108 年 國立臺灣大學流行病學研究所甲：流行病組《流行病學》

本題主要在探討流行病學研究中常見的資料缺失問題，以及處理資料缺失的策略與其對研究結果的影響。

核心觀念： 資料缺失處理方法、對研究偏差的影響。

詳解：

資料缺失（missing data）在流行病學研究中非常普遍，若未妥善處理，可能導致估計偏差（bias）或效率降低。以下列舉兩種常見的處理方法及其影響：

1. 方法一：刪除法 (Deletion Methods)
   • 說明：
     • 完整病例刪除法 (Complete Case Analysis / Listwise Deletion)： 僅使用所有變數皆完整的個案進行分析。
     • 可忽略性刪除法 (Pairwise Deletion)： 在計算相關係數或協方差矩陣時，針對每一對變數，使用所有包含該兩變數的個案。
   • 對研究結果的影響：
     • 完整病例刪除法：
       • 優點： 概念簡單，若資料缺失是完全隨機（MCAR, Missing Completely At Random），則不會產生偏差，且分析結果有效。
       • 缺點： 會顯著減少樣本數，尤其當缺失比例較高時，可能導致統計檢定力下降（power loss），增加第二類錯誤（Type II error）的機率。若資料缺失並非完全隨機，則可能產生估計偏差。
     • 可忽略性刪除法：
       • 優點： 比完整病例刪除法保留較多樣本，可提高統計檢定力。
       • 缺點： 若資料缺失並非完全隨機，可能導致計算出的相關係數或協方差矩陣產生偏差，進而影響後續的統計推論。此外，不同分析步驟可能基於不同的樣本數，使得結果難以解釋。

本題旨在釐清流行病學研究中兩個核心的評價指標：內部效度與外部效度，並探討其相對重要性。

核心觀念： 內部效度、外部效度、研究設計的評價。

詳解：

1. 內部效度 (Internal Validity)

   • 意義： 指的是研究結果能夠多大程度地真實反映研究對象（如特定族群）的真實情況，即研究設計是否能有效地排除其他可能解釋結果的混淆因子（confounding factors）、偏差（bias）及隨機變異（random error），從而確定暴露（exposure）與結果（outcome）之間的因果關係。換言之，內部效度關心的是「研究本身的正確性」或「研究者是否從研究對象身上正確地推論出與暴露的關聯」。
   • 重要性： 內部效度是研究的基礎。如果一個研究缺乏內部效度，那麼即使樣本量再大、研究設計再精巧，其得出的結論也可能是有偏差的、不可信的，甚至可能是錯誤的因果關係。缺乏內部效度的研究，其結果無法被科學界信任，更無法作為公共衛生決策的依據。

2. 外部效度 (External Validity)

   • 意義： 指的是研究結果能夠在多大程度上推論（generalize）到研究對象以外的、更廣泛的目標族群（target population）或不同環境。換言之，外部效度關心的是「研究結果的適用性」或「研究結論能否被推廣到其他人群或情境」。這通常與研究對象的代表性（representativeness）、研究條件的模擬性（similarty to real-world conditions）等有關。
   • 重要性： 外部效度決定了研究結果的應用價值。

本題考驗對診斷試驗評估指標（敏感度、特異度、陽性預測值、陰性預測值）的理解，以及這些指標如何受到疾病盛行率的影響。

核心觀念： 敏感度（Sensitivity）、特異度（Specificity）、陽性預測值（Positive Predictive Value, PPV）、陰性預測值（Negative Predictive Value, NPV）、疾病盛行率（Prevalence）。

詳解：

首先，我們需要定義這些名詞：

• 敏感度 (Sensitivity, Se)： 在所有真正患病者中，檢測結果為陽性的比例。
  $Se = \frac{TP}{TP + FN}$
• 特異度 (Specificity, Sp)： 在所有真正未患病者中，檢測結果為陰性的比例。
  $Sp = \frac{TN}{TN + FP}$
• 陽性預測值 (Positive Predictive Value, PPV)： 在所有檢測結果為陽性者中，真正患病的比例。
  $PPV = \frac{TP}{TP + FP}$
• 陰性預測值 (Negative Predictive Value, NPV)： 在所有檢測結果為陰性者中，真正未患病的比例。
  $NPV = \frac{TN}{FN + TN}$

其中：

• TP (True Positive)：真正陽性
• FN (False Negative)：假陰性
• FP (False Positive)：假陽性
• TN (True Negative)：真正陰性

已知條件：

• 敏感度 (Se) = 50% = 0.5
• 特異度 (Sp) = 90% = 0.9
• 疾病盛行率 (Prevalence, P) = 40% = 0.4

我們假設檢驗總人數為 1000 人，以便計算。

計算各組人數：

• 真正患病者人數 = 1000 * 0.4 = 400 人
• 真正未患病者人數 = 1000 * (1 - 0.4) = 600 人

計算 TP, FN, FP, TN：

• TP (True Positive)： 真正患病者中，檢測為陽性者。
  $TP = 真正患病者人數 \times Se = 400 \times 0.5 = 200$ 人
• FN (False Negative)： 真正患病者中，檢測為陰性者。
  $FN = 真正患病者人數 \times (1 - Se) = 400 \times (1 - 0.5) = 400 \times 0.5 = 200$ 人
• TN (True Negative)： 真正未患病者中，檢測為陰性者。
  $TN = 真正未患病者人數 \times Sp = 600 \times 0.9 = 540$ 人
• FP (False Positive)： 真正未患病者中，檢測為陽性者。
  $FP = 真正未患病者人數 \times (1 - Sp) = 600 \times (1 - 0.9) = 600 \times 0.1 = 60$ 人

驗證：

• 總患病人數 = TP + FN = 200 + 200 = 400 (正確)
• 總未患病人數 = TN + FP = 540 + 60 = 600 (正確)
• 總檢測陽性人數 = TP + FP = 200 + 60 = 260
• 總檢測陰性人數 = FN + TN = 200 + 540 = 740
• 總人數 = 260 + 740 = 1000 (正確)

(a) 計算陰性預測值 (NPV) 和陽性預測值 (PPV)：

• 陰性預測值 (NPV)：
  $NPV = \frac{TN}{FN + TN} = \frac{540}{200 + 540} = \frac{540}{740} \approx 0.7297$
  NPV 約為 73.0%

• 陽性預測值 (PPV)：
  $PPV = \frac{TP}{TP + FP} = \frac{200}{200 + 60} = \frac{200}{260} \approx 0.7692$
  PPV 約為 76.9%

本題旨在考驗學生對研究設計的選擇，特別是針對「找出高危險群以進行昂貴篩檢」這個目的。這需要結合研究設計的特性、資料蒐集方法、危險性指標的選擇，以及其與研究目的的契合度。

核心觀念： 研究設計（世代研究 vs. 病例對照研究）、危險性指標（相對危險度、勝算比）、篩檢策略。

詳解：

研究目的： 找出罹患某種癌症的高危險群，以便進行昂貴的癌症篩檢。

研究設計選擇：
我會選擇 世代研究 (Cohort Study)，特別是 前瞻性世代研究 (Prospective Cohort Study)。

選擇理由：

1. 確定暴露與結果的時間順序： 世代研究能夠先確定暴露（危險因子），然後追蹤一段時間，觀察疾病（癌症）的發生。這對於確定暴露與疾病之間的因果關係至關重要，尤其是在探討「危險因子」時。
2. 計算發生率和相對危險度 (Relative Risk, RR)： 前瞻性世代研究可以直接計算暴露組和非暴露組的疾病發生率，進而計算出 RR。RR 是衡量暴露對疾病風險影響的直接指標，能明確指出暴露組相較於非暴露組，其罹患癌症的風險有多高，這對於識別「高危險群」非常關鍵。
3. 減少回溯偏差 (Recall Bias)： 相較於回溯性研究（如病例對照研究），前瞻性研究在蒐集暴露資料時，受試者回憶過去經歷的偏差較小，因此能更準確地評估危險因子。
4. 研究昂貴篩檢的適用性： 找出高危險群的目的是為了讓他們接受昂貴的篩檢。世代研究能夠系統性地評估不同暴露水平（危險程度）的個體，並預測其未來的罹病風險，這正是篩檢策略所需要的。

資料蒐集方法：

1. 定義與招募研究對象：
   • 首先，需要明確定義研究的目標族群（例如：某地區、特定年齡層、特定職業的健康人群）。
   • 然後，招募一個足夠大的、無癌症的基線樣本。
   • 重要： 招募時需確保樣本能涵蓋潛在的危險因子暴露情況，例如，若懷疑某種生活習慣（如吸煙、飲食習慣）或環境因素（如職業暴露）是危險因子，則需確保樣本中有不同程度暴露的人群。
2. 基線資料蒐集 (Baseline Data Collection)：
   • 詳細的暴露評估： 針對懷疑與癌症相關的危險因子，進行詳細、標準化的問卷調查或訪談。例如：
     • 生活習慣： 吸煙史（時長、每日吸量）、飲酒習慣、飲食習慣（蔬果攝取量、紅肉攝取量等）、運動習慣。
     • 職業暴露： 工作內容、接觸化學物質、放射線暴露史。
     • 家族史： 一等親（父母、兄弟姊妹、子女）罹患該癌症的病史。
     • 個人病史： 既往的某些疾病（如慢性發炎疾病）或治療史。
     • 其他： 年齡、性別、教育程度、社會經濟地位等潛在混淆因子。
   • 生理指標測量： 根據研究對象的具體情況，可能需要測量一些生理指標，例如身高、體重（計算 BMI）、血壓等。
3. 追蹤與結果評估 (Follow-up and Outcome Assessment)：
   • 定期追蹤： 在研究開始後，定期（例如每年或每兩年）透過問卷、電話訪談、電子病歷查詢或直接聯繫等方式，追蹤研究對象的健康狀況。
   • 疾病確認： 對於懷疑罹患癌症的研究對象，需要透過標準化的方法進行確認，例如：

本題是一個綜合性的流行病學研究設計與分析問題，結合了睡眠呼吸中止、憂鬱、失眠、自殺風險等幾個變項。第一部分要求設計一個研究來探討睡眠呼吸中止與自殺風險的關聯；第二部分則是在此基礎上，探討憂鬱和失眠作為潛在的影響因子。

核心觀念： 研究設計（世代研究、病例對照研究）、測量方法、統計分析（迴歸模型、中介分析、調節分析）、混淆因子控制、偏差。

詳解：

研究背景： 幼童睡眠呼吸中止 (Sleep Apnea, SA) → 影響睡眠品質 → 可能導致憂鬱 (Depression) → 增加自殺風險 (Suicide Risk)。研究者欲探討 SA 是否增加自殺風險。

(a) 研究設計、樣本選擇、測量、統計分析 (14分)

1. 研究目的：
探討幼童睡眠呼吸中止 (SA) 與自殺風險 (Suicide Risk, SR) 之間是否存在關聯，並評估此關聯的強度。

2. 研究設計：
我會選擇 世代研究 (Cohort Study)，具體來說是 前瞻性世代研究 (Prospective Cohort Study)。

選擇理由：

• 時間順序： SA 是潛在的暴露（原因），SR 是結果（疾病）。前瞻性研究能先確定 SA 的存在，然後追蹤觀察 SR 的發生，確保時間順序正確，有利於推斷因果關係。
• 計算發生率與相對危險度 (RR)： 可以直接計算有 SA 的幼童群體和無 SA 的幼童群體的 SR 發生率，進而計算 RR，直接評估 SA 對 SR 風險的影響。
• 減少回溯偏差 (Recall Bias)： 相較於回溯性研究，前瞻性研究在評估 SA 時（例如透過睡眠檢查），偏差較小。
• 評估風險： 這是研究「是否增加風險」的最佳設計之一。

備選設計：

• 病例對照研究 (Case-Control Study)： 雖然可以較快地識別出有 SR 的兒童（病例）和無 SR 的兒童（對照），並回溯調查 SA 的情況，但容易受到回溯偏差（家長回憶 SA 的準確性）和選擇偏差的影響。
• 橫斷面研究 (Cross-Sectional Study)： 只能同時測量 SA 和 SR，無法確定時間順序，無法推斷因果關係，僅能描述關聯性。

3. 樣本選擇 (Sample Selection)：

• 目標族群： 某地區的學齡期幼童（例如 6-12 歲）。
• 抽樣方法：
  • 多階段叢集抽樣 (Multi-stage Cluster Sampling)：
    • 第一階段：從目標地區隨機抽取若干學校。
    • 第二階段：從選定的學校中，隨機抽取若干班級。
    • 第三階段：邀請該班級的所有學生及其家長參與研究，並取得知情同意。
• 納入/排除標準：
  • 納入標準： 年齡範圍內、家長同意參與、能夠完成所需評估。
  • 排除標準： 已確診患有嚴重精神疾病、曾有自殺行為史（這部分可能需謹慎處理，視研究倫理要求，或將其作為基線變項進行控制）、無法進行必要評估者。
• 樣本量估計： 需根據預期 SA 的盛行率、SR 的發生率、預期的 RR 值、統計顯著性水平（α）和檢定力（1-β）來計算所需的樣本量，以確保研究有足夠的統計效力來檢測到預期的關聯。

4. 測量 (Measurement)：

• 睡眠呼吸中止 (SA)：
  • 黃金標準： 進行「多項生理睡眠檢查」(Polysomnography, PSG)。PSG 能精確測量睡眠階段、呼吸暫停指數 (Apnea-Hypopnea Index, AHI)、血氧飽和度等，以診斷 SA 的嚴重程度（輕度、中度、重度）。
  • 篩檢工具： 可考慮使用家長填寫的睡眠問卷（如多項睡眠呼吸中止問卷, NoSAS score），用於初步篩選高風險者，再邀請其接受 PSG。
• 自殺風險 (SR)：
  • 定義： 自殺風險是一個多面向的概念，包括自殺意念 (suicidal ideation)、自殺計畫 (suicidal plan) 和自殺嘗試 (suicidal attempt)。
  • 測量工具：
    • 結構式訪談： 由受過訓練的研究人員，根據標準化的訪談手冊（如 Child and Adolescent Suicide Assessment Scale, CASAS；Columbia-Suicide Severity Rating Scale, C-SSRS for Children and Adolescents）對兒童進行訪談，並詢問家長相關情況。
    • 家長/教師問卷： 評估兒童的行為改變、情緒問題、社交互動等，可能間接反映自殺風險。
  • 時間點： 在基線時評估，並在追蹤過程中定期重複評估，以捕捉風險的變化。
• 潛在的混淆因子與中介變項：
  • 憂鬱 (Depression)： 使用標準化的兒童憂鬱量表（如 Children's Depression Inventory, CDI；Beck Depression Inventory-Youth, BDI-Y）由兒童填寫，或家長/教師填寫的評估表。
  • 失眠 (Insomnia)： 使用兒童失眠量表（如 Children's Sleep Habits Questionnaire, CSHQ；Insomnia Severity Index, ISI）由家長或兒童填寫。
  • 其他混淆因子： 社會經濟地位 (SES)、家庭功能、父母精神健康狀況、學業壓力、同儕關係、童年逆境經驗 (ACEs) 等，可透過問卷蒐集。
• 測量時間點：
  • 基線 (Baseline)： 招募時，進行 SA 評估（PSG 或篩檢問卷），同時蒐集所有混淆因子、憂鬱、失眠及基線自殺風險的資料。
  • 追蹤 (Follow-up)： 定期（例如每 6 個月或 1 年）追蹤，重複評估自殺風險、憂鬱、失眠等情況。

5. 統計分析 (Statistical Analysis)：

• 描述性統計： 描述樣本的基本特徵，包括 SA 的盛行率，以及 SA 組與非 SA 組在憂鬱、失眠、自殺風險及其他混淆因子上的基線差異。
• 單變量分析：
  • 使用卡方檢定 (Chi-squared test) 或 t 檢定 (t-test) 比較 SA 組與非 SA 組在自殺風險發生上的差異。
  • 計算 SA 與自殺風險之間的粗略勝算比 (Crude Odds Ratio) 或相對危險度 (Crude Relative Risk)。

本題為名詞解釋題，主要考驗考生對傳染病防治領域中幾個重要術語的理解與掌握程度。

核心觀念： 傳染病預防策略、疾病定義。

詳解：

(a) HIV treatment as prevention (TasP)

• 定義： HIV treatment as prevention (TasP) 是一種 HIV 感染的預防策略，其核心理念是「透過有效的抗反轉錄病毒治療 (Antiretroviral Therapy, ART) 來預防 HIV 的傳播」。
• 機制： 當 HIV 感染者持續接受 ART 並達到病毒量極低（undetectable viral load, 通常指每毫升血液中病毒 RNA 少於 20-50 copies）時，他們通過性行為傳播 HIV 的風險幾乎為零。
• 重要性： TasP 是 HIV 防治策略中的一個重要里程碑，它不僅能改善感染者的健康和延長壽命，還能顯著降低 HIV 的社區傳播率。這也催生了「U=U」的口號（Undetectable = Untransmittable）。
• 應用： 對於已確診的 HIV 感染者，一旦開始 ART，並達到病毒抑制，他們就可以被視為不再具有傳播性。

(b) HIV pre-exposure prophylaxis (PrEP)

• 定義： HIV pre-exposure prophylaxis (PrEP) 是一種 HIV 預防措施，指的是在可能暴露於 HIV 病毒之前，就開始服用抗反轉錄病毒藥物，以降低感染 HIV 的風險。
• 機制： PrEP 藥物（通常是兩種抗病毒藥物的複方，如emtricitabine/tenofovir disoproxil fumarate 或 emtricitabine/tenofovir alafenamide）可以阻止 HIV 病毒在人體內建立感染。當病毒進入人體後，PrEP 藥物會抑制病毒的複製，使其無法在 CD4 淋巴細胞中穩定建立感染。
• 適用對象： 主要推薦給 HIV 陰性但具有較高感染風險的個體，例如：
  • 與 HIV 陽性伴侶有性行為者。
  • 安全性行為頻率不高（如不使用保險套）且有多個性伴侶者。
  • 共用針具的注射藥物使用者。
• 重要性： PrEP 是繼保險套之後，另一種非常有效的 HIV 預防工具，特別是在難以堅持使用保險套或風險較高的群體中。
• 使用方式： 可以是每日服用 (daily PrEP)，也可以是按需服用 (on-demand PrEP, 僅適用於特定高風險情境，且需嚴格遵照醫囑)。

(c) Latent tuberculosis infection (LTBI)

• 定義： Latent tuberculosis infection (LTBI) 指的是一個人感染了結核分枝桿菌 (Mycobacterium tuberculosis, MTB)，但體內存在免疫反應，能夠控制住細菌，使其處於「潛伏」狀態。
• 特點：
  • 無症狀： LTBI 的人通常沒有結核病的臨床症狀，肺部 X 光檢查通常正常。

核心觀念

本題考查盛行率、勝算（odds）、勝算比（odds ratio）及穩定族群下盛行率與發生率的關係。

設族群中：

• 有病人數為 $D$
• 無病人數為 $N$
• 總人數為 $D+N$
• 盛行率為 $P=\dfrac{D}{D+N}$

則盛行率勝算為：

$$\frac{P}{1-P} = \frac{D/(D+N)}{N/(D+N)} = \frac{D}{N}$$

也就是「有病人數除以沒病人數」。

---

解題方法

逐一檢查各選項的定義與公式，特別注意：

1. 盛行率是比例，因此沒有單位。
2. 終生盛行率與某一期間的期盛行率相比，通常前者較高或至少不低於後者。
3. 勝算比是兩個勝算的比值。
4. 族群整體勝算不等於個人勝算的算術平均。
5. 穩定族群下有近似關係：

$$\text{盛行率勝算} = \text{發生率} \times \text{平均疾病期程}$$

---

選項分析

(A) 終生盛行率其值無單位。

正確。

終生盛行率是曾經罹患某疾病的人數除以觀察族群人數：

$$\text{Lifetime prevalence} = \frac{\text{一生中曾罹病人數}}{\text{觀察族群人數}}$$

分子與分母皆為人數，單位相消，因此是無單位的比例，可表示成小數或百分比。

---

(B) 疾病之終生盛行率高於該疾病之期盛行率。

在本題通常的比較情境下正確。

終生盛行率表示「截至目前，一生中曾經罹患該疾病的比例」；期盛行率則表示「在特定期間內曾患病的比例」。只要該特定期間短於整個生命期間，終生盛行率通常會高於期盛行率，因為終生盛行率涵蓋的時間範圍更廣。

嚴格而言，兩者的關係應表達為：

$$\text{終生盛行率} \geq \text{特定期間的期盛行率}$$

考試通常將「高於」理解為一般短期期間的比較，故此選項不是錯誤選項。

---

(C) 勝算比是兩個勝算的比值。

正確。

個體罹病的勝算為：

$$\text{odds} = \frac{P(\text{罹病})}{P(\text{未罹病})} = \frac{P}{1-P}$$

勝算比則是兩組勝算的比值。例如暴露組與未暴露組的勝算比為：

$$OR = \frac{\text{暴露組罹病勝算}} {\text{未暴露組罹病勝算}}$$

因此本選項符合勝算比的定義。

---

(D) 一個族群得病的勝算等於族群中每個人得病勝算的平均。

錯誤，為本題答案。

本題考驗對流行病學研究中幾個重要概念：幹擾作用 (confounding)、中介作用 (mediation) 和交互作用 (interaction) 的理解與區別。

核心觀念： 幹擾作用、中介作用、交互作用、調節作用。

詳解：

我們逐一分析各選項：

(A) 幹擾作用亦稱調節作用 (moderation)。

• 錯誤。 幹擾作用 (confounding) 是指第三個變項 (confounder) 與暴露 (exposure) 和結果 (outcome) 都有關聯，導致暴露與結果之間的關聯性被高估或低估。調節作用 (moderation) 或稱交互作用 (interaction) 則是指第三個變項（調節變項）改變了暴露與結果之間的關係強度或方向。兩者是不同的概念。

(B) 樣本數趨近無限大,幹擾作用趨近零。

• 錯誤。 幹擾作用是由於混淆因子 (confounder) 的存在，它與暴露和結果都相關。即使樣本數趨近無限大，只要混淆因子仍然存在且未被適當處理（如分層分析、迴歸調整），幹擾作用就不會消失。樣本數增加主要能提高統計檢定力，減少隨機變異，但無法消除系統性的偏差（如混淆）。

(C) 未測量因子 (unmeasured factor) 具不可甄別性 (non-identifiability),因而不會造成中介
作用。

• 錯誤。
  • 未測量因子 (Unmeasured Factor)： 指的是在研究中未被測量或納入分析的變項。
  • 不可甄別性 (Non-identifiability)： 這個詞在統計學中通常指模型參數無法唯一確定。但在流行病學語境下，如果指的是「未測量因子」本身無法被識別或量化，則可能難以直接處理。
  • 中介作用 (Mediation)： 中介作用是指暴露 A 通過一個中間變項 M 影響結果 B（A → M → B）。
  • 關係： 一個未測量因子（例如，一個未被識別的生物學機制）完全有可能 充當中介變項，影響暴露與結果之間的關聯。如果我們沒有測量到這個中介變項，我們可能無法完全解釋暴露為何會導致結果。因此，未測量因子 可能 造成中介作用，我們只是無法在研究中直接測量和證明它。
  • 「不可甄別性」在這裡的用法可能有些不清晰，但總體而言，未測量因子 可以 充當中介變項，只是我們無法直接分析它。

(D) 中介作用之效應值介於幹擾作用和交互作用之間。

• 錯誤。 這三個概念的效應值是無法直接比較大小的。
  • 中介作用 (Mediation)： 描述 A 如何通過 M 影響 B (A → M → B)。其效應值是「間接效應」(indirect effect)。
  • 幹擾作用 (Confounding)： 描述混淆因子 C 扭曲了 A 與 B 的關聯。其效應是「偏差」(bias)。

核心觀念

配對式病例對照研究是在研究設計階段，依年齡、性別等因素，為每一名病例選擇一名或多名具有相同配對條件的對照，以控制這些因素造成的混雜。

配對後，分析時必須保留配對結構，常用方法包括：

• 一對一配對：McNemar 檢定、配對勝算比。
• 一對多配對：條件式邏輯斯迴歸。
• 配對勝算比主要利用同一配對組內，病例與對照暴露狀態不同的資料估計。

配對的主要限制是：配對因子在同一配對組內沒有變異，因此其本身的疾病效應，以及其與其他危險因子的交互作用，無法用一般配對分析直接估計。

---

解題方法

本題逐項判斷配對研究的三個重點：

1. 配對後是否仍須把配對因子當作一般共變項調整。
2. 配對比例是否必須固定。
3. 配對是否必然提高效率，以及是否限制交互作用與族群可歸因比例的估計。

其中最關鍵的判斷是：配對因子在每一個配對組內被固定，因此不能從組內比較中獨立估計其主效應及其交互作用。

---

選項分析

(A) 錯誤。

配對因子已在研究設計階段被控制，分析時應採用符合配對設計的方法，例如條件式邏輯斯迴歸，而不是再把配對因子當作一般未控制的干擾因子重複調整。

換言之，配對後仍須「考慮配對結構」，但不代表必須將已配對因子再以一般共變項方式放入模型中調整。重複調整可能造成過度調整或模型解釋錯誤。

---

(B) 錯誤。

配對比例不必固定為每個病例配對兩名對照。研究可以採用：

• 一對一配對；
• 一對二、一對三等一對多配對；
• 不同病例具有不同數目的對照。

配對比例不固定本身不會產生偏差，只要分析方法正確處理每個配對組的結構即可。

增加對照數通常可提高統計效率，但增加到約 4 名對照後，額外效益會逐漸減少。因此，配對比例是效率與成本的設計考量，不是避免偏差的固定規則。

---

(C) 錯誤。

配對研究的統計效率不會在所有情況下恆大於非配對研究。

本題考驗對隨機對照研究 (Randomized Controlled Trial, RCT) 的基本原則、設計要求、統計分析及倫理考量的理解。

核心觀念： 隨機對照研究 (RCT)、樣本數計算、型一誤差、隨機抽樣 vs. 隨機分派、統計檢定方法、假說檢定。

詳解：

我們逐一分析各選項：

(A) 研究進行前,應進行樣本數計算,並記載於研究計劃書中。

• 正確。 在 RCT 開始前，進行樣本數計算 (sample size calculation) 是至關重要的步驟。樣本數的計算基於預期的效應量、統計檢定力 (power, 1-β)、顯著性水平 (α，即型一誤差率) 以及變異性等因素。足夠的樣本數能確保研究有足夠的統計檢定力來檢測到預期的臨床差異（如果存在），避免得出假陰性結論（第二類錯誤）。研究計劃書 (protocol) 必須詳細記載樣本數計算的依據和方法，這也是研究可行性和科學嚴謹性的重要體現。

(B) 極大規模的隨機對照研究 (比如樣本數,n>10000),型一誤差率 (type I error rate) 即
趨近零。

• 錯誤。 型一誤差率 (Type I error rate, α) 是指在虛無假說 (null hypothesis, H0) 為真時，錯誤地拒絕虛無假說的機率。它通常由研究者在研究設計階段預先設定，例如 α = 0.05 (5%)。即使樣本數非常大（n>10000），α 的值也不會趨近於零，它仍然是研究者設定的預設值。樣本數的增加主要會提高統計檢定力，使得研究更容易檢測到真實存在的效應（降低第二類錯誤的機率），並使估計值的標準誤 (standard error) 趨近於零，從而使點估計 (point estimate) 更接近真實值。但它不會改變預設的 α 值。

(C) 個案是否納入研究,應採隨機抽樣 (random sampling)。

• 錯誤。 隨機對照研究 (RCT) 的核心是「隨機分派」(randomization)，即將符合條件的受試者隨機分派到不同的干預組（如實驗組和對照組）。

本題主要在探討流行病學研究中常見的資料缺失問題，以及處理資料缺失的策略與其對研究結果的影響。

核心觀念： 資料缺失處理方法、對研究偏差的影響。

詳解：

資料缺失（missing data）在流行病學研究中非常普遍，若未妥善處理，可能導致估計偏差（bias）或效率降低。以下列舉兩種常見的處理方法及其影響：

1. 方法一：刪除法 (Deletion Methods)
   • 說明：
     • 完整病例刪除法 (Complete Case Analysis / Listwise Deletion)： 僅使用所有變數皆完整的個案進行分析。
     • 可忽略性刪除法 (Pairwise Deletion)： 在計算相關係數或協方差矩陣時，針對每一對變數，使用所有包含該兩變數的個案。
   • 對研究結果的影響：
     • 完整病例刪除法：
       • 優點： 概念簡單，若資料缺失是完全隨機（MCAR, Missing Completely At Random），則不會產生偏差，且分析結果有效。
       • 缺點： 會顯著減少樣本數，尤其當缺失比例較高時，可能導致統計檢定力下降（power loss），增加第二類錯誤（Type II error）的機率。若資料缺失並非完全隨機，則可能產生估計偏差。
     • 可忽略性刪除法：
       • 優點： 比完整病例刪除法保留較多樣本，可提高統計檢定力。
       • 缺點： 若資料缺失並非完全隨機，可能導致計算出的相關係數或協方差矩陣產生偏差，進而影響後續的統計推論。此外，不同分析步驟可能基於不同的樣本數，使得結果難以解釋。

本題主要在探討流行病學研究中常見的資料缺失問題，以及處理資料缺失的策略與其對研究結果的影響。

核心觀念： 資料缺失處理方法、對研究偏差的影響。

詳解：

資料缺失（missing data）在流行病學研究中非常普遍，若未妥善處理，可能導致估計偏差（bias）或效率降低。以下列舉兩種常見的處理方法及其影響：

1. 方法一：刪除法 (Deletion Methods)
   • 說明：
     • 完整病例刪除法 (Complete Case Analysis / Listwise Deletion)： 僅使用所有變數皆完整的個案進行分析。
     • 可忽略性刪除法 (Pairwise Deletion)： 在計算相關係數或協方差矩陣時，針對每一對變數，使用所有包含該兩變數的個案。
   • 對研究結果的影響：
     • 完整病例刪除法：
       • 優點： 概念簡單，若資料缺失是完全隨機（MCAR, Missing Completely At Random），則不會產生偏差，且分析結果有效。
       • 缺點： 會顯著減少樣本數，尤其當缺失比例較高時，可能導致統計檢定力下降（power loss），增加第二類錯誤（Type II error）的機率。若資料缺失並非完全隨機，則可能產生估計偏差。
     • 可忽略性刪除法：
       • 優點： 比完整病例刪除法保留較多樣本，可提高統計檢定力。
       • 缺點： 若資料缺失並非完全隨機，可能導致計算出的相關係數或協方差矩陣產生偏差，進而影響後續的統計推論。此外，不同分析步驟可能基於不同的樣本數，使得結果難以解釋。

本題旨在釐清流行病學研究中兩個核心的評價指標：內部效度與外部效度，並探討其相對重要性。

核心觀念： 內部效度、外部效度、研究設計的評價。

詳解：

1. 內部效度 (Internal Validity)

   • 意義： 指的是研究結果能夠多大程度地真實反映研究對象（如特定族群）的真實情況，即研究設計是否能有效地排除其他可能解釋結果的混淆因子（confounding factors）、偏差（bias）及隨機變異（random error），從而確定暴露（exposure）與結果（outcome）之間的因果關係。換言之，內部效度關心的是「研究本身的正確性」或「研究者是否從研究對象身上正確地推論出與暴露的關聯」。
   • 重要性： 內部效度是研究的基礎。如果一個研究缺乏內部效度，那麼即使樣本量再大、研究設計再精巧，其得出的結論也可能是有偏差的、不可信的，甚至可能是錯誤的因果關係。缺乏內部效度的研究，其結果無法被科學界信任，更無法作為公共衛生決策的依據。

2. 外部效度 (External Validity)

   • 意義： 指的是研究結果能夠在多大程度上推論（generalize）到研究對象以外的、更廣泛的目標族群（target population）或不同環境。換言之，外部效度關心的是「研究結論的適用性」或「研究結論能否被推廣到其他人群或情境」。這通常與研究對象的代表性（representativeness）、研究條件的模擬性（similarty to real-world conditions）等有關。
   • 重要性： 外部效度決定了研究結果的應用價值。

本題旨在釐清流行病學研究中兩個核心的評價指標：內部效度與外部效度，並探討其相對重要性。

核心觀念： 內部效度、外部效度、研究設計的評價。

詳解：

1. 內部效度 (Internal Validity)

   • 意義： 指的是研究結果能夠多大程度地真實反映研究對象（如特定族群）的真實情況，即研究設計是否能有效地排除其他可能解釋結果的混淆因子（confounding factors）、偏差（bias）及隨機變異（random error），從而確定暴露（exposure）與結果（outcome）之間的因果關係。換言之，內部效度關心的是「研究本身的正確性」或「研究者是否從研究對象身上正確地推論出與暴露的關聯」。
   • 重要性： 內部效度是研究的基礎。如果一個研究缺乏內部效度，那麼即使樣本量再大、研究設計再精巧，其得出的結論也可能是有偏差的、不可信的，甚至可能是錯誤的因果關係。缺乏內部效度的研究，其結果無法被科學界信任，更無法作為公共衛生決策的依據。

2. 外部效度 (External Validity)

   • 意義： 指的是研究結果能夠在多大程度上推論（generalize）到研究對象以外的、更廣泛的目標族群（target population）或不同環境。換言之，外部效度關心的是「研究結論的適用性」或「研究結論能否被推廣到其他人群或情境」。這通常與研究對象的代表性（representativeness）、研究條件的模擬性（similarty to real-world conditions）等有關。
   • 重要性： 外部效度決定了研究結果的應用價值。

本題考驗對診斷試驗評估指標（敏感度、特異度、陽性預測值、陰性預測值）的理解，以及這些指標如何受到疾病盛行率的影響。

核心觀念： 敏感度（Sensitivity）、特異度（Specificity）、陽性預測值（Positive Predictive Value, PPV）、陰性預測值（Negative Predictive Value, NPV）、疾病盛行率（Prevalence）。

詳解：

首先，我們需要定義這些名詞：

• 敏感度 (Sensitivity, Se)： 在所有真正患病者中，檢測結果為陽性的比例。
  $Se = \frac{TP}{TP + FN}$
• 特異度 (Specificity, Sp)： 在所有真正未患病者中，檢測結果為陰性的比例。
  $Sp = \frac{TN}{TN + FP}$
• 陽性預測值 (Positive Predictive Value, PPV)： 在所有檢測結果為陽性者中，真正患病的比例。
  $PPV = \frac{TP}{TP + FP}$
• 陰性預測值 (Negative Predictive Value, NPV)： 在所有檢測結果為陰性者中，真正未患病的比例。
  $NPV = \frac{TN}{FN + TN}$

其中：

• TP (True Positive)：真正陽性
• FN (False Negative)：假陰性
• FP (False Positive)：假陽性
• TN (True Negative)：真正陰性

已知條件：

• 敏感度 (Se) = 50% = 0.5
• 特異度 (Sp) = 90% = 0.9
• 疾病盛行率 (Prevalence, P) = 40% = 0.4

我們假設檢驗總人數為 1000 人，以便計算。

計算各組人數：

• 真正患病者人數 = 1000 * 0.4 = 400 人
• 真正未患病者人數 = 1000 * (1 - 0.4) = 600 人

計算 TP, FN, FP, TN：

• TP (True Positive)： 真正患病者中，檢測為陽性者。
  $TP = 真正患病者人數 \times Se = 400 \times 0.5 = 200$ 人
• FN (False Negative)： 真正患病者中，檢測為陰性者。
  $FN = 真正患病者人數 \times (1 - Se) = 400 \times (1 - 0.5) = 400 \times 0.5 = 200$ 人
• TN (True Negative)： 真正未患病者中，檢測為陰性者。
  $TN = 真正未患病者人數 \times Sp = 600 \times 0.9 = 540$ 人
• FP (False Positive)： 真正未患病者中，檢測為陽性者。
  $FP = 真正未患病者人數 \times (1 - Sp) = 600 \times (1 - 0.9) = 600 \times 0.1 = 60$ 人

驗證：

• 總患病人數 = TP + FN = 200 + 200 = 400 (正確)
• 總未患病人數 = TN + FP = 540 + 60 = 600 (正確)
• 總檢測陽性人數 = TP + FP = 200 + 60 = 260
• 總檢測陰性人數 = FN + TN = 200 + 540 = 740
• 總人數 = 260 + 740 = 1000 (正確)

(a) 計算陰性預測值 (NPV) 和陽性預測值 (PPV)：

• 陰性預測值 (NPV)：
  $NPV = \frac{TN}{FN + TN} = \frac{540}{200 + 540} = \frac{540}{740} \approx 0.7297$
  NPV 約為 73.0%

• 陽性預測值 (PPV)：
  $PPV = \frac{TP}{TP + FP} = \frac{200}{200 + 60} = \frac{200}{260} \approx 0.7692$
  PPV 約為 76.9%

本題考驗對診斷試驗評估指標（敏感度、特異度、陽性預測值、陰性預測值）的理解，以及這些指標如何受到疾病盛行率的影響。

核心觀念： 敏感度（Sensitivity）、特異度（Specificity）、陽性預測值（Positive Predictive Value, PPV）、陰性預測值（Negative Predictive Value, NPV）、疾病盛行率（Prevalence）。

詳解：

首先，我們需要定義這些名詞：

• 敏感度 (Sensitivity, Se)： 在所有真正患病者中，檢測結果為陽性的比例。
  $Se = \frac{TP}{TP + FN}$
• 特異度 (Specificity, Sp)： 在所有真正未患病者中，檢測結果為陰性的比例。
  $Sp = \frac{TN}{TN + FP}$
• 陽性預測值 (Positive Predictive Value, PPV)： 在所有檢測結果為陽性者中，真正患病的比例。
  $PPV = \frac{TP}{TP + FP}$
• 陰性預測值 (Negative Predictive Value, NPV)： 在所有檢測結果為陰性者中，真正未患病的比例。
  $NPV = \frac{TN}{FN + TN}$

其中：

• TP (True Positive)：真正陽性
• FN (False Negative)：假陰性
• FP (False Positive)：假陽性
• TN (True Negative)：真正陰性

已知條件：

• 敏感度 (Se) = 50% = 0.5
• 特異度 (Sp) = 90% = 0.9
• 疾病盛行率 (Prevalence, P) = 40% = 0.4

我們假設檢驗總人數為 1000 人，以便計算。

計算各組人數：

• 真正患病者人數 = 1000 * 0.4 = 400 人
• 真正未患病者人數 = 1000 * (1 - 0.4) = 600 人

計算 TP, FN, FP, TN：

• TP (True Positive)： 真正患病者中，檢測為陽性者。
  $TP = 真正患病者人數 \times Se = 400 \times 0.5 = 200$ 人
• FN (False Negative)： 真正患病者中，檢測為陰性者。
  $FN = 真正患病者人數 \times (1 - Se) = 400 \times (1 - 0.5) = 400 \times 0.5 = 200$ 人
• TN (True Negative)： 真正未患病者中，檢測為陰性者。
  $TN = 真正未患病者人數 \times Sp = 600 \times 0.9 = 540$ 人
• FP (False Positive)： 真正未患病者中，檢測為陽性者。
  $FP = 真正未患病者人數 \times (1 - Sp) = 600 \times (1 - 0.9) = 600 \times 0.1 = 60$ 人

驗證：

• 總患病人數 = TP + FN = 200 + 200 = 400 (正確)
• 總未患病人數 = TN + FP = 540 + 60 = 600 (正確)
• 總檢測陽性人數 = TP + FP = 200 + 60 = 260
• 總檢測陰性人數 = FN + TN = 200 + 540 = 740
• 總人數 = 260 + 740 = 1000 (正確)

(a) 計算陰性預測值 (NPV) 和陽性預測值 (PPV)：

• 陰性預測值 (NPV)：
  $NPV = \frac{TN}{FN + TN} = \frac{540}{200 + 540} = \frac{540}{740} \approx 0.7297$
  NPV 約為 73.0%

• 陽性預測值 (PPV)：
  $PPV = \frac{TP}{TP + FP} = \frac{200}{200 + 60} = \frac{200}{260} \approx 0.7692$
  PPV 約為 76.9%

本題旨在考驗學生對研究設計的選擇，特別是針對「找出高危險群以進行昂貴篩檢」這個目的。這需要結合研究設計的特性、資料蒐集方法、危險性指標的選擇，以及其與研究目的的契合度。

核心觀念： 研究設計（世代研究 vs. 病例對照研究）、危險性指標（相對危險度、勝算比）、篩檢策略。

詳解：

研究目的： 找出罹患某種癌症的高危險群，以便進行昂貴的癌症篩檢。

研究設計選擇：
我會選擇 世代研究 (Cohort Study)，特別是 前瞻性世代研究 (Prospective Cohort Study)。

選擇理由：

1. 確定暴露與結果的時間順序： 世代研究能夠先確定暴露（危險因子），然後追蹤一段時間，觀察疾病（癌症）的發生。這對於確定暴露與疾病之間的因果關係至關重要，尤其是在探討「危險因子」時。
2. 計算發生率和相對危險度 (Relative Risk, RR)： 前瞻性世代研究可以直接計算暴露組和非暴露組的疾病發生率，進而計算出 RR。RR 是衡量暴露對疾病風險影響的直接指標，能明確指出暴露組相較於非暴露組，其罹患癌症的風險有多高，這對於識別「高危險群」非常關鍵。
3. 減少回溯偏差 (Recall Bias)： 相較於回溯性研究（如病例對照研究），前瞻性研究在蒐集暴露資料時，受試者回憶過去經歷的偏差較小，因此能更準確地評估危險因子。
4. 研究昂貴篩檢的適用性： 找出高危險群的目的是為了讓他們接受昂貴的篩檢。世代研究能夠系統性地評估不同暴露水平（危險程度）的個體，並預測其未來的罹病風險，這正是篩檢策略所需要的。

資料蒐集方法：

1. 定義與招募研究對象：
   • 首先，需要明確定義研究的目標族群（例如：某地區、特定年齡層、特定職業的健康人群）。
   • 然後，招募一個足夠大的、無癌症的基線樣本。
   • 重要： 招募時需確保樣本能涵蓋潛在的危險因子暴露情況，例如，若懷疑某種生活習慣（如吸煙、飲食習慣）或環境因素（如職業暴露）是危險因子，則需確保樣本中有不同程度暴露的人群。
2. 基線資料蒐集 (Baseline Data Collection)：
   • 詳細的暴露評估： 針對懷疑與癌症相關的危險因子，進行詳細、標準化的問卷調查或訪談。例如：
     • 生活習慣： 吸煙史（時長、每日吸量）、飲酒習慣、飲食習慣（蔬果攝取量、紅肉攝取量等）、運動習慣。
     • 職業暴露： 工作內容、接觸化學物質、放射線暴露史。
     • 家族史： 一等親（父母、兄弟姊妹、子女）罹患該癌症的病史。
     • 個人病史： 既往的某些疾病（如慢性發炎疾病）或治療史。
     • 其他： 年齡、性別、教育程度、社會經濟地位等潛在混淆因子。
   • 生理指標測量： 根據研究對象的具體情況，可能需要測量一些生理指標，例如身高、體重（計算 BMI）、血壓等。
3. 追蹤與結果評估 (Follow-up and Outcome Assessment)：
   • 定期追蹤： 在研究開始後，定期（例如每年或每兩年）透過問卷、電話訪談、電子病歷查詢或直接聯繫等方式，追蹤研究對象的健康狀況。
   • 疾病確認： 對於懷疑罹患癌症的研究對象，需要透過標準化的方法進行確認，例如：

本題旨在考驗學生對研究設計的選擇，特別是針對「找出高危險群以進行昂貴篩檢」這個目的。這需要結合研究設計的特性、資料蒐集方法、危險性指標的選擇，以及其與研究目的的契合度。

核心觀念： 研究設計（世代研究 vs. 病例對照研究）、危險性指標（相對危險度、勝算比）、篩檢策略。

詳解：

研究目的： 找出罹患某種癌症的高危險群，以便進行昂貴的癌症篩檢。

研究設計選擇：
我會選擇 世代研究 (Cohort Study)，特別是 前瞻性世代研究 (Prospective Cohort Study)。

選擇理由：

1. 確定暴露與結果的時間順序： 世代研究能夠先確定暴露（危險因子），然後追蹤一段時間，觀察疾病（癌症）的發生。這對於確定暴露與疾病之間的因果關係至關重要，尤其是在探討「危險因子」時。
2. 計算發生率和相對危險度 (Relative Risk, RR)： 前瞻性世代研究可以直接計算暴露組和非暴露組的疾病發生率，進而計算出 RR。RR 是衡量暴露對疾病風險影響的直接指標，能明確指出暴露組相較於非暴露組，其罹患癌症的風險有多高，這對於識別「高危險群」非常關鍵。
3. 減少回溯偏差 (Recall Bias)： 相較於回溯性研究（如病例對照研究），前瞻性研究在蒐集暴露資料時，受試者回憶過去經歷的偏差較小，因此能更準確地評估危險因子。
4. 研究昂貴篩檢的適用性： 找出高危險群的目的是為了讓他們接受昂貴的篩檢。世代研究能夠系統性地評估不同暴露水平（危險程度）的個體，並預測其未來的罹病風險，這正是篩檢策略所需要的。

資料蒐集方法：

1. 定義與招募研究對象：
   • 首先，需要明確定義研究的目標族群（例如：某地區、特定年齡層、特定職業的健康人群）。
   • 然後，招募一個足夠大的、無癌症的基線樣本。
   • 重要： 招募時需確保樣本能涵蓋潛在的危險因子暴露情況，例如，若懷疑某種生活習慣（如吸煙、飲食習慣）或環境因素（如職業暴露）是危險因子，則需確保樣本中有不同程度暴露的人群。
2. 基線資料蒐集 (Baseline Data Collection)：
   • 詳細的暴露評估： 針對懷疑與癌症相關的危險因子，進行詳細、標準化的問卷調查或訪談。例如：
     • 生活習慣： 吸煙史（時長、每日吸量）、飲酒習慣、飲食習慣（蔬果攝取量、紅肉攝取量等）、運動習慣。
     • 職業暴露： 工作內容、接觸化學物質、放射線暴露史。
     • 家族史： 一等親（父母、兄弟姊妹、子女）罹患該癌症的病史。
     • 個人病史： 既往的某些疾病（如慢性發炎疾病）或治療史。
     • 其他： 年齡、性別、教育程度、社會經濟地位等潛在混淆因子。
   • 生理指標測量： 根據研究對象的具體情況，可能需要測量一些生理指標，例如身高、體重（計算 BMI）、血壓等。
3. 追蹤與結果評估 (Follow-up and Outcome Assessment)：
   • 定期追蹤： 在研究開始後，定期（例如每年或每兩年）透過問卷、電話訪談、電子病歷查詢或直接聯繫等方式，追蹤研究對象的健康狀況。
   • 疾病確認： 對於懷疑罹患癌症的研究對象，需要透過標準化的方法進行確認，例如：

本題是一個綜合性的流行病學研究設計與分析問題，結合了睡眠呼吸中止、憂鬱、失眠、自殺風險等幾個變項。第一部分要求設計一個研究來探討睡眠呼吸中止與自殺風險的關聯；第二部分則是在此基礎上，探討憂鬱和失眠作為潛在的影響因子。

核心觀念： 研究設計（世代研究、病例對照研究）、測量方法、統計分析（迴歸模型、中介分析、調節分析）、混淆因子控制、偏差。

詳解：

研究背景： 幼童睡眠呼吸中止 (Sleep Apnea, SA) → 影響睡眠品質 → 可能導致憂鬱 (Depression) → 增加自殺風險 (Suicide Risk)。研究者欲探討 SA 是否增加自殺風險。

(a) 研究設計、樣本選擇、測量、統計分析 (14分)

1. 研究目的：
探討幼童睡眠呼吸中止 (SA) 與自殺風險 (Suicide Risk, SR) 之間是否存在關聯，並評估此關聯的強度。

2. 研究設計：
我會選擇 世代研究 (Cohort Study)，具體來說是 前瞻性世代研究 (Prospective Cohort Study)。

選擇理由：

• 時間順序： SA 是潛在的暴露（原因），SR 是結果（疾病）。前瞻性研究能先確定 SA 的存在，然後追蹤觀察 SR 的發生，確保時間順序正確，有利於推斷因果關係。
• 計算發生率與相對危險度 (RR)： 可以直接計算有 SA 的幼童群體和無 SA 的幼童群體的 SR 發生率，進而計算 RR，直接評估 SA 對 SR 風險的影響。
• 減少回溯偏差 (Recall Bias)： 相較於回溯性研究，前瞻性研究在評估 SA 時（例如透過睡眠檢查），偏差較小。
• 評估風險： 這是研究「是否增加風險」的最佳設計之一。

備選設計：

• 病例對照研究 (Case-Control Study)： 雖然可以較快地識別出有 SR 的兒童（病例）和無 SR 的兒童（對照），並回溯調查 SA 的情況，但容易受到回溯偏差（家長回憶 SA 的準確性）和選擇偏差的影響。
• 橫斷面研究 (Cross-Sectional Study)： 只能同時測量 SA 和 SR，無法確定時間順序，無法推斷因果關係，僅能描述關聯性。

3. 樣本選擇 (Sample Selection)：

• 目標族群： 某地區的學齡期幼童（例如 6-12 歲）。
• 抽樣方法：
  • 多階段叢集抽樣 (Multi-stage Cluster Sampling)：
    • 第一階段：從目標地區隨機抽取若干學校。
    • 第二階段：從選定的學校中，隨機抽取若干班級。
    • 第三階段：邀請該班級的所有學生及其家長參與研究，並取得知情同意。
• 納入/排除標準：
  • 納入標準： 年齡範圍內、家長同意參與、能夠完成所需評估。
  • 排除標準： 已確診患有嚴重精神疾病、曾有自殺行為史（這部分可能需謹慎處理，視研究倫理要求，或將其作為基線變項進行控制）、無法進行必要評估者。
• 樣本量估計： 需根據預期 SA 的盛行率、SR 的發生率、預期的 RR 值、統計顯著性水平（α）和檢定力（1-β）來計算所需的樣本量，以確保研究有足夠的統計效力來檢測到預期的關聯。

4. 測量 (Measurement)：

• 睡眠呼吸中止 (SA)：
  • 黃金標準： 進行「多項生理睡眠檢查」(Polysomnography, PSG)。PSG 能精確測量睡眠階段、呼吸暫停指數 (Apnea-Hypopnea Index, AHI)、血氧飽和度等，以診斷 SA 的嚴重程度（輕度、中度、重度）。
  • 篩檢工具： 可考慮使用家長填寫的睡眠問卷（如多項睡眠呼吸中止問卷, NoSAS score），用於初步篩選高風險者，再邀請其接受 PSG。
• 自殺風險 (SR)：
  • 定義： 自殺風險是一個多面向的概念，包括自殺意念 (suicidal ideation)、自殺計畫 (suicidal plan) 和自殺嘗試 (suicidal attempt)。
  • 測量工具：
    • 結構式訪談： 由受過訓練的研究人員，根據標準化的訪談手冊（如 Child and Adolescent Suicide Assessment Scale, CASAS；Columbia-Suicide Severity Rating Scale, C-SSRS for Children and Adolescents）對兒童進行訪談，並詢問家長相關情況。
    • 家長/教師問卷： 評估兒童的行為改變、情緒問題、社交互動等，可能間接反映自殺風險。
  • 時間點： 在基線時評估，並在追蹤過程中定期重複評估，以捕捉風險的變化。
• 潛在的混淆因子與中介變項：
  • 憂鬱 (Depression)： 使用標準化的兒童憂鬱量表（如 Children's Depression Inventory, CDI；Beck Depression Inventory-Youth, BDI-Y）由兒童填寫，或家長/教師填寫的評估表。
  • 失眠 (Insomnia)： 使用兒童失眠量表（如 Children's Sleep Habits Questionnaire, CSHQ；Insomnia Severity Index, ISI）由家長或兒童填寫。
  • 其他混淆因子： 社會經濟地位 (SES)、家庭功能、父母精神健康狀況、學業壓力、同儕關係、童年逆境經驗 (ACEs) 等，可透過問卷蒐集。
• 測量時間點：
  • 基線 (Baseline)： 招募時，進行 SA 評估（PSG 或篩檢問卷），同時蒐集所有混淆因子、憂鬱、失眠及基線自殺風險的資料。
  • 追蹤 (Follow-up)： 定期（例如每 6 個月或 1 年）追蹤，重複評估自殺風險、憂鬱、失眠等情況。

5. 統計分析 (Statistical Analysis)：

• 描述性統計： 描述樣本的基本特徵，包括 SA 的盛行率，以及 SA 組與非 SA 組在憂鬱、失眠、自殺風險及其他混淆因子上的基線差異。
• 單變量分析：
  • 使用卡方檢定 (Chi-squared test) 或 t 檢定 (t-test) 比較 SA 組與非 SA 組在自殺風險發生上的差異。
  • 計算 SA 與自殺風險之間的粗略勝算比 (Crude Odds Ratio) 或相對危險度 (Crude Relative Risk)。

本題是一個綜合性的流行病學研究設計與分析問題，結合了睡眠呼吸中止、憂鬱、失眠、自殺風險等幾個變項。第一部分要求設計一個研究來探討睡眠呼吸中止與自殺風險的關聯；第二部分則是在此基礎上，探討憂鬱和失眠作為潛在的影響因子。

核心觀念： 研究設計（世代研究、病例對照研究）、測量方法、統計分析（迴歸模型、中介分析、調節分析）、混淆因子控制、偏差。

詳解：

研究背景： 幼童睡眠呼吸中止 (Sleep Apnea, SA) → 影響睡眠品質 → 可能導致憂鬱 (Depression) → 增加自殺風險 (Suicide Risk)。研究者欲探討 SA 是否增加自殺風險。

(a) 研究設計、樣本選擇、測量、統計分析 (14分)

1. 研究目的：
探討幼童睡眠呼吸中止 (SA) 與自殺風險 (Suicide Risk, SR) 之間是否存在關聯，並評估此關聯的強度。

2. 研究設計：
我會選擇 世代研究 (Cohort Study)，具體來說是 前瞻性世代研究 (Prospective Cohort Study)。

選擇理由：

• 時間順序： SA 是潛在的暴露（原因），SR 是結果（疾病）。前瞻性研究能先確定 SA 的存在，然後追蹤觀察 SR 的發生，確保時間順序正確，有利於推斷因果關係。
• 計算發生率與相對危險度 (RR)： 可以直接計算有 SA 的幼童群體和無 SA 的幼童群體的 SR 發生率，進而計算 RR，直接評估 SA 對 SR 風險的影響。
• 減少回溯偏差 (Recall Bias)： 相較於回溯性研究，前瞻性研究在評估 SA 時（例如透過睡眠檢查），偏差較小。
• 評估風險： 這是研究「是否增加風險」的最佳設計之一。

備選設計：

• 病例對照研究 (Case-Control Study)： 雖然可以較快地識別出有 SR 的兒童（病例）和無 SR 的兒童（對照），並回溯調查 SA 的情況，但容易受到回溯偏差（家長回憶 SA 的準確性）和選擇偏差的影響。
• 橫斷面研究 (Cross-Sectional Study)： 只能同時測量 SA 和 SR，無法確定時間順序，無法推斷因果關係，僅能描述關聯性。

3. 樣本選擇 (Sample Selection)：

• 目標族群： 某地區的學齡期幼童（例如 6-12 歲）。
• 抽樣方法：
  • 多階段叢集抽樣 (Multi-stage Cluster Sampling)：
    • 第一階段：從目標地區隨機抽取若干學校。
    • 第二階段：從選定的學校中，隨機抽取若干班級。
    • 第三階段：邀請該班級的所有學生及其家長參與研究，並取得知情同意。
• 納入/排除標準：
  • 納入標準： 年齡範圍內、家長同意參與、能夠完成所需評估。
  • 排除標準： 已確診患有嚴重精神疾病、曾有自殺行為史（這部分可能需謹慎處理，視研究倫理要求，或將其作為基線變項進行控制）、無法進行必要評估者。
• 樣本量估計： 需根據預期 SA 的盛行率、SR 的發生率、預期的 RR 值、統計顯著性水平（α）和檢定力（1-β）來計算所需的樣本量，以確保研究有足夠的統計效力來檢測到預期的關聯。

4. 測量 (Measurement)：

• 睡眠呼吸中止 (SA)：
  • 黃金標準： 進行「多項生理睡眠檢查」(Polysomnography, PSG)。PSG 能精確測量睡眠階段、呼吸暫停指數 (Apnea-Hypopnea Index, AHI)、血氧飽和度等，以診斷 SA 的嚴重程度（輕度、中度、重度）。
  • 篩檢工具： 可考慮使用家長填寫的睡眠問卷（如多項睡眠呼吸中止問卷, NoSAS score），用於初步篩選高風險者，再邀請其接受 PSG。
• 自殺風險 (SR)：
  • 定義： 自殺風險是一個多面向的概念，包括自殺意念 (suicidal ideation)、自殺計畫 (suicidal plan) 和自殺嘗試 (suicidal attempt)。
  • 測量工具：
    • 結構式訪談： 由受過訓練的研究人員，根據標準化的訪談手冊（如 Child and Adolescent Suicide Assessment Scale, CASAS；Columbia-Suicide Severity Rating Scale, C-SSRS for Children and Adolescents）對兒童進行訪談，並詢問家長相關情況。
    • 家長/教師問卷： 評估兒童的行為改變、情緒問題、社交互動等，可能間接反映自殺風險。
  • 時間點： 在基線時評估，並在追蹤過程中定期重複評估，以捕捉風險的變化。
• 潛在的混淆因子與中介變項：
  • 憂鬱 (Depression)： 使用標準化的兒童憂鬱量表（如 Children's Depression Inventory, CDI；Beck Depression Inventory-Youth, BDI-Y）由兒童填寫，或家長/教師填寫的評估表。
  • 失眠 (Insomnia)： 使用兒童失眠量表（如 Children's Sleep Habits Questionnaire, CSHQ；Insomnia Severity Index, ISI）由家長或兒童填寫。
  • 其他混淆因子： 社會經濟地位 (SES)、家庭功能、父母精神健康狀況、學業壓力、同儕關係、童年逆境經驗 (ACEs) 等，可透過問卷蒐集。
• 測量時間點：
  • 基線 (Baseline)： 招募時，進行 SA 評估（PSG 或篩檢問卷），同時蒐集所有混淆因子、憂鬱、失眠及基線自殺風險的資料。
  • 追蹤 (Follow-up)： 定期（例如每 6 個月或 1 年）追蹤，重複評估自殺風險、憂鬱、失眠等情況。

5. 統計分析 (Statistical Analysis)：

• 描述性統計： 描述樣本的基本特徵，包括 SA 的盛行率，以及 SA 組與非 SA 組在憂鬱、失眠、自殺風險及其他混淆因子上的基線差異。
• 單變量分析：
  • 使用卡方檢定 (Chi-squared test) 或 t 檢定 (t-test) 比較 SA 組與非 SA 組在自殺風險發生上的差異。
  • 計算 SA 與自殺風險之間的粗略勝算比 (Crude Odds Ratio) 或相對危險度 (Crude Relative Risk)。

本題為名詞解釋題，主要考驗考生對傳染病防治領域中幾個重要術語的理解與掌握程度。

核心觀念： 傳染病預防策略、疾病定義。

詳解：

(a) HIV treatment as prevention (TasP)

• 定義： HIV treatment as prevention (TasP) 是一種 HIV 感染的預防策略，其核心理念是「透過有效的抗反轉錄病毒治療 (Antiretroviral Therapy, ART) 來預防 HIV 的傳播」。
• 機制： 當 HIV 感染者持續接受 ART 並達到病毒量極低（undetectable viral load, 通常指每毫升血液中病毒 RNA 少於 20-50 copies）時，他們通過性行為傳播 HIV 的風險幾乎為零。
• 重要性： TasP 是 HIV 防治策略中的一個重要里程碑，它不僅能改善感染者的健康和延長壽命，還能顯著降低 HIV 的社區傳播率。這也催生了「U=U」的口號（Undetectable = Untransmittable）。
• 應用： 對於已確診的 HIV 感染者，一旦開始 ART，並達到病毒抑制，他們就可以被視為不再具有傳播性。

(b) HIV pre-exposure prophylaxis (PrEP)

• 定義： HIV pre-exposure prophylaxis (PrEP) 是一種 HIV 預防措施，指的是在可能暴露於 HIV 病毒之前，就開始服用抗反轉錄病毒藥物，以降低感染 HIV 的風險。
• 機制： PrEP 藥物（通常是兩種抗病毒藥物的複方，如emtricitabine/tenofovir disoproxil fumarate 或 emtricitabine/tenofovir alafenamide）可以阻止 HIV 病毒在人體內建立感染。當病毒進入人體後，PrEP 藥物會抑制病毒的複製，使其無法在 CD4 淋巴細胞中穩定建立感染。
• 適用對象： 主要推薦給 HIV 陰性但具有較高感染風險的個體，例如：
  • 與 HIV 陽性伴侶有性行為者。
  • 安全性行為頻率不高（如不使用保險套）且有多個性伴侶者。
  • 共用針具的注射藥物使用者。
• 重要性： PrEP 是繼保險套之後，另一種非常有效的 HIV 預防工具，特別是在難以堅持使用保險套或風險較高的群體中。
• 使用方式： 可以是每日服用 (daily PrEP)，也可以是按需服用 (on-demand PrEP, 僅適用於特定高風險情境，且需嚴格遵照醫囑)。

(c) Latent tuberculosis infection (LTBI)

• 定義： Latent tuberculosis infection (LTBI) 指的是一個人感染了結核分枝桿菌 (Mycobacterium tuberculosis, MTB)，但體內存在免疫反應，能夠控制住細菌，使其處於「潛伏」狀態。
• 特點：
  • 無症狀： LTBI 的人通常沒有結核病的臨床症狀，肺部 X 光檢查通常正常。

本題為名詞解釋題，主要考驗考生對傳染病防治領域中幾個重要術語的理解與掌握程度。

核心觀念： 傳染病預防策略、疾病定義。

詳解：

(a) HIV treatment as prevention (TasP)

• 定義： HIV treatment as prevention (TasP) 是一種 HIV 感染的預防策略，其核心理念是「透過有效的抗反轉錄病毒治療 (Antiretroviral Therapy, ART) 來預防 HIV 的傳播」。
• 機制： 當 HIV 感染者持續接受 ART 並達到病毒量極低（undetectable viral load, 通常指每毫升血液中病毒 RNA 少於 20-50 copies）時，他們通過性行為傳播 HIV 的風險幾乎為零。
• 重要性： TasP 是 HIV 防治策略中的一個重要里程碑，它不僅能改善感染者的健康和延長壽命，還能顯著降低 HIV 的社區傳播率。這也催生了「U=U」的口號（Undetectable = Untransmittable）。
• 應用： 對於已確診的 HIV 感染者，一旦開始 ART，並達到病毒抑制，他們就可以被視為不再具有傳播性。

(b) HIV pre-exposure prophylaxis (PrEP)

• 定義： HIV pre-exposure prophylaxis (PrEP) 是一種 HIV 預防措施，指的是在可能暴露於 HIV 病毒之前，就開始服用抗反轉錄病毒藥物，以降低感染 HIV 的風險。
• 機制： PrEP 藥物（通常是兩種抗病毒藥物的複方，如emtricitabine/tenofovir disoproxil fumarate 或 emtricitabine/tenofovir alafenamide）可以阻止 HIV 病毒在人體內建立感染。當病毒進入人體後，PrEP 藥物會抑制病毒的複製，使其無法在 CD4 淋巴細胞中穩定建立感染。
• 適用對象： 主要推薦給 HIV 陰性但具有較高感染風險的個體，例如：
  • 與 HIV 陽性伴侶有性行為者。
  • 安全性行為頻率不高（如不使用保險套）且有多個性伴侶者。
  • 共用針具的注射藥物使用者。
• 重要性： PrEP 是繼保險套之後，另一種非常有效的 HIV 預防工具，特別是在難以堅持使用保險套或風險較高的群體中。
• 使用方式： 可以是每日服用 (daily PrEP)，也可以是按需服用 (on-demand PrEP, 僅適用於特定高風險情境，且需嚴格遵照醫囑)。

(c) Latent tuberculosis infection (LTBI)

• 定義： Latent tuberculosis infection (LTBI) 指的是一個人感染了結核分枝桿菌 (Mycobacterium tuberculosis, MTB)，但體內存在免疫反應，能夠控制住細菌，使其處於「潛伏」狀態。
• 特點：
  • 無症狀： LTBI 的人通常沒有結核病的臨床症狀，肺部 X 光檢查通常正常。

核心觀念

本題考查盛行率、勝算（odds）、勝算比（odds ratio）及穩定族群下盛行率與發生率的關係。

設族群中：

• 有病人數為 $D$
• 無病人數為 $N$
• 總人數為 $D+N$
• 盛行率為 $P=\dfrac{D}{D+N}$

則盛行率勝算為：

$$\frac{P}{1-P} = \frac{D/(D+N)}{N/(D+N)} = \frac{D}{N}$$

也就是「有病人數除以沒病人數」。

---

解題方法

逐一檢查各選項的定義與公式，特別注意：

1. 盛行率是比例，因此沒有單位。
2. 終生盛行率與某一期間的期盛行率相比，通常前者較高或至少不低於後者。
3. 勝算比是兩個勝算的比值。
4. 族群整體勝算不等於個人勝算的算術平均。
5. 穩定族群下有近似關係：

$$\text{盛行率勝算} = \text{發生率} \times \text{平均疾病期程}$$

---

選項分析

(A) 終生盛行率其值無單位。

正確。

終生盛行率是曾經罹患某疾病的人數除以觀察族群人數：

$$\text{Lifetime prevalence} = \frac{\text{一生中曾罹病人數}}{\text{觀察族群人數}}$$

分子與分母皆為人數，單位相消，因此是無單位的比例，可表示成小數或百分比。

---

(B) 疾病之終生盛行率高於該疾病之期盛行率。

在本題通常的比較情境下正確。

終生盛行率表示「截至目前，一生中曾經罹患該疾病的比例」；期盛行率則表示「在特定期間內曾患病的比例」。只要該特定期間短於整個生命期間，終生盛行率通常會高於期盛行率，因為終生盛行率涵蓋的時間範圍更廣。

嚴格而言，兩者的關係應表達為：

$$\text{終生盛行率} \geq \text{特定期間的期盛行率}$$

考試通常將「高於」理解為一般短期期間的比較，故此選項不是錯誤選項。

---

(C) 勝算比是兩個勝算的比值。

正確。

個體罹病的勝算為：

$$\text{odds} = \frac{P(\text{罹病})}{P(\text{未罹病})} = \frac{P}{1-P}$$

勝算比則是兩組勝算的比值。例如暴露組與未暴露組的勝算比為：

$$OR = \frac{\text{暴露組罹病勝算}} {\text{未暴露組罹病勝算}}$$

因此本選項符合勝算比的定義。

---

(D) 一個族群得病的勝算等於族群中每個人得病勝算的平均。

錯誤，為本題答案。

核心觀念

本題考查盛行率、勝算（odds）、勝算比（odds ratio）及穩定族群下盛行率與發生率的關係。

設族群中：

• 有病人數為 $D$
• 無病人數為 $N$
• 總人數為 $D+N$
• 盛行率為 $P=\dfrac{D}{D+N}$

則盛行率勝算為：

$$\frac{P}{1-P} = \frac{D/(D+N)}{N/(D+N)} = \frac{D}{N}$$

也就是「有病人數除以沒病人數」。

---

解題方法

逐一檢查各選項的定義與公式，特別注意：

1. 盛行率是比例，因此沒有單位。
2. 終生盛行率與某一期間的期盛行率相比，通常前者較高或至少不低於後者。
3. 勝算比是兩個勝算的比值。
4. 族群整體勝算不等於個人勝算的算術平均。
5. 穩定族群下有近似關係：

$$\text{盛行率勝算} = \text{發生率} \times \text{平均疾病期程}$$

---

選項分析

(A) 終生盛行率其值無單位。

正確。

終生盛行率是曾經罹患某疾病的人數除以觀察族群人數：

$$\text{Lifetime prevalence} = \frac{\text{一生中曾罹病人數}}{\text{觀察族群人數}}$$

分子與分母皆為人數，單位相消，因此是無單位的比例，可表示成小數或百分比。

---

(B) 疾病之終生盛行率高於該疾病之期盛行率。

在本題通常的比較情境下正確。

終生盛行率表示「截至目前，一生中曾經罹患該疾病的比例」；期盛行率則表示「在特定期間內曾患病的比例」。只要該特定期間短於整個生命期間，終生盛行率通常會高於期盛行率，因為終生盛行率涵蓋的時間範圍更廣。

嚴格而言，兩者的關係應表達為：

$$\text{終生盛行率} \geq \text{特定期間的期盛行率}$$

考試通常將「高於」理解為一般短期期間的比較，故此選項不是錯誤選項。

---

(C) 勝算比是兩個勝算的比值。

正確。

個體罹病的勝算為：

$$\text{odds} = \frac{P(\text{罹病})}{P(\text{未罹病})} = \frac{P}{1-P}$$

勝算比則是兩組勝算的比值。例如暴露組與未暴露組的勝算比為：

$$OR = \frac{\text{暴露組罹病勝算}} {\text{未暴露組罹病勝算}}$$

因此本選項符合勝算比的定義。

---

(D) 一個族群得病的勝算等於族群中每個人得病勝算的平均。

錯誤，為本題答案。

本題考驗對流行病學研究中幾個重要概念：幹擾作用 (confounding)、中介作用 (mediation) 和交互作用 (interaction) 的理解與區別。

核心觀念： 幹擾作用、中介作用、交互作用、調節作用。

詳解：

我們逐一分析各選項：

(A) 幹擾作用亦稱調節作用 (moderation)。

• 錯誤。 幹擾作用 (confounding) 是指第三個變項 (confounder) 與暴露 (exposure) 和結果 (outcome) 都有關聯，導致暴露與結果之間的關聯性被高估或低估。調節作用 (moderation) 或稱交互作用 (interaction) 則是指第三個變項（調節變項）改變了暴露與結果之間的關係強度或方向。兩者是不同的概念。

(B) 樣本數趨近無限大,幹擾作用趨近零。

• 錯誤。 幹擾作用是由於混淆因子 (confounder) 的存在，它與暴露和結果都相關。即使樣本數趨近無限大，只要混淆因子仍然存在且未被適當處理（如分層分析、迴歸調整），幹擾作用就不會消失。樣本數增加主要能提高統計檢定力，減少隨機變異，但無法消除系統性的偏差（如混淆）。

(C) 未測量因子 (unmeasured factor) 具不可甄別性 (non-identifiability),因而不會造成中介
作用。

• 錯誤。
  • 未測量因子 (Unmeasured Factor)： 指的是在研究中未被測量或納入分析的變項。
  • 不可甄別性 (Non-identifiability)： 這個詞在統計學中通常指模型參數無法唯一確定。但在流行病學語境下，如果指的是「未測量因子」本身無法被識別或量化，則可能難以直接處理。
  • 中介作用 (Mediation)： 中介作用是指暴露 A 通過一個中間變項 M 影響結果 B（A → M → B）。
  • 關係： 一個未測量因子（例如，一個未被識別的生物學機制）完全有可能 充當中介變項，影響暴露與結果之間的關聯。如果我們沒有測量到這個中介變項，我們可能無法完全解釋暴露為何會導致結果。因此，未測量因子 可能 造成中介作用，我們只是無法在研究中直接測量和證明它。
  • 「不可甄別性」在這裡的用法可能有些不清晰，但總體而言，未測量因子 可以 充當中介變項，只是我們無法直接分析它。

(D) 中介作用之效應值介於幹擾作用和交互作用之間。

• 錯誤。 這三個概念的效應值是無法直接比較大小的。
  • 中介作用 (Mediation)： 描述 A 如何通過 M 影響 B (A → M → B)。其效應值是「間接效應」(indirect effect)。
  • 幹擾作用 (Confounding)： 描述混淆因子 C 扭曲了 A 與 B 的關聯。

本題考驗對流行病學研究中幾個重要概念：幹擾作用 (confounding)、中介作用 (mediation) 和交互作用 (interaction) 的理解與區別。

核心觀念： 幹擾作用、中介作用、交互作用、調節作用。

詳解：

我們逐一分析各選項：

(A) 幹擾作用亦稱調節作用 (moderation)。

• 錯誤。 幹擾作用 (confounding) 是指第三個變項 (confounder) 與暴露 (exposure) 和結果 (outcome) 都有關聯，導致暴露與結果之間的關聯性被高估或低估。調節作用 (moderation) 或稱交互作用 (interaction) 則是指第三個變項（調節變項）改變了暴露與結果之間的關係強度或方向。兩者是不同的概念。

(B) 樣本數趨近無限大,幹擾作用趨近零。

• 錯誤。 幹擾作用是由於混淆因子 (confounder) 的存在，它與暴露和結果都相關。即使樣本數趨近無限大，只要混淆因子仍然存在且未被適當處理（如分層分析、迴歸調整），幹擾作用就不會消失。樣本數增加主要能提高統計檢定力，減少隨機變異，但無法消除系統性的偏差（如混淆）。

(C) 未測量因子 (unmeasured factor) 具不可甄別性 (non-identifiability),因而不會造成中介
作用。

• 錯誤。
  • 未測量因子 (Unmeasured Factor)： 指的是在研究中未被測量或納入分析的變項。
  • 不可甄別性 (Non-identifiability)： 這個詞在統計學中通常指模型參數無法唯一確定。但在流行病學語境下，如果指的是「未測量因子」本身無法被識別或量化，則可能難以直接處理。
  • 中介作用 (Mediation)： 中介作用是指暴露 A 通過一個中間變項 M 影響結果 B（A → M → B）。
  • 關係： 一個未測量因子（例如，一個未被識別的生物學機制）完全有可能 充當中介變項，影響暴露與結果之間的關聯。如果我們沒有測量到這個中介變項，我們可能無法完全解釋暴露為何會導致結果。因此，未測量因子 可能 造成中介作用，我們只是無法在研究中直接測量和證明它。
  • 「不可甄別性」在這裡的用法可能有些不清晰，但總體而言，未測量因子 可以 充當中介變項，只是我們無法直接分析它。

(D) 中介作用之效應值介於幹擾作用和交互作用之間。

• 錯誤。 這三個概念的效應值是無法直接比較大小的。
  • 中介作用 (Mediation)： 描述 A 如何通過 M 影響 B (A → M → B)。其效應值是「間接效應」(indirect effect)。
  • 幹擾作用 (Confounding)： 描述混淆因子 C 扭曲了 A 與 B 的關聯。

核心觀念

配對式病例對照研究是在研究設計階段，依年齡、性別等因素，為每一名病例選擇一名或多名具有相同配對條件的對照，以控制這些因素造成的混雜。

配對後，分析時必須保留配對結構，常用方法包括：

• 一對一配對：McNemar 檢定、配對勝算比。
• 一對多配對：條件式邏輯斯迴歸。
• 配對勝算比主要利用同一配對組內，病例與對照暴露狀態不同的資料估計。

配對的主要限制是：配對因子在同一配對組內沒有變異，因此其本身的疾病效應，以及其與其他危險因子的交互作用，無法用一般配對分析直接估計。

---

解題方法

本題逐項判斷配對研究的三個重點：

1. 配對後是否仍須把配對因子當作一般共變項調整。
2. 配對比例是否必須固定。
3. 配對是否必然提高效率，以及是否限制交互作用與族群可歸因比例的估計。

其中最關鍵的判斷是：配對因子在每一個配對組內被固定，因此不能從組內比較中獨立估計其主效應及其交互作用。

---

選項分析

(A) 錯誤。

配對因子已在研究設計階段被控制，分析時應採用符合配對設計的方法，例如條件式邏輯斯迴歸，而不是再把配對因子當作一般未控制的干擾因子重複調整。

換言之，配對後仍須「考慮配對結構」，但不代表必須將已配對因子再以一般共變項方式放入模型中調整。重複調整可能造成過度調整或模型解釋錯誤。

---

(B) 錯誤。

配對比例不必固定為每個病例配對兩名對照。研究可以採用：

• 一對一配對；
• 一對二、一對三等一對多配對；
• 不同病例具有不同數目的對照。

配對比例不固定本身不會產生偏差，只要分析方法正確處理每個配對組的結構即可。

增加對照數通常可提高統計效率，但增加到約 4 名對照後，額外效益會逐漸減少。因此，配對比例是效率與成本的設計考量，不是避免偏差的固定規則。

---

(C) 錯誤。

配對研究的統計效率不會在所有情況下恆大於非配對研究。

核心觀念

配對式病例對照研究是在研究設計階段，依年齡、性別等因素，為每一名病例選擇一名或多名具有相同配對條件的對照，以控制這些因素造成的混雜。

配對後，分析時必須保留配對結構，常用方法包括：

• 一對一配對：McNemar 檢定、配對勝算比。
• 一對多配對：條件式邏輯斯迴歸。
• 配對勝算比主要利用同一配對組內，病例與對照暴露狀態不同的資料估計。

配對的主要限制是：配對因子在同一配對組內沒有變異，因此其本身的疾病效應，以及其與其他危險因子的交互作用，無法用一般配對分析直接估計。

---

解題方法

本題逐項判斷配對研究的三個重點：

1. 配對後是否仍須把配對因子當作一般共變項調整。
2. 配對比例是否必須固定。
3. 配對是否必然提高效率，以及是否限制交互作用與族群可歸因比例的估計。

其中最關鍵的判斷是：配對因子在每一個配對組內被固定，因此不能從組內比較中獨立估計其主效應及其交互作用。

---

選項分析

(A) 錯誤。

配對因子已在研究設計階段被控制，分析時應採用符合配對設計的方法，例如條件式邏輯斯迴歸，而不是再把配對因子當作一般未控制的干擾因子重複調整。

換言之，配對後仍須「考慮配對結構」，但不代表必須將已配對因子再以一般共變項方式放入模型中調整。重複調整可能造成過度調整或模型解釋錯誤。

---

(B) 錯誤。

配對比例不必固定為每個病例配對兩名對照。研究可以採用：

• 一對一配對；
• 一對二、一對三等一對多配對；
• 不同病例具有不同數目的對照。

配對比例不固定本身不會產生偏差，只要分析方法正確處理每個配對組的結構即可。

增加對照數通常可提高統計效率，但增加到約 4 名對照後，額外效益會逐漸減少。因此，配對比例是效率與成本的設計考量，不是避免偏差的固定規則。

---

(C) 錯誤。

配對研究的統計效率不會在所有情況下恆大於非配對研究。

本題考驗對隨機對照研究 (Randomized Controlled Trial, RCT) 的基本原則、設計要求、統計分析及倫理考量的理解。

核心觀念： 隨機對照研究 (RCT)、樣本數計算、型一誤差、隨機抽樣 vs. 隨機分派、統計檢定方法、假說檢定。

詳解：

我們逐一分析各選項：

(A) 研究進行前,應進行樣本數計算,並記載於研究計劃書中。

• 正確。 在 RCT 開始前，進行樣本數計算 (sample size calculation) 是至關重要的步驟。樣本數的計算基於預期的效應量、統計檢定力 (power, 1-β)、顯著性水平 (α，即型一誤差率) 以及變異性等因素。足夠的樣本數能確保研究有足夠的統計檢定力來檢測到預期的臨床差異（如果存在），避免得出假陰性結論（第二類錯誤）。研究計劃書 (protocol) 必須詳細記載樣本數計算的依據和方法，這也是研究可行性和科學嚴謹性的重要體現。

(B) 極大規模的隨機對照研究 (比如樣本數,n>10000),型一誤差率 (type I error rate) 即
趨近零。

• 錯誤。 型一誤差率 (Type I error rate, α) 是指在虛無假說 (null hypothesis, H0) 為真時，錯誤地拒絕虛無假說的機率。它通常由研究者在研究設計階段預先設定，例如 α = 0.05 (5%)。即使樣本數非常大（n>10000），α 的值也不會趨近於零，它仍然是研究者設定的預設值。樣本數的增加主要會提高統計檢定力，使得研究更容易檢測到真實存在的效應（降低第二類錯誤的機率），並使估計值的標準誤 (standard error) 趨近於零，從而使點估計 (point estimate) 更接近真實值。但它不會改變預設的 α 值。

(C) 個案是否納入研究,應採隨機抽樣 (random sampling)。

• 錯誤。 隨機對照研究 (RCT) 的核心是「隨機分派」(randomization)，即將符合條件的受試者隨機分派到不同的干預組（如實驗組和對照組）。

本題考驗對隨機對照研究 (Randomized Controlled Trial, RCT) 的基本原則、設計要求、統計分析及倫理考量的理解。

核心觀念： 隨機對照研究 (RCT)、樣本數計算、型一誤差、隨機抽樣 vs. 隨機分派、統計檢定方法、假說檢定。

詳解：

我們逐一分析各選項：

(A) 研究進行前,應進行樣本數計算,並記載於研究計劃書中。

• 正確。 在 RCT 開始前，進行樣本數計算 (sample size calculation) 是至關重要的步驟。樣本數的計算基於預期的效應量、統計檢定力 (power, 1-β)、顯著性水平 (α，即型一誤差率) 以及變異性等因素。足夠的樣本數能確保研究有足夠的統計檢定力來檢測到預期的臨床差異（如果存在），避免得出假陰性結論（第二類錯誤）。研究計劃書 (protocol) 必須詳細記載樣本數計算的依據和方法，這也是研究可行性和科學嚴謹性的重要體現。

(B) 極大規模的隨機對照研究 (比如樣本數,n>10000),型一誤差率 (type I error rate) 即
趨近零。

• 錯誤。 型一誤差率 (Type I error rate, α) 是指在虛無假說 (null hypothesis, H0) 為真時，錯誤地拒絕虛無假說的機率。它通常由研究者在研究設計階段預先設定，例如 α = 0.05 (5%)。即使樣本數非常大（n>10000），α 的值也不會趨近於零，它仍然是研究者設定的預設值。樣本數的增加主要會提高統計檢定力，使得研究更容易檢測到真實存在的效應（降低第二類錯誤的機率），並使估計值的標準誤 (standard error) 趨近於零，從而使點估計 (point estimate) 更接近真實值。但它不會改變預設的 α 值。

(C) 個案是否納入研究,應採隨機抽樣 (random sampling)。

• 錯誤。 隨機對照研究 (RCT) 的核心是「隨機分派」(randomization)，即將符合條件的受試者隨機分派到不同的干預組（如實驗組和對照組）。