行為順序檢定：滯後序列分析 / Behavior Analysis: Lag Sequential Analysis

10月 03, 2017 Course , Presentation , Research/Sequential Analysis , Series/Big Data Analysis Course , Software/GoogleDoc , Work/Widget 4 Comments Edit Post

這是巨量資料探勘與統計應用課程的投影片「行為順序檢定：序列分析」。本單元是屬於系列課程中的「資料檢定級」的最後一個單元，處理資料類型也是在行為的「類別」類型資料，使用的分析技術就是以前我常常提到的滯後序列探勘(lag sequential analysis)。滯後序列分析是延伸前一單元列聯表的檢定方式，但是不像卡方統計量是用於檢定整體列聯表，它使用Allison與Liker(1982)的調整後殘差計算方式來做細格檢定。雖然資料類型都以列聯表呈現，不過計算方法可是差很多的喔。跟以前我介紹滯後序列分析的內容相比，這次不僅採用比較嚴謹的Allison與Liker的計算方法，還加入了相關係數Yule'Q的計算，並直接用jsPlumb畫出了事件轉移圖。本單元使用我所開發的滯後序列分析計算器來作計算，包含兩個實作學習單跟一份測驗，供同學邊看邊練習。

單元大綱 / Outline

1. 行為序列資料表
2. 滯後序列分析
3. 滯後序列分析：樣本統計量 事件轉移表
4. 滯後序列分析：檢定統計量 調整後的殘差
5. 實作：序列分析
6. 深入探討序列分析
7. 課堂練習：幼兒平行遊戲行為研究
8. 序列分析的應用

投影片 / Slide

• 教學投影片： Google Presentation
• 教學投影片其他格式： Power Point、 PDF、 OpenDocument Presnetation

我以Google簡報的檔案匯出成PPTX，再備份到以下位置：

• SlideShare 、 GitHub 、 OneDrive 、 Box 、 Mega 、 MediaFire 、 Google Drive

結論寫作框架 / Result Framework

請參考以下結論框架，將底線的文字改為合適的內容，完成滯後序列分析的結論吧。

舉例來說，像是：

學習單 / Worksheets

本單元包含了以下的學習單，請搭配課程投影片一起練習吧。

• W13-a. 序列分析：遊客所在區域事件序列
• W13-b. 幼兒平行遊戲行為研究

測驗 / Examine

本單元整理了一份測驗，供同學驗證所學：

• Q5. 讀者瀏覽網頁是否有固定模式？

資料集 / Dataset

本單元用到了以下資料：

• 遊客所在區域事件序列資料表：我自己編撰的例子。
• 幼兒平行遊戲事件序列資料表：這個例子來自Bakeman跟Gottman所著的「Observing interaction: an introduction to sequential analysis」。我之前的序列分析介紹也是用這個例子。
• 讀者瀏覽網頁行為序列：修改自孫賢潔所著的「行動政府網頁設計準則影響資訊尋求之研究」中的部分受試者資料，使用者名稱與行為皆經過編碼處理。

線上操作平臺 / Online Workplace

以上的實作不需用到本機端的軟體，全部使用以下雲端服務。建議使用Google Chrome瀏覽器開啟：

• Google試算表 (Google雲端硬碟)
• 滯後序列分析計算器

計算器 / Calculator

• 開啟新視窗
• GitHub儲存庫

行為序列資料格式 / Behavior sequential data format

儘管Bakeman跟Gottman在書中有介紹過幾種行為編碼的格式，但是我在考慮到從資料庫取得資料與記錄的方便性後，還是決定制訂一份比較簡單的行為序列資料格式。這個格式包含了三個欄位：

• 研究對象編號：可以是數字或文字，用來辨識不同的研究對象。
• 序列編號：必須是數字，用來表示行為順序。如果是時間格式，請把它換成數字，例如換成Unix時間。
• 事件：可以是數字或文字，用來研究對象在該時間點作的事情。如果研究對象在同一個時間點做了兩個事件，那可以用兩行相同的研究對象編號、序列編號，記錄不同的事件。

我在另一篇「循序樣式探勘：以Python的PrefixSpan實作」也是採用相同的格式。也就是說，同一份行為序列資料，我們既可以用滯後序列來分析，也可以用循序樣式探勘來分析。至於我早先寫的序列分析工具跟循序樣式探勘工具，就不要再使用了吧。

對滯後序列分析的誤解 / Misunderstanding about Lag Sequential Analysis

儘管這件事情我一直有在各個介紹中強調，但很遺憾的是，我還是常常聽到有人對序列分析結果有著錯誤的解讀方式。以上圖的表格來說，C->A的2次出現了顯著轉移，許多人就會解讀為「研究對象很常作C到A的動作」，但這樣解讀是錯誤的，這樣侯老師又要難過了。仔細看看表格的內容，不僅C->A是2次，連A->B與B->C也都是2次。顯然的，「很常作C到A的動作」這個說法並不合理，因為研究對象也很常作「A到B」與「B到C」啊。

那為何只有C->A的2次被視為顯著轉移呢？讓我們更仔細地閱讀表格，你會發現到研究對象只要作C的時候，下一個動作事件全部都會是A。另一方面，A之後的下一步可能會是A (1次)、B (2次)、C (1次)；B之後的下一步可能會是B (1次)或C (2次)。可以看出C之後預測A的機率是100%，因此C->A才會顯著。詳細的公式就請參考投影片吧。

因此，我們不能說「研究對象很常作C到A的動作」，應該說「研究對象只要作了C，下一步很高的機會會做A」。至於研究對象到底很常作C->A、A->B、B->C的那種組合，不好意思，這不是滯後序列分析要回答的問題，但你可能可以在滯後序列分析找到這個答案，請見我所介紹的另一篇「循序樣式探勘：以Python的PrefixSpan實作」。

為什麼不用卡方檢定？ / Limitation of Chi-square test

雖然滯後序列分析也是列聯表的一種分析方法，但是卻不是用卡方檢定來分析。這個原因在Bakeman與Gottman的書中也有說明。這是因為卡方檢定對資料有所要求，資料的樣本數量最好超過30以上，而列聯表的細格為0的數量不可以超過細格總數的1/4。但是在行為序列的事件轉移表中，研究對象不太可能會發生所有事件組合都平均做過數次的情況，因此勢必會有很多細格會以0表示。這就造成了行為序列轉換不能用卡方檢定，而是要用滯後序列分析的原因。

小結 / In closing

繼上一次卡方檢定講的太簡單，導致很快就教完的教訓。這次講滯後序列分析時我就特別花多點時間在介紹不同的例子、計算方式與滯後序列分析的延伸應用。這次調整授課方式的結果，反而讓整個授課流程稍微有點緊湊了，好像也應該適度地刪減一些內容啊？

不管怎麼說，在講過很多次滯後序列分析的研究後，我覺得這次教課的內容應該是最容易讓人理解，另外撰寫的滯後序列分析計算器也是至今為止最好用的一個。

而且這次的滯後序列分析計算器不僅只是算出報表，還有搭配結論寫作框架的文字結論，以及基於資料敘述級分析步驟所提到的「先把資料畫成圖」的原則，直接在網頁上呈現了行為序列轉移圖，我自己還蠻滿意的。

寫到這裡忽然想起來應該還要加上樣本敘述統計量的圓餅圖，不過這次就先這樣吧，如果下次還要講的話，我再來繼續改進。

這份滯後序列分析計算器做完後，就直接應用到該屆學弟妹的碩士論文中，分析出許多令人感興趣的結果，他們也就順利畢業了。而我，呃……還在寫blog……

紀念動物朋友 / For Kemono Friends

眼力不錯的讀者也許會發現本單元裡面出現了很多「動物朋友」的畫面。在教完這堂課的時候，有位學生很驚訝地跟我說：「原來老師也很宅！」但事實上這系列課程在第一堂介紹時就已經出現柯南跟Pokemon Go，第二堂資料的來源與形態時也有Pokemon跟死神等人物出場，看來要不是該同學的動漫知識不夠深，就可能是上課不夠認真吧？

事實上，我為了在本單元想一個合適介紹行為序列的例子，可真的是花了我許多時間。最後我才想比較容易理解的「遊客所在區域事件序列資料表」，這例子也剛好比較容易讓同學套用在其他的現實案例中。畢竟像Bakeman等人在書中舉的觀察研究法，是真正的行為研究者才會去做的事情啊。而這個例子也就很剛好地跟去年的熱門動畫動物朋友搭上線，所以我以此為教材來教序列分析。上課的時候的確蠻能吸引同學們的注意，甚至還有同學在教學評鑑的建議是：「老師講的動漫都是去年的，希望老師可以引用新一點的動漫」，這個我沒辦法，只好在精力旺盛的追番黨前給跪了。

(圖片來源：[達人專欄] 動物朋友撤換監督事件(燃燒的紙飛機))

話說回來，其實我在把授課內容投影片放到blog的時候，都會對內容做一些調整，以免帶來過於侵權的爭議。特別是動物朋友幾乎貫穿這整個單元，我本來是有在考慮換掉所有內容，改成其他插畫或照片。不過最近動物朋友發生了角川公司撤換關鍵人物監督たつき、引發眾多觀眾怒火的事件。一想到未來可能再也看不到動物朋友這樣兼具知識與樂趣、還能引發現象級熱潮的作品，我想還是繼續把動物朋友留在這個單元的投影片內吧。

關於動物朋友監督被撤換的事件的細節，請看等待著風的旅人所彙整的[達人專欄] 動物朋友撤換監督事件(燃燒的紙飛機)。

講到這邊，你對本單元的滯後序列分析有什麼看法呢？或是講到動物朋友，是否也讓你有些感慨呢？歡迎在下面留言說說你的想法，或是用左邊的AddThis按個讚或分享喔！