第三章 研究方法
第四節 統計分析
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第四節 統計分析
本研究會分別先在第一部分使用群體基礎軌跡模型（Group-based Trajectory Model，
簡稱 GBTM），找出安眠藥使用頻率軌跡型態，並在第二部分以多變量變異數分析
（Multivariate analysis of variance, MANOVA）和多項式邏輯斯迴歸（Multinomial Logistic Regression）對資料進行分析，找出不同安眠藥物使用頻率軌跡型態間的人口背景與特 質差異。
壹、群體基礎軌跡分析
這一部分，使用群體基礎軌跡模型（Group-based Trajectory Model，簡稱 GBTM；
Jones & Nagin, 2007）來了解安眠藥使用頻率的軌跡型態，是否可透過幾個不同的潛在 軌跡類別來解釋。GBTM 主要透過 SAS 軟體進行分析（Jones & Nagin, 2007）。
本研究研究目的一為找出安眠藥使用頻率，在時間的推進下，是否存在不同的行為 軌跡型態。在時間記錄點上，本研究採取6 個不等距的時間進行資料收集（Cheung et al., 2018），分別為基準期（M0）、以及接下來追蹤的第 1（M1）、3（M3）、6（M6）、12
（M12）、18（M18）個月。所追蹤的資料中，安眠藥使用頻率為依變項，並配合其屬性 設定為計數資料（count）進行分析（資料屬性與其搭配分析模型如表 3-1 所示），找出最 適配的軌跡型態模型，即最合適的軌跡群數。
表 3- 1 依變項類型與搭配的分析模型（Jones & Nagin, 2007）
依變項類型 分析模型
計數資料(Count Variable) 比頌基礎模型(Poisson-based model) 連續或類別分數可加總之變項
(Psychometric Scale)
設限常態模型
(Censored Normal model, C-norm) 二分類別變項(Binary Variable) 二分邏輯模式 (Binary Logit Model)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
決定最適配的軌跡型態模型有三大原則以及兩個參考值，三大原則分別為（一）最 低Baeyesian information criteria （簡稱 BIC）值，（二）結果具有解釋性，以及（三）符 合簡約原則（principle of parsimony），而兩個參考值則分別為（一）事後機率（Posterior group membership probabilities，簡稱 PGMP）0.7 以上，和（二）每群樣本佔總樣本 5%
以上。
貳、多變量變異數分析與多項式邏輯斯迴歸
本研究第二個研究目的為找出不同安眠藥物使用頻率軌跡型態之間的人口背景與其 他 相 關 變 項 之 差 異 ， 故 會 以 多 變 量 變 異 數 分 析 （Multivariate analysis of variance, MANOVA）與多項式邏輯斯迴歸（Multinomial Logistic Regression）對資料進行分析。
此部分分成兩個階段，第一階先透過 MANOVA 分析各種軌跡型態間是否在相關變 項上有顯著差異，透過相關變項協助理解安眠藥使用頻率軌跡型態之間不同的原因。第 二階段則會將前一階段達到顯著差異的變項納入多項式邏輯斯迴歸分析，建立研究的最 終的軌跡型態預測模型，初步探索可提供臨床幫助的風險因子管理策略。
叁、遺漏值的處理
無論是長期用藥頻率資料的收集（研究目的一），亦或是相關變項的收集（研究目 的二）都可能出現遺漏值，本研究會分別進行處理。
根據過去文獻整理，長期追蹤資料難免會出現遺漏值（Liang & Zeger, 1986），然而，
只要插補方式（imputation）得當研究資料仍可保有其價值。而本研究因屬 data-driven 的 研究設計，為保有每個樣本的個別差異性，研究決定為每個出現遺漏值的有效樣本建立 其獨立的用藥頻率之簡單線性迴歸模型（Simple Linear Regression Model），並分別以當 中適配性最高（R2）的迴歸模型作為基礎，對該受試者的遺漏值進行單一插補（single imputation）。
另一方面，若遺漏值出現在區辯不同用藥軌跡型態差異的相關變項上時，研究則將 以劃分軌跡型態後的組別平均數（group mean）進行插補。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
肆、資料的事前處理結果
最終有 379 位受試者成功被招募，其中 231 位受試者答應接受追蹤（反應率 = 60.95%）。231 位接受長期追蹤的受試者中，在第 1、3、6、12、以及 18 個月成功進行追 蹤 與 記 錄 的 人 數 以 及 回 應 率 ， 分 別 為 231 人 （100%）、223 人 （96.54%）、218 人
（93.97%）、210 人（90.52%）、以及 156 人（67.24%）。在最後留下來的 156 人有 4 位受 試者因年齡超過65 歲，不符收案標準，故予以排除。此外，因考量研究目的為將安眠藥 使用頻率根據其發展軌跡的變化型態作為分群指標，故排除了4 位在追蹤的 18 個月期間 沒至少記錄到連續兩個時間點的受試者，同時，也排除了 4 位遺漏值超過四個時間點的 受試者。故，最終納入研究分析的有效樣本人數為144 位受試者（回收率=62.34%）。
追蹤資料有 80 人出現遺漏值，其中 51 人（35.42%）遺漏 1 個時間點、21 人
（14.59%）遺漏 2 個時間點，以及 8 人（5.56%）遺漏 3 個時間點。此外，將受試者以最 高的迴歸模型適配性（R2）以及資料合理性為基礎進行插補後，二次方迴歸模型插補人 數居多，人數為 42 位受試者（52.5%），次之為一次方迴歸模型，為數 33 位受試者
（41.25%），而三次方迴歸模型插補的人數最少，為數 5 位受試者（6.25%），如表 4-1 所 示。
表 3- 2 長期追蹤資料簡單插補模型類型之指標與人數比例
迴歸模型 適配性指標 人數（%）
一次方 資料呈現明顯直線樣貌、避免錯誤復發使用 33（41.25%）
二次方 最佳模型適配性 42（52.5%）
三次方 原始資料出現 2 次不同的方向變化 5（6.25%）
備註：所有數據皆考量最高的迴歸係數（R2）
而另一方面，在相關變項的量表數據收集上，共有 26 人（18.1%）在部分量表上有 所遺漏。而當中最多出現兩個量表的分數遺漏，遺漏皆以該組別的量表平均數進行插補。
綜合上述，本研究透過問卷與追蹤資料等量化實徵資料，將不同的安眠藥物使用頻 率軌跡進行分群，並找出可幫助理解軌跡型態差異之相關變項。