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。
Immortal time bias（不死時間偏誤）在早期的醫學文獻稱之為存活偏差（Survival bias），最早於 1993 年從知名醫學雜誌《Lancet》發表過一篇短文，這是醫學文獻中首次標題出現「Survival bias」的出版品，當時有一系列的個案控制研究（Case-control study）指出，抽煙是阿茲海默症的（Alzheimer’s disease）保護因子，這意味著抽煙對於腦神經系統是有保護的1。
但該文作者提出這很可能是存活偏差所造成，因為抽煙者的死亡率一定會比非抽煙者高上許多，因此在個案控制研究往過去回溯受訪者的抽煙狀態時，已經死掉的人是沒機會進入到研究的，而因為基因上面的差異，很可能阿茲海默症的個案組與沒有罹病的控制組在這個比例（因為抽煙而先死亡，來不及進入研究收案）是有差異的，而這個差異如果能夠在統計上校正，作者相信原本「抽煙是阿茲海默症的保護因子」的論述會不攻自破。
這篇要介紹的是SPSS中一個資料處理的功能－分割檔案（Split Files），當研究者需要針對一筆資料中的不同組別來進行相同分析時，就可以使用此資料處理功能，譬如說在分析人口學變項的敘述統計時，除了針對全體對象以外，還想針對男性或女性個別檢視，我們有三種作法，第一種方式是將原始檔案依組別拆開另存新檔，形成男性一個檔案，女性一個檔案，再開始個別檔案進行分析；第二種方式是在原始檔案中，利用以前教學過的篩選條件，先篩選男性樣本進行分析後，再改篩選女性進行分析；第三種則是本篇的主題，分割檔案（Split Files），透過指定變項進行檔案分割後，所有分析都會以各組別的結果輸出，因此分析只要做一次，不用重複進行，否則今天若有一筆全國資料，需要針對不同縣市個別進行，若採用前兩種方式處理，那麼同一種分析就得進行22次。
筆者之前有寫過一篇https://reurl.cc/Z1eNkW文章，關於如何在R上面執行傳統ROC 的分析(例如: 觀察一個新的biomarker能否區別疾病的發生)，但傳統的ROC分析是假設疾病的發生跟biomarker不會隨著時間的進程而改變，但在臨床的情境，疾病跟biomarker是會隨著時間而改變的，因此我們在做ROC分析的時候需要同時考慮時間的影響，這時候考慮時間變化的time-dependent ROC（時間相依ROC）會比較適合。
關於敏感度跟特異度的計算在傳統的ROC以及時間相依ROC說明如下：
當變項做完敘述性統計後，通常緊接著就會進行推論性統計，來回答各式各樣的研究問題及假設，那複選題的部分又該如何進行推論性統計呢?譬如說不同性別在慢性病的比例上有無差異，之前複選題分析的教學文章中有提到，複選題的每一個選項在資料集中都被視為一個變項，因此最直接的方式，就是將每一項慢性病都獨立最一次推論性統計（無論是做獨立樣本t檢定或是卡方檢定），不過有時候複選題的選項非常多，像慢性病就可能多達一二十種，呈現在表格非常較為繁瑣，所以不妨先以簡易的方式來呈現。
如何化繁為簡呢?重點就是要把複選題想辦法變為單選題，不過要成功的執行這一步，還是得靠各自領域的專業知識，才有辦法建立出一個有意義的單選題，以上述的慢性病來說，最常見的處理方式，就是計算出慢性病總數或是重組成有無慢性病，使此變項變成慢性病的代表變項，再來和其他變項進行相關或差異分析。
{{ article.title }}