使用Endnote編輯書目常會從不同網頁匯入書目檔,
然而網頁提供的書目檔可能有誤,導致書目有問題。
投稿前務必再次確認Endnote插入的書目。
以下整理常見的問題作為檢查書目的檢核表,供自己和有需要的人參考。
1.作者名字
(1)統一為全名或縮寫
(2)縮寫的格式一致
(3)姓名沒有顛倒
(4)文章中的引用和文末的參考文獻皆須確認
2.期刊名稱
(1)統一為全名或縮寫
(2)確認是否需斜體
(3)大小寫一致
3.論文標題大小寫一致
4.引用線上open access的期刊時,須確認期號和頁數是否符合實際的書目
2016年12月29日 星期四
2016年11月24日 星期四
工作項目所需時間估計
以下工作項目所需時間估計為整理自己番茄鐘的工作紀錄而來。
工作項目(資料清理、分析與整理)有順序性。
資料清理到使用目的所需時間
1.基本資料:17-21小時
2.Mixed effect model: 1-2小時
3.Kernel smoothing:1-2小時
資料分析(含除錯時間)與整理所需時間
1.基本資料:5-6小時
2.Mixed effect model: 7小時
3.Kernel smoothing : 6小時(含28題WHOQOL-BREF+4個WHOQOL-BREF面向+1 EQ5D 。如果做超過2組的比較圖,約需多增加2小時)
工作項目(資料清理、分析與整理)有順序性。
資料清理到使用目的所需時間
1.基本資料:17-21小時
2.Mixed effect model: 1-2小時
3.Kernel smoothing:1-2小時
資料分析(含除錯時間)與整理所需時間
1.基本資料:5-6小時
2.Mixed effect model: 7小時
3.Kernel smoothing : 6小時(含28題WHOQOL-BREF+4個WHOQOL-BREF面向+1 EQ5D 。如果做超過2組的比較圖,約需多增加2小時)
2016年8月26日 星期五
如何用Winsteps 輸出的結果計算每個人的信度 (person reliability)
使用羅序分析的時候,有時會希望呈現有多少個案的施測信度大於0.90,而不是只得到整體信度。
如果使用ConQuest軟體分析,可以直接估計出每個人的信度。
但是個人認為Winsteps能夠估計殘差的量,而且person-item map比較方便閱讀,因此希望可以使用Winsteps分析結果得到信度。
查詢網頁之後,發現只要套公式就可以用Winsteps輸出的Pfile計算每個人的信度。
信度的公式是真值的變異/觀察值的變異=(觀察值的變異-誤差的變異)/觀察值的變異。
詳細步驟如下:
1.將Pfile的內容貼至Excel,並使用資料剖析的功能將每一欄分割好。
2.計算整體Rasch score的變異[VAR(所有人的Rasch score)]
3.計算個人信度:[VAR(所有人的Rasch score)-個人的error平方]/VAR(所有人的Rasch score)
◎感謝菀薈分享的網頁 http://www.estat.us/id124.html
如果使用ConQuest軟體分析,可以直接估計出每個人的信度。
但是個人認為Winsteps能夠估計殘差的量,而且person-item map比較方便閱讀,因此希望可以使用Winsteps分析結果得到信度。
查詢網頁之後,發現只要套公式就可以用Winsteps輸出的Pfile計算每個人的信度。
信度的公式是真值的變異/觀察值的變異=(觀察值的變異-誤差的變異)/觀察值的變異。
詳細步驟如下:
1.將Pfile的內容貼至Excel,並使用資料剖析的功能將每一欄分割好。
2.計算整體Rasch score的變異[VAR(所有人的Rasch score)]
3.計算個人信度:[VAR(所有人的Rasch score)-個人的error平方]/VAR(所有人的Rasch score)
◎感謝菀薈分享的網頁 http://www.estat.us/id124.html
2016年7月26日 星期二
Winsteps 的DIF資料檔及語法檔
資料檔:新增DIF的欄位(藍字處)
資料檔範例:前三欄各是1個DIF變項
MMJ3333333333
MMJ3234323433
MMJ4332232322
語法檔:註明DIF出現在第幾欄(黃底標示)
(1)單一個DIF
; This is control file
&INST
TITLE='efficacy_output'
DATA=efficacy_1.txt
NI=10
CODES=1234
DIF=1
ITEM1=4
GROUP=0
PRCOMP=S
TFILE = *
1.2
3.1
2.4
3.2
10.1
12.6
20.1
23
28
30
*
IFILE=a.txt
PFILE=b.txt
SFILE=c.txt
ICROFILE=d.txt
&END
資料檔範例:前三欄各是1個DIF變項
MMJ3333333333
MMJ3234323433
MMJ4332232322
語法檔:註明DIF出現在第幾欄(黃底標示)
(1)單一個DIF
; This is control file
&INST
TITLE='efficacy_output'
DATA=efficacy_1.txt
NI=10
CODES=1234
DIF=1
ITEM1=4
GROUP=0
PRCOMP=S
TFILE = *
1.2
3.1
2.4
3.2
10.1
12.6
20.1
23
28
30
*
IFILE=a.txt
PFILE=b.txt
SFILE=c.txt
ICROFILE=d.txt
&END
2016年7月21日 星期四
mixed-effects model在SPSS的操作方式
製作時間序列(因為一個人不只一筆資料)
1. Data/ Identify Duplicate Cases/ 選擇配對的變項(通常是ID)、作為編號依據的變項(例如時間)、勾選indicators of primary cases(選擇first case in each group is primary)、勾選sequential count of matching case in each group、勾選matching group as top of file、勾選display frequencies for created variable/ ok
2. 使用recode的功能,把MatchSequence的0轉成1(0表示這個ID只有被測量一次)。
開始分析
Analyze/ Mixed Model/ Linear/ Subject 放ID、Repeated 放時間序列、repeated covariance type選擇AR(1)、Compound symmetry: correlation metric或Unstructure(註)/ dependent是y變項、factor 放類別變項、covariate放連續變項、residual weighted不用放、Fixed選擇main effect (把所有變項新增至右方欄)、Random選擇和之前一樣的covariance type ,並且把ID選至combination、Estimation選擇default、Statistics選擇想看的參數估計結果(一定要選parameters)、EM means可不選擇、Save可不選/ ok。
註一、
AR(1):用於每個時間點間隔相同
Compound symmetry: correlation metric:假設第一次測量對於之後每次測量的影響力(相關程度)為等比遞減(例如:p、p*p、p*p*p)。
Unstructure:逐一計算每個時間點變項間相關,需要較大樣本數與較多時間才能完成。
註二、放入類別變項的時候,SPSS的預設為數值大的作為對照組。例如:1 不同意、2 皆可、3 同意。3 同意就會被當作對照組。一般會使用人數多的類別作為對照組,估計的誤差會比較小。因此建議進行mixed-effects model 之前,先做基本資料的描述統計,再決定要選哪一組當對照組。
1. Data/ Identify Duplicate Cases/ 選擇配對的變項(通常是ID)、作為編號依據的變項(例如時間)、勾選indicators of primary cases(選擇first case in each group is primary)、勾選sequential count of matching case in each group、勾選matching group as top of file、勾選display frequencies for created variable/ ok
2. 使用recode的功能,把MatchSequence的0轉成1(0表示這個ID只有被測量一次)。
開始分析
Analyze/ Mixed Model/ Linear/ Subject 放ID、Repeated 放時間序列、repeated covariance type選擇AR(1)、Compound symmetry: correlation metric或Unstructure(註)/ dependent是y變項、factor 放類別變項、covariate放連續變項、residual weighted不用放、Fixed選擇main effect (把所有變項新增至右方欄)、Random選擇和之前一樣的covariance type ,並且把ID選至combination、Estimation選擇default、Statistics選擇想看的參數估計結果(一定要選parameters)、EM means可不選擇、Save可不選/ ok。
註一、
AR(1):用於每個時間點間隔相同
Compound symmetry: correlation metric:假設第一次測量對於之後每次測量的影響力(相關程度)為等比遞減(例如:p、p*p、p*p*p)。
Unstructure:逐一計算每個時間點變項間相關,需要較大樣本數與較多時間才能完成。
註二、放入類別變項的時候,SPSS的預設為數值大的作為對照組。例如:1 不同意、2 皆可、3 同意。3 同意就會被當作對照組。一般會使用人數多的類別作為對照組,估計的誤差會比較小。因此建議進行mixed-effects model 之前,先做基本資料的描述統計,再決定要選哪一組當對照組。
2016年6月24日 星期五
201602-06工作時間分配圖
學期即將結束,我參考番茄土豆的記錄,
回顧開學至今的工作時間分配,覺得應該重新調整工作時間的分配,
不然就沒有時間寫論文了!
暑假不用備課改作業,我再設法提升行政事務的處理效率,希望可以多用一點時間在論文上。
圖、工作時間分配圖
回顧開學至今的工作時間分配,覺得應該重新調整工作時間的分配,
不然就沒有時間寫論文了!
暑假不用備課改作業,我再設法提升行政事務的處理效率,希望可以多用一點時間在論文上。
圖、工作時間分配圖
2016年6月6日 星期一
發展複合式生活品質量表之想法
依據量表的題目與適用對象,HRQOL量表可分為一般性 (generic)和特定疾病性 (disease-specific)二種。
二種量表各有其價值。
一般性量表適用對象廣,便於比較不同疾病的人的測量結果。
特定疾病性量表可針對特定族群,更深入探討罹患某特定疾病後的生活品質。
若能取一般性量表的題目,加上部分特定疾病性量表的題目,組成複合式量表,
是否可以減少發展/驗證量表的人力物力,發展出好的評估工具?
又,一般性量表的題目和特定疾病性的題目是否會是同一個面向?
或許值得探討。
二種量表各有其價值。
一般性量表適用對象廣,便於比較不同疾病的人的測量結果。
特定疾病性量表可針對特定族群,更深入探討罹患某特定疾病後的生活品質。
若能取一般性量表的題目,加上部分特定疾病性量表的題目,組成複合式量表,
是否可以減少發展/驗證量表的人力物力,發展出好的評估工具?
又,一般性量表的題目和特定疾病性的題目是否會是同一個面向?
或許值得探討。
2016年4月20日 星期三
2016/2-4 王老師討論內容彙整
I.
對OT研究的建議
A.
進行QOL研究,因為QOL是OT重要的成效指標。
B.
找可以合作的臨床據點長期收案(最好可以從診間或電子病歷抽收集資料)。
C.
學長期資料分析:常用的評估工具電腦化、長期固定追蹤。
D.
一定要寫論文、沈澱自己的結果。
E.
要做得讓國際認同OT。例如:投稿在好一點的期刊。
F.
擴大OT的市場,例如思考OT如何做到預防疾病。
G.
分析OT常見的疾病的預期壽命、預期壽命損失、終生花費 (life time cost),若有需要,可依期別、年齡分別分析。例如:CP、失智症。
II.
比較兩種治療方法的新思維:即使是同一種疾病,如果兩種治療方法的適用族群有差(例如採用某醫療法的族群年齡比較低,另一個療法的族群年齡比較高),由於預期存活壽命不同
(leave time bias),計算病後的QALY損失時,所選擇的健康人對照曲線應該不同。
III.
其他:
A.
從經濟分析促進健保的效率與公平,進而促進健保永續經營。
2016年4月13日 星期三
OTK Delphi研究之前言修改方向(按討論先後順序排列)
王老師的建議:
1.連結OTK與OT marketing (promotion)
2.強調各地區之差異,因此雖然OT的核心價值相似,但是各地的資源、服務場所與服務內容不同(意即OT發展策略不同)。
→因此各個地區可能都需要自己的OTK架構
→本研究可作為其它地區之OT建立OTK架構之參考
謝老師的建議:
重點在於大家根本不瞭解OT是什麼,因此才需要建立OTK架構/發展OTK衛教。
建議修改前言時再次確認本研究的基本理由 (rationale)已說明清楚。
我的想法:
從之前的審稿者意見看來,審稿者似乎不認為大家不瞭解OT,而是把重心放在我們建立了一個台灣的OTK架構。
因此修改時,需把賣點再強調清楚(別人不瞭解OT,所以有種種不良影響。而我們的研究目的為發展OTK架構,以便幫助大家瞭解OT,進而達到推廣OT的目的)
1.連結OTK與OT marketing (promotion)
2.強調各地區之差異,因此雖然OT的核心價值相似,但是各地的資源、服務場所與服務內容不同(意即OT發展策略不同)。
→因此各個地區可能都需要自己的OTK架構
→本研究可作為其它地區之OT建立OTK架構之參考
謝老師的建議:
重點在於大家根本不瞭解OT是什麼,因此才需要建立OTK架構/發展OTK衛教。
建議修改前言時再次確認本研究的基本理由 (rationale)已說明清楚。
我的想法:
從之前的審稿者意見看來,審稿者似乎不認為大家不瞭解OT,而是把重心放在我們建立了一個台灣的OTK架構。
因此修改時,需把賣點再強調清楚(別人不瞭解OT,所以有種種不良影響。而我們的研究目的為發展OTK架構,以便幫助大家瞭解OT,進而達到推廣OT的目的)
2016年3月7日 星期一
2016/3/7-11任務
研究相關
1.重新分析OTK RCT結果(因為OTES多收25人之後,刪題數目減少),製作表格
2.查詢成大小兒科、復健科可以合作的對象(依醫師專長判斷),再擬定可能可以合作的研究題目
3.查詢發生率比較高(發生率 > 10萬分之一)的幾個罕見疾病
4.瞭解電子病歷系統如何建立(請教千瑀)
助教相關
1.完成2篇文獻評析表格
2.批改碩班文獻評析作業
3.心理計量特性驗證介紹之投影片製作(全英文授課,2小時)
1.重新分析OTK RCT結果(因為OTES多收25人之後,刪題數目減少),製作表格
2.查詢成大小兒科、復健科可以合作的對象(依醫師專長判斷),再擬定可能可以合作的研究題目
3.查詢發生率比較高(發生率 > 10萬分之一)的幾個罕見疾病
4.瞭解電子病歷系統如何建立(請教千瑀)
助教相關
1.完成2篇文獻評析表格
2.批改碩班文獻評析作業
3.心理計量特性驗證介紹之投影片製作(全英文授課,2小時)
2016年2月15日 星期一
2016/2/15-26主要任務
1.撰寫/修改博士期間收案資料之相關論文:OTES、OTK RCT、OTK framework(王老師希望擔任共同作者)
2.閱讀流行病學方法論
3.熟悉新的分析方法:
(1)存活函數*失能曲線
(2)Mixed effect model
(3)Cox model
4.大致瞭解研究室正在進行的各項研究
2.閱讀流行病學方法論
3.熟悉新的分析方法:
(1)存活函數*失能曲線
(2)Mixed effect model
(3)Cox model
4.大致瞭解研究室正在進行的各項研究
2016年2月6日 星期六
2016年1月29日 星期五
20100830-20160130工作日誌
*藍字粗體字表示與博士論文相關的任務
OTES翻譯與測試:已完成
OTES心理計量特性驗證:預計再收案40人即完成建構效度收案,預測效度之追蹤將於2月完成。
OTES翻譯與測試:已完成
OTES心理計量特性驗證:預計再收案40人即完成建構效度收案,預測效度之追蹤將於2月完成。
2016年1月15日 星期五
預計與老師的討論大綱
II. 博論撰寫為期刊論文的規畫
A. 研究一:Delphi studies改寫。
B. 研究二 + 研究三:Effects of Tailored Occupational Therapy Knowledge
Education in clients’ with stroke and their families
III. 其它論文撰寫規畫
A. OTES:已完成資料分析。是否接受目前的結果,撰寫論文?
B. ADL CAT:可以開始資料分析。
C. SDM Rasch 驗證:改寫。
2016年1月14日 星期四
口試委員之提問與我的回應/後續處理方式(1/15與老師討論後更新)
以下表格整理口試委員於口試當天提出的問題、我的回應與後續處理方式,以便進行論文修改。
提問/修改建議
|
回應
|
後續作法
|
成效指標之選擇
|
|
|
1. 為何選擇參與度與ADL做成效指標?
|
文獻回顧發現提升病人/家屬醫療知識,有助於提升治療配合度。而OT強調病人主動參與活動,因此改為活動參與度。又,維持/提升病人之ADL獨立為OT主要的治療目標,故選擇之。
|
於前言中補充說明為何選擇ADL作為成效指標。
|
2. OTK提升真的可以提升參與度嗎?是假說還是有文獻支持?
|
過去文獻指出提升醫療相關知識可以提升病人的配合度,但無OTK之相關研究。
|
前言中交代提升醫療相關知識可以提升病人的配合度,但無提升OTK即可提升OT參與度之證據,因此本研究欲驗證之。
|
3. 參與度量表是否要重新選題之後,再重新計算成效?
|
可。但是刪題之後會有更多人因為成效測驗滿分而必須被排除。
|
因為OTES分數只能有一個,否則會很混亂。所以刪題後重新分析。
(刪題後剩下49人)
|
4. 成效的測量時間是怎麼選的?是否有文獻支持?是否因為時間太短還看不到變化?
|
重新搜尋文獻:找看看有無說明衛教到行為改變所需的時間。
|
在討論的地方補充說明研究的時間規畫 (time
framework)是否恰當、目前的時間規畫對結果可能的影響。
|
5. 如果影響參與度的因素眾多,OTK是否不是重要的影響因子,那為什麼要選OT參與度作為成效指標?
|
依據健康信念模式,知識是造成行為改變的因素之一,但並非唯一。而且導致個人行為改變的觸發因素可能因人而異。(所以教材內容可以參考健康信念模式,盡可能涵蓋影響行為改變的個人信念,以期造成行為改變。)
|
於討論的地方說明影響參與度的可能因素有那些、本研究漏掉蒐集那些參與度因素,列入研究限制。
|
6. 是否有其它outcome可以看?
|
本研究有記錄病人與家屬是否認為獲得OTK很有意義,但不確定是否適合作為成效指標。
|
於討論的地方說明從提升OTK到影響OT參與度與ADL恢復的可能機制為何,本研究中有那些機制未探討。
|
7. 病人的治療內容並未因為衛教而有所不同,但參與度還是依治療師而異。或許應該列入研究限制。
|
|
於討論的地方說明影響參與度的可能機制、說明本言可能遺漏了那些機制。
|
8. 如何確定OTES讓不同治療師評估,結果可信、可以互相比較?
|
在方法的地方說明有施測手冊
|
在方法的段落補充說明治療師皆接受OTES評分訓練,並閱讀施測手冊,可提供標準化之評估。
|
9. OTES的心理計量特性如何?如何確認它可以作為成效指標?
|
目前有進行初步資料分析,結果還可接受(內容效度、信度、建構效度)。但未驗證反應性。
|
在方法的段落補充說明OTES的心理計量特性。
|
OTK架構之建立
|
|
|
為什麼OTK架構的形成沒有納入病人與家屬的意見(以個案為中心的概念)?
|
在形成初步OTK架構的時候已納入病人與家屬的需求
|
在方法的部分補充說明前述回應
|
OTK教材之設計
|
|
|
OTK教材為什麼選擇以ppt形式呈現?
|
過去研究顯示病人希望獲得衛教手冊與網頁資料,而投影片教材較容易轉化形式以達成此二目的。
|
在方法的部分補充說明前述回應
|
資料分析
|
|
|
1. 病人與家屬身份不同,為什麼要一起分析?
|
將病人與家屬分開分析,並且以單變量結果呈現。
|
於討論中補充說明前述回應。
|
2. 為什麼做迴歸的時候要控制ADL和OTES前測分數?
|
迴歸分析可能有問題,刪除之。
|
刪除迴歸分析的結果。
|
3. 迴歸分析中,病人年齡、被衛教者年齡與衛教者身份概念重疊,建議排除被衛教者年齡,重新分析。
|
刪除迴歸分析的結果。
|
刪除迴歸分析的結果。
|
結果
|
|
|
OTK提升的流程沒有每一步驟都對到?
|
沒有。需重新思考提升OTK對於臨床的意義為何、有何價值(例如:推廣OT、心態改變)。
|
刪除圖一(提升OTK的重要性)。僅於討論中討論提升OTK到提升OT參與度、ADL的可能模型/機制。
|
2016年1月13日 星期三
OTK衛教資料分析新發現:衛教病人與家屬效果沒有差異、影響病人參與度變化之因素眾多、影響病人之ADL表現之因素為中風後時間(1/13更新)
之前以ANCOVA分析OTK衛教成果,發現提供中風病人與家屬衛教之後,實驗組(接受OTK適性衛教)與對照組相比有較高的OT參與度與ADL 表現。
若看二組差異的程度,OT參與度為無效應-不顯著的小效應,ADL表現為不顯著的小效應-中效應。
以下為我重新做的二種分析:以獨立樣本Wilcoxon檢定比較二組的分數變化量、以複迴歸分析探討影響OT參與度/ADL表現的影響因子。
結果發現以所有參與者之分數分析,實驗組的參與度進步量高於對照組。
比較二組的分數變化量,結果發現衛教病人與衛教家屬似乎沒有差別。
若看二組差異的程度,OT參與度為無效應-不顯著的小效應,ADL表現為不顯著的小效應-中效應。
以下為我重新做的二種分析:以獨立樣本Wilcoxon檢定比較二組的分數變化量、以複迴歸分析探討影響OT參與度/ADL表現的影響因子。
一、獨立樣本Wilcoxon檢定比較二組的分數變化量
由於參與衛教的人包括病人與家屬,因此我把病人與家屬分開。結果發現以所有參與者之分數分析,實驗組的參與度進步量高於對照組。
比較二組的分數變化量,結果發現衛教病人與衛教家屬似乎沒有差別。
(1) 所有參與者
實驗組(N=33)
|
對照組(N=22)
|
P
|
|
Mean ± SD
|
Mean ± SD
|
||
OT參與度
|
0.7 ± 1.7
|
-0.1 ± 1.8
|
0.04
|
ADL CAT
|
4.1 ± 6.2
|
2.1 ± 5.1
|
0.13
|
(2)參與者為病人(N=22)
實驗組(N=13)
|
對照組(N=9)
|
P
|
|
Mean ± SD
|
Mean ± SD
|
||
OT參與度
|
0.8 ± 1.3
|
-0.3 ± 1.0
|
0.14
|
ADL CAT
|
3.3 ± 5.0
|
-0.1 ± 1.0
|
0.14
|
(3)參與者為家屬(N=36)
實驗組(N=20)
|
對照組(N=16)
|
P
|
|
Mean ± SD
|
Mean ± SD
|
||
OT參與度
|
0.6 ± 1.9
|
0.1 ± 2.2
|
0.31
|
ADL CAT
|
4.6 ± 7.0
|
3.2 ± 6.0
|
0.56
|
訂閱:
文章 (Atom)