晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

最後附上所有島嶼的正負評，非常累人的整理，請按個讚，就拿去參考吧！（透露一下我要去長灘島，不要跟來喔！）

最近想要趁暑假找個島國好好度個假，放鬆放鬆，上網一搜尋那麼多個島嶼各式行程競爭激烈，真拿不定主意要去哪裡好!不過我可不能像一般人那樣隨便選一個順眼的就去，也不可以道聽塗說，表哥表姊建議哪裡就去哪裡，我是一個有主見的數據人，因此我決定先做一個簡單的統計比較之後再計畫行程。

接著，後面二個模型是Random-coefficient、Intercept-and slopes-as-outcomes。

第一個模式是在Level 1（學生層級），加入學生個人的社經地位（SES）來預測學生個人學業成績，如同迴歸一般，預測某一學生的成績是以常數項，加上社經地位（SES）乘以迴歸係數，再加殘差項。只是這時侯，常數項不只一個，學校有幾所，常數項便有幾個，因為它代表的是該學校內所有學生的平均成績。故學校有好多所，所以常數項當然也有多個，這是第一個Random-coefficient。

前兩篇文章我們已經介紹過敏感性（Sensitivity）、特異度（Specificity）、陽性概似比（Positive likelihood ratio, LR+）與陰性概似比（Negative likelihood ratio, LR-）的定義，此篇文章介紹如果已知檢測結果以及疾病的盛行率，那麼究竟罹患或沒有罹患某疾病的機率為多少，例如：「如果檢驗陽性，那麼患病的機率是多少」或「如果檢驗陰性，那麼沒有患病的機率是多少」，前者叫作陽性檢測率/陽性預測值（Positive predictive value, PPV），後者叫作陰性檢測率/陰性預測值（Negative predictive value, NPV）。待會會作很多的運算，都是基於圖2的幾個名詞去求出的，因此再把圖2列在以下以供各位查照。

本節主要說明在資料讀進SAS並建立資料集時，可以進行的一些動作，以符合一些研究者特殊的需求。

最近新聞做的很大，南韓加入「20-50」俱樂部，全球第七個國家，聲勢非常的驚人，反觀台灣最近在油電雙漲日子苦哈哈，看了真不是滋味。但是我是一個「數據人」，怎麼可以人云亦云呢?我怎甘於耳根子軟大家說什麼我就相信呢?於是我骨子裡的分析蟲又呼叫我了，我決定上網尋找一些數據，驗證一下事實到底是怎樣。剛巧公司裡有一位號稱"韓文老師"的工讀生，他大力協助我去韓國的網站收集一些物價資料，幫助我做細部的了解，仔細看看韓國人的生活到底是怎麼樣呢？

算一算從事統計顧問業將近8年的時間，這幾年這個產業變化很大，從萌芽到蓬勃，越來越多人有”數據力”的觀念，更多的產業想要使用新的統計方式來解決問題，甚至連法官用數據來輔助判案的例子我們也接觸過，更有電視台邀請我上節目用統計分析問題（婉拒沒去），真是每天開門都有新的消息，新的學習。

在繼續介紹之前，先提醒大家，前篇所提到的One-way ANOVA 模型，因未放入任何的階層變項，故One-way ANOVA 模型可說為線性階層模型的基礎，又稱為零模型（Null model），其它模型可與其相比，得出階層變項的效率。

上篇文章我們已經介紹過敏感性（Sensitivity）及特異度（Specificity）的定義，現在有個很重要的問題要詢問：「如果檢驗陽性，那麼患病的機率是多少」或「如果檢驗陰性，那麼沒有患病的機率是多少」，在回答這個問題之前，我們要先介紹一個很重要的名詞－概似比（Likelihood ratio）。