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。
接著我們再執行四組皆為線性的組合「1 1 1 1」，將指令改為『ngroups 4 ; order 1 1 1 1』即可。此時報表第二個 BIC 數值為「-13245.60」，用比較複雜模型「1 1 1 1」減掉比較簡單模型「1 1 1」的 BIC 數值，亦即 [-13245.60– (13235.15)] x 2， 結果卻是負的「-20.9」，這表示此時的複雜模型「1 1 1 1」的配適結果反而還比較差，因此我們不會再考慮四組以上的模型，而是停留在三組的組數，但開始尋求不同形狀的斜率。
在往下進行之前，要先確認是否三個軌跡類別都具有一定的人數，因為有的時候雖然得到最佳的模式配適度，但可能其中一組人僅有個位數，這也會造成後續分析的困難，在本例中最少的人數是第三組，但仍有約 4.7％的人數，由於本研究的樣本數多達一千人，因此第三組仍有約 50 人，足以產生有意義的後續統計分析。
倘若在增加軌跡數量的過程中，已經發現某一組的人數非常少（根據每一個研究的樣本數而定），此時即使較多數量的模式具有比較好的配適度（例如「1 1 1 1」，我們還是得選擇較少數量的模式作為最後的結果（例如「1 1 1」）。不過這一點當然需要在文章中提到。
接著我們分別跑了「2 1 1」、「1 2 1」及「1 1 2」，亦即分別將第一組、第二組及第三組都設定為「2 次方」的形狀，此時的 BIC 分別為 -13150.08、-13163.82 跟 -13146.3，減掉「1 1 1」再乘以 2 倍後都大於 10，其中又以「1 1 2」減完後的數值最大（177.7），因此下一步就以其他更複雜模型跟「1 1 2」作比較。
接著執行「1 2 2」跟「2 1 2」，得到的 BIC 分別為 -13151.49 跟 -13131.14，前者減完之後反而是負的 -10.38，後者減完之後是正的 30.32，表示有強烈證據顯示「2 1 2」比「1 1 2」有更好的配適；最後再用「2 2 2」（BIC = -13080.95）跟「2 1 2」比較，最後減完得到的 BIC 差值為正的 100.38，表示在目前全部的模型中，就屬「2 2 2」可以得到最佳的配適度。
由於本例子的時間點只有三個，因此最多只能跑到 2 次方的形狀，因此最後就選擇「2 2 2」的結果。
此時要注意是否每一個軌跡類別的 2 次方項都有達統計顯著，由以下報表可知三個組別的 2 次方項均顯著為正，假設第一組的二次方項不顯著，可以考慮最後選擇「1 2 2」的模型，儘管它的模式配適度並不是最佳2。
接著到 Work 資料夾將「Of」這個資料輸出，下表列出隨機選出 10 名病患的輸出資料，最右邊的「GROUP」代表這位病患被分到的組別，而前面的「GRP1PRB、GRP2PRB、GRP3PRB」則是這位病患在每一個軌跡的機率，最後的組別是按照此人在三個軌跡機率的最大值所分類的。
至此，軌跡分析就算完成了，研究者可將「GROUP」進一步分析，有可能軌跡類別本身就是結果變項，我們可以看有哪些病患特性跟軌跡類別的關聯性。然而在本例中，軌跡類別是預測變項，我們感興趣的結果變項是急性洗腎與死亡率等。
投稿時也建議將過程中的每一個模式的 BIC 值列出來，以讓讀者以及審查委員能夠清楚知道最後模式是如何選出來的，如下表所示。
參考文獻
1.Kuo G, Chen S-W, Lee C-C, et al. Latent trajectories of fluid balance are associated with outcomes in cardiac and aortic surgery. The Annals of Thoracic Surgery. 2020;109(5):1343-1349.
2.Andruff H, Carraro N, Thompson A, Gaudreau P, Louvet B. Latent class growth modelling: a tutorial. Tutorials in Quantitative Methods for Psychology. 2009;5(1):11-24.
（全文完）
留言列表
{{ article.title }}