晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

16.接下來介紹「概化線性」的操作方式，點選分析→混合模式→概化線性。

17.先設定「資料結構」。

本篇文章將介紹關於SPSS在三階層HLM的操作應用，筆者曾於過去寫過SPSS在二階層HLM的應用文章，其中有提到模式中固定效果的設定，會較HLM軟體來得直觀，就算到了三階層HLM也是如此，因此本篇文章僅以零模型為例，介紹隨機效果的設定方式，並以HLM軟體所分析出來的結果來驗證正確性。

一、資料介紹

          根據成功大學呂宗學教授及其團隊針對健保資料庫所作的詳盡搜尋，目前為止（2017/11/17）已有4356 篇文章以英文的形式發表在國際期刊，其中Impact factor大於10分者高達104篇，可謂是台灣醫學領域之光。

一直以來，因工作關係，與新北市各地政機關同仁結下許多緣份，尤其在協助民眾滿意度調查上，榮幸幫上一些忙。

今(2017)年11月，意外接獲淡水地政來信，希望在12月底舉辦一次講座，藉以提升滿意度調查的精準度。我非常高興有這樣的邀約，可以面對面與地政人員接觸，除了分享我的理念外，也可以發現更多更實務的問題，藉由QA讓大家有更多思考。

         延續上篇簡單描述什麼是不死偏誤，以及為什麼不死偏誤會讓用藥治療組傾向有比較好的結果。上篇文末提到的處理不死偏誤的幾種方式中，目前比較多模擬研究在比較的是時間相依(time-dependent)、用藥時間分佈配對(prescription time-distribution matching, PTDM)及sequential Cox approach這三種較為新穎的研究方法。但是多數研究為某兩種方法的比較，或是純理論推導的比較，模擬研究也比較多是在單一模擬資料集之下所做的研究結果。比較少有文獻同時比較這三種較為新穎的研究法，且在同一篇文獻中虛擬出不同特性的資料結構，比較三種研究法在不同資料結構之下的偏誤狀況及風險比例(Hazard ratio, HR)估算的結果差異。　

　　本篇要分享2016年發表於美國流行病學期刊(American Journal of Epidemiology, AJE)的一份研究報告。作者首先透過公式推導的方式寫出偏誤(bias)的公式，藉此合理推論什麼情境之下偏誤會增加或減少。之後再以模擬資料集(simulated data)實際比較三種研究法的偏誤及Cox分析結果。本篇分享文略過複雜的公式部分，直接分享作者研究報告比較的結果，對研究中細部訊息有興趣的讀者，可以從下方參考文獻處的資訊搜尋全文閱覽。

　   觀察型或是資料庫追蹤研究的醫學藥物研究設計中，將用藥組跟非用藥組分別比較時，會面臨不死偏誤(immortal time bias)造成的錯誤分組(misclassification)，而且這個錯誤分組傾向用藥組會有較好的存活效應。什麼是不死偏誤？而不死偏誤造成的錯誤分組指的又是什麼意思？

　　不死偏誤指的是用藥組在疾病診斷日期之後到第一次用藥日期之間存活的時間偏誤，因為有機會在診斷日期之後被觀察到接受藥物治療的人，前提必須先活著，因此【沒有機會接受治療】的人會被歸類到非用藥組，產生錯誤分組的問題。沒有機會接受治療的人是指在診斷日期之後觀察追蹤的這段時間中死亡、設限或是發生事件的人。這個思考邏輯的背後有個前提假設，診斷日期之後的任何觀察追蹤時間點，病人都是有可能接受藥物治療的人，也是就風險人口(population at risk)的概念。

課程簡介:http://www.rai-stat.com.tw/spss%e8%aa%b2%e7%a8%8b

為了方便研究者進行縱貫型研究之樣本數估計，本篇文章將介紹Hedeker and Barlas所發展的軟體RMASS2，此軟體主要是用來計算兩組對象進行縱貫型研究的樣本數計算，另外也可以考量樣本的流失率，以及各時間點之間的共變數結構。

關於軟體及手冊的下載，可到『http://hedeker.people.uic.edu/ml.html』頁面下進行，捲動到網頁的下方即可看到連結，下載完後可以看到rmass2.exe應用程式，直接連點左鍵兩下即可執行此程式。

筆者前陣子分享過一篇（使用G-power計算RCT介入研究所需樣本數），此篇將繼續延伸此議題，若研究者在撰寫樣本數規劃時，希望在公式方面能夠有所依據的話，不妨參考此篇的介紹，也提供自己多一點選擇，這篇所參考的資料來源是Hedeker, Gibbons, & Waternaux (1999). Sample size estimation for ongitudinal designs with attrition. Journal of Educational and Behavioral Statistics, 24:70-93。