當縱貫型研究要進行GEE或HLM時，首先我們必須將資料集的格式整理成縱貫型資料（也就是長資料格式），此時每位樣本的每一次資料為一筆資料，若樣本重複測量3次就會有3筆資料，若重複測量5次就會有5筆資料，以此類推，資料格式整理完會像下方圖形一樣，此時變項通常會有4種類型，第一種是辨識變項（如ID、Name），用來辨識每一筆資料的來源；第二種是時間變項（如Time），用來辨識同樣本每筆資料的順序，有些研究也會登錄收案時間點；第三種是固定變項（如性別、年齡），不會隨著時間變動的變項，每次收案的數據皆相同；第四種是相依變項（如albumin），會隨著時間變動的變項，每次收案的數據並不相同。

POWER BI 快速導入方案

新版介面操作：

（9）若使用新版介面進行無母數分析，必須先設定好變項的尺度，分組變項必須設定為名義，而檢定變項可以是次序或尺度。

當要進行兩組的分數比較時，最直覺的聯想就是進行獨立樣本t檢定，歸類在有母數的推論性統計，之前文章提到過，進行獨立樣本t檢定前有三項假設需先符合：（1）常態性、（2）樣本獨立性、（3）變異數同質性。其中樣本獨立性在抽樣適宜的情況下，大致都能符合，但常態性與變異數同質性就得看資料的狀況，透過檢驗才會知道，通常在樣本數小時容易違反。因此就會發現在某些情況下（包含小樣本、依變項不符合常態、依變項為順續變項）時，不太適合有母數統計，而必須改用無母數分析。

常用的幾種有母數分析中，都可以找到對應的無母數統計，這篇文章先介紹兩組獨立樣本的比較，曼－惠特尼U考驗（Mann-Whitney U-test），至於多組獨立樣本比較、兩組相依樣本比較…等，將在日後依序介紹。

CatBoost（Category Boosting）是由俄羅斯搜索引擎Yandex於2018年開源的一個基於梯度提升（Gradient Boosting）的機器學習演算法。該演算法主要針對分類數據（categorical data）的處理進行了優化，特別在處理稀疏數據和高維度分類數據時展現了出色的性能。它是目前業界較為流行的提升方法之一，被廣泛應用於許多機器學習和數據科學領域。

1. 什麼是梯度提升？

當研究要針對不同族群對象進行分析時，可以使用資料功能列中的「選取觀察值」或「分割檔案」來進行，不過由於「選取觀察值」是在條件中選取每一組的對象出來分析，並不是像「分割檔案」可以一次輸出個別組別的資料，因此以「分割檔案」的效率表現較佳，這部分的操作說明，可以參考過去的教學文章，網址如下。https://dasanlin888.pixnet.net/blog/post/569598584

我們2025的線上統計課程喔，報名網址，歡迎大家踴躍參加!!!

              在當前的人工智能（AI）和機器學習（ML）領域，模型的透明性與可解釋性愈加重要。隨著這些模型廣泛應用於決策過程中，從醫療診斷到金融風險評估，理解模型如何做出決策變得至關重要。SHAP（SHapley 加法解釋）值因此應運而生，旨在滿足這一需求。SHAP 值是一種基於合作博弈論的解釋方法，它將模型的輸出分解為各個特徵的貢獻，幫助用戶更好地理解模型的運行機制。