晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

     最近陳耀茂老師出的一本新書「醫護統計與SPSS」，內容有引用到我們部落格的文章，陳老師一時疏忽忘記註明引用的出處，由於擔心我們部落格的讀者閱讀該書之後有疑慮，所以在此發文澄清。非常感謝陳老師近日來積極協助釐清，也希望我們部落格的讀者可以知道，我們部落格的文章都是顧問親自寫的，感恩。

前次筆者已用SNA來展示台灣健保資料庫研究發表文章數目熱絡狀況(註)，其實NodeXL的社會網絡分析中除了圖形展示外，它也有量化的部分，依照頂點（Vertices）的屬性，可以計算出一些指標metrics。這裏仍沿用上一例子介紹Degree及Betweenness Centrality二種指標。

    在SPSS軟體中，有提供比較簡單置換遺漏值的功能，不過這功能只適用在等距及比例尺度，至於名義及順序尺度則不合適，會有小數點。本篇將以7筆成績（1筆遺漏值）來做介紹。

近來由於統計方法的推展及電腦軟體運算能力的大幅強化，目前在學術的各領域，樣本數規劃（Sample size determination）或統計檢定力分析（Power analysis）幾乎已經成為必須報告的項目（在論文的研究方法的一個小段落），而筆者與公司同仁在過去幾年也分享過許多篇關於樣本數計算及統計檢定力的文章（如表一）。

筆者前一陣子寫了一篇文章（社會網絡分析工具—從群眾募資案的分析談起），大力推薦NodeXL，可以收集FB、Twitter、Flickr、Youtobe等社群網路的朋友、網友或跟隨者的行為資料。

               上述只是該模版的特殊應用，已經令人驚艷，但還有更炫的，它還可以分析你的email來往狀況。選擇Analyze all emails全部下載，它會自動從你的outlook載入所有的email。

在各種的研究設計之下（例如RCT隨機對照試驗、Prospective cohort前瞻型世代研究、Case-control病例對照研究等），它們的統合分析（Meta-analysis）都是證據等級（Level of evidence）最高的研究，例如英國牛津實證醫學中心（Oxford centre for evidence based medicine, CEBM）證據等級最高者即為隨機試驗的系統性回顧（Systematic review），因此可見統合分析的重要性。

筆者的諮詢經驗顯示，許多研究者在撰寫統合分析的時候常常無所適從，不知道應該要依循某種準則（Guideline）來撰寫文章，而通常都是挑選已發表的範本文章加以模仿及修改，如此的缺點是，當參考文章本身若有缺漏或不適當之處，則我們寫出來的文章也會具有許多不恰當之處。

在潛在變項模式（latent variable modeling, LCM）這一類型的研究中，依潛在變項、測量變項的量尺區分，大致可分為以下四類方法。

在分析報告中，大家都會放統計圖使讀者容易理解，但圖放多了佔版面，反而讓人看花了，所以我們常會看到把圖合併在一起，一方面省空間，一方面也方便一眼看盡。例如像下圖：

    反向題轉向（Reverse）也是量化研究中，常遇到的資料處理之一。一般轉向的作法，是利用轉換中的重新編碼（Recode）進行處理，本篇將介紹SPSS分享的新工具，相信能幫助使用者更有效率的處理反向題（ps.由於此工具未特別說明版本限制，此公用程式可適用在SPSS 17.0之後的版本，且有安裝Python Essentials，本篇以SPSS 22.0版為操作介面，介紹安裝此公用程式及後續的操作。

（二）多組折線圖

接著示範多組折線圖的製圖過程，資料擺列跟雙變項長條圖類似，只不過本例的變異程度用標準誤呈現（標準誤數值比較小），選擇EXCEL上方功能表的「插入」，選擇「折線圖」。