研討會檢討

FMB data 符合RSM後，為什麼是等距和客觀的量尺？

A: 個案通過(1分)的機率是P1，不通過(0分)的機率是P0，P0+P1=1。勝率(odds)=P1/P0，在Rasch模式下，odds=P1/P0=θ/b
假設A,B兩位個案接受同一項目(1)評估，則odds-A=θ_A/b_1,
odds-B=θ_B/b_{1,  則A,B能力的比值為odds-A/Odds-B=}θ_A/θ_{B，
A,B能力的比值與題目的特性無關，這就是"客觀"。如果A的能力是B的兩倍，則A的勝率就是B的兩倍。
將odds取自然對數(log)，則：}

log(odds)=log(θ/b)=log(θ)-log(b)= θ- b，

假設A,B兩位個案接受同一項目(1)評估，則log(odds-A)=θ_A- b1，

log(odds-B)=θ_B- b1，兩者相減後，log(odds-A)-log(odds-B)=θ_A-θ_B

_{A,B能力的差距與題目的特性無關，這就是"客觀"。因勝率比已經確定，A和B的差距(～logits)不會隨A或B能力變化改變，這就是"等距"。}

分析結果是否可應用在不同樣本或其他階段的中風病人?
將再請教業太。

恩琦：
1. BI有ceiling effects的限制，若要去除滿分的個案探討FDT的生態效度，樣本數要多一些。
2. 驗證convergent validity太過薄弱，可用因素分析驗證construct validity。
佳苓：
1. floor/ceiling effects不代表變異不足。
2. 目前Y的分配還算在常態分配的可接受範圍，可用MDC/MID分組個案的改變＝>ordinal regression anlysis。
Jenny: FAI單一變項對於SSQOL提供多少比例的解釋變異量?可將Pearson r平方，就可知單一變項的解釋變異量比例。
姿誼：
1. 可再斟酌如何定義同質性。
2. SCI個案認為OT不重要須有依據。
3. 個案理解OT就一定會配合，或不理解就會不配合嗎?不是絕對，有可能理解後仍然不配合，或不理解一樣配合。但目前的假設是越理解，越能跟OT達成共識，越可以配合OT的治療。