根據目前閱讀的3篇論文:
1. Woodbury,
M. L., Velozo, C. A., Richards, L. G., & Duncan, P. W. (2013). Rasch
analysis staging methodology to classify upper extremity movement impairment
after stroke. Arch Phys Med Rehabil, 94(8),
1527-1533. doi: 10.1016/j.apmr.2013.03.007
2. Okochi,
J., Takahashi, T., Takamuku, K., & Escorpizo, R. (2013). Staging of
mobility, transfer and walking functions of elderly persons based on the codes
of the International Classification of Functioning, Disability and Health. BMC Geriatr, 13, 16. doi:
10.1186/1471-2318-13-16
3. McTaggart-Cowan,
Helen M, Brazier, John E, & Tsuchiya, Aki. (2010). Clustering Rasch
results: A novel method for developing rheumatoid arthritis states for use in
valuation studies. Value in Health, 13(6),
787-795.
Functional staging有下列3種方法可嘗試:
1. Bookmark method (Rasch/IRT staging method):作者自己必須先確定要用幾個切分點分stages,可由文獻回顧的結果決定切分點的標準。如果不是很複雜的話,也可以自己建立一個架構(framework)設立標準,這就是Bookmark method。項目進行Rasch分析後,再由項目的step thresholds計算決斷分數, 以搭配之前建立的標準。
2. Rasch analysis+Guttman-type scales:先以Rasch分析找出適當的項目(符合Rasch model),再從中挑出數個項目(自己決定),以Guttman-type的方式建立這些項目的評分方式,如:第二篇論文中,以符合Rasch model的4個項目構成basic mobility scale,並建立5個stages。最難的項目是「維持站立姿勢」,可以完成是stage 5,不能完成是stage 4。次難的題目是「在坐姿下移位」,可以完成是stage 4,不能完成是stage 3...。
3. Rasch analysis+Custer analysis: 也是先由Rasch分析找出適當的項目(符合Rasch model),項目要有多少也是自己決定的。以cluster analysis的方式分類個案的作答反應(如:決定了五個項目之後,其中一類個案的分數為01010)。Cluster analysis可將差不多能力的個案聚集在一起,且依能力高低形成不同的stages。
研究想法:
1. 目前想到可以嘗試functional staging的評估工具是PASS,現在stroke registry有五百多筆資料。過去分析過一次,但只是純粹的Rasch分析,現在想嘗試進行functional staging看看,最主要是練習分析的方法(目前先以第1種方法為主)。
2.如果unidimensonal Rasch分析搭配bookmark method行得通的話,再思考是否做STREAM的functional staging。之前老師以multimidensional Rasch分析建立S-STREAM,或許可進一步做functional staging,如Tao et al., (2008)建立AM-PAC 3個sucscales的functional stages一樣。
1. 一定要符合 Rasch assumptions 嗎?if so, 若題目不多,影響有多大?
回覆刪除2. 三種方法 (Bookmark...) 優缺點為何?
3. 若以平衡而言,staging 的結果,我想不易跳脫現有格局(如 balance short forms: sitting, standing, and stepping 或 static/dynamic sitting/standing balance),還是您覺得會有其它 surprises??
作者已經移除這則留言。
刪除1. 要符合Rasch assumptions的確是較嚴苛,但其分數的解釋較straightforward,因只有一個參數(試題難度),不受其它參數(如:鑑別度)影響。如果題目因此不多,受到的影響應該是題目能夠提供的資訊較少,信度可能會因此下降。
刪除2. 關於三種方法的優缺點,目前正在收集資料,稍後補上。
3. 選用PASS是因為目前資料庫有相關的資料,想拿這些資料來做練習。也有想過用CADL(BI+FAI)的資料來試一試。