晨晰統計部落格新站（統計、SPSS、BIG DATA討論園地）

操作方法一（交叉表）

（1）點選「分析」→「敘述統計」→「交叉表」。

在進行連續變項的前後測比較或配對比較時，我們會用到一個熟悉的統計方法-成對樣本t檢定（Paired sample t test），不過當變項屬於二分類的類別變項時，我們就必須改用一個比較陌生的檢定方式－麥內瑪關聯樣本檢定（McNemar test）。先來介紹這次的例子，針對100名受訪者，詢問他們在政見發表會前後，對於候選人的支持情況，資料的建立通常有兩種方式，左邊的方式，直接記錄每一位受訪者在政見發表會前後所支持的候選人，因此樣本數會有100筆；右邊的方式，則是將四種反應組合列出後，在第三個欄位中填上該組合下的人數。

三、Methods（Item no. 10-12）

第 10 點是關於統計分析，是只針對發展模型的文章，又分成 5 個小點。「10a」是描述在分析時如何處理預測變項，這邊指的是主要分成連續變項與類別變項兩大類。連續變項部分，TRIPOD statement 建議盡量保持為連續變項，避免重新分組成類別變項，尤其是根據資料驅動（Data-driven）的二分法（Dichotomization）更要避免使用。連續變項也要檢視與結果變項之間的非線性關係，目前主要建議使用 fractional polynomial（FP）以及 restricted cubic splines（RCS），兩者中又以 FP 的模型可解釋性比較高。關於 RCS，筆者與同事之前有分享過一些文章（https://reurl.cc/8WOqNb、https://reurl.cc/pWVL54、https://reurl.cc/R6OEqG以及https://reurl.cc/2b8yjm）。

三、Methods（Item no. 4-9）

第二個部分是方法，多達 9 項（4-12），是 TRIPOD 最主要的內容，所以筆者分成兩篇撰述，以下分別解釋。

現今的醫學研究在投稿時，雜誌社往往會要求檢附報告指引（Reporting guideline）的檢核表，主要是為了讓研究人員自我審視關於研究執行與報告的細節，是否符合規範。關於報告指引，筆者在過去曾經寫過綜合的介紹（https://reurl.cc/NpEade）、針對統合分析的 PRISMA checklist（https://reurl.cc/ZrznkA）以及針對例行性收集資料的 RECORD checklist（https://reurl.cc/Kpv6W9以及https://reurl.cc/oeqDMv）。

本篇文章主要欲介紹「TRIPOD statement」，為 Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis 的縮寫，是針對「多變項預測模型」的報告指引。跟其他報告指引一樣，「TRIPOD statement」有完整的發展歷程以及持續更新，可至官方網站下載最新文章與勘誤表等資訊（https://www.tripod-statement.org/）。

值得注意的是，報表最下方有兩個「BIC」，要以第二個為主（N= 1063），數值是「-13285.31」。

接著執行三組皆為線性的組合「1 1 1」，只要將程式些微修改成『ngroups 3 ; order 1 1 1』即可。此時報表第二個 BIC 數值為「-13235.15」，我們用比較複雜模型「1 1 1」減掉比較簡單模型「1 1」的數值，然後再乘以兩倍，亦即 [-13235.15 – (-13285.31)] x 2， 結果是正的「100.32」，這代表有非常強烈的證據顯示此時的複雜模型「1 1 1」的配適結果比較好。

筆者在之前介紹了Group-based trajectory model（GBTM）的概念，本系列文章以 Bobby Jones 撰寫的 SAS 程式「Proc TRAJ」為例，以一個實際已發表的例子來示範操作流程。Bobby Jones 有固定在更新及維護這個程式，可至此網址下載最新程式以及參考說明（https://www.andrew.cmu.edu/user/bjones/）。

首先至網頁的「SAS download」頁面，根據作業系統與 SAS 版本下載程式的壓縮檔，根據網頁中的指示，將「traj.dll」放到作業系統（通常是 C 槽）的「sasexe」資料夾，以及其他檔案（dropoutplot、trajplot、trajplotnew、trajtest）放到「sasmacro」的資料夾。以我的電腦路徑為例，是C:\Program Files\SASHome\SASFoundation\9.4\core\sasmacro以及C:\Program Files\SASHome\SASFoundation\9.4\core\sasexe。

筆者之前有寫一篇關於Tidyverse的介紹，” R 資料的魔法師-Tidyverse (1)”，已經介紹了Tidyverse裡常用的package，包含readr、tidyr、Tibble、dplyr的使用，接下來筆者會針對剩下常用的package作介紹(如下圖所示)。

在資料科學的領域中，資料的處理大致是下圖的流程，從匯入資料、資料前處理(Tidy、Transform)、資料的探勘(視覺化:visualise、建模:model)、數據呈現。