以斯帖統計｜數據星球

11/09/2026

【研究者該怎麼選統計方法？】
#方法學筆記16

拿到資料之後，很多研究者第一個問題是：

「這份資料要用什麼統計方法？」

但選擇統計方法，往往不能只從「資料是連續型還是類別型」開始。

真正需要先確認的是：

我的研究問題是什麼？
結果變項是什麼型態？
資料具有什麼樣的結構？
我要回答的是比較、關聯、推論、預測，還是分類？

例如，同樣是醫療研究資料：

住院「有沒有發生」，可能是二元結果；
住院「發生幾次」，則是計數資料；
研究「多久後第一次住院」，又成為時間至事件資料。

即使研究的是同一件事情，研究問題不同，資料結構與分析架構也可能完全不同。

因此，選擇統計方法時，比起先問：

「我要用哪一個統計方法？」

更重要的可能是先把順序放對：

研究問題 → 研究設計 → 資料特性 → 選擇方法 → 結果解讀

我們將生物醫學研究中常見的分析情境重新整理，包括：

基礎統計與迴歸、計數資料、存活分析、縱貫資料、軌跡模型、多變量統計、SEM／中介分析、觀察性研究與因果推論、缺失資料、時間序列、統合分析、診斷與預測效能、機器學習與深度學習，以及模型診斷。

我們整理了常見的統計分析方法，提供研究者一份清楚、方便查找的方法學導覽。

👉 完整整理：
研究問題、資料特性與統計分析方法：https://www.estat.com.tw/custom_68846.html

#生物醫學統計 #研究方法 #統計分析 #流行病學 #醫療大數據 #機器學習 #以斯帖統計 #數據星球

研究問題、資料特性與統計分析方法統計分析方法的選擇，不僅取決於資料是連續型或類別型， 還需要同時考量研究問題、研究設計、結果變項型態、資料結構、追蹤方式與分析目的。 相同類型的資料，在不同研究問題下，也....

19/07/2026

【基礎統計迷思系列】10 個最容易被過度簡化的統計觀念，你是否也曾經這樣理解？
#方法學筆記17

許多統計觀念在特定假設或教學情境下都有其價值，但若忽略其適用條件，直接套用到研究中，就可能導致錯誤的判斷。本文希望從研究設計、資料特性與分析目的出發，重新理解這些常見觀念。

1️⃣ 樣本數大於 30，就一定要用 Z-test？

「樣本數大於 30」常被當作選擇 Z-test 與 t-test 的簡化判斷，但兩者的主要差別，並不在於樣本數是否超過 30，而在於母體標準差是否已知。

Z-test 通常假設母體標準差 σ 已知；然而在多數實際研究中，母體標準差無法取得，只能以樣本標準差 sss 估計，因此即使樣本數大於 30，通常仍採用 t-test。

隨著樣本數增加，t 分配會逐漸接近標準常態分配，因此大樣本時，兩種檢定所得的結果可能非常接近，但這不代表「樣本數超過 30 就必須改用 Z-test」。

2️⃣ p 值小於 0.05，就代表兩組真的有差異？

p 值（p-value）是統計推論中最常使用的指標之一，但它並不是兩組是否真的有差異的證明。

當 p < 0.05 時，表示的是：**如果虛無假設（兩組沒有差異）為真，目前觀察到這樣或更極端結果的機率小於 5%。**因此，我們認為資料與「沒有差異」的假設不太一致，而拒絕虛無假設。

然而，**p 值並不告訴我們差異有多大，也不代表結果一定具有臨床或實務意義。**研究結果仍需結合效應量（effect size）、信賴區間（confidence interval）、研究設計、樣本數及研究品質一起判讀。

3️⃣ 沒有統計顯著，就代表沒有差異？

當 p ≥ 0.05 時，我們通常會說未達統計顯著（not statistically significant），表示目前的資料沒有足夠的統計證據拒絕虛無假設。
然而，**這並不代表兩組沒有差異，也不代表虛無假設成立。**結果未達統計顯著，可能與樣本數不足、研究變異較大、測量誤差或研究設計等因素有關。

因此，判讀研究結果時，不應只看 p 值是否大於 0.05，還應結合效應量、信賴區間及研究設計一起評估。

4️⃣ 平均數一定最能代表資料

平均數（Mean）是最常用的集中趨勢指標，但並非所有資料都適合用平均數代表。

當資料呈現對稱分布時，平均數通常能合理反映資料的中心位置；然而，若資料偏態分布或存在極端值（outliers），平均數容易受到影響，此時中位數（Median）可能更能代表資料的典型值。

因此，選擇平均數、中位數或其他統計量，應根據資料分布與研究目的，而非固定使用同一種指標。

5️⃣ Standard Deviation（SD）與 Standard Error（SE）的誤用

Standard Deviation（SD）與 Standard Error（SE）雖然都反映資料的變異，但代表的意義並不相同。

SD 描述的是個體資料的離散程度，反映資料本身的變異；SE 則描述樣本平均數估計母體平均數的精確程度，反映抽樣所帶來的不確定性。

因此，SD 適合描述資料的分布，而 SE 常用於推論統計，例如建立信賴區間及進行假設檢定。

6️⃣ 樣本數愈大，研究品質一定愈好。

樣本數增加通常可以提高統計檢定力（statistical power），並使估計結果更穩定，但並不能保證研究品質一定提升。

若研究設計不當、存在選樣偏差（selection bias）、資訊偏差（information bias）、混雜因子（confounding）未妥善控制，或資料品質不佳，即使樣本數再大，仍可能得到不可靠甚至具有偏誤的結果。

因此，研究品質取決於研究設計、資料品質、偏差控制及適當的統計分析，而不只是樣本數的多寡。此外，當樣本數非常大時，即使差異極小，也可能達到統計上的顯著，因此仍應結合效應量、信賴區間及實際或臨床意義，綜合判斷研究結果的價值。

7️⃣ 將相關（Correlation）與因果（Causation）混為一談。

相關分析可以描述兩個變項之間是否具有統計上的關聯性，但相關性本身並不足以支持因果推論。

若研究目的在於探討因果關係，應在研究設計階段先明確定義暴露（Exposure）與結果（Outcome），並透過適當的研究設計及統計方法控制混雜因子，再評估兩者之間的關聯。

8️⃣ 將 Odds Ratio（OR）與 Relative Risk（RR）混為一談。

Relative Risk（RR）與 Odds Ratio（OR）都可用來評估暴露與結果之間的關聯，但兩者的定義並不相同，因此數值也不一定相同。

當事件發生率很低時，OR 與 RR 的數值通常十分接近；但當事件較常見時，OR 往往會高於 RR，因此兩者不能直接互相替代。

研究者應依資料型態、統計分析方法及研究目的，選擇適當的效果量，並正確解讀研究結果。

9️⃣ 95% 信賴區間，代表有 95% 的機率包含真正的參數。

95% 信賴區間（95% Confidence Interval）並不表示這一次計算出的區間有 95% 的機率包含真正的參數。對於已完成的研究而言，真正的參數是固定的，區間不是包含，就是不包含。

95% 所代表的是：如果在相同條件下重複進行許多次研究，約有 95% 所建立的信賴區間會包含真正的參數。

🔟 統計顯著，就代表具有臨床意義。

統計顯著表示研究結果在假設檢定下具有統計證據，但不代表差異的大小足以影響臨床決策。尤其在大樣本研究中，即使差異非常小，也可能達到統計顯著。

判斷研究結果是否具有臨床意義，仍應結合效應量、信賴區間、臨床重要差異，以及治療效益、風險與成本等因素綜合評估。

18/07/2026

【AI 在學術研究中，該扮演什麼樣的角色？】
#方法學筆記18

近年來，人工智慧快速發展，AI 幾乎走進了每一位研究者的工作中。

有人利用 AI 搜尋文獻、整理 PDF；有人請 AI 協助翻譯英文、修改論文；也有人利用 AI 撰寫程式、分析資料，甚至製作簡報。

這些都是 AI 的能力，而且確實能大幅提升研究效率。然而，一個更值得思考的問題是：

👉AI 在學術研究中，真正的價值究竟是什麼？

如果 AI 的角色只是幫助研究者更快完成工作，那麼它終究只是一項效率工具。

真正值得期待的，不是 AI 能替研究者完成多少事情，而是：AI 能否陪伴研究者，成為一位更好的研究者？

研究，從來不是尋找最快的答案

事實上，真正的研究並不是尋找最快的答案，而是不斷提出問題、驗證假設、修正推論，最後讓研究結論逐漸接近事實。

因此，一位真正的研究者，不會因為 AI 已經給出答案就停止思考。

相反地，他應該開始問：
為什麼？

這三個字，看似簡單，卻是學術研究最重要的起點。

👉AI 可以回答問題，但思辨來自研究者

AI 可以回答：

「建議使用 t 檢定。」

真正的研究者卻會接著問：

為什麼不是 Mann–Whitney U test？
資料是否符合常態分布？
變異數是否齊一？
如果樣本數很小，結果是否穩定？

AI 提供的是方法。

研究者思考的是：

這個方法是否真的適合我的研究？

AI 也可以回答：

「p 值小於 0.05，所以具有統計顯著。」

真正的研究者卻不會停在這裡。

他會繼續問：

樣本數是不是太大，所以才容易得到統計顯著？
效果量有多大？
是否具有臨床意義？
信賴區間是否支持這個結論？

因為研究者知道：

統計顯著，不一定代表研究結果具有參考價值。

AI 還可以回答：

「兩個變項具有顯著相關。」

但是研究者會繼續追問：

相關是否代表因果？
是否存在共同原因（Confounding）？
是否可能是反向因果？(橫斷性研究常見問題)
是否有其他研究設計能提供更強的證據？

因為研究者真正關心的，不只是數字，而是真相。

思辨能力，無法靠 Prompt 取代

今天，一個人或許可以花一天時間學會如何使用 AI。卻不可能在一天之內建立研究思辨能力。

👉因為思辨能力並不是某一套工具帶來的。

它來自：
一次又一次閱讀文獻；
一次又一次研究設計；
一次又一次資料分析；
一次又一次 reviewer 的質疑；
一次又一次推翻自己的假設，再重新思考。

這些經驗，才慢慢形成研究者真正的判斷能力。

因此，

AI 不會替研究者建立思辨能力；AI 的價值，是放大研究者原本已經具備的思辨能力。

在許多人的眼中，AI 是一位能快速提供答案的專家。

然而，學術研究真正的價值，從來不只是找到答案，而是在不斷提問、分析、驗證與思辨的過程中，逐步接近真實。

因此，我更願意把 AI 看成研究室裡的一位討論夥伴，而不是一位只負責回答問題的專家，或僅止於協力完成論文的工具。

研究者在思辨的過程中反饋的是：
專業知識；
臨床經驗；
研究問題；
批判思維。

AI 協力完成的是：
推理；
整理；
挑戰；
不同角度的思考。

有時候，AI 會提醒研究者另一種可能的解釋；
有時候，研究者會指出 AI 忽略了臨床背景或研究限制。

研究者可能有所忽略，AI 也可能提出不夠周延的觀點。因此，雙方都必須接受證據的檢驗。

最後留下來的，是經得起研究設計、統計原理、資料證據與學術討論考驗的研究結論。

學術研究沒有永遠正確的人

很多人會問：
AI 和研究者，誰比較可靠？

其實，真正的學術研究從來不是在比較誰比較聰明。

AI 可能引用了不適合的文獻。
研究者可能忽略了一項重要假設。

因此，

真正值得相信的，不是因為它來自 AI，
而是因為：

經過雙方共同討論的過程，研究結果經得起研究設計、統計原理、資料證據與學術討論的考驗。

這一句話，或許才是學術研究最重要的核心價值。

👉AI 最好的角色，不是取代思考，而是陪伴思考

AI 的能力愈來愈強。它可以協助閱讀文獻、整理資訊、分析資料，甚至回答許多研究問題。

然而，真正推動科學前進的，從來不是工具，而是研究者願意持續提問、持續思辨、持續修正自己的態度。

因此，

AI 最好的角色，不是替研究者完成研究；而是陪伴研究者，在一次又一次的討論中，不斷接受證據的檢驗，最後共同朝向一個更可靠的研究結論。

👉結語：AI 的價值，在於陪伴研究者共同追求真實

如果有人問：

AI 在學術研究中，真正應該扮演什麼角色？

答案可能會是：

研究者提供專業知識、研究問題與批判思維；AI 提供推理、整理、挑戰與不同角度的思考。雙方都接受證據的檢驗，最後共同朝向一個更可靠的研究結論。

這並不是因為 AI 的答案一定正確，也不是因為研究者的判斷從不出錯。而是因為，真正的學術研究，從來不是追求誰贏得討論，而是追求哪一個觀點，更接近真實。

當 AI 不再只是回答問題的工具，而是一位願意接受證據檢驗的討論夥伴；當研究者不再只是尋找答案，而是持續追問、持續修正、持續思辨，那麼，人與 AI 的合作，就不只是提高效率，而是真正共同參與知識的建立。

或許，這才是 AI 時代最值得期待的研究文化。

11/07/2026

🤖 青少年 AI 能力成長營｜今年暑假，讓孩子與 AI 一起成長！

AI 正快速改變世界。

未來重要的不只是「會使用 AI」，更是懂得如何與 AI 合作、思考、創作與解決問題。

以斯帖統計顧問（ESTAT）特別規劃 「青少年 AI 能力成長營」，從生成式 AI、AI 工作流，到 AI Robot 與 AIoT，透過實作課程，引導孩子一步步培養 AI 時代的重要能力。

🌟 AI04｜生成式 AI 啟航篇

📅 8/15－8/16

從零開始認識生成式 AI。

學習 AI Agent、AI Workflow、OpenClaw 與雲端部署，打造屬於自己的 AI 助手，讓 AI 成為學習、創作與解決問題的好幫手。

🌟 AI05｜AI 工作流 × 小龍蝦實作篇

📅 8/22－8/23

學習 AI 工作流設計與實際應用。

運用 AI 協助規劃、整理、創作與完成任務，讓孩子建立面對未來最重要的數位工作能力。

🌟 AI06｜AI Robot 實作篇

📅 8/24

親手組裝智慧機器人。

學習程式控制、感測器應用、循跡、避障與藍牙控制，在動手做中體驗 AI Robot 的魅力。

🌟 AI07｜AIoT 智慧生醫感測篇

📅 8/25

結合 ESP32、感測器、Wi-Fi 與 AI 技術。

量測人體生理訊號，打造屬於自己的智慧健康監測系統，體驗 AI 與物聯網的實際應用。

🔹 課程特色

✅ 零基礎即可學習
✅ 小班制教學
✅ 重視實作與成果發表
✅ 培養 AI 時代的重要能力
✅ 從「使用 AI」走向「創造 AI」
✅ 完成課程可獲頒結業證書

🎁 早鳥優惠至 8 月 5 日止

本系列課程採小班制，每班名額有限，額滿即停止受理報名。

👉 詳細課程介紹：
https://www.estat.com.tw/hot_536617.html

10/07/2026

【ATT Weighting】－估計接受治療者的平均治療效果
#方法學筆記16

很多人在學習 Propensity Score Weighting 時，第一次看到 ATT Weighting，通常都是下面的加權公式。

Treatment 組：
w=1

Control 組：
w=PS/(1−PS)
​
不少人把公式背起來了，卻不知道：
為什麼 Treatment 組的權重固定都是 1？而 Control 組卻要使用 PS/(1−PS)？

如果只是記住公式，很容易忘記；但如果理解公式背後的研究目的，就會發現 ATT 的設計其實非常直覺。

為什麼需要 ATT Weighting？

在觀察性研究（Observational Study）中，
Treatment 組與 Control 組最大的問題，往往不是治療本身，
而是兩組在接受治療前（baseline）就已經存在許多差異。

例如：
年齡（Age）
性別（Sex）
共病（Comorbidities）
疾病嚴重度（Disease severity）
實驗室檢查值（Laboratory data）
其他重要共變數（Covariates）

這些 baseline 特徵，
不僅會影響病人是否接受治療，
也可能同時影響最後的研究結果（Outcome）。

因此，
如果直接比較 Treatment 組與 Control 組，
最後看到的差異，
可能並不是治療造成的，
而是受到 baseline 混雜因子（baseline confounders） 的影響。

因此，
ATT Weighting 的目的，不是單純給每位研究對象一個權重。
真正的目的，
是希望透過加權，
降低兩組 baseline 混雜因子的差異，使兩組具有更好的可比性（comparability）。

ATT 真正想回答什麼問題？

ATT（Average Treatment Effect on the Treated）真正想回答的是：
對於已經接受治療的人而言，如果他們當初沒有接受治療，平均結果會有什麼不同？

因此，
ATT 的研究目標（Target Population），
不是整個研究族群，
而是：
已接受治療的人（Treated Population）。

為什麼 Treatment 組的權重固定為 1？
也因為 Treatment 組本身就是 ATT 想推論的族群，
因此，
Treatment 組不需要改變原本的代表性。

所以每位 Treatment 個案的權重固定都是：
w=1
也就是說，
Treatment 組保持原本的樣子即可。
為什麼 Control 組使用 PS / (1−PS)？
真正需要調整的是 Control 組。
因此，
Control 組使用：
w=PS/(1−PS)
​
其中，
PS（Propensity Score）
代表接受治療的機率。

如果某位 Control 個案的 PS 很高，
代表他原本就很像會接受治療的人，
只是實際上沒有接受治療。

因此，
他與 Treatment 組具有較高的可比較性，
在 ATT 中也會被賦予較大的權重。

反之，
如果 PS 很低，
代表他與 Treatment 組差異較大，
在 ATT 分析中的權重就會較小。

「讓兩組變得更像」到底是什麼意思？

很多人在學習 Weighting 時，
都會聽到一句話：
讓 Treatment 與 Control 變得更像。

但是，
到底哪裡變得更像？

其實，
不是讓兩組的人數變得一樣，
也不是讓研究結果變得一樣。

而是希望：
兩組在研究開始前（baseline）的特徵分布變得更加接近。

例如：
年齡分布更接近
性別比例更接近
共病比例更接近
疾病嚴重度更接近
其他重要共變數更接近

換句話說，
透過 ATT Weighting，
我們希望建立一組：
更適合與 Treatment 組比較的 Control 組。

如此一來，
兩組最大的差異，
就更接近：
是否接受治療。

ATT 最後比較的是什麼？
ATT 並不是只看 Treatment 組。

真正的分析，
仍然是：
Treatment 組
與
加權後的 Control 組
進行比較。

只是，
這個 Control 組，
已經透過 ATT Weighting，
降低了 baseline 混雜因子的影響。

因此，
兩組的研究結果差異，
就更有機會反映：
治療本身所帶來的效果。

換句話說，
ATT 所估計的是：
接受治療者的平均治療效果（Average Treatment Effect on the Treated）。

加權完成，就可以直接分析嗎？
答案是：
還不行。

Weighting 的目的，
是希望降低 baseline 混雜因子的影響。

但是，
加權後是否真的成功達到平衡（Covariate Balance）？
仍然需要進一步確認。

在方法學中，
我們通常會檢查加權前後各項 baseline 特徵，
是否真的變得更加平衡。

最常用的方法包括：
✅ Standardized Mean Difference（SMD）
✅ Love Plot

SMD 可以量化每一個 baseline 共變數在兩組之間的差異程度；
Love Plot 則能一次呈現所有共變數，
比較加權前後是否變得更加平衡。

只有確認大部分 baseline 共變數都已達到良好的平衡，
後續估計 ATT，
才更具有因果推論（Causal Inference）的可信度。

因此，
Weighting 並不是分析的終點。

它只是達成 Covariate Balance 的工具。

真正的目的，
是讓 Treatment 組與 Control 組，
在研究開始前具有更好的可比性，
進而更合理地估計治療效果。

25/06/2026

【應用生物醫學統計研習營｜系列課程公告】

以斯帖統計秋季班重新編排「應用生物醫學統計研習營」系列課程，從基礎統計、流行病學資料分析，到存活分析、統合分析、機器學習與長期追蹤資料分析，協助醫學研究者建立更完整的資料分析能力。

👉本系列課程皆以 R 軟體授課
👉可單堂課獨立報名

📌 10/4 開課
📌 早鳥九折至 9/14
📌 20 年課程品牌，全新編排

課程資訊頁：
https://www.estat.com.tw/product.html

#應用生物醫學統計研習營 #生物統計 #醫療數據分析 #流行病學 #存活分析 #統合分析 #機器學習 #研究方法 #統計課程 #以斯帖統計 #數據星球

25/06/2026

【研究者也能學會的機器學習】－🌲 隨機森林如何找出真正重要的變項？
#方法學筆記1５

🌲 隨機森林如何找出真正重要的變項？

上一回，我們介紹了建立決策樹前，必須先決定研究的 Outcome（結果）、Predictor（預測因子），並避免 Data Leakage（資料洩漏）。

當研究問題與資料都準備好後，接下來，我們會遇到另一個問題：
如果模型中有二、三十個，甚至上百個變項，哪些資訊對預測最重要？

這就是隨機森林（Random Forest）希望回答的問題。

🌲 隨機森林到底在做什麼？

決策樹是利用一連串的判斷，將病人逐步分類。
但一棵決策樹容易受到資料本身的影響。

決策樹每一步都會尋找「目前最好的切割方式」。
如果資料稍微改變，例如多了幾位病人，或少了幾位病人，模型認為「最好的切割方式」可能就會改變。

第一個分支一旦不同，後面的分支也會跟著改變，因此最後建立出的決策樹，可能和原本差異很大。

因此，Random Forest 並不是建立一棵決策樹，而是建立許多決策樹。

每一棵樹都根據不同的資料樣本，以及不同的變項組合建立模型，再整合所有決策樹的判斷結果。

因此，它通常比單一決策樹具有更好的穩定性，也較不容易受到單一資料集的影響。

🌲 Variable Importance 是什麼？

建立許多決策樹後，Random Forest 會進一步觀察：

哪些變項在許多決策樹中，都對模型預測有重要貢獻？
哪些變項對提升模型預測能力的貢獻最大？
如果拿掉某個變項，模型的預測能力是否會下降？

最後，模型會把這些資訊整合起來，形成 Variable Importance（變項重要性）。

簡單來說，它回答的是：
在所有 Predictor 中，模型最依賴哪些資訊來完成預測？

例如，我們想預測 CKD 病人是否會進展到 ESRD，模型可能發現：
eGFR
Albuminuria
HbA1c
年齡
具有較高的 Variable Importance。

這表示：
模型認為這些資訊對預測 ESRD 最有幫助。

🌲 Variable Importance 與風險因子有什麼不同？

這裡很容易產生誤解。
在臨床研究中，像 eGFR、HbA1c 或 Albuminuria，本來就是大家熟悉的重要風險因子，因此它們在 Random Forest 中的重要性也常常很高。

但是，Variable Importance 與 Hazard Ratio（HR）、Odds Ratio（OR）回答的是不同的研究問題。

例如：
Cox proportional hazards model 想回答的是：
eGFR 與 ESRD 的關聯有多大？

而 Random Forest 則回答：
如果目標是預測 ESRD，eGFR 對模型有多重要？
因此，同一個變項，既可能是臨床上的重要風險因子，也可能是預測模型中的重要 Predictor。

兩者並不衝突，而是從不同角度提供資訊。

🌲 流行病學與機器學習，有什麼不同？

在流行病學研究中，我們通常會先提出研究假說。

例如：
糖尿病是否增加 ESRD 的風險？

接著根據文獻與臨床知識，決定哪些變項需要控制，再利用 Regression、PSM、IPTW 等方法，估計 Exposure 與 Outcome 之間的關係。

Random Forest 的思維則有所不同。

它通常不會先指定哪一個變項一定比較重要，也不需要先假設變項之間的關係，而是把 Index Date 前可以取得的 Predictor 一起放入模型，由資料告訴我們：
哪些資訊最有助於完成預測。

🌲 最後，研究者真正要做的是什麼？

Random Forest 可以告訴我們：
哪些變項對預測最重要。
但是，它不會直接回答：
為什麼這個變項重要？
它是疾病發生的原因？
還是疾病嚴重度的指標？
是否受到其他變項影響？

這些問題，仍然需要研究者結合：
臨床知識
研究設計
流行病學思維
才能做出合理的解釋。

因此，Random Forest 並不是取代流行病學，而是提供另一種理解臨床資料的視角。

流行病學幫助我們理解疾病發生的關聯與機制；
機器學習則幫助我們找出哪些資訊最有助於預測。

兩者結合，往往比單獨使用任何一種方法，更能幫助我們理解臨床問題。

#機器學習 #隨機森林 #變項重要性 #決策樹 #資料科學 #醫療數據分析 #流行病學 #研究方法 #統計教學 #以斯帖統計 #數據星球

17/06/2026

【研究者也能學會的機器學習】－決策樹分析怎麼做？先分清楚「結果」與「線索」
#方法學筆記14

很多人以為做決策樹分析，就是把資料丟進軟體，讓模型自己長出一棵樹。

但在模型開始之前，研究者要先回答一個更基本的問題：
我想預測的是什麼？
我要用哪些資訊來預測？
這些資訊是在什麼時間點以前就已經知道的？

這三個問題如果沒有先想清楚，後面即使用 Python、R 或 SAS 跑出很漂亮的樹，也不一定代表模型是合理的。

在決策樹分析中，有兩個最基本的角色：
依變項，是我們想預測或分類的結果。
自變項，是用來幫助模型做判斷的資訊。

例如，我們想預測急性腦中風病人後續是否會進入 PAC 計畫。

這時候：
是否進入 PAC，就是依變項。
而年齡、性別、既有共病、過去就醫紀錄、過去用藥、過去住院史等，則可能是自變項。

決策樹的任務，就是從這些自變項中，找出哪些條件最能幫助我們區分不同結果的病人。

例如模型可能會問：
病人年齡是否較高？
過去是否有中風病史？
是否有糖尿病、高血壓或心血管疾病？
住院前是否已有較高的醫療利用？

每一次分支，都是模型根據自變項做出的分類判斷。
但是，這裡有一個很重要的研究設計問題：
不是所有資料欄位都可以放進模型。

尤其在醫療資料中，自變項的時間順序必須非常清楚。
如果我們想預測病人住院後是否會進入 PAC，最理想也最公平的做法，是先定義一個明確的起點，例如：

INDEX_DATE = 急性住院日

然後規定：
所有自變項，都必須是 INDEX_DATE 之前已經存在的資訊。

也就是說，模型只能使用住院日前已知的資料，例如：
年齡、性別、既有共病、過去門急診紀錄、過去住院紀錄、過去用藥、過去醫療利用等。

相反地，住院後才產生的資訊，就不應該放進這個預測模型中，例如：
住院期間接受的治療、住院後才做的檢查、PAC 評估紀錄、PAC 期間復健次數、PAC 後功能改善、PAC 後再住院等。

因為這些資訊在住院日當下還不知道。
如果把這些未來才會發生的資訊放進模型，模型可能會看起來很準，但其實是「偷看了未來」。
這就是機器學習中常說的：
資料洩漏（Data Leakage）

資料洩漏不是指個資外洩，而是指模型在建立或評估時，使用了原本在預測當下不應該知道的資訊。

一旦發生資料洩漏，模型表現可能會被高估。

例如準確率變高、AUC 變漂亮、分類結果看起來很好，但這種表現未必能用在真實世界的新病人身上。

所以，決策樹分析的第一步不是選軟體，也不是先問要用 Python、R 還是 SAS。

第一步應該是：
定義研究問題。
定義依變項。
定義 INDEX_DATE。

確認自變項是否都在 INDEX_DATE 之前已經存在。

只有這樣，模型才是站在公平的時間起點上進行預測。

接著，我們才進一步建立決策樹，觀察模型如何分支：
第一層先切哪個變項？
每個分支代表什麼條件？
哪些條件組合形成高風險族群？
每個葉節點的事件比例是多少？
模型在測試資料上的表現是否穩定？

工具方面，決策樹不一定只能用 Python 或 R。
SAS 也可以進行決策樹分析，例如使用 PROC HPSPLIT。
SPSS 也可以讓初學者透過圖形化介面理解樹狀結構。
R 與 Python 則適合進一步進行完整的機器學習流程，例如訓練測試資料切分、交叉驗證、模型評估與變項重要性分析。

但不管使用哪一個工具，真正重要的不是軟體按鈕，而是研究者是否知道：
這棵樹在預測什麼？
它用哪些資訊做判斷？
這些資訊在時間順序上是否合理？
模型有沒有偷看未來？
結果能不能回到研究問題中解釋？

決策樹分析不是把所有變項丟進模型就好。
真正重要的是分清楚：
哪些是我們想預測的結果（Outcome），哪些只是幫助模型預測結果的線索（Predictors）。

如果把答案的一部分誤當成線索放進模型，模型看起來可能很準，但實際上只是偷看了答案。

#機器學習 #決策樹 #資料洩漏 #醫療數據分析 #研究方法 #統計課程 #以斯帖統計 #數據星球

16/06/2026

【方法學筆記 #13】什麼是 IPTW？從 PS 到 ATE 的直覺理解

很多人第一次學 IPTW，看到的通常是公式：
Treatment 組：1 / PS
Control 組：1 / (1 − PS)

但真正重要的問題是：
為什麼要這樣加權？

IPTW 的核心，不只是計算權重，而是重新調整每位研究對象在分析中的代表性。

如果某一類人很少出現在 Treatment 組，一旦他真的進入 Treatment 組，IPTW 會給予較大的權重，讓他代表更多條件相似的人。

透過這樣的加權，我們希望加權後的 Treatment 組與 Control 組，都能代表同一個目標研究族群。

這也就是為什麼 IPTW 常用來估計 ATE（Average Treatment Effect）：
如果同一個研究族群都接受 Treatment，與都接受 Control，平均結果會差多少？

這支影片用動畫方式，從 Propensity Score、反機率權重、研究對象代表性到 ATE，帶大家建立 IPTW 的直覺。

#方法學筆記



#因果推論
#醫學統計
#流行病學
#健保資料分析
#以斯帖統計

04/06/2026

📈 長期追蹤資料，不只是看平均趨勢。

在同一個研究族群中，有些人持續改善、有些人逐漸惡化、有些人則呈現波動變化。

如果只看整體平均值，往往會忽略族群之間真正重要的差異。

軌跡模式分析（Trajectory Modelling Approaches）正是近年愈來愈常見的進階分析方法，可協助研究者辨識不同變化路徑，探索潛在異質族群，讓研究結果更貼近真實世界。

本課程將帶領您系統性認識：

✅ GBTM（群組基礎軌跡模型）
✅ GMM（混合效應模型）
✅ LTA（潛在轉換分析）
✅ LCA（潛在類別分析）
✅ STATA × R 軟體實作
✅ 模型選擇與結果解讀

無論您從事醫學、公共衛生、護理、心理、教育、社會科學或長期追蹤研究，都能將此方法應用於自己的研究主題。

━━━━━━━━━━━━━━━

📅 開課日期
2025/06/14（六）
09:30－17:00

📍 上課方式
實體課程（台北市）

🔗 課程詳情
https://www.estat.com.tw/product_1667536.html

☎️ 洽詢專線
(02) 2885-5708

📧 Email
[[email protected]](mailto:[email protected])

━━━━━━━━━━━━━━━

不要只看平均趨勢，
更要看見不同人的變化軌跡。

#軌跡模式分析







#長期追蹤研究
#統計分析

#數據星球