這個作品集是以我在國立臺北大學碩士期間，課程「迴歸分析」的期末報告作為延伸，並以Power BI展示視覺化效果，資料集取自kaggle的COVID-19 Healthy Diet Dataset，在該堂課中，我身為組長，帶領組員關注食物脂肪攝入和COVID-19確診率如何影響肥胖率。

我們分析了2019年173個國家的數據，包括食物脂肪攝入百分比、肥胖率和COVID-19病例百分比。通過線性回歸模型，嘗試找出不同類型食物脂肪攝入和COVID-19病例百分比如何影響肥胖率。其中透過課程所學，我們考慮了變數共線性問題，使用變數處理和逐步回歸的方法優化了模型。

最終模型發現，酒精和糖類作物脂肪攝入量上升反而會降低肥胖率，而五穀雜糧脂肪攝入量上升會增加肥胖率。此外，COVID-19確診率上升也輕微增加了肥胖率。

而本作品集希望透過Power BI便利且多樣的呈現方式，延伸針對各國家「COVID-19與肥胖率」、「攝入食物分析」以及「迴歸分析」這三個面向來進行探討分析，透過視覺化的角度，在同一份資料集中嘗試找出不同的見解！

，

首先，在「COVID-19與肥胖率」這部分，我使用地圖功能呈現各個國家的確診率，並且以泡泡大小表示確診率的高低，並且可以使用右方的交叉篩選器查詢特定國家的資訊。而下方的互動式面板呈現了各國家的肥胖率以及確診率的關係，以散佈圖的方式呈現，並且泡泡大小意涵著確診死亡率的高低，在該互動式報表中，可以發現，高COVID-19確診率的國家，普遍也有較高肥胖率的趨勢，另外發現，高COVID-19確診率且高肥胖率的國家，如美國，在確診死亡率方面也明顯較高，呈現出了傳統描述性統計報表較不易看出的見解。

接著，我想要探究各個國家在攝入食物脂肪的占比與COVID-19的關係，左上角圖示了各個國家平均的攝入脂肪的食物組成，以圓環圖呈現比例，而右上則列出了，TOP10高與低的COVID-19確診率國家，食物組成占比的排名，可以發現，在前三名的食物組成差異不大，而在右表中，TOP4是starchy root(根莖菜類)，在左表則掉到了TOP11，而在後面的排序也可以發現，最高確診率前十名的國家在攝入脂肪的比例上，不健康的食物(如Sugar或是Alcoholic Beverage)占比較大。

最後，我想以互動圖示的方式，呈現簡單線性迴歸的模擬準確度，在上表，我的橫軸放的是確診率由高到低的國家，鼠標在圖表上滑動也可以知道確診率rank代表的是哪一個國家，從實際以及預測的Obesity肥胖率可以發現，確診率高的國家，對於肥胖率的預測較易不準確，探究原因可能是高確診率的國家在肥胖率的波動本身就比較大，因此不容易做出準確的預測。

而下表是各個國家詳細的模型變數以及預測值，因dataset與迴歸分析的報告所用資料有些許不同，因此我有重新跑過迴歸模型，也把模型的檢測跟係數放在下方供各位參考。我想，雖然同樣是非常簡易的迴歸分析模型，搭配上互動式報表以及視覺化之後，整體能夠讓讀者對於資料更有感覺，也可以觀察到不同的見解，對後續發展深度的分析有莫大的幫助。

如果對於這份Power BI報告有興趣的朋友，歡迎與我聯繫，我會提供連結給你，謝謝!