晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

表格：

（8）最常見的相關係數表，直接根據輸入的報表，只留下相關係數的部分製表，左邊列輸入變數名稱，上方欄則用代號表示，顯著性的部分直接以星號表示就好，這樣的呈現一目了然。然而也是有缺點的，當放入的變項太多時，在兩兩變項的相關組合下會產生非常的相關係數，將容易造成表格的數字不好閱讀。從表4-4-1可知研究變項有3個，分別是日常生活功能、憂鬱、生活品質，因此主要的相關分析有「日常生活功能與憂鬱」、「日常生活功能與生活品質」、「憂鬱與生活品質」，剩下未標顏色的區域為生活品質各構面的自我相關。

獨立樣本T檢定、單因子變異數分析、卡方分析、皮爾森積差相關，是在研究變項之間的關係時，最常使用的統計方法，前三項已經有寫過文章做教學介紹，因此本篇將補齊第四個統計方法「皮爾森積差相關」，用於衡量兩個連續變項的相關性，係數介於-1至1之間，正負代表變項關係的方向性，數值代表變項之間的關係強度，若係數之絕對值愈接近1，表示關聯性愈強。

相對前面三種統計方法，皮爾森積差相關操作簡單，解釋也不難，所以除了操作教學之外，也會說明表格的呈現方式，並延伸常遇到的問題。

眾所皆知臨床試驗（randomized controlled trial, RCT）提供的證據是目前醫療常規決策的黃金準則，但其有一定的侷限性，例如是高度選擇的樣本與不自然的人為強力監督之下的收案情形等，因此從 2018 年末美國食藥署發動真實世界證據計畫《Real World Evidence Program》以來，各界紛紛積極投入研究真實世界研究可以在醫療常規決策扮演什麼樣的角色。關於真實世界證據計畫的背景說明，可以參考筆者之前發表的文章（https://reurl.cc/VLzzEA、https://reurl.cc/kXOOLd與https://reurl.cc/p633xx）。

而在各方組織與研究團隊中，又以受到美國食藥署資助的『RCT DUPLICATE』組織最大、研究範圍最大以及最多實際成績（https://www.rctduplicate.org/）。而在眾多已經發表的文章中，又以 2023/04 刊登於世界頂尖的美國醫學協會雜誌《JAMA》的研究受到各方矚目¹。

                 企業或組織每天都會產生營運資料，一般都儲存在資料庫，但有時也會產出多個檔案，例如每天產出一個日訂單資料檔。當我們以Power BI分析時，如果你想單獨看某一天的狀況，若匯入整個資料庫，再籂選日期，曠日廢時。這時，如果每天都有一個獨立檔案，且檔名在命名上有一定的規則，就可以用到本文教學的方法，一次只匯入一個檔案就好，一鍵換檔（也可稱為動態檔案，Dynamic File Name）。舉例，有一個資料匣（或雲端空間）存有每天的excel檔，檔名是以日期命名，如下圖。

表格（為了方便說明，先將結果整理成表格）：

結果：

（9）單因子變異數分析的第一張為描述性統計，可以得到每一組的樣本數、平均數、標準差。由於差異分析的表格通常需要交代各組別的描述性統計，所以會建議步驟4需要勾選，並將各組的平均數與標準差呈現於表格中。

當比較樣本平均數差異的組別數來到三組以上時，就不適用先前教過的獨立樣本t檢定，而必須改用單因子變異數分析(One way ANOVA)。順帶一提，當組別數只有兩組樣本的話，也是可以使用單因子變異數分析來進行組間的平均數比較，得到的結果會和獨立樣本t檢定的結果一致，不過大部分研究遇到兩組的組間比較，仍是以獨立樣本t為主。

獨立樣本單因子變異數分析與獨立樣本t檢定有一樣的前題假設：（1）被檢定的變項需符合常態性；（2）樣本獨立性；（3）變異數同質性，有關三項假設的說明，可以參考上一篇SPSS進行獨立樣本t檢定，其中關於變異數質性的操作，會比獨立樣本t檢定來得複雜一些些，將在下方操作時一併說明。

（10）接著介紹定義組別時，若調整組別編號的順序，對於結果會產生什麼影響，如圖所示，將組別1與組別2的編碼對調。