Skip to content

บทความวิชาการเกี่ยวกับตัวแบบเชิงเส้นนัยทั่วไป (GLMs)

ความครอบคลุมและยืดหยุ่น : ประเด็นที่ควรถูกพิจารณาสำหรับการวิเคราะห์ข้อมูล ด้วยตัวแบบเชิงเส้นนัยทั่วไปในงานวิจัยทางวิทยาศาสตร์สุขภาพ

บทคัดย่อ

ตัวแบบเชิงเส้นนัยทั่วไป (generalized linear model, GLMs) เป็นตัวแบบที่ขยายมาจากตัวแบบเชิงเส้นทั่วไป (general linear model, GLM) เพื่อพัฒนาสมการทำนาย หรือ ความสัมพันธ์เชิงเส้นระหว่างตัวแปรผลลัพธ์และตัวแปรร่วม ซึ่งครอบคลุมทั้งตัวแปรผลลัพธ์แบบต่อเนื่องและไม่ต่อเนื่องที่อยู่ภายใต้ฟังก์ชั่นการแจกแจงตระกูลเอกซโพเนนเชียล ด้วยส่วนประกอบเชิงสุ่มและฟังก์ชั่นเชื่อมโยง นอกจากนี้ยังถูกพัฒนาและขยายอย่างต่อเนื่องเป็นตัวแบบและวิธีการอื่นที่สามารถนำไปใช้ในงานวิจัยที่มีความซับซ้อนด้วยเช่นกัน เช่น ตัวแบบ generalized additive model (GAM) สำหรับความสัมพันธ์เชิงเส้นโค้งแบบราบเรียบและสมการประมาณค่านัยทั่วไป (generalized estimating equation, GEE) สำหรับตัวแปรผลลัพธ์ที่มีความสัมพันธ์กัน เป็นต้น ดังนั้นประเด็นความครอบคลุมและยืดหยุ่นของตัวแบบเชิงเส้นนัยทั่วไป จึงควรถูกพิจารณาและนำมาใช้ในขั้นตอนการวิเคราะห์ข้อมูล เพื่อลดเวลาในการเรียนรู้วิธีการทางสถิติแต่ละวิธีและสะดวกในการนำมาใช้ โดยเฉพาะในงานวิจัยทางวิทยาศาสตร์สุขภาพ

บทความวิชาการเกี่ยวกับการวิเคราะห์ข้อมูลระยะยาว

ภาพรวมของข้อมูลระยะยาว ข้อจำกัดและทางเลือกที่เหมาะสมของวิธีการทางสถิติ: การวิเคราะห์ข้อมูลระยะยาวในงานวิจัยทางวิทยาศาสตร์สุขภาพ

บทคัดย่อ

ปัญหาสุขภาพในปัจจุบัน มีความซับซ้อนและสัมพันธ์กับหลายปัจจัยเมื่อเวลาเปลี่ยนไป วิธีการศึกษาที่ ตัวแปรผลลัพธ์ถูกประเมินผลเพียงครั้งเดียว ณ จุดเวลาหนึ่งและเป็นอิสระต่อกัน อาจมีข้อจำกัดและไม่ดีเพียงพอ ดังนั้น ข้อมูลระยะยาวซึ่งตัวแปรผลลัพธ์ถูกวัดซ้ำหลายจุดเวลาอย่างต่อเนื่อง จึงเข้ามามีบทบาทและท้าทายการ วิเคราะห์ข้อมูลระยะยาวได้อย่างถูกต้องและเหมาะสมของนักวิจัย บทความนี้มีวัตถุประสงค์เพื่อนำเสนอเกี่ยวกับ พื้นฐานของการวิเคราะห์ข้อมูลระยะยาว ประกอบด้วย ความหมายและขอบเขตของข้อมูลระยะยาว ลักษณะ ข้อมูลตัวแปรผลลัพธ์ที่สัมพันธ์กันและข้อจำกัดและผลกระทบของการใช้วิธีการทางสถิติเดิมกับข้อมูลระยะยาว รวมถึงวิธีการทางสถิติที่เหมาะสมสำหรับการวิเคราะห์ข้อมูลระยะยาว เช่น การวิเคราะห์คะแนนที่เปลี่ยนแปลง การวิเคราะห์ความแปรปรวนวัดซ้ำ สมการประมาณค่านัยทั่วไปและตัวแบบผลกระทบผสม ซึ่งการตัดสินใจเลือก นำแต่ละวิธีการดังกล่าวมาใช้ นักวิจัยควรพิจารณาหลายประเด็นขึ้นกับคำถามวิจัย ข้อตกลงเบื้องต้น และข้อจำกัด ของข้อมูลและแต่ละวิธีการทางสถิติ

บทความวิชาการเกี่ยวกับวิธีการหาค่าจุดตัดด้วย ROC

จุดตัดที่เหมาะสมสําหรับการวิเคราะห์เส้นโค้ง Receiver Operating Characteristic (ROC) ในการพัฒนาเครื่องมือนวัตกรรมทางสุขภาพ: กรณีตัวอย่างโดยใช้โปรแกรม STATA

บทคัดย่อ

การวิเคราะห์เส้นโค้ง receiver operating characteristic (ROC) เป็นวิธีการที่ถูกนํามาใช้ค่อนข้างแพร่หลายในการวินิจฉัยโรค แต่ในการพัฒนานวัตกรรมทางสุขภาพยังคงพบน้อยและไม่ชัดเจนสําหรับแนวปฏิบัติ บทความนี้จึงได้นําเสนอหลักการและตัวบ่งชี้สําหรับการประเมินความถูกต้องของวิธีการวินิจฉัยโรค และการพิจารณาจุดตัดที่เหมาะสม 3 วิธี ได้แก่ วิธี Euclidian’s index วิธี Youden’s index และวิธี Weighted Number Need to Misdiagnose (Weighted NNM) รวมถึงการประเมินประสิทธิภาพการจําแนกความถูกต้องโดยรวมของเครื่องมือที่เป็นนวัตกรรมทางสุขภาพทั้งแบบวิธีเดียวและแบบเปรียบเทียบสองวิธี ด้วยพื้นที่ใต้โค้ง ROC หรือ area under the curve (AUC) ตัวอย่างถูกสาธิตโดยใช้คําสั่งในโปรแกรม STATA ขณะที่ผลลัพธ์และค่าสถิติที่เกี่ยวข้องยังคงถูกนําเสนอและแปลความหมายด้วยเช่นกัน สุดท้ายเป็นข้อเสนอแนะในการนําวิธีการวิเคราะห์เส้นโค้ง ROC ไปใช้ ซึ่งครอบคลุมทั้งจุดเด่นและข้อจํากัด

เรียนรู้ชีวสถิติ…ผ่าน Facebook

เรียนรู้ชีวสถิติ…ผ่าน YouTube

เรียนรู้ชีวสถิติ…ผ่านตำรา