若是透過SPSS軟體進行調節分析，現階段最受歡迎的就是使用巨集Marco: PROCESS，甚至客戶每次來就直接指定說：我要跑PROESS，儼然成為中介分析的代名詞，過去文章在進行詹森內曼法的教學時（2017年），已經有提到關於PROCESS的安裝方式，過了這麼多年，才發現不但安裝的選單變了，就連下載的位置也變了，所以更新安裝說明，方便大家使用。
前陣子有分享「曼－惠特尼U考驗」（Mann-Whitney U-test），這是無母數分析最常使用的兩組獨立樣本檢定，每當檢定結果達顯著水準時，此時問題就來了，該如何去判斷兩組的高低呢?，如果用平均數似乎也有點奇怪，畢竟是放棄了平均數比較法而採用無母數分析，由於是比較兩組的分布，因此以四分位數的Q1 & Q3進行判斷最為合理，不過有時候仍會出現兩群擁有相同的四分數位，那就尷尬了，因此這裡要介紹另一種無母數的兩組比較-中位數檢定，和獨立樣本t檢定以平均數作為比較基準一樣，在中位數檢定即是以中位數進行分組，再比較兩群體在中位數之上或下的比例是否存在差異，其原理是以交叉表的卡方檢定進行分析。
近年來關於準實驗設計的研究，大多數都會採用廣義估計方程來分析研究結果，這部分在過去文章有過詳細教學，最後是透過交互作用項的顯著性作為介入成效的判斷依據，其方式是去比較兩組的前後測改變量，因此若我們想要根據這個結果去計算效果量，只需要準備各組別在改變量的平均數即標準差即可，無論是多組別或多個測驗時間點都可以執行，不過由於進行廣義估計方程GEE所使用的資料為長資料格式，但進行改變量的計算需要使用短資料格式，因此先進行長短資料格式的轉向，這部分的操作可先參考過去文章。（https://dasanlin888.pixnet.net/blog/post/323995298）
轉完後的資料如下圖所示，在此示範資料中，組別分別有實驗組(1)與對照組(0)，前後測知識得分為配對資料。
前陣子有分享「曼－惠特尼U考驗」（Mann-Whitney U-test），這是無母數分析最常使用的兩組獨立樣本檢定，每當檢定結果達顯著水準時，此時問題就來了，該如何去判斷兩組的高低呢?，如果用平均數似乎也有點奇怪，畢竟是放棄了平均數比較法而採用無母數分析，由於是比較兩組的分布，因此以四分位數的Q1 & Q3進行判斷最為合理，不過有時候仍會出現兩群擁有相同的四分數位，那就尷尬了，因此這裡要介紹另一種無母數的兩組比較-中位數檢定，和獨立樣本t檢定以平均數作為比較基準一樣，在中位數檢定即是以中位數進行分組，再比較兩群體在中位數之上或下的比例是否存在差異，其原理是以交叉表的卡方檢定進行分析。
操作：
提到要進行變項間的相關分析，第一直覺會聯想到皮爾森積差相關（Pearson product-moment correlation），但畢竟是有母數統計，偶爾遇到某些情況被要求改用無母數的相關分析，包含（1）變項不服從常態（2）樣本數小（3）其中一變項為順序尺度，此時將採用Spearman等級相關來探討變項之間的相關情形。
如果有研究過皮爾森相關的公式，會知道公式主要以變項的共變數來計算出相關的強度及方向性，而在Spearman等級相關，則是以每一筆資料在兩個變項的等級差值作衡量標準，若等級差值越小，兩個變項的相關程度則越高，詳細公式說明如下。這邊準備的示範資料為10位個案對於所有照護項目的滿意程度（欄B）及需求程度（欄C），接著以排序方式計算對應的滿意等級（欄E）與需求等級（欄F），因應公式的需要，所以先將滿意等級與需求等級進行相減得到等級差d值（欄H），最後再等級差d值進行平方（欄I）
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。
{{ article.title }}