│ 很多時候研究主題，就是這些很 #吸引人的問題，與 #強烈的好奇心 開始的，這是個很不錯的例子。 │
⠀
【快訊 🎉 蔡尚聞醫師團隊，關於洗腎與腎移植患者接受全關節置換術之預後統合分析，獲 EFORT Open Reviews 刊登！】
⠀
📝 文章介紹
⠀
末期腎病變的患者，接受髖關節或膝關節的置換手術後，手術部位併發症較高，人工關節感染機會也較多，不過，末期腎病變患者一般會接受洗腎治療，但也有部分人最終會接受腎臟移植，蔡醫師團隊對於這兩種人的手術預後究竟有沒有差異，很有興趣，於是有此研究。
⠀
收入了 22 篇文獻共 9384 位患者後，共有 8921 位洗腎、463 位腎臟移植者，手術後整體死亡率，在腎移植患者中略高於洗腎患者（15.8% vs 13.8%），整體手術部位併發症也是（3.6% vs 3.3%）。關於人工關節感染，洗腎患者則略高於腎移植患者（4.0% vs 3.7%）。
⠀
使用多變項迴歸分析，確認各種因素的影響後，會發現其實使用洗腎或腎移植，並不是顯著的預後決定因子。
⠀
這是個蠻有意思的研究，腎臟不好，會造成關節手術的風險，那如果之後把腎移植進去呢？風險會降低嗎？至少以本篇研究來看並沒有，雖然也可能是因為腎移植患者通常經歷過一陣子的洗腎，且移植後的照護也同時合併許多藥物，但無論如何，接受腎臟移植，並不會讓預後神奇的逆轉。
⠀
📝 期刊介紹
⠀
EFORT Open Reviews 創刊於 2016 年，2020 年 impact factor 為 4.618，在 Orthopedics 領域排名為 Q1(12/82) 期刊。
⠀
--
⠀
🔸 11/7（日）統合分析工作坊 #全新梯次
➠ https://meta-analysis.innovarad.tw/event/
免收案、免 IRB，突破資源缺乏困境的機會！
⠀
🎯 克服經費與資源稀少的困境，帶您踏入統合分析的領域。
⠀
☑ 統合分析研究規劃技巧
☑ 正確拆解論文架構
☑ 必學的重要專有名詞
☑ 互動實作：完成一套 Meta-analysis 圖表
☑ 以發表為導向的搜尋文獻
☑ Meta-analysis 圖表優化重點
☑ 給初學者的起步建議
⠀
🗣️ 學員回饋
⠀
「這種 #以成果為導向 的學習方式貫穿了整天課程，在這樣的學習架構底下，每堂課都只教必學的重點：繁雜的統計觀念，只聚焦在發表文章必備的部分；統計軟體當然選 CP 值最高的。也因為有這樣的課程安排，讓我能在短短的一天之內，迅速消除對統合分析的恐懼，也對統合分析的架構及寫作有較全面的理解。」
⠀
「新思惟的一天課程學習，教會我們從題目、寫作及分析技巧、文章架構及排版，到繪圖及美化圖表，製作出賞心悅目、令人不忍拒絕的圖表，教會我們如何 #快速踏入寫作的旅程中，告訴我們 meta-analysis 文章並不難，難的是你不願意開始，只要開始你就有機會拚出一篇自己的 SCI。」
⠀
👨🏫 講者陣容
⠀
＃張凱閔，知名復健醫學與超音波學者，台大流病與預防醫學博士，SCI 論文超過 190 篇，並有 25 篇以上為 meta-analysis，探討臨床常見議題。
⠀
＃曾秉濤，專業精神科醫師，擅長從臨床工作找到發表議題，並組成研究團隊，SCI 論文超過 85 篇，並有 70 篇以上為 meta-analysis。
⠀
＃蔡依橙，專業課程開發與整合者，能迅速理解學門架構，並以初學者能理解的方式，建構學習流程。生涯被 SCI 期刊接受的圖表，已超過 500 張，熟悉學術審閱過程與要求。
迴歸分析不顯著 在 [問題] 階層迴歸分析係數不顯著- 看板Statistics - 批踢踢實業坊 的必吃
最近在分析資料時遇到一個狀況，想請教各位該怎麼解釋／調整分析方式。
我的研究中是使用多元迴歸分析，而預測變項是分成兩個區塊投入。
分析結果，兩個模式的整體解釋力都有達到顯著，
模式一和模式二的 R平方 分別為.28和.43，R平方改變量達到顯著。
但是，在模式二中，所有變項係數都未顯著。（變項間沒有共線性的問題，vif=1-2）
未標準化係數
模式 B 估計值 標準誤差 標準化係數 t P
-------------------------------------------------------------
1 (常數) 1.736 1.188 1.461 .148
A .547 .245 .230 2.238 .028
B .727 .256 .303 2.837 .006
C .218 .101 .232 2.149 .035
-------------------------------------------------------------
2 (常數) -3.162 1.971 -1.604 .113
A .405 .240 .170 1.688 .096
B .477 .262 .199 1.816 .074
C .104 .106 .111 .980 .331
D .228 .124 .224 1.839 .070
E .200 .123 .196 1.634 .107
對於這樣的結果該怎麼解釋呢？
我目前是以模式一進行解釋，但總覺得怪怪的（畢竟模式二的解釋力較大）。
ps.我也試著在預測變項中只投入ABCD或ABCE，
兩個模式都有顯著（一個是C、D變項顯著，一個是A、C、E顯著）。
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 1.170.126.113
謝謝提問，平均數標準差如下：
A 2.63 ± 2.48
B 3.16 ± 2.46
C 6.97 ± 6.28
D 18.52 ± 5.79
E 13.13 ± 5.76
依變項 7.20 ± 4.21
其實嚴格講算是ordinary scale，因為是使用李克特式量表。
殘差的問題，我其實不太確定（不太會看圖）有沒有符合常態分配...
https://ppt.cc/O7T7
順帶附上殘差P-P圖及殘差-預測値散布圖
https://ppt.cc/BRDG
https://ppt.cc/vuaH
不好意思，沒說清楚，
A、B變項是單題的10點量表，C、D、E都是多題加總之後的分數。
變項是都有正偏態的情形，但應該不影響迴歸的使用？
沒錯，model 2 就是再加上D、E變項。
其實這些變項間都有或多或少相關（如下表）
Y A B C D E
Y 1
A .289* 1
B .394** .079 1
C .362** .154 .314** 1
D .485** .276* .432** .309** 1
E .429** .127 .257* .479** .480** 1
我目前解釋的方式是比較朝向
「ABC變項就可以很好的解釋Y，增加DE變項無法增加對Y的了解」來解釋。
但又卡在，
當以ABCD或ABCE來預測時，
其實又都可顯著增加解釋力(和只用ABC來預測相比)，且D/E變項也有顯著解釋力，
這樣說起來，
好像是因為變項間的相關才導致以ABCDE來預測時，所有變項的效果都不顯著。
只是先前詢問老師，
老師是覺得相關也沒有到極高、VIF也都蠻低的(都不到2)，應該不是這個問題。
ps.已補上未標準化的數據，好像也沒有誤差過度膨脹的狀況。
感謝大家的熱心指導、討論！
讓我可以釐清對迴歸的一些觀念，也發現到自己之前忽略了好多該注意的地方。
我比較清楚問題在哪裡了，剛好放完年假可以回學校再努力！
如果大家還有其他想法，或是想提醒後進注意的，也歡迎再提出。
再次感謝大家！新年快樂！
※ 編輯: tonmai 來自: 1.170.11.184 (02/05 17:45)
... <看更多>