การพัฒนาตัวแบบทำนาย: จากการวิเคราะห์ถดถอยสู่ Machine Learning
แหล่งเรียนรู้เพื่อปูพื้นแนวคิดเกี่ยวกับการพัฒนาตัวแบบทำนายในงานวิจัยทางวิทยาศาสตร์สุขภาพ โดยเชื่อมโยงจากการวิเคราะห์ถดถอยแบบดั้งเดิม ไปสู่ regularized regression และ machine learning อย่างเป็นระบบ
คลิปวีดีโอ
ชุดการเรียนรู้ผ่านแผนภาพ : พื้นฐานการวิเคราะห์ข้อมูลด้วย Regularized Regression
- ทำไม? และเมื่อไหร่ ? จึงจำเป็นต้องพิจารณานำวิธีการ Regularized Regression มาใช้
- แนวคิดและหลักการของวิธีการ “Regularized Regression“
- การทำความเข้าใจแนวคิดพื้นฐานของวิธี “Lasso Regression“
- การทำความเข้าใจแนวคิดพื้นฐานของวิธี “Ridge Regression“
- การทำความเข้าใจแนวคิดพื้นฐานของวิธี “Elastic Net Regression“
ชุดการเรียนรู้ผ่านแผนภาพ : ขั้นตอนการวิเคราะห์ข้อมูลด้วย Regularized Regression จากกรณีศึกษา (case studies)
- กรณีตัวแปรผลลัพธ์แบบต่อเนื่อง (continuous)
>>> ขั้นตอนการวิเคราะห์ Lasso Regression ด้วยโปรแกรม STATA
>>> ขั้นตอนการวิเคราะห์ Ridge Regression ด้วยโปรแกรม STATA
>>> ขั้นตอนการวิเคราะห์ Elastic Net Regression ด้วยโปรแกรม STATA
- กรณีตัวแปรผลลัพธ์แบบ ทวิภาค 2 ค่า (binary)
>>> ขั้นตอนการวิเคราะห์ Lasso Regression ด้วยโปรแกรม STATA
>>> ขั้นตอนการวิเคราะห์ Ridge Regression ด้วยโปรแกรม STATA
>>> ขั้นตอนการวิเคราะห์ Elastic Net Regression ด้วยโปรแกรม STATA
- กรณีตัวแปรผลลัพธ์แบบ จำนวนนับ (count)
>>> ขั้นตอนการวิเคราะห์ Lasso Regression ด้วยโปรแกรม STATA
>>> ขั้นตอนการวิเคราะห์ Ridge Regression ด้วยโปรแกรม STATA
>>> ขั้นตอนการวิเคราะห์ Elastic Net Regression ด้วยโปรแกรม STATA
- กรณีตัวแปรผลลัพธ์แบบ time to event (survival)
>>> ขั้นตอนการวิเคราะห์ Lasso Regression ด้วยโปรแกรม STATA
>>> ขั้นตอนการวิเคราะห์ Ridge Regression ด้วยโปรแกรม STATA
>>> ขั้นตอนการวิเคราะห์ Elastic Net Regression ด้วยโปรแกรม STATA
บทความวิชาการ
YouTube
การเรียนรู้ชีวสถิติด้วยตนเอง: จากพื้นฐานสู่ตัวแบบสถิติขั้นสูงสำหรับงานวิจัยสุขภาพ
พื้นที่การเรียนรู้ชีวสถิติด้วยตนเองสำหรับงานวิจัยทางวิทยาศาสตร์สุขภาพ โดยเชื่อมโยงบทเรียนพื้นฐานกับบทความวิชาการต่อยอด เพื่อเตรียมความเข้าใจสู่การใช้ตัวแบบสถิติขั้นสูง ได้แก่ GLMs, GEEs, mixed effects models และ GLMMs
คลิปวีดีโอ
- พื้นฐานชีวสถิติผ่าน บทเรียนแบบ Module
- สู่ตัวแบบสถิติขั้นสูงสำหรับงานวิจัยสุขภาพ ด้วยชุดการเรียนรู้ผ่านแผนภาพ ดังนี้
ชุดการเรียนรู้ผ่านแผนภาพ : ตัวแบบเชิงเส้นนัยทั่วไป (generalized Linear Models, GLMs) และสมการประมาณค่านัยทั่วไป (generalized estimating equations, GEEs)
- แนวคิดและหลักการของตัวแบบเชิงเส้นนัยทั่วไป (GLMs)
- แนวคิดและหลักการของสมการประมาณค่านัยทั่วไป (GEEs)
- เมื่อไหร่ นักวิจัยควรเลือกใช้สมการประมาณค่านัยทั่วไป (GEEs)
- แบบแผนงานวิจัยที่สามารถเลือกใช้สมการประมาณค่านัยทั่วไป (GEEs)
- แนวทางการพิจารณาเลือก working correlation สำหรับสมการประมาณค่านัยทั่วไป (GEEs)
- ความแตกต่างระหว่างตัวแบบเชิงเส้นนัยทั่วไป (GLMs) และสมการประมาณค่านัยทั่วไป (GEEs)
- ความแตกต่างระหว่างการวิเคราะห์ความแปรปรวนแบบทางเดียววัดซ้ำ (one-way repeated measures ANOVA) และสมการประมาณค่านัยทั่วไป (GEEs)
ชุดการเรียนรู้ผ่านแผนภาพ : ตัวแบบผลกระทบผสม (mixed effects model, MEM) , ตัวแบบผลกระทบผสมเชิงเส้นนัยทั่วไป (generalized linear mixed effects models, GLMMs) และ การวิเคราะห์พหุระดับ (multilevel analysis, MLA)
- ตัวแบบผลกระทบผสม (mixed effects model, MEM)
- ผลกระทบคงที่ (fixed effect) และผลกระทบสุ่ม (random effect)
- ตัวแบบผลกระทบผสมเชิงเส้นนัยทั่วไป (generalized linear mixed effects models, GLMMs)
- การวิเคราะห์พหุระดับ (multilevel analysis, MLA)
STATA Tips: เทคนิคเฉพาะทางสำหรับการวิเคราะห์ข้อมูลในงานวิจัยสุขภาพ
แหล่งรวบรวมบทความเกี่ยวกับเทคนิคการใช้ STATA ที่ต่อยอดจากพื้นฐาน โดยเน้นประเด็นที่นักวิจัยมักสับสน หรือ พบได้บ่อยในการวิเคราะห์ข้อมูลจริง เช่น การแปลผล regression การใช้ margins การจัดการข้อมูลวัดซ้ำ การใช้ GLMs/GEEs/mixed models และการจัดเตรียมผลลัพธ์สำหรับรายงานวิจัย หรือ ต้นฉบับบทความวิชาการ
ชุดบทความ: STATA Tips สำหรับการแปลผล Regression
- การใช้ margins เพื่อช่วยแปลผลหลังการวิเคราะห์ regression
- ความแตกต่างระหว่าง coefficient, adjusted mean, predictive margin และ marginal effect
- การใช้ marginsplot เพื่อสื่อสารผลลัพธ์จาก regression
- การแปลผล interaction term ใน STATA อย่างเป็นระบบ
- ทำไมค่า p-value ของ interaction กับผลจาก margins อาจทำให้ผู้วิจัยสับสน
ชุดบทความ: STATA Tips สำหรับข้อมูลวัดซ้ำและข้อมูลกลุ่ม
- การเตรียมข้อมูล long format สำหรับ repeated measures analysis
- การใช้ xtset และ mixed สำหรับข้อมูลวัดซ้ำ
- การกำหนด random intercept และ random slope ใน STATA
- การใช้ xtgee สำหรับ GEEs และการเลือก working correlation structure
- การเปรียบเทียบแนวคิดระหว่าง xtgee, mixed และ melogit
SEM และ Generalized SEM using STATA
แหล่งเรียนรู้สำหรับการทำความเข้าใจและประยุกต์ใช้ structural equation modeling และ generalized structural equation modeling ด้วยโปรแกรม STATA โดยเชื่อมโยงจาก regression, path analysis และ confirmatory factor analysis ไปสู่การวิเคราะห์ตัวแบบความสัมพันธ์เชิงโครงสร้างในงานวิจัยสุขภาพ ครอบคลุมทั้งข้อมูลต่อเนื่อง ข้อมูลทวิภาค ข้อมูลลำดับ และข้อมูลจำนวนนับ
ชุดบทความ: พื้นฐาน SEM สำหรับงานวิจัยสุขภาพ
- Structural Equation Modeling คืออะไร และเหมาะกับคำถามวิจัยแบบใด
- Path analysis, confirmatory factor analysis และ SEM แตกต่างกันอย่างไร
- ตัวแปรสังเกตได้และตัวแปรแฝงใน SEM คืออะไร
- Direct effect, indirect effect และ total effect ใน SEM
- Measurement model และ structural model: สององค์ประกอบสำคัญของ SEM
- ข้อจำกัดของ SEM แบบดั้งเดิมเมื่อนำมาใช้ในงานวิจัยสุขภาพ
ชุดบทความ: SEM using STATA
- การวิเคราะห์ path analysis ด้วยคำสั่ง sem ใน STATA
- การวิเคราะห์ confirmatory factor analysis ด้วยคำสั่ง sem ใน STATA
- การประเมิน model fit ใน SEM: CFI, TLI, RMSEA และ SRMR
- การวิเคราะห์ mediation model ด้วย SEM ใน STATA
- การตีความ standardized และ unstandardized coefficients ใน SEM
- การรายงานผล SEM สำหรับต้นฉบับบทความวิจัย