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。
Austin與Fine於2016年發表於Circulation期刊的文章，以實際資料數據闡述當存活分析存在競爭因子時，研究者使用一般傳統的Kaplan-Meier存活函數，與考慮競爭因子之下的存活函數分析，比較兩者之間得到的分析結果差異，以此說明當存在競爭因子時，為何研究者必須採用競爭因子存活分析的原因。本文章將以過去分析過的資料集做為示範樣本，操作當資料集存在競爭因子時，傳統Kaplan-Meier存活分析函數與考慮競爭因子的次分佈瞬間危險函數（Subdistribution Hazard Function，SDH），兩者之間存活分析結果的差異，並簡述造成存活分析結果有落差的原因。
範例樣本中，實驗組有1,182人，對照組有2,027人，兩組人在設限、興趣事件及競爭事件的比例分佈如下圖所示，可以發現兩組的分佈差異甚大。
微軟在2017年9月更新的Power BI Desktop版本中，推出了絲帶圖（Ribbon Chart），這是新一代的堆疊直條圖。(the Next Generation of Stacked Column Chart)。
該圖表的第一個外觀和感覺類似於堆疊直條圖。可能出現在你腦海裡的問題是：為什麼要改新的表現方式呢？事實是，這個圖表比堆積的直條圖更強大。換句話說，這個圖表可以給你更有趣的洞察力。我們用一個例子來看看這個新圖表的威力。
四、結果變項的定義（Definitions of outcomes）
在醫學研究上，許多結果變項都是被人工二元分類，例如慢性腎病（CKD）定義可能是eGFR < 60 mL/min/1.73m2，那麼如果切點改為55或50，本研究主要發現是否會因而改變。當然可以用比較有臨床意義的作法，例如將Outcome定義改為CKD stage 4-5（eGFR < 30），然後觀察原本結論是否仍然適用。
世界知名醫學期刊美國醫學協會雜誌（Journal of the American Medical Association, JAMA，2016年Impact Factor：44.4）於2010年所刊登文章中，每2篇中已有1篇會報告敏感度分析（Sensitivity analysis）的結果，這篇報告刊登在2013年的PLOS ONE（https://goo.gl/oLRNkT），也可見讀者於2017/8時的介紹（https://goo.gl/38dwwi）。
那麼，什麼是敏感度分析呢，筆者的定義是「本研究的發現是否會在某些操作條件之下而改變」。2013年有一篇發表在BMC Medical Research Methodology（https://goo.gl/ZhuNAQ），專門介紹臨床試驗的敏感度分析細節，裡頭提到敏感度分析定義包括「a method to determine the robustness of an assessment by examining the extent to which results are affected by changes in methods, models, values of unmeasured variables, or assumptions」以及「a series of analyses of a data set to assess whether altering any of the assumptions made leads to different final interpretations or conclusions」。
調節分析係指在不同調節變項的水準之下，去探討自變項對於依變項的影響程度是否會不同，若以圖形方式來呈現，就是在不同調節變項的水準之下，去個別畫出X對Y的迴歸線，當個別迴歸線的斜率差異越大時，代表調節的效果越明顯。
{{ article.title }}