系統性回顧(Systematic review),因此可見統合分析的重要性。

筆者的諮詢經驗顯示,許多研究者在撰寫統合分析的時候常常無所適從,不知道應該要依循某種準則(Guideline)來撰寫文章,而通常都是挑選已發表的範本文章加以模仿及修改,如此的缺點是,當參考文章本身若有缺漏或不適當之處,則我們寫出來的文章也會具有許多不恰當之處。

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

 

操作(X為連續變項):

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

近來發了多篇關於二元羅吉斯迴歸分析的文章,本篇將再延續此議題,介紹此統計方法在G-power軟體上的應用提到G-power軟體就會聯想到事前計算樣本數(sample size)或事後計算檢定力(power關於這方面的知識,可參考林星帆顧問所整理的「樣本數規劃初探(Sample size & power analysis)」(http://dasanlin888.pixnet.net/blog/post/34468802),裡面最重要的概念即「顯著性」、「統計檢定力」、「效果量」與「樣本數」此4者之間的關係是互補的,換句話說,只要固定其中3個參數,第4個參數就可以從公式中計算出來(不過會因所使用的統計方法不同,有時也要再多提供其他參數)。

 

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()

一般我們最常聽到在變異數分析之後進行事後比較,來討論各水準之間的差異情形,但在卡方檢定時有做事後比較的卻偏少,甚至有些人也沒有聽過,因此卡方若達顯著,就直接比較百分比而立即下結論。

但是,百分比到底差異要多大,才代表兩組的比例有差別呢?我想每個人的想法都會不一樣吧,因此仍需透過事後比較來得到一個比較客觀的結果。

晨晰部落格新站 發表在 痞客邦 PIXNET 留言(0) 人氣()

1 23
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