针对小白的 fsQCA详细步骤

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

（一）、简要介绍

一、论文问题核心：影响出院准备度的因素复杂且相互作用
二、fsQCA方法：破解复杂关系的“工具箱”
三、为什么选择fsQCA研究出院准备度？

（二）、数据导入
（三）、必要性分析
（四）、真值表
（五）、组态分析
（六）、数据导入
（七）、数据导入

（一）、简要介绍

以论文为例进行引入。

Chen D, Xu L, Lee G, Wang X. Complex determinants of hospital discharge readiness among patients with acute myocardial infarction: A fuzzy-set qualitative comparative analysis. Int J Nurs Stud. 2025 Jul 21;170:105172. doi: 10.1016/j.ijnurstu.2025.105172. Epub ahead of print. PMID: 40752300.

一、论文问题核心：影响出院准备度的因素复杂且相互作用

出院准备度不是由单一因素决定的，而是多种因素交织作用的结果。传统研究常已关注“哪个因素最重要”，但现实中更需要回答：

哪些因素组合能产生“1+1>2”的协同效果？
是否存在多种等效路径（即不同因素组合均可实现高准备度）？

举例：

低收入患者若同时拥有强大家庭支持+高质量出院指导，可能达到与高收入患者同等的出院准备水平。
高龄患者若配合高适应性训练+个性化健康教育，可显著降低再入院风险。

二、fsQCA方法：破解复杂关系的“工具箱”

与传统方法的区别

关键操作步骤

① 数据校准：将因素转化为“部分属于”的状态（例如：家庭支持“较强”=0.8，“较弱”=0.3）；

② 必要性检验：筛查必须存在的因素（如高质量出院指导是多数高准备度的前提）；

③ 组态分析：识别高效组合路径，例如：

路径1：高家庭支持 + 高适应性训练 + 低收入
路径2：高教育水平 + 高质量出院指导 + 短住院时间

优势：贴近现实场景

能发现替代关系（如低收入可通过强家庭支持补偿）；
揭示多重等效路径（不同人群可通过不同组合实现高准备度）。

三、为什么选择fsQCA研究出院准备度？

1.兼容复杂因素：
可同时分析年龄、收入、心理状态等量化数据，以及家庭关系、医患沟通等质性数据。

2.指导精准干预：
通过识别核心组合路径，帮助医护人员为不同患者定制方案，例如：

对低收入老年患者→强化家庭支持与社区康复服务；
对术后焦虑患者→加强心理疏导+分阶段健康教育。

（二）、数据导入

**文章原问题：**影响患者出院准备度的因素很多，但究竟哪些组合最有效？
浙大团队的解法：
用 fsQCA方法（类似“条件组合探测器”）替代传统统计，发现：
• 没有单一因素能独立决定出院准备度；
• 6种因素组合（如“低收入+强家庭支持+优质出院指导”）可显著提升准备度；
• 关键机制：低收入患者若家庭支持强，可达到与高收入患者相同的出院准备水平（替代效应）。

为什么这个方法更贴近现实？
传统统计（如回归分析）像“拆解零件”：单独分析每个因素的作用（例如“年龄每增加1岁，准备度下降多少”）。而fsQCA像“尝菜谱”：分析因素组合的整体效果（例如“高龄+低教育水平+无家庭支持”共同导致低准备度），更符合实际医疗场景中多因素交织的特点。

fsQCA研究步骤详解（以出院准备度研究为例，数据集随机生成，不具有实际意义）
数据集如下图，保存为CSV文件。该矩阵将用于导入fsQCA软件进行数据分析。

🔍 步骤1：定义核心变量
• 结局变量（Y）：出院准备度（需量化评估，如量表评分≥80分定义为“高准备度”）
• 条件变量（X）：
o 个体层面：年龄、收入、教育水平、患者适应能力
o 家庭层面：家属照护能力
o 医院层面：出院指导质量、住院时长

打开文件：FILE—OPEN—test.csv

⚙️ 步骤2：数据校准——把“模糊描述”转为“精确数值”
用模糊隶属度（0~1分）量化定性因素，将原始数据转化为模糊集。该文章采用三值集进行赋值,将0.95 设置为完全隶属锚点,将 0.05 设置为完全不隶属锚点,交叉点为 0.5。校准后，值等于 0.5 的手动修正为 0.501。例如：

下图是文中变量的校准参数。

在框中输入calibrate(A,85.925,70.65,52.17)。