软体与统计应用.pptVIP

* * * * * * 無原始數據情況下 Chisq square for trend test in SAS 第七章 迴歸分析檢定 SEX變數p0.001 βSEX=11.474 95%CI=8.634~14.314 HG變數p=0.059 OR=1.693 95%CI=0.981~2.925 Dummy var. 第八章 統計圖 (Graphs)-ROC curve 箱型圖 Box-Plot 常用統計圖種類 統計圖 1. 莖葉圖(stem-and-leaf) 2. 條圖(bar) 3. 折線圖(line) 4. 區域圖(area) 5. 圓餅圖(pie) 6. 高低圖(high-low) 7. 柏拉圖(Pareto) 8. 管制圖(control) 9. 箱型圖(boxplot) 10. 誤差條圖(error bar) 11. 散佈圖(scatter) 12. 直方圖(histogram) 13. P-P plot 14. Q-Q plot 15. sequence chart 16. ROC 曲線圖 17. 時間序列圖 ROC 曲線在醫界研究 傳統ROC分析已經廣泛使用於診斷評估測試中，但是它的限制在於分成兩個結果 A 用ROC曲線(Receiver Operating Characteristic Curve)來評估診斷測是在醫界已經行之多年；1971年，Lusted把ROC曲線的觀念引介給醫學界，指出ROC曲線是以「X軸與Y軸分別代表偽陽性(FPF)診斷與真陽性(TPF)診斷」的點狀圖 B 學者對ROC 曲線之研究與整理 1 ROC曲線下的面積做為診斷工具分辨能力的指標 要了解一個診斷工具是否優於另一工具，只要比較兩者「ROC曲線下的面積」 2 這個面積（大於0，小於1）代表強迫二選一（two- alternative-forced-choice）的情形下，診斷工具猜對有病 者、無病者的機率 3 ROC曲線的用處之一，是提供研究者找出一個較好的反 折點(cut-off point)，使診斷工具的敏感度與精確度能有合 理的平衡 ROC曲線 ROC曲線相關 統計圖 傳統的ROC將測試結果分成兩類：Positive(陽性) and Negative(陰 性)，如果測試結果的數值很接近陽性或陰性的邊界時，將會被 完全接受，或是拒絕 ROC認為可以知道每一個人真實的檢驗結果這個觀念為基礎， 一般稱之為黃金標準(Gold Standard)。但是在醫學上，一般認為 可以做為「黃金標準」的長期追蹤、組織切片檢查、造影攝影 術和屍體解剖，除了最後一項外，其他檢驗無法確定是絕對正 確，所以黃金標準又稱之為「參考標準」 黃金標準將受檢驗的人分為兩類：Diseased(有病)與Non- diseased(沒病)，而黃金標準有時候並不是那麼精測的測試，所 以可以導入Fuzzy的觀念加以改進且說明 ROC 曲線資料考量 檢定變數為數值變數； 它們通常是由判別分析的機率、logistic 迴歸、或任意尺度上的分數所組成，此尺度上會表示定等級者會落在某一類別或其他類別的「信賴強度」；狀態變數可以是任何類型的變數，但要指出受試者所屬的真實類別； 狀態變數的值會指出哪一個類別應視為正向 資料 假設等級者尺度上數值的增加，代表相信受試者屬於某類別的程度加深，則尺度上數值的減少，則代表相信受試者屬於其他類別的程度增加；使用者必須選擇正向； 同時假設已知各受試者屬於真的類別 假設 ROC 曲線選項 統計圖 1 分類： 讓您指定在進行正向分類時，是否要加入或排除分割值 2 檢定方向：讓您指定與正向類別相關之尺度的方向 3 區域標準誤差的參數：讓您指定估計曲線下區域之標準誤的方法；可用的方法有非參數式 (nonparametric) 和雙負指數；同時您還可以設定信賴區間的等級。 有效範圍為 50.1% 到 99.9%。 您可以指定下列的 ROC 分析選項： ROC 曲線在SPSS操作步驟 統計圖 分析→ROC曲線 ROC 曲線在SPSS操作步驟 統計圖 選取欲檢定變數狀態變數並設定狀態變數值 勾選欲選取之項目 選定檢定方向選擇雙負指數 ROC 曲線在SPSS輸出 統計圖 ~ The END ~ Discussion (05/27) 實機操作分析實例 or 存活分析+重複測量 Thank you for your attention! * * SPSS自動將兩個檔案有不同的變數名稱放在右邊的 　　　框中，左邊的框中有「姓名」是因為兩個檔案皆有姓名這個變數， 　　　所以在合併檔案的過程將其排除 data b; input exposure dis