最近想要回來介紹一些比較常用的統計方法，雖然這些方法在網路上都非常容易，不過除了介紹操作流程之外，想順便將常常被提問的問題一起分享給大家。
獨立樣本t檢定收錄在SPSS的「比較平均數」裡，比較兩組樣本的平均數差異用來推論到母群體的結果。進行獨立樣本t檢定前有三項假設需先符合：（1）被檢定的變項需符合常態性，透過常態檢定，或是呈現偏態、峰度或常態機率圖形說明，由於常態檢定在大樣本的條件下，分配的非常態性容易達到顯著條件，此時採用圖表判定，會比較合適一些；（2）樣本獨立性，指的是每一筆樣本都是獨立的資料，什麼情況下會不獨立呢？舉例來說，同一位研究對象被重複收案兩次，那就會違反樣本獨立性的假設；（3）變異數同質性，針對兩組樣本的變異數進行比較，當比較結果未達顯著才符合同質性的假設，而在SPSS軟體裡同時提供了變異數符合同質及違反同質的t檢定結果，因此只需要判斷使用那一個結果即可。
在觀察型研究中比較不同治療方法的預後時，由於沒有辦法像臨床試驗那樣做到隨機分派，因此得到的估計結果必定會受到未測量因子的干擾，我們稱之為「Unmeasured confounding」。相較之下，臨床試驗由於做到隨機分組，因此無論是在觀察的到的因子（Observable factors）或是觀察不到的因子（Unobservable factors），都不會有系統性的差異。
因此學者陸續提出針對 Unmeasured confounding 的敏感度分析（Sensitivity analysis），最具代表性的是哈佛醫學院知名流行病學專家 Sebastian Schneeweiss 提出的作法1。但這個作法有其侷限性，首先要知道那個 Unmeasured confounder 是什麼變項（例如抽煙、社經地位等），接著必須假設該干擾因子是二元變項，再來要設定不同治療組別（例如暴露組、未暴露組）在該干擾因子的不同盛行率，然後看如何地不均衡的情況之下會讓療效接近於零（例如：risk ratio = 1）。
本篇為Power BI 模板來源介紹系列的第二篇，這次介紹的是微軟跟Intel合作，在中國舉辧的視覺化比賽（大陸地區叫可視化大賽）。這個比賽從2017年起，每年舉辦可視化大賽吸引各方Power BI好手互相交流，至2022年止，已舉辦了5屆，由於提供3C獎品，每次都吸引100多個作品參賽，2022年參賽作品更來到200多個。
前陣子遇到一個諮詢問題，有些變項因為不同組別的標準不一樣，在做分析時會先按照個別的標準轉換成新的變數，再利用此變數進行後續的統計分析，譬如說男女性的腰圍，通常男性的標準範圍為小於90公分，而女性應小於80公分，因此都會先依照標準轉成二元變數後，再進行統計分析，但如果今天我們想利用原始的測量數據來分析，又該如何處理呢?答案很簡單，不同組別進行個別的標準化。
變數的標準化以公式來說，首先要求出該變數的平均數與標準差，接著讓樣本減掉平均值後，最後再除以標準差即可，不過在SPSS裡更為簡單，我們只需要透過描述性統計分析的功能，進一步把標準化的變數儲存下來。
在生物醫學統計中，多變項迴歸（Multivariable regression）是極為重要且常用的分析手段，其指的是迴歸方程式中，同時有 2 個或 2 個以上的解釋變項，反應變項（Response variable, Y）則可能是各種尺度的變項，常見的有線性（連續變項）、二元、計數與存活資料等，分別適用線性迴歸（Linear regression）、羅吉斯迴歸（Logistic regression）、卜瓦松迴歸（Poisson regression）及Cox比例危險模型（Cox proportional hazard model）等。
多變項迴歸分析在研究目的上，大致上可以區分成兩大類，第一：當該結果變項（Outcome）的危險因子已被充分研究過，而我們試圖證明某個變項（例如：檢驗值、狀態或治療）可能是新的危險因子。
我在晨晰統計公司開的Power BI課程，多以模板為教學材料，這是因為套用模板好處很多，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（可搜尋「快速套用Power BI模板的祕笈」這篇文章）。至於模板來源，我在「7個線上最受歡迎的模板(上,下)」文章中，有推薦微軟的Data Story Gallary。這裏常有神人出沒，有很多非常酷炫的BI圖表，這對於想要設計出超凡作品，參加BI創作比賽的人，是一個絕佳的參考。不過它的缺點是不一定有原始pbix檔，而且若只是一般職場工作，可能需要較為實用報表。因此，我打算推出一系列文章，介紹更多實用的模板來源，並下載幾個模板作評論。
{{ article.title }}