身為住院醫師的我，深深感受到，好的搜尋技巧會讓人事半功倍，不好的搜尋技巧不僅累死人，還做不出好報告。
⠀⠀
很感謝講師傾囊相授使用搜尋引擎的方法，對自己非常有幫助的是，將主題分成冷熱兩種，利用不同的技巧來協助自己完成任務，也認識到 JANE 這個期刊搜尋工具，相信未來可以成為實用的新法寶。
⠀⠀
整個課程，學到許多實用的技巧，也消除了很多對統合分析的恐懼，重要的是，見到這群寫論文的能手，看到他們對於寫論文的專業，以及把事情做到最好的精神，任何一個被 accept 的機會都不放過，在臨床業務繁忙的現今，真的是有非常大的幫助。
⠀⠀
⠀⠀
🔔 年輕研究者的起步首選
⠀⠀
對於沒有資源的年輕研究者來說，meta-analysis 是起步的好領域。
⠀⠀
☑ 不需跑 IRB
☑ 不需花錢請助理蒐集檢體
☑ 不需要砸錢一次一次的進入加值中心
☑ 適合資源缺乏又需要單兵作戰的醫療相關人員
☑ 只要能組成研究團隊，還可擁有飛快的發表速度。
⠀⠀
🎊【年度回顧】新思惟研究課程之友，2020 年共 689 篇論文發表！
🎊 2021 年 4 月新思惟校友總計 96 篇發表，其中 11 位是首篇論文發表！
⠀⠀
⠀⠀
▒ 跑統計前應該要注意的，新思惟都幫你想好了。
⠀⠀
做 meta-analysis 的研究，選題目很重要，還是要選自己熟悉的主題，否則就算做出自己無法解釋的數據，也是枉然。選定好題目後，就要進行文獻收集。依照年份、作者、論文單位等，將符合需求的論文收集整理後，接下來要面對的，就是統計了。
⠀⠀
基本的統計知識還是需要稍微瞭解，例如說標準差、標準誤等，但在這裡學到的，沒有複雜的理論，只有實際應用的重要概念。
⠀⠀
⠀⠀
▒ 跟著手冊走，就能畫出自己的統計圖表。
⠀⠀
實作課程更是讓我們身歷其境，了解到做研究會遇到什麼樣巨大的障礙，任何的小錯都可能造成失敗，不禁慶幸還好有課程引導，不然自己還真不知道，要怎麼摸索這些知識。
⠀⠀
跟著手冊上詼諧的指引，一步一步往前，讓實作過程不再枯燥乏味，最後，竟然在時間內，完成指定的幾張圖表！
⠀⠀
⠀⠀
🔹 現在投資自己，將來 PubMed 有你！
🔹 全新梯次｜8/22（日）統合分析工作坊
🔹 立刻報名｜https://meta-analysis.innovarad.tw/event/
標準差標準誤 在 Re: [中學] 標準差標準誤- 看板Math - 批踢踢實業坊 的推薦與評價
※ 引述《autnb (許我個太陽~~~)》之銘言：
: 想請教
: 二項分布標準差 S=root(npq )
: 和常態分布標準誤 e=root(p(1-p)/n)
: 之間似乎S=ne 是個巧合，還是有它的原理??
這是錯誤的敘述!
X～bin(n,p), 則
E[X]=np, Var(X)=np(1-p), SD(X)=√[np(1-p)]
又:
E[X/n] = p, Var(X/n) = p(1-p)/n,
SD(X/n) = √[p(1-p)/n]
以上不關 "常態分布" 甚麼事.
關於 "標準誤" 這名詞...
當 p 未知時, 用 X/n 估計 p, 以 p^ 表示之.
故 SD(p^) = √[p(1-p)/n].
舊教材把 p^ 的標準差 SD(p^) 稱為 p^ 的 "標準誤",
而以 Se(p^) 表示.
但查較新的材料(也不算太新,至少有10年以上了), 發現
"p^ 的標準誤" 是用來稱呼 Se(p^) 的估計值,
Se(p^) = √[(x/n)(1-x/n)/n].
同樣, 在樣本平均數 Xbar 方面, 舊材料稱
SD(Xbar) = σ/√n
是 Xbar 的標準誤, 新材料則仍稱之為 Xbar 的標準差;
而 Xbar 的標準誤是 Se(Xbar) = s/√n.
--
嗨! 你好! 祝事事如意, 天天 happy! 有統計問題? 歡迎光臨統計專業版! :)
交大資訊次世代 telnet://bs2.twbbs.org Statistics (統計與機率)
成大計中站 telnet://bbs.ncku.edu.tw Statistics (統計方法及學理討論區)
盈月與繁星 telnet://ms.twbbs.org Statistics (統計：讓數字說話)
我們強調專業的統計方法、實務及學習討論, 只想要題解的就抱歉了!
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 125.233.158.79
... <看更多>