無論是各種領域，只要使用到量化研究，最重要的也讓人最感興趣的就是「尋找預測因子」或「尋找關聯性」，或是大膽地說想要探討「因果關係」。例如醫學研究中，胸腔科的醫師可能想知道與肺腺癌病人的存活率有關聯性的變項有哪些；政治學的研究中，可能想要探討什麼特質的選民會投票給某種屬性的候選人或政黨，這也需要用到「預測」的技術，而在現代的統計學中，目前最主流作預測分析的統計方法就是迴歸分析（Regression analysis）。
迴歸分析會因為依變項尺度（Scale）的不同而採用不同的模型，例如連續型依變項是線性迴歸（Linear regression）、二元型依變項是Logistic regression等等各種不同的模型，不過大致上皆可歸類到廣義線性模式（之前的簡介，不過今天這篇文章不是在介紹統計分析方法，而是要淺談「迴歸模型建立的策略」，簡稱「建模」，說的白話一點就是我們如何決定一組迴歸模型中最後要保留哪些自變項。
前次提到支持度（support）、信賴度(confidence)、增益（lift）作為找尋速配行銷組合的標準。相關應用的軟體很多，大家只要去找資料探勘（Data Mining）的軟體，大都有關聯規則分析（Association）的功能。這個分析有多個演算法，最常用的一種叫Apriori演算法，詳細內容在網路上隨手可得，但通常難以理解。以下以圖示方式簡單介紹：
假設有四筆交易，各購買下列物品：
最近還蠻常遇到有關IPA的分析，那今天在此針對IPA的內容與操作過程做個介紹。IPA分析就如標題所示，全名叫作重要-表現分析法，研究的議題總是圍繞在服務品質上打轉，然後去搜集受訪者（顧客、消費者…等受到服務的人）對於某項服務的重視程度與感受程度，因此「重要」有時候會以「期望」、「重視」表示，而「表現」有時候則會以「感受」、「滿意」取代之，無論使用何種名詞，這類分析所使用的量表都是一個對等量表，也就是說「重要」與「表現」是用一模一樣的題目去測量受訪者的反應（如下圖）。
目前為止我們已經知道要如何輸入資料，接著我們就要以SPSS為例，讓大家知道如何在SPSS裡頭分析time-dependent covariate的Cox regression。
我們延續之前另外一個例子，即心房性頻脈的負荷（Burden of atrial tachyarrhythmia, AT burden）與中風（Stroke）的關係之研究，在這個研究中，當病人首次安裝心跳節律器（Pacemaker, PM）之後，每一年測量一次病人在這一年之間發生心房性頻脈的時間，因此如果病人的追蹤期有幾年就會有幾筆的資料。
之前我們已經介紹time-dependent covariate的使用時機，現在我們就開始示範資料的輸入方式，仍以CABG手術為例子。
圖2列出四位病人的資料輸入方式，可以注意到第一位病人的資料筆數有兩筆，第一筆資料是從CABG術後（1月）到發生BSI日期（2月），第二筆資料是從發生BSI日期（2月）到病人死亡日期（5月）。首先，先關注第一筆資料，由於第一筆資料的「終點」是發生BSI的2月，因此在這一筆資料上面所輸入的變項應該要算是「起點」的變項，也就是CABG術後（1月）時的變項，既然如此，由於第一筆資料尚未發生BSI感染，因此BSI這個變項就要輸入「0」，因為病人沒有死亡因此Death也為「0」；到了第二筆資料時，病人有發生BSI感染了，而且病人最後死亡，因此BSI輸入「1」且Death也為「1」。此時我們可注意到，BSI這個變項是自變項，但是它在兩筆資料的數值是會改變的（第一次是0，第二次是1），因此這就算一種「time-dependent covariate」的形式。
週六晚上幫寶寶換完尿布後，覺得好累（心情上），突然想起冰箱裏還有一罐啤酒，二話不說，馬上開起來喝。在夏天悶熱的晚上，尤其累了一天之後，喝著冰啤酒，看著小朋友在身上亂爬，真是人生一大享受與成就。
{{ article.title }}