晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

繼上篇分享了進行迴歸分析時所做的殘差診斷後，這一篇來講一下另一個做迴歸分析時老闆們更愛的東西－多元共線性診斷。無論進行線性迴歸或是羅吉斯迴歸，當自變項個數在2個以上時，而自變項之間的相關性比較高的時間，就有可能存在共線性的問題，而當共線性問題很嚴重時，我自己的經驗就容易出現以下幾種現象：

（1）多自變項與依變項的相關性非常顯著，但迴歸分析出來的所有結果都不顯著。

每個統計分析背後總是存在一些假設，當這些假設違反時，就有可能產生偏誤的結果，而在實務的應用上，您應該會發現每篇文章在這些假設性的檢驗都很少出現，不過偶爾還是會遇到客戶的老師要求，在2016年時曾經介紹過「迴歸分析之殘差基本假設-以SPSS為例」，這一篇將以此為例來說明操作步驟，包含常態性、變異數同質性、獨立性。

（1）點選「分析」→「迴歸」→「線性」

筆者在之前的文章(機器學習-Bias-Variance Tradeoff)有提到處理Overfitting的方式可透過Ridge regression, Lasso regression來去處理，本次文章主要會簡介這兩種方法的差別

一、Lasso regression

在本系列前一篇文章中，筆者介紹了傳統方法的基本作法，接著在本文中將介紹當代的主流方法（最主要會介紹兩種：雙變量模型與階層模型），以及說明這些主流方法可以克服哪些傳統作法不合理的假設。

統合分析（meta-analysis）普遍被應用在各種學科與領域，然而其中診斷型統合分析（meta-analysis for diagnosis）這個分支，無論在方法學的開展或普遍性的應用都是以醫學領域為主，主要用在於一個「標記」（marker）對於一個疾病或狀態（通常是二元變項）的區別/鑑別能力（discrimination）的評估。

下圖列出在 PubMed 搜尋診斷型統合分析的相關論文，很明顯發表的文章越來越多，顯示此方法的重要性。

信效度是在寫論文時，最容易卡關的第一個統計問題，因為常常做出不符合預期的結果，為了能夠趕畢業，總是有人省略這一步驟，我的客戶就不在少數，等全部統計做完後，再回過頭來處理信效度的部分，如果很幸運得出良好信效度的結果也就沒事，但如果過程中需要刪除題目，那後面已做完的統計分析就得重來，千萬別再問我怎麼辦了。

那什麼是信效度，透過鏢靶圖就可以很容易的瞭解定義，假設內圈3圈是我們的目標…

有在進行學術研究的人應該都不陌生影響因子(Impact factor)這個指標，在搜尋論文的時候除了尋找與自己研究主題有關的外，有時候也會考慮論文刊登的期刊在那個研究領域的重要性與排名，筆者最近在搜尋論文的影響因子的時候發現到這個有用的網站(https://academic-accelerator.com/Review-Speed/zh)，想跟各位讀者分享，這個網站主要整理了SCI與SSCI期刊的影響因子以及相關的資訊，並透過一些簡單的視覺化呈現，讓讀者可以很快的了解不同期刊在其研究領域的重要性，以及歷年影響力的變化情形等，可給予研究者在搜尋文獻以及之後的投稿有很大的幫助。

以下內容為筆者實際的搜尋過程:

Microsoft的資料儀表板軟體Power BI Desktop每個月都會更新一次，頻率算是快的，我有時一忙2~3個月沒有追踪update，都會被它的新科技嚇到，直呼「什麼時侯多了這功能？」。所以現在，只要有網友或同事詢問，Power BI可不可以作到某某功能，我都不敢直接回答沒有，因為更新速度實在太快了。

今天要介紹的是「2019高雄MIZUNO馬拉松」儀表板（註1）中所使用的一項「黑科技」，即Power BI Desktop 從 2018 年 3 月版本開始，正式推出的「書籤」功能。雖然這已是整整二年前推出的功能，但對於Power BI中度以下使用者，仍很少人知道這項功能，加上它的名稱「書籤」平淡無奇，很難讓人印象深刻。但是它的妙用可大了！！這裏介紹它的最大賣點——講故事功能。

在各類的醫學量化研究中，資料集中含有遺漏值（missing value）幾乎是無可避免的狀況。關於遺漏值的機制（mechanism），可分成三類：（一）Missing completely at random (MCAR)、（二）Missing at random (MAR) 以及（三）Missing not at random（MNAR）。

筆者最近在coursera這個線上學習平台學習機器學習的課程，在機器學習實作的練習中，有用到一個Octave語言，想跟各位讀者分享，Octave是一種採用進階程式語言，主要用於數值分析的軟體，可用於解決線性和非線性問題，Octave語言其實可以把它當作MATLAB語言的替代版本，很多功能都跟MATLAB類似，但相較於MATLAB主要有幾個優點:

1. 免費安裝(https://ftp.gnu.org/gnu/octave/windows/)
2. 安裝容量較小(最新版本: 5.2.0, 1.71G)，MATLAB全模組約13G

稍微介紹了一下Octave後，來介紹一下Octave的實際操作，當我們透過Octave的網頁下載程式後，安裝完成後，打開後會出現以下的畫面，跟Windows內建的命令視窗類似。