在之前的文章提到過什麼是effect size, 另外一篇文章提到計算effect size的方法，裡面有個計算effect size的計算器，輸入資料之後，就能計算effect size (效應值)，非常好用。
研究就是解決一連串的問題，如果你是比較平均值的差異，藉此來算effect size，這是由計算器就可以得到的。
然而，如果你的結果是odds-ratio或是risk ratio，那你用計算器只能得到log odds ratio，這個數值並不是effect size。有沒有簡單轉換公式可以用呢？
那我們一步一步來。
首先，可以到 http://www.campbellcollaboration.org/escalc/html/EffectSizeCalculator-OR4.php，開始使用計算器。…
將log odds ratio 轉換成effect size Read More »
上次寫了一篇Stata: xtmixed 階層線性模式分析指令簡介，有網友詢問：為什麼不用更容易操作的HLM軟體呢？既然有網友詢問了，我當然是為了研究生2.0的網友謀福利，立刻邀請該網友分享他使用HLM的心得與操作步驟。
研究生2.0的社群，就是靠分享而茁壯。如果你有研究軟體相關的講義，或是作研究相關的心得要分享，都歡迎在facebook與版主聯繫。
另外，新成立的slideshare帳號，希望用來分享非版主作的pdf講義。有的製作者想匿名，又不想要自己辛苦作的東西浪費，所以這類東西就透過slideshare與研究生2.0的部落格增加曝光度。
廢話說完了，下面是HLM的講義~
…xtmixed 是Stata裡面用來作階層線性模式 (hierarchical linear modeling，簡稱HLM) 的指令之一，這篇文章就簡單介紹一下Stata 中xtmixed 指令的語法以及如何使用。
要用xtmixed，你得先決定一下你的模式是二階層的或是三階層的。二階層的例子像是：一個學生，在不同的時間作了多次測試，所以第一層是學生自己不同時間的差異 (within-variable difference)，而第二層是學生與學生之間的差異 (between-variable difference)。如果第一層不要是時間的變數的話，那另外一個經典例子就是看家庭，第一層就是每個子女，第二層就是每個家庭。
如果要三階層的話，第一層可以同樣是時間，第二層是學生，第三層是班級 (或是學校)，所以第三層可以看出班級與班級之間的差異。如果要用家庭的例子，那第一層是每個子女，第二層是每個家庭，第三層是每個社區。
xtmixed 的基本語法如下：
xtmixed DV FIV || RIIV: RCIV
在裡面，DV是dependent variable，FIV 是有fixed effect的independent variable，在||之後放的是random effect，先放random intercept，:後放random slope。RIIV 是有 random intercept的independent variable，而RCIV是有random slope的independent variable。簡單地說，分組的變數，像上面說的第二層的學生，第三層的班級，或是第二層的家庭，第三級的社區，都是random effect裡面的random intercept。
至於什麼是fixed effect，什麼是random effect，這說來話長，留待日後補完。
如果以二層的例子，第一層是學生在不同的時間，第二層是每個學生，那會先跑一個什麼fixed effect都不加的unconditional模式。
xtmixed的指令大概會像這樣：
xtmixed 成績 || 學生:, mle
成績是DV，這大概沒什麼問題；|| 之後放的是random intercept，正如前面說的，這是分組的變數。
如果是以三層的例子，第一層是學生在不同的時間，第二層是每個學生，第三層是班級，那unconditional model如下：
xtmixed 成績 || 班級: || 學生:, mle
基本上這就是xtmixed最簡單最簡單的說明了。如果要加fixed effect，就是加在第一個||與DV之間。比較複雜的留待下篇說明~
…Stata: xtmixed 階層線性模式分析指令簡介 Read More »
處理資料缺失的方法有很多種，下面列出常用的幾種辦法：
listwise deletion 就是把分析模式中的變數，沒有資料的都移除。這種方式的好處是：1) 各種統計資料分析都適用；2) 不需要特殊的方式處理資料缺失。以目前的統計軟體來說，都會自動採用listwise deletion.…
Missing data (缺失資料；亦有人翻成缺失數據) 是在研究界日益受到重視的問題，要寫grant proposal，很多補助機構都會特別要求在提案時，清楚說明要如何處理missing data。但由於處理missing data 有一定的難度，其中的概念也不太好了解，中文方面的資料也不太多。我就根據我所讀的/所懂的，儘量用淺顯的語言讓大家知道。
在一開始說明missing data之前，要先來談談為什麼要討論missing data。如果你的研究是利用survey，從人群裡取出1000位具有代表性的受試者，調查他們的行為。當你在跑multiple regression的時候，程式會自動用listwise deletion–也就是在你的分析模式裡面，如果該受試者沒有回答，就不列入model裡面，這樣的話，你的分析模式裡面的人，肯定會少於1000入，甚至小於500人。這時候問題就來了：原本1000位的受試者是具有代表性的，當分析時，你的受試者降到500位，你的sample還能代表整個population嗎？
因為這種種問題，所以了解missing data是很重要的。
首先會提到model這個詞。這個詞會用在三個地方：
1.…
Missing data 資料缺失簡介 Read More »
