#免收案免IRB的統合分析,#您也想過要學卻不得其門而入嗎?
⠀
想自學 meta-analysis,然而相關的書,隨便買都厚厚一大本,光是 fixed-effect model 就一大章,都還沒講到 random-effects model 就想投降,更別說,後面還有 heterogeneity、subgroup analysis、publication bias 等。
⠀
但是,這就像我們去買汽車的教科書,光引擎原理就一大章,還沒講到缸內直噴、渦輪增壓、油電混合就投降,更別說後面的傳動系統、主被動安全、自動駕駛。想開車上路,真有需要了解這麼多嗎?
⠀
事實上,難的是懂「汽車原理」,如果只想學會「開車」,並不難。難的是懂「meta-analysis 公式與理論」,如果只想學會「發表 meta-analysis 文章」,並不難。
⠀
#是要認識整片森林,#還是採一朵香菇就好?
⠀
從「學問」的角度去看,那可是一片森林,人家「寫教科書」的,自然應該全部涵蓋。但我們在這浩瀚森林中,不過是個「採香菇」的,你只要知道在哪裡可以找到香菇、應該怎麼採、如何避免採到毒菇,然後順利的把香菇帶到市場上賣,就行。
⠀
延續這樣的概念,如果我們反過來,不從 meta-analysis 的理論與公式教,而從「剛開始發表 meta-analysis」所需要知道的統計項開始教呢?
⠀
就像教了油門、煞車、方向燈之後,讓你先上路,在安全的環境逐漸熟悉。駕輕就熟之後,有了自信,你想學任何汽車的原理甚至改裝,自然水到渠成。
⠀
#課程中只教您必學數值,#學會了,#就能用!
⠀
這堂課,我們不講複雜理論,只講實際應用的重要概念。減少混亂,化繁為簡。雖說是「簡」,但在寫作、投稿、審閱過程中,重要的眉角,依然將以最實用的角度,與您分享。
⠀
🎯 克服經費與資源稀少的困境,帶您踏入統合分析的領域。
⠀
☑ 統合分析研究規劃技巧
☑ 正確拆解論文架構
☑ 必學的重要專有名詞
☑ 互動實作:完成一套 Meta-analysis 圖表
☑ 以發表為導向的搜尋文獻
☑ Meta-analysis 圖表優化重點
☑ 給初學者的起步建議
⠀
🔸 11/7(日)統合分析工作坊 #全新梯次
➠ https://meta-analysis.innovarad.tw/event/
免收案、免 IRB,突破資源缺乏困境的機會!
⠀
🗣️ 學員回饋
⠀
「原本以為艱澀難懂,一定會打瞌睡,卻意外絕無冷場。張凱閔醫師擷取 meta-analysis 重點中的重點,深入淺出的介紹一定要會的專有名詞,讓我不會被龐雜的統計名詞大海淹沒!」
⠀
「因為是統合分析的初學者,在準備過程中主要還是以類別變項為主,這次課程聽到很多資料(包括連續變項)的處理方法,像是標準差和標準誤的概念和處理,只要有 sample size 和 p-value 就可以跑統計,以及嘗試向作者要 raw data,這些都有助於我對於未來統合分析的題材有更多選擇。」
⠀
👨🏫 講者陣容
⠀
#張凱閔,知名復健醫學與超音波學者,台大流病與預防醫學博士,SCI 論文超過 190 篇,並有 25 篇以上為 meta-analysis,探討臨床常見議題。
⠀
#曾秉濤,專業精神科醫師,擅長從臨床工作找到發表議題,並組成研究團隊,SCI 論文超過 85 篇,並有 70 篇以上為 meta-analysis。
⠀
#蔡依橙,專業課程開發與整合者,能迅速理解學門架構,並以初學者能理解的方式,建構學習流程。生涯被 SCI 期刊接受的圖表,已超過 500 張,熟悉學術審閱過程與要求。
同時也有10000部Youtube影片,追蹤數超過2,910的網紅コバにゃんチャンネル,也在其Youtube影片中提到,...
「effect size sample size」的推薦目錄:
- 關於effect size sample size 在 蔡依橙的閱讀筆記 Facebook 的最讚貼文
- 關於effect size sample size 在 新思惟國際 Facebook 的精選貼文
- 關於effect size sample size 在 王姿允醫師。我的無齡秘笈。 Facebook 的最佳解答
- 關於effect size sample size 在 コバにゃんチャンネル Youtube 的精選貼文
- 關於effect size sample size 在 大象中醫 Youtube 的最佳貼文
- 關於effect size sample size 在 大象中醫 Youtube 的最佳貼文
- 關於effect size sample size 在 How To... Calculate Effect Size (Two Samples t Test) - YouTube 的評價
- 關於effect size sample size 在 Lab 8 APES - Alpha, Power, Effect Sizes, Sample Size 的評價
- 關於effect size sample size 在 What to do with a very big sample size? (effect size) [duplicate] 的評價
effect size sample size 在 新思惟國際 Facebook 的精選貼文
#免收案免IRB的統合分析,#您也想過要學卻不得其門而入嗎?
⠀
想自學 meta-analysis,然而相關的書,隨便買都厚厚一大本,光是 fixed-effect model 就一大章,都還沒講到 random-effects model 就想投降,更別說,後面還有 heterogeneity、subgroup analysis、publication bias 等。
⠀
但是,這就像我們去買汽車的教科書,光引擎原理就一大章,還沒講到缸內直噴、渦輪增壓、油電混合就投降,更別說後面的傳動系統、主被動安全、自動駕駛。想開車上路,真有需要了解這麼多嗎?
⠀
事實上,難的是懂「汽車原理」,如果只想學會「開車」,並不難。難的是懂「meta-analysis 公式與理論」,如果只想學會「發表 meta-analysis 文章」,並不難。
⠀
#是要認識整片森林,#還是採一朵香菇就好?
⠀
從「學問」的角度去看,那可是一片森林,人家「寫教科書」的,自然應該全部涵蓋。但我們在這浩瀚森林中,不過是個「採香菇」的,你只要知道在哪裡可以找到香菇、應該怎麼採、如何避免採到毒菇,然後順利的把香菇帶到市場上賣,就行。
⠀
延續這樣的概念,如果我們反過來,不從 meta-analysis 的理論與公式教,而從「剛開始發表 meta-analysis」所需要知道的統計項開始教呢?
⠀
就像教了油門、煞車、方向燈之後,讓你先上路,在安全的環境逐漸熟悉。駕輕就熟之後,有了自信,你想學任何汽車的原理甚至改裝,自然水到渠成。
⠀
#課程中只教您必學數值,#學會了,#就能用!
⠀
這堂課,我們不講複雜理論,只講實際應用的重要概念。減少混亂,化繁為簡。雖說是「簡」,但在寫作、投稿、審閱過程中,重要的眉角,依然將以最實用的角度,與您分享。
⠀
🎯 克服經費與資源稀少的困境,帶您踏入統合分析的領域。
⠀
☑ 統合分析研究規劃技巧
☑ 正確拆解論文架構
☑ 必學的重要專有名詞
☑ 互動實作:完成一套 Meta-analysis 圖表
☑ 以發表為導向的搜尋文獻
☑ Meta-analysis 圖表優化重點
☑ 給初學者的起步建議
⠀
🔸 11/7(日)統合分析工作坊 #全新梯次
➠ https://meta-analysis.innovarad.tw/event/
免收案、免 IRB,突破資源缺乏困境的機會!
⠀
🗣️ 學員回饋
⠀
「原本以為艱澀難懂,一定會打瞌睡,卻意外絕無冷場。張凱閔醫師擷取 meta-analysis 重點中的重點,深入淺出的介紹一定要會的專有名詞,讓我不會被龐雜的統計名詞大海淹沒!」
⠀
「因為是統合分析的初學者,在準備過程中主要還是以類別變項為主,這次課程聽到很多資料(包括連續變項)的處理方法,像是標準差和標準誤的概念和處理,只要有 sample size 和 p-value 就可以跑統計,以及嘗試向作者要 raw data,這些都有助於我對於未來統合分析的題材有更多選擇。」
⠀
👨🏫 講者陣容
⠀
#張凱閔,知名復健醫學與超音波學者,台大流病與預防醫學博士,SCI 論文超過 190 篇,並有 25 篇以上為 meta-analysis,探討臨床常見議題。
⠀
#曾秉濤,專業精神科醫師,擅長從臨床工作找到發表議題,並組成研究團隊,SCI 論文超過 85 篇,並有 70 篇以上為 meta-analysis。
⠀
#蔡依橙,專業課程開發與整合者,能迅速理解學門架構,並以初學者能理解的方式,建構學習流程。生涯被 SCI 期刊接受的圖表,已超過 500 張,熟悉學術審閱過程與要求。
effect size sample size 在 王姿允醫師。我的無齡秘笈。 Facebook 的最佳解答
[從有氧無氧話題,談解讀論文的常見錯誤結論]
延續昨天說的,網路時代的可怕,在於沒有經過實證的東西可以被大家大量轉發跟效仿,一般人也沒有思考是否來自專業醫療人士的建議,更不懂得查證(話說沒幾個人懂得查證)。
但是更可怕的是。
其實 #連專家對某些文獻的解讀也有很多的問題,但民眾更不可能把文獻調出來看內容,也沒有能力判斷真偽,只要是專家的解讀就照單全收,這真的是很令人無奈的事。
以下列出許多專家在分析文章會犯的錯誤(這也是我每週去實驗室會議大家常拿出來討論的項目):
1️⃣只會看結論(conclusion),不去一一看研究的設計跟結果,尤其是附加的supplement詳細的內容。
就像我在「有氧運動掉肌肉?飲食背景才是重點!」
https://www.facebook.com/175089479960691/posts/942088663260765/?d=n這篇提到的,或是之前我討論「168斷食」相關研究的態度。
其實很多減重研究的結論只寫「體重下降幾%」,請問有去看「組成」嗎?我從來都不會只看結論就告訴民眾「這個減肥法可以減掉體重幾趴所以是好的減肥方式」,我一定會確認組成當中「肌肉是不是流失太多」「是不是脫水的假象」,才會給予建議。
2️⃣看結論就算了,還斷章取義,一言以蔽之的毛病
例如我常提到的,「正常人」跟「衰弱或肥胖」族群的本身的胰島素抗性跟身體條件不同,很多在正常人身上的結果,不一定適用異常的身體組成。連「男」「女」性在研究中都會出現諸多不同的結果,就是因為先天基因、荷爾蒙跟後天腸道微菌的組成都不一樣(例如:男性普遍微菌基因數量比較多,肌肉較多,沒有女性荷爾蒙週期的干擾,所以在減重效果上比女生快)
例如:延長空腹時間讓生長激素上升的現象, #只出現在正常人而肥胖者沒有,所以肥胖者168會比正常人容易掉肌肉,但現實中幾乎168的都是肥胖者。
例如:有些研究發現「老年人」做有氧短時間可以提高肌肉量,但在「年輕人」身上沒有這個現象。但是想從專家這裡獲取「增肌」建議的都是年輕人,他照著做有氧可能沒有半點肌肉肥大的效果。
例如:有氧在正常飲食的人身上不會掉肌肉,但在「低熱量飲食」的人身上掉慘了,但很多刻意去做有氧的人,她的目的可能是減肥所以搭配了低熱量,結果聽你說有氧不會掉肌肉還會增肌,她就跟著做。
3️⃣研究的族群母數(sample size)太小、時間太短
也就是所謂一個研究「質」與「量」的問題。
誠如我之前寫的有氧跟無氧的文章,裡面對於有氧運動對增肌的幫助有「特定的條件跟環境」,而且我舉例的都是「227人」這樣的數字,或是追蹤長達「三年」這樣的研究。
https://www.facebook.com/175089479960691/posts/942593756543589/?d=n
但是有些專家提出來的研究,都是只有10-20幾個人(連腸道菌這種高成本研究都最少要30人才有統計意義了),而且時間只有1-3個月,這樣短的時間跟小的人數,相較於夠長的觀察時間跟夠多的人數,統計上的結果其實較不客觀,現在的期刊太多,研究也是一堆,但如果 #每個質量差的研究結果都納入考量, #那只會被偏誤拉著走。
4️⃣研究中的各項偏誤(bias in research)
我以前在「實證醫學的陷阱—-研究結果的停看聽」
https://www.facebook.com/175089479960691/posts/384507029018934/?d=n
評論過「喝酒比運動還長壽」的研究,存在著各種偏誤,除了我文中討論的選擇性偏差(Selection bias)外,還有幾種包括:
✔️ #確認偏誤(Confirmation bias)
當人們 #本來就持有某種觀點時, #對這種觀點的感知和注意度會被放大,會 「選擇性」地回憶或收集關於它的事例。人們對於自己原本就相信的觀點會更容易接受,而把 #反面觀點擱置在一旁。
舉例來說,是附圖的研究是2015年的《Cell Metabolism》跟 2018年的 《Cell》,兩個研究者做出了完全相反的結論。
2015年的作者發現不健康的飲食會破壞腸道菌、讓腸道免疫相關的Th17細胞數量下降,導致腸道失去正常防禦能力,連帶造成系統性的肥胖跟發炎。
但2018年的作者發現吃「高脂肪生酮飲食」會讓雙歧桿菌的數量下降,讓Th17數量下降(以上都跟2015年的觀察一致),但他的結論卻是「這樣可以讓發炎下降,是好事」,整篇論文他引用了大量Th17下降有助於哪些疾病改善的文獻,卻在reference中完全沒有引用2015年這篇(太詭異!!根本刻意忽略),也沒有提到Th17對於腸道的保護重要性,可想而知,研究者一開始就認定「高脂肪生酮對身體有益」,選擇忽略好菌下降這些矛盾的發現。
即使是這麼大的期刊,也存在著這樣的確認偏誤,甚至是所謂的✔️ #觀察者期望效應(Observer-Expectancy Effect)——研究者有時可能會期望出現某種結果,他們無意識地操縱了試驗過程,或者 #錯誤地解釋實驗結果,導致 #研究結果嚴重歪曲。
這也就是為何,對於研究的結論照單全收直接告訴民眾, #是非常危險的事,你可能自己也犯了確認偏誤,或是 ✔️ #虛假一致性偏差(False consensus effect)——人們很容易認為其他人跟自己有相同的想法,從而高估這些觀點的普遍適用性。
以上,在知識越來越普及的時代,用功的人人都可能變成專家,但是身為受過 #實證醫學訓練 的專業人員,麻煩在解讀論文跟傳遞訊息時,要在更謹慎小心一點。
#實證醫學的陷阱
effect size sample size 在 コバにゃんチャンネル Youtube 的精選貼文
effect size sample size 在 大象中醫 Youtube 的最佳貼文
effect size sample size 在 大象中醫 Youtube 的最佳貼文
effect size sample size 在 Lab 8 APES - Alpha, Power, Effect Sizes, Sample Size 的推薦與評價
Lab 8 APES - Alpha, Power, Effect Sizes, Sample Size. 8.1 Overview. Up until now we have mainly spent time on data-wrangling, understanding probability, ... ... <看更多>
effect size sample size 在 What to do with a very big sample size? (effect size) [duplicate] 的推薦與評價
There are many questions on site that discuss hypothesis tests with large sample sizes and the distinction between statistical significance and ... ... <看更多>
effect size sample size 在 How To... Calculate Effect Size (Two Samples t Test) - YouTube 的推薦與評價
When you find a significant difference between two samples with a t Test, you normally report that you have found an " effect ". ... <看更多>