晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

上單元我們已實例示範RCS在存活分析及邏輯斯迴歸分析的應用，本單位我們繼續介紹RCS在線性迴歸分析的應用

範例三、分析醫師的執刀經驗(累積執刀數目)情形與病患住院日數的相關性

傳統迴歸分析模型的一重要假設為自變項和依變項呈線性關係，然實際收案資料在分析時甚少能符合此假設條件，若能以模式模擬自變量與依變項之間的非線性關係，將可更忠實呈現自變項和依變項的相關。其中Restricted cubic spline (RCS) 可清楚描述自變項與依變項之間的關係（無論線性或非線性關係），且適用於各分析模式（包括線性迴歸、邏輯斯迴歸、存活COX迴歸分析等），而成為近年最常見的非線性相關分析方法。本單元我們依序實例示範RCS在各分析的應用(使用R statistic)

首先請先安裝及執行相關package

在前一篇文章中，我們示範了如何在二階層橫斷面資料中（人/時間點）點選 GLMM 的操作，本篇文章將仔細介紹報表的解讀。

下圖為報表最先出現的「Case Processing Summary」，。首先要注意資料有沒有遺漏值，有可能結果變項（Y）或解釋變項（X）具有遺漏值，此時會刪除在任何一個變項具有遺漏值的樣本（listwise deletion），本例中剛好有一筆遺漏值。下方「Model Summary」則顯示機率分佈為常態分佈以及連結函數為 identity，此即為標準的 linear regression。

筆者在不久之前示範了線性混合模式（Linear mixed model, LMM）以SPSS 25版應用於二個階層橫斷面資料的操作與解讀（請見：https://reurl.cc/9X6qrV、https://reurl.cc/m9R2LM、https://reurl.cc/ygD0EO），本系列文章則介紹二個階層縱貫面資料（longitudinal）的操作與應用。

我們使用一個真實的耳鼻喉科的資料作為示範，此資料一共包括 122 名阻塞睡眠呼吸中止症（Obstructive sleep apnea, OSA）的未成年患者，他們全部都接受扁桃腺線樣體切除手術治療，且術前及術後第三個月、術後第六個月皆有完整的 24 小時血壓測量數據，因此該 SPSS 資料一共 122*3 = 366 筆的橫列資料筆數。

新冠肺炎噬虐全球，已造成數以百萬計的民眾死亡，以及目前為止在許多國家仍有嚴重災情。而新冠肺炎疫苗的研發、試驗與上市，則成為了近期最為最大的事件，例如國際大藥廠輝瑞（Pfizer）德國生技公司 BioNTech 的 BNT162b2 疫苗試驗最終結果顯示「疫苗有效率」為 95％，而此結果也已經於 2020/12/10 發表在最頂尖醫學雜誌「The New England Journal of Medicine; NEJM」（新英格蘭醫學雜誌），全文 PDF 檔可以免費下載（https://reurl.cc/6l1ZVk）。

最近幾週（筆者撰寫文章的時間為 2020/12/20）也有許多關於疫苗研究的新聞，但畢竟不是每位民眾都具有醫學研究的背景知識，因此新聞稿上面會有各樣的醫學研究的專有名詞，本篇文章就略微解釋常見的幾個名詞，以幫助廣大民眾在閱讀相關新聞時，能有正確的觀念。

筆者前一陣子去參加「2020科技部生科司舉辦的心臟學門學術研討會：運用資料庫解決臨床研究問題的心法寶典」，會議中聽到了一些新的觀念以及未來的展望想跟各位讀者分享，首先真實世界的證據(RWE, Real World Evidence)相較於過去變得越來越重要，因為現在資料取得比起過去更加的便利與快速，科技的進步也使得這些大量的資料能被使用者分析與應用，以新藥的開發為例，新藥的開發到上市，都會透過進行嚴格的臨床試驗研究(Randomized controlled trial, RCT)來去評估藥物安全性及有效性，但因為執行一個RCT需要花費大量的金錢與人力，而且往往需要一段很長的時間，且RCT狹隘的收案條件往往無法使試驗結果外推至更廣的族群(缺乏真實世界的情況)，長期的療效及安全性也無法從有限的追蹤期間得知。因此，運用真實世界數據 (Real-world data; RWD)進行研究所產生的真實世界證據 (Real-world evidence; RWE) 可提供較為貼近真實世界的情況。

一、Phi相關係數(φ)是甚麼:

下方的DM是晨晰2021即將舉辦的三種統計課程，請大家參考之後到我們公司網站上線上報名即可，今年比較特別的是試辦兩堂線上課程，觀察看看上課的成效如何，畢竟網路上課應該是未來的趨勢，希望大家可以踴躍報名參加。目前我們的課程都是小班制而且不增班，如果有興趣的好朋友們可以提早報名，學術研究的路上你需要推你一把的好夥伴

在醫學統計的領域中，針對信度的分析，若研究者有一個新的測量工具想與黃金指標(Gold standard)或是過去常用的測量工具進行比較時，我們一般希望新的方法與黃金指標(Gold standard) 或是過去常用的測量工具兩者之間具有相當程度的一致性(agreement)，這樣才能證明新的測量工具具有一定的準確性。當針對類別型資料(categorical data)，實務上最常使用的是 kappa 統計量，計算方式如下:

如表格所示，假設今天研究者想比較新工具與黃金指標工具在測量上的一致性，藉以用來作為新工具是否能用於實務上的標準，因此蒐集了兩種工具使用在同樣條件(協助測量的人、測量的時間等等非隨機因素)下，針對同一群人進行測量的結果。

微軟的Power BI身為資料視覺化之王，連結各種資料庫的強大能力早已不是新鮮事；而GA作為google的主力產品，也已建立了廣大使用者與分析服務的生態系。那麼二者強強結合，激盪出的火花，想必非常精彩。今天我要來介紹一個在Power BI.com上的App，GA模板，讓你可以輕鬆使用Power BI的強大圖像，提供你有別於google的GA儀表版。

首先，你必須有Power BI Pro帳號，如果沒購買，可以申請試用60天。