過去，我們有二篇文章介紹「7個線上最受歡迎的模板」，推薦大家一些漂亮的模板，方便套用。實際上，用模板來建立Power BI報表，好處很多，一是提高BI報表質感，二是加快開發速度，三是學習新的技巧。
對BI報表製作者而言，「讀取資料及整理」、「找到好的視覺效果圖及微調」這二大工程，通常會耗費大半的時間與精力，又因為不是每個人都有美感設計的天份，因此大多數的BI作品常令人覺得呆板、單調、無趣，很令人可惜。大家可以上履歷網站去看，設計美感好壞差很多。( https://www.cakeresume.com/portfolios?q=power%20bi&locale=zh-TW )再者，POWER BI日新月益，每個月都有新功能出現，可以玩出許多高階的華麗效果，令人眼睛一亮。但這更需要高階玩家才能構得上。因此，在諸多好處下，套用優質的POWER BI模版，就是本篇文章的重點。下面是套用祕笈：
1.資料來源:
筆者使用一個肺癌病人的資料，此資料總共47筆，主要的outcome是PCR的陽性與否(Yes=陽性;No=陰性)，這個資料蒐集了MRI測量的各種數據，筆者後面的示範主要會用腫瘤的大小(Tumor size)來做分析，腫瘤的大小(Tumor size)在資料當中有分幾個時間點的測量(R0, R1, R2)，除此之外，筆者再去計算不同時間點腫瘤大小(Tumor size)的差異，因此還可以得到額外的三個欄位(特徵)，筆者想根據這六個特徵去跟outcome跑ROC的分析，想藉此了解哪一個特徵比較可以用來區別PCR的結果。
甚麼是K-nearest Neighbors Algorithm (KNN)分析呢，白話來說，就是物以類聚的概念。假設你的朋友十個有八個成績都很好，合理來說近朱者赤，你成績好的機會應該蠻大的， KNN除了可以用於解決分類的問題(離散型資料)，也適用於解決回歸的問題(連續型資料)，用途相當的廣泛。為了要在R上面執行K-nearest Neighbors Algorithm (KNN)的分析，首先必須先安裝並載入以下的package
（13）從「受試者間效應項的檢定」中，下方註解處顯示模式的R平方及調整後R平方，對應右邊用線性迴歸分析的結果，有相同的模式摘要。
（14）「校正後的模式」的F值與顯著性，對應右邊用線性迴歸分析的結果，可以得到迴歸模式的整體檢定結果，F值同樣是3.523。
在多數的關聯性研究中，都是以迴歸分析作為最終的統計方法，因此在進行樣本數規劃時，迴歸分析也是最常被拿來計算的設定選項，當研究有先收個30至50筆來做個小型先趨pilot研究時，研究者通常會以自己資料來去進行迴歸效果量的計算，並回推所需樣本數，總比又再度使用中度效果量來得嚴謹。
假如收案過程中，不斷地重覆分析迴歸時，可能會遇到一件惱人的問題，就是自變項中有類別變項，做幾次迴歸分析，就得做幾次的虛擬變項編碼，而且只要類別變項一多，就會越做越無力。
上篇文章中筆者示範了雙變量模型（Bivariate model），這篇文章我們進一步示範階層模型（Hierarchical model）的 SAS 操作。如以下SAS語法所示，唯一差別只有在第四列的「method=h」，h 即代表 hierarchical。
筆者於 2020/5 時介紹了診斷型統合分析的介紹，包括基本概念與傳統方法（https://reurl.cc/4a3Lxv）；兩種主流方法（https://reurl.cc/Q96YQ2），包括雙變量模型（Bivariate model）以及階層模型（Hierarchical model）；以及 R 套件的介紹與比較（https://reurl.cc/NrZYv6）。本系列文章旨在示範實際實作的步驟，示範的軟體為 SAS 的巨集「MetaDAS」，此巨集可於 Cochrane Methods 下載（https://methods.cochrane.org/sdt/software-meta-analysis-dta-studies），並有完整的使用手冊及範例。
下圖是計算出來的結果，分別得到了總和、平均、相加
（4）採用函數加總時最大的問題是不能有遺漏值，否則計算出來的得分會有偏差問題，以6號受訪者來說，五個題項的回答皆為滿意（4分），總分得到20分，7號受訪者前四題皆回答非常滿意（5分），但由於第五題遺漏，被當成0分來計算，使得這兩名受訪者算出來的滿意程度相等，這樣似乎就不合理了，所以有遺漏值的資料就得特別注意；另外還存在一個問題，若今天研究者想要進行構面之間的分數比較或排序時，以加總分數比較就會出現一個明顯的問題，題數越多分數通常會越高，因此當構面的題數不相同時，就無法在同一個基礎點上做比較。為了解決這兩項問題，個人最推薦採用函數平均進行計算
這篇文章想要探討一個容易受到老師挑戰的議題，在問卷調查的研究中，若有使用量表工具來收集受訪者的心理特質時，勢必需要針對每位受訪者的回答項目，幫他們計算一個分數來代表個別的反應程度，那麼計分規則是什麼，通常會在介紹研究工具時一併交代，如下圖所示。
{{ article.title }}