此次"individual-level
responsiveness"稿件的
response letter 時，reviewer問到以下兩個較艱澀的問題，且我們並無法從既有的"individual-level
responsiveness"文獻中找到答案...
1. 我們參考Hobart文獻計算SC，作為individual-level indices。原計算公式為前後測Rasch分數之差異除以每個人前後測的SE，而前後測的SE為SEdiff = √[(SE discharge location)2 +
(SE admission location)2]。然而reviewer認為前後測為paired data，計算SEdiff 應扣除前後測分數的共變。
一開始看到reviewer的建議時，也認為他說的有道理，照做即可。沒想到重新計算後才發現問題：(1)共變為group-level的數據，我們無法取得每個人前後測分數的共變；(2)因為SE很小，共變數相對大很多，所以根號內數值會是負值。也就是說，扣除前後測分數的共變可能不合理。但我必須找出證據反駁，因此我回歸到SE的基礎概念去思考如何計算才是合理的。這讓我想到其實SEdiff 的概念很像MDC (minial detectable change)、SRD (smallest real di€erence)或RCI (reliable change index)，而上述三者計算公式中僅考量 √2 *SEM，或許找出原始文獻關於這些公式推導的理由，我就可以回答reviewer的問題了。因此最終我是以信度的概念來解釋individual-level responsiveness的指標：個案能力(True score)不變為驗證信度之基礎假設，故前後測觀察分數的變異皆僅由測量誤差造成。而測量誤差為獨立的隨機變項，共變為0。因此在計算SEdiff 時，我們不需要考量前後測分數的共變。SEdiff公式推導如下：
Admission location=True score +
measurement error admission (formula 1)
Discharge location=True score +
measurement error discharge
(formula 2)
(SEdiff)2 = Variance (Discharge location-
Admission location)
= Variance (True score + measurement error discharge -True score + measurement error admission)
= Variance (measurement error discharge) + Variance (measurement error admission) - 2Covariance (measurement error discharge, measurement error admission)
= (SE discharge location)2 + (SE admission location)2 – 0
= (SE discharge location)2 + (SE admission location)2 (formula 3)
= Variance (True score + measurement error discharge -True score + measurement error admission)
= Variance (measurement error discharge) + Variance (measurement error admission) - 2Covariance (measurement error discharge, measurement error admission)
= (SE discharge location)2 + (SE admission location)2 – 0
= (SE discharge location)2 + (SE admission location)2 (formula 3)
SEdiff = √[(SE discharge location)2 +
(SE admission location)2] (formula 4)
2. reviewer建議我們補充group-level和individual-level的external responsiveness。
關於這題的回覆方式我們掙扎了很久，由於是使用過去已發表文章之資料，該文章已清楚交代使用的工具除了STREAM外，還有BI，所以我們不能耍賴假裝我們沒評，勢必需要補充相關資訊。然而困難之處在於individual-level的external responsiveness定義我們還摸不清，要如何應用group-level external responsiveness的概念到individual-level，又能凸顯STREAM-27於individual-level external responsiveness之優勢？過程中我們嘗試了多種可能的分析方式，包括：
(1) paired t檢定STREAM-15和STREAM-27兩工具偵測出有顯著進步者之平均BI改變量是否有差異。但由於STREAM-27較敏感，所以可能求得BI平均改變量反而較STREAM-15少，我們難以說服讀者STREAM-27反應性較好，因為BI改變量較少，與一般邏輯不符。
(2)沿用group-level之計算方式，檢驗兩工具SC和BI change scores間的關係，然而此分析方式是group-level的分析方式，且結果無法凸顯STREAM-27於individual-level external responsiveness之優勢（因為BI計分較粗略，故反而與STREAM-15之相關較高）。
(3)以individual-level之分析方式，將STREAM變化量與BI變化量各分為三組，計算STREAM各組（顯著進步、不顯著進步、無變化或退步）與BI各組（進步≥MCID、進步<MCID、無變化或退步）之人數。但問題是要採用什麼指標較合適？若看分組一致性（如：STREAM為顯著進步，BI亦為進步≥MCID），那結果如同相關分析結果STREAM-15之一致性較佳（因為STREAM-15和BI都較粗略）。若引用external responsiveness最原始的定義，去分析STREAM偵測出有顯著進步者中，BI也有顯著進步的比例。則結果亦無法凸顯STREAM-27之優勢，因為STREAM-27較敏感，可偵測出較多人有顯著進步（分母較大，比例較小）。最終我們選用計算所有樣本中，STREAM有顯著進步，且BI 進步程度超過MCID之人數與比例，作為驗證individual-level external responsiveness的指標。
感謝過程中，老師、林恭宏和業太多次不厭其煩地聽我說明我的想法之合理性，並給我許多具體的建議 ❣❣❣
我們已經跑到相關研究的【前沿】，沒人到過的地方。
回覆刪除有點孤單，除了團隊就沒有依靠，但這卻是我們【宣告領地】的必經歷程!!
另外，我看你的寫作效能亦有成長，可否補充分享寫作的【成長歷練】。