議題討論

新冠肺炎增57188例本土再創新高https://www.cdc.gov.tw/

因此，越來越多的研究者或政策制定者，想要了解新冠肺炎疫情走向。

 

我們可以蒐集下列資料，

 

加上，過去各單元所學，進行下列問題的討論。

 

1.你/妳會使用哪一種分析方法，並說明為什麼??

2.針對各同學提出的分析方法，給出你/妳的意見，看法或評論。(每給出一個同學的意見，看法或評論，就可以加平常成績5分喔)

 

 

 

 

1.你/妳會使用哪一種分析方法，並說明為什麼??

->迴歸分析方法.

2.針對各同學提出的分析方法，給出你/妳的意見，看法或評論。

5/11日: 日公布國內新增57,216例COVID-19確定病例，分別為57,188例本土個案及28例境外移入（24例為航班落地採檢陽性）；另確診個案中新增8例死亡。

 

5/10日 : 新增12例本土病例死亡個案，為8例男性、4例女性，年齡介於20多歲至90歲以上，皆屬重度感染個案、10例具慢性病史、3例無疫苗接種。確診日介於今（2022）年4月28日至5月8日，死亡日期介於5月6日至5月8日。新增34例中症及14例重症個案，另有3例為先前已公布重症轉死亡個案；今天新增的14例重症當中，包括9例不幸死亡個案，加上先前3例已公布重症轉死亡個案，今日總計增加12例不幸染疫逝世病例。

 

5/09日 : 新增4萬263例COVID-19（2019冠狀病毒疾病）本土病例，確診數連續兩天下降，中重症新增71人，增12人死亡；另境外移入新增41例 

 

5/08日  : 新增4例死亡個案，為3例男性、1例女性，年齡介於40多歲至80多歲，發病日介5月29日至7月28日，確診日介於5月31日至7月29日，死亡日介於8月2日至8月8日。

近期確診個案解隔離情形，5月11日至8月7日累計公布14,576位確診個案中，已有13,096人解除隔離，解隔離人數達確診人數89.8%,新增4例死亡個案，為3例男性、1例女性，年齡介於40多歲至80多歲，發病日介5月29日至7月28日，確診日介於5月31日至7月29日，死亡日介於8月2日至8月8日。

你/妳會使用哪一種分析方法，並說明為什麼??

我會使用單因子變數分析 (ANOVA)

 

1.我可以用ANOVA分析來算出5/8~5/11新增死亡COVID-19確診個案表之平均值

2.我可以用ANOVA分析來算出5/8~5/11新增死亡COVID-19確診個案表之間的差異值

4.如果假說成立的話則可以進行多重比較法中的最小顯著差異法來試算顯著差異值

 

針對各同學提出的分析方法，給出你/妳的意見，看法或評論。

 

1.昀儒同學的迴歸分析法

  我覺得也是種不錯的分析方法，可以用來比較5/8~5/11號個案表變數之間是否相關

  相關方向是否一致、與變數之間的相關強度來做探討。

 

2.宇廷同學的多因子變數分析

  可以用來探討肺炎的年齡、性別分布，可以討論哪部分的年齡層容易感染到新冠肺炎。

 

3.海瓊同學的多元量統計分析

  能夠在多個對象和多個指標互相關聯的情況下分析它們的統計規律

  主要是同時使用多種不同的分析法，來分析總體的均值向量和協方差陣的假設檢驗。

 

1.你/妳會使用哪一種分析方法，並說明為什麼??

我會使用多因子變數分析，可以用來分析年齡、性別、病史

2.針對各同學提出的分析方法，給出你/妳的意見，看法或評論。

A1 : 素梅同學提出的分析，感覺是很不錯的方法。

A2 : 海瓊同學第二題是針對其他同學的內容去填寫建議要再寫清楚一點。

我會使用多因子變數分析性別、接腫劑數及是否有慢性病史來做分析

星喆同學第3點假說意義不大，建議可以改成其他

1.你/妳會使用哪一種分析方法，並說明為什麼??

A:使用K Means探討兩種特徵是否獨立,例如有無施打疫苗與症狀是否有關聯,此時症狀分咳嗽，發燒，呼吸困難，喉嚨痛，食慾不振，等不同症狀及施打疫苗就分有打、沒打兩種屬性,進而探討彼此關聯性。

 

2.針對各同學提出的分析方法，給出你/妳的意見，看法或評論。

亞君同學的ANOVA分析方法，可以短時間內快速明瞭死亡原因，進而防範未然，使死亡率降低。

 

 

老師幫妳翻譯成中文，方便其他同學也能閱讀。謝謝

1.你回使用哪一種分析方法,並說明為什麼？

方差分析 一種方式。單因子變數分析  anova

1.你/妳會使用哪一種分析方法，並說明為什麼??

我會使用來分析年齡，病史，性別。

 

1.你/妳會使用哪一種分析方法，並說明為什麼??

-  我會使用多因子變數分析 ，分析有無接種疫苗及劑數和慢性疾病史來做分析 輕中重症的關聯和死亡率

 

1.你/妳會使用哪一種分析方法，並說明為什麼??

我會使用多因子變數分析性別、接腫劑數及是否有慢性病史來做分析

大家都說得很棒，都能夠回想到以前學過的多變量分析方法，

 

-----------------------------------------------------------------------------------

 

但是，也提醒大家，今日課程單元，二元邏輯斯迴歸。又可以研究甚麼樣的主題呢?

 

提示，今日課程單元，是對乘坐影響鐵達尼號乘客而言，甚麼樣的情況會提高乘客存活的機率，假定以年齡，同行旁系血親數，同行直系血親數，票價，艙等，預測這些樣本的存活率。利用此模型得到上述每個因素的勝算比的預估。舉例來說，年齡越小的乘客，更容易存活。

 

看完上述，你/妳又有甚麼想法呢????

 

請繼續在下面留言，讓大家看到你/妳的想法喔。。。

 

 

雖然只有兩位同學昀儒，亞君 Jennifer（可以加分喔）提供後續想法，且兩位寫得非常棒喔。。。希望其他同學仍能繼續討論喔。。。。。

二元邏輯迴歸與線性迴歸的差別，僅在於依變項/Outcome尺度的不同，當依變項為二類的類別變項（通常Coding 1 & 0）時，會採用二元羅吉斯迴歸進行分析；而當依變項為連續尺度的變項時，則是使用線性迴歸。（當依變項的水準為三類以上，則採用多項式羅吉斯迴歸）。

1. 年齡跟生存率的關係，可以發現的確年齡小的存活比例高出許多。

2. 票價跟生存率的關係，可以發現票價低的乘客死亡率高出許多。

3. 父母＋小孩的數量跟生存率的關係，發現沒有跟父母小孩一起來的生存率比起有跟父母小孩來的低。

4. 兄弟姊妹＋丈夫妻子的數量跟生存率的關係，發現沒有帶兄弟姊妹＋丈夫妻子一起來的生存率比起有跟兄弟姊妹＋丈夫妻子來的低。

5. 經過一些反覆的測試把“父母＋小孩”加上“兄弟姊妹＋丈夫妻子”的數量變成一個新的欄位叫做家庭大小，在預測上會更為準確。

6. 再來是觀察性別跟生存率的關係，發現女生生存率是男生的好幾倍。或許是像在電影裡頭一樣，在逃難的時候先讓女生以及小孩先搭船。

7. 觀察艙等跟生存率的關係，可以發現在1艙等的生存率最高、再來是2艙等、最後是3艙等的。

 

老師----->分析得很仔細，非常棒。

很棒。。。

經由老師錄製的影片與spss操作結果得知，旁系血親數搭乘人數愈多、同行直系血親數搭乘人數愈少、票價低、艙等低、男性、年齡越大的乘客，乘客存活機率低。

 

老師----->很棒。

回覆19樓昀儒同學

您的分析很精闢，值得大家參考與學習。

同學互動示意圖:

 

阮克輝同學  我覺得使用二元邏輯斯回歸分析比較合理的。二元邏輯斯回歸可以用於預測二元結果，例如在這種情況下，你可以使用二元邏輯斯回歸來預測死亡COVID-19確診個案是否在特定日期發生。透過這個方法，你可以評估不同日期對死亡COVID-19確診個案發生的影響，並獲得一個模型來預測在特定日期是否會有新的確診個案發生。當然，使用二元邏輯斯回歸也需要注意模型的適用性和前提假設。確保你的資料滿足二元邏輯斯回歸的前提假設，並對模型進行評估和驗證是非常重要的。總的來說，二元邏輯斯回歸是一個適用於預測二元結果的強大工具，在分析死亡COVID-19確診個案發生的情境下也可以發揮作用。

對於第一個問題，我會選擇使用迴歸分析方法，特別是在這種預測銷售額的情況下。迴歸分析能夠幫助我們理解廣告支出與銷售額之間的關係。通過簡單線性迴歸，我們可以了解廣告支出對銷售額的影響，並建立一個模型來預測銷售額。而判定係數則是一個很好的指標，可以幫助我們評估模型的配適度，判定係數越大表示模型能夠更好地解釋銷售額的變異性。
對於第二個問題，我們看到了一系列的COVID-19相關數據。這些數據包括每日新增確診病例、死亡病例以及解除隔離的人數等。這些數據可以用來分析疫情的趨勢以及對應措施的效果。對於這樣的數據，時間序列分析可能是一個更好的選擇，因為它可以考慮到時間的影響，例如季節性變化或長期趨勢。此外，考慮到疫情數據可能存在的非線性關係，非線性迴歸模型也值得一試。總的來說，對於這樣的數據，我們需要選擇一個能夠有效捕捉趨勢和變異性的分析方法，以便更好地理解疫情的動態。

1.我使用線性迴歸。這是因為線性迴歸是一種適合用於探索因變數和一個或多個自變數之間關係的統計方法。在這種情況下，我們可以使用線性迴歸來探索每日新增死亡COVID-19確診個案數量與時間之間的關係。

芳莊同學說得沒錯！線性迴歸分析也是可以運用在了解新冠肺炎疫情走向的！

線性迴歸分析能夠通過歷史數據建模，並預測未來的趨勢。對於新冠肺炎疫情，關鍵指標（如每日新增病例、住院率、死亡率等）可以作為因變量，而時間、政策干預（如封鎖措施、疫苗接種率等）、人口密度和醫療資源等作為自變量。這種方法能量化各因素對疫情發展趨勢的影響，從而提供可操作的預測。

但我認為二元邏輯斯迴歸分析方法更能了解新冠肺炎疫情走向。

我會使用二元邏輯斯迴歸分析方法，來了解新冠肺炎疫情走向。

 

我們將把人口密度、醫療資源、疫苗接種率作為自變數，而疫情傳播情況（是否有新增確診、疫情爆發地區的嚴重程度、生存率和得病率）作為因變數。二元邏輯斯迴歸模型將根據這些自變量來預測因變量的機率，可以得到各自變量對於疫情傳播情況的影響程度。

 

例如：

※人口密度較高的地區，新增確診的機率也越高，生存率可能較低，而得病率可能較高，因為疾病更容易在人口密集地區傳播。

※醫療資源較充足的地區（醫院床位數、呼吸器數量等醫療資源越充足），生存率可能較高，而得病率可能較低，因為該地區有更好的醫療條件和應對能力。

※疫苗接種率較高的地區，生存率可能較高，而得病率可能較低，因為疫苗能夠提供免疫保護，降低感染風險。

 

用二元邏輯斯迴歸分析方法，幫助我們理解不同因素對於疫情傳播和患病率的影響，利用這些結果來做出相應的政策建議，例如加強高人口密度地區的防疫措施，提高疫苗接種率等。

1.我會使用線性迴歸分析法，來了解新冠肺炎疫情走向，可以探索每日新增死亡COVID-19確診個案數量與時間之間的關係。

2.芳莊同學、筱涵同學的分析都非常清楚。

我使用二元邏輯斯回歸來預測死亡COVID-19確診個案是否在特定日期發生。透過這個方法，我们可以評估不同日期對死亡COVID-19確診個案發生的影響，可以評估每日新增死亡確診個案數量是否呈現增加或減少的趨勢，以及這種趨勢的幅度。這有助於我們理解疫情的發展趨勢，並且可以提供政策制定者參考，以制定適當的應對措施。

1..你/妳會使用哪一種分析方法，並說明為什麼??
->迴歸分析方法

因為迴歸分析是一種統計方法，用來研究變數之間的關係，特別是依賴變數（或應變數）與一個或多個自變數（或解釋變數）之間的關聯。這種方法可以幫助我們了解和預測依賴變數如何隨著自變數的變化而變化

1.我會使用多因子變數分析，可以用來分析幾個確診患者的情況，例如年齡、性別、病史、是否有接種疫苗。
2.我認為金惠和氏幸的ANOVA分析方法可以找出性別、年齡、慢性病史等因素之間新確診的COVID-19死亡人數是否存在顯著差異接種COVID-19 疫苗也是一個很好的做法。

1.你/妳會使用哪一種多變量分析方法，並說明為什麼??

回答：

2.針對各同學提出的分析方法，給出你/妳的意見，看法或評論。(每給出一個同學的意見，看法或評論，就可以加平常成績5分喔)

回答：氏映同學的意見就是“ 使用ANOVA分析方法，以了解新增死亡COVID-19確診個案人數在性別、年齡、慢性病史和接種COVID-19疫苗等因素間是否存在顯著差異。”

我的評論是：

- 對於使用ANOVA分析方法來探討新增死亡COVID-19確診個案人數在性別、年齡、慢性病史和接種COVID-19疫苗等因素間是否存在顯著差異的想法，我認為這是一個有效的方法，但需要注意一些細節。
首先，ANOVA分析通常用於比較多個組之間的平均差異，並且假設數據符合正態分佈和方差齊性。因此，在進行分析之前，需要確保數據滿足這些假設。此外，如果ANOVA檢定結果顯示存在統計學上的顯著差異，進一步的事後比較（post-hoc comparison）可以幫助我們確定哪些組之間存在差異。
- 另外，需要注意的是，除了ANOVA之外，還可以考慮使用其他統計方法來進行比較，例如卡方檢定、t檢定等，這取決於數據的性質和分佈。
- 總的來說，使用ANOVA分析方法是一個合理且有效的方式來探討新增死亡COVID-19確診個案人數在不同因素間的差異，但需要注意假設檢驗和後續的事後比較，以確保結果的準確性和可靠性。

1.對我而言，我覺得使用單因子變數進行分析比較有興趣，因為能夠對新冠病毒疫情確診個案的性別、慢性病史、年齡、人數、是否接種COVID-19疫苗等不同的項目來進行分析是否存有顯著的差異。

 

2. 昀儒同學的迴歸分析法確實可行，可以觀察COVID-19對死亡率的影響，但考慮到篇幅限制，簡潔明了地闡述分析方法和結果更為有效。

1.麗君會使用單因子ANOVA分析法來研究不同地區在感染率是否有差異，

  即可了解新冠肺炎疫情走向。

 

2.二元邏輯迴歸。又可以研究甚麼樣的主題呢?

邏輯迴歸係數可以用來估計模型中每一個自變數的勝算比。

 

例如:對有先天性心臟病人而言，什麼樣的生活型態特性是風險因素？

假設以病人樣本來測量抽煙狀況、飲食、運動、酒精使用情形等狀況，

可以利用這四種生活型態變數來建置模型，並預測在病人樣本中的出現或缺席。

可以用這個模型得到每個因素的勝算比。

我會去使用ANOVA分析方法，去了解新增的死亡COVID-19確診個案人數，在性別、年齡、慢性病史、接種COVID-19疫苗等因素間，是否存在顯著差異。

2.針對各同學提出的分析方法，給出你/妳的意見，看法或評論。

關於星喆同學所提出的ANOVA見解，很中肯，論文場景下使用ANOVA可以有良好的效果。