20150424_SK架構修改討論紀錄

一、修改目前的SK架構（先分類看看架構可能要怎麼改，下下週討論）

1. 彙整過去文獻調查中風病人及其家屬對於SK之需求，應補充 以下五項內容於我們的SK架構：(1) 功能變化、後遺症；(2) 恢復進程、預後；(3) 醫療、藥物、復健成效；(4) 中醫或替代療法；(5) 健保給付規則（例如：可住院/復健多久？）

2. 既然以病人為中心，架構應修改為以病人的需求作分類，如功能、後遺症等，而非以專業作分類。否則光是翻身，有PT、OT、護理，病人難以理解不同專業之區別，且病人在選擇所需的衛教項目或知識的吸收上都會較差。

3. 每個層面都要多一張衛教單，概述該層面的定義與包含的項目等。如此可讓病人/家屬瞭解各層面之意義，有個overall的whole picture，以利進一步選擇所需的教材項目。

4. 在「危險因子」層面的說明，應概述可改變/預防與不可改變的中風危險因子，並連結病人常想知道的「如何預防再次中風」。底下各項可改變的危險因子衛教單內容，應補充監控方法、標準值與預防方法。

5. 補充項目：(1) 於「危險因子」層面增加「壓力過大」；(2) 於PT、OT、護理層面增加「搬運病人 (lifting)」；(3) 於「社會資源」層面增加「經濟補助」



二、設計SK需求調查 protocol

由於國際上已有不少相關文獻，故定位為小規模調查，以供補充SK架構用。
族群：亞急性（病人穩定、離開ICU）到中風後5年的病人及其家屬

SEM_ordinal data之處理

SEM多以covariance matrix作為資料分析型態，以ML法估計參數
然而，ML估計法是以資料為常態分配為前提假設，若違反多元常態分配之假設（可以Mardia's tests作檢定），則會影響ch-square與SE之估計值，對於參數估計值之影響較小。

然而，實務上量表或基本資料變項多為ordinal data，有違常態分配之假設。建議之處理方法有四，四者擇一：

1. 改變資料型態：tetrachoric / polychoric correlation matrix。若資料為categorical data，Pearson's correlation會低估概念之相關。故以tetrachoric（兩點量尺）或polychoric（多點量尺）correlation matrix較恰當。但有有部份學者質疑以correlation matrix取代covariance matrix之合適性。

2. 改變SEM模型：改用Muthén model (continuous/ categorical variable methodology)，其假設每個categorical data背後有一常態分配。並以該分配為基礎估計變項間的關係。

3. 改變估計法：以Asymptotically Distribution-Free (ADF)、Weighted Least Square (WLS)或貝氏估計法估計模型參數。

但第2、3項解決方法，需要非常大的樣本數（至少幾千人），實務上難以達成。故若違反多員常態假設之情況不嚴重（多員常態風度係數<25），以covariance matrix與ML估計還是接受度最高的方法。為減少ordinal data因違反多元常態分配對於結果造成之影響，學者建議使用以下第4點作法：

4. 校正估計結果：使用Satorra-Bentler scaled chi-square & robust SE