我虛構的例子是這樣的：
 |
| 圖片由Gemini 生成，示意用。 |
有位北漂族偶而會開車回屏東老家坐坐，有時1季回去10幾次或20幾次或30幾次不等。假設從2025/1開始記錄，創建一個excel檔，第一欄為停車案例序，第二欄為停車位置。
在1/3回屏東，車停家門口 (表示事件發生，註記為1)，第1筆觀察值註記為1(第一欄)和1(第二欄); 在1/8回屏東，車停較遠處的農田小路 (表示事件未發生，註記為0)，走路約3-5分鐘吧，第2筆觀察值註記為2(第一欄)和0(第二欄)，長期監測下來的資料長這樣：
2026年3月8日 星期日
2025年9月14日 星期日
統計軟體SAS與AI於商業運籌決策分析對決
數據分析大對決
挑戰題目1：烘焙店材料精準運用最佳化，最後使營業利潤最大化。
挑戰題目2：外貿公司精準分配國際物流路線，最後使物流費用較小化。
挑戰題目2：外貿公司精準分配國際物流路線，最後使物流費用較小化。
依序與SAS對戰的AI選手分別為Claude, Gemini, Perplexity, ChatGPT等4位選手，我們來看哪個AI會翻車。
以上圖片html碼由Claude AI協助生成(照例，只要是AI做的，都「合先敘明」)。
2025年3月23日 星期日
以Logistic regression (羅吉斯迴歸) 評估多個自變項對依變項的影響情形
本案數據來自SAS訓練資料庫，內容如下：
data PAIN;
input Treatment $ Sex $ Age Duration Pain $ @@;
datalines;
P F 68 1 No B M 74 16 No P F 67 30 No
P M 66 26 Yes B F 67 28 No B F 77 16 No
A F 71 12 No B F 72 50 No B F 76 9 Yes
A M 71 17 Yes A F 63 27 No A F 69 18 Yes
B F 66 12 No A M 62 42 No P F 64 1 Yes
A F 64 17 No P M 74 4 No A F 72 25 No
P M 70 1 Yes B M 66 19 No B M 59 29 No
A F 64 30 No A M 70 28 No A M 69 1 No
B F 78 1 No P M 83 1 Yes B F 69 42 No
B M 75 30 Yes P M 77 29 Yes P F 79 20 Yes
A M 70 12 No A F 69 12 No B F 65 14 No
B M 70 1 No B M 67 23 No A M 76 25 Yes
P M 78 12 Yes B M 77 1 Yes B F 69 24 No
P M 66 4 Yes P F 65 29 No P M 60 26 Yes
A M 78 15 Yes B M 75 21 Yes A F 67 11 No
P F 72 27 No P F 70 13 Yes A M 75 6 Yes
B F 65 7 No P F 68 27 Yes P M 68 11 Yes
P M 67 17 Yes B M 70 22 No A M 65 15 No
P F 67 1 Yes A M 67 10 No P F 72 11 Yes
A F 74 1 No B M 80 21 Yes A F 69 3 No
;run;
input Treatment $ Sex $ Age Duration Pain $ @@;
datalines;
P F 68 1 No B M 74 16 No P F 67 30 No
P M 66 26 Yes B F 67 28 No B F 77 16 No
A F 71 12 No B F 72 50 No B F 76 9 Yes
A M 71 17 Yes A F 63 27 No A F 69 18 Yes
B F 66 12 No A M 62 42 No P F 64 1 Yes
A F 64 17 No P M 74 4 No A F 72 25 No
P M 70 1 Yes B M 66 19 No B M 59 29 No
A F 64 30 No A M 70 28 No A M 69 1 No
B F 78 1 No P M 83 1 Yes B F 69 42 No
B M 75 30 Yes P M 77 29 Yes P F 79 20 Yes
A M 70 12 No A F 69 12 No B F 65 14 No
B M 70 1 No B M 67 23 No A M 76 25 Yes
P M 78 12 Yes B M 77 1 Yes B F 69 24 No
P M 66 4 Yes P F 65 29 No P M 60 26 Yes
A M 78 15 Yes B M 75 21 Yes A F 67 11 No
P F 72 27 No P F 70 13 Yes A M 75 6 Yes
B F 65 7 No P F 68 27 Yes P M 68 11 Yes
P M 67 17 Yes B M 70 22 No A M 65 15 No
P F 67 1 Yes A M 67 10 No P F 72 11 Yes
A F 74 1 No B M 80 21 Yes A F 69 3 No
;run;
資料集包含五個變數：
治療類型treatment (A 和 B 代表兩種檢驗治療，P 代表安慰劑治療)、性別sex、年齡age (患者剛接受治療當下的年齡)、持續時間duration (治療前疼痛症狀已持續的時間，單位月)和疼痛Pain (疼痛與否，為依變數)。本研究將評估不同治療方式(含安慰劑)對高齡神經痛患者的鎮痛效果。
2025年3月22日 星期六
2024年12月3日 星期二
2022年12月29日 星期四
淺談伯努利+二項+卜瓦松+幾何等機率分布概念
做品管的，大都使用過管制圖。P管制圖和NP管制圖係依據二項分布之假設，而 C管制圖和U管制圖則依據卜瓦松分布之假設繪製而成（關於管制圖與這些統計分布的關聯性描述，以後有時間再開另篇文章談，這須用到數學公式說明）。二項分布和卜瓦松分布在特定條件下可藉由常態分布來近似，故將平均數+3個標準差作為管制圖管制上限及平均數-3個標準差作為管制圖管制下限。至於為何是3個標準差，這議題日後有機會再開另一篇文章來描述。
這篇文章的談論主角是「卜瓦松分布」(順便為日後的卜瓦松迴歸模型議題留伏筆)，既然要談論它，它的知識來源，包含伯努利分布和二項分布就一起在此篇文章說明。這些分布描述的對象都屬離散型資料（所以能見度很高的幾何分布也拉進來一起談），例如藥物不良反應件數指標，本月23件，上月為18件。18～23間無法無限制分割，例如分割線落在21.56件(該月是幾件就幾件，不會有21.56件這種帶小數位的件數)；相對來說，本次監測血壓值為88.5mmHg，上次監測為92.4mmHg，88.5～92.4間可無限制分割，例如分割線落在91.026mmHg（測出來的血壓值可以是這樣，如果機器夠靈敏的話），這種可無限制分割下去的資料型態就叫連續型資料。平日小弟傳授管制圖課程，不會帶入以上機率分布概念(學員會倒一片，且不學不會防礙管制圖類別選擇，但因無機率分配概念，故小弟提的判圖原則須謹記於心)，至於離散型和連續型資料判別，則會於課程中加以說明(這有助於管制圖類別選擇)。而下表內的統計公式，只是本文章的裝潢物件(這樣看起來很有學問，是不是？)，不是本篇文章的說明重點。
訂閱：
文章 (Atom)