晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

三、分析操作

（1）點選「分析」→「迴歸」→「PROCESS」

最近剛好遇到幾位客戶問到詹森內曼（Johnson - Neyman）法的操作與報表解讀方式，網路上或教科書關於此部分的教學也不太好找，因此今天以詹森內曼法為主題寫一篇教學性的文章。

執行共變數分析前，必須先檢視是否有違反迴歸係數同質性的問題，如果違反，表示共變數對於依變項的影響程度，會因為組別的不同而有所差異，此時需改用詹森－內曼法（Johnson – Neyman method）來進行共變數分析（說明介紹，請參考http://dasanlin888.pixnet.net/blog/post/34469318）。記得早些年在處理詹森內曼法的問題時，是透過高雄市七賢國小張義芳老師設計開發附在Excel裡的「詹森-內曼法程式」來進行分析，不過此程式較大的限制為兩組樣本數必須等同。

近來流行將數據視覺化，方便觀眾對數據結果可以快速掌握，尤其現代資訊充斥，各方都在搶觀眾眼球，誰能抓住觀眾目光，又能在第一時間讓人一目瞭然，才是成功的promote。

而滿意度調查報告也不例外，千言萬語不如一張圖表，比起大堆頭的厚厚表格、數字，不如一、二張精彩、生動、又讓人無限瑕想的統計圖，來得豐富、自然又蘊藏許多想像空間。

筆者於2016/11/27參加嘉義長庚健康資料卓越研究中心主辦的「健康資訊科學與科技學術研討會」（活動項目：goo.gl/xxKXFl），其中邀請到四位在大數據醫療具有深厚涵養與優秀成績的一流研究者。其中包括筆者仰慕已久的吳俊穎醫師，吳醫師在健保資料庫研究的成績斐然，論文發表求質不求量，基本上只發表在impact factor > 10分或ranking < 5%的期刊。

筆者研究過吳醫師的論文，從資料本身的廣度（都是台灣的全人口檔，而不是抽樣檔）、研究的高度（多數都是企圖改變治療指引 [guideline] 的研究）、研究設計與統計的深度都具有非常高的水準。而從本次吳醫師的演講中，筆者發現吳醫師在健保資料庫已經在進行新型態的研究了。

插補遺漏資料值（multiple imputation）－結果

（15）「插補模式」

插補遺漏資料值（multiple imputation）－操作

（1）點選「多重插補（multiple imputation）」→「插補遺漏資料值」

多重插補法（multiple imputation）可以說是以模型基礎法來插補的延伸，是屬於利用迴歸模式進行插補的一種方法，由於該方式是從預測值的合理分配中隨機抽取數個數值進行插補，因此稱之為多重插補，此一方法可適用於縱貫性資料或單一觀察資料，也可處理多變量資料結構。

目前多重插補法主要的演算法分為（1）最大期望值法（expectation maximization, EM）與（2）馬可夫鏈蒙地卡羅法（Markov Chain Monte Carlo, MCMC），而SPSS軟體中所提供的演算法即為後者，是透過貝氏定理的方法，以先驗機率分析資料，再以條件後驗分配進行重覆抽樣，直至近似分配收歛至目標分配為止。