為什麼「同一份資料」會講出兩個故事？

為什麼「同一份資料」會講出兩個故事？

某縣市衛生局發布一份新聞稿：去年推動的社區篩檢計畫，參與者的大腸癌死亡率比未參與者低了 30%。聽起來像是篩檢的勝利。但在隔壁的公衛系研討室裡，一位研究生看著同一張表，皺起了眉頭：參與篩檢的人本來就比較注重健康、比較常運動、比較少抽菸——這 30% 究竟有多少來自篩檢本身，又有多少只是因為「會去篩檢的人本來就比較健康」？

這就是生物統計（biostatistics）真正要回答的問題。它不只是把數字算出來，而是要在充滿雜訊、偏差與機運的真實世界裡，判斷一個健康現象到底是「真的」還是「碰巧」，並且把不確定性老老實實地量化出來。對公共衛生來說，這件事攸關政策資源該往哪裡投、哪個族群該優先介入、一項介入措施值不值得推廣到全國。換句話說，生物統計是把臨床與流行病學的觀察，翻譯成可以決策的證據的那道橋。

從個體到族群：生物統計的提問方式

在優統計裡，你已經熟悉了平均數、標準差、抽樣分布與假設檢定這些工具。生物統計並沒有發明全新的數學，它的特殊之處在於研究對象與提問方式：我們關心的不是單一個人，而是一個族群（population）的健康狀態，以及暴露（exposure）與結果（outcome）之間的關聯。

一個典型的公衛問題長這樣：「居住在主要幹道 100 公尺內的居民，氣喘發生率是否高於距離較遠的居民？」這裡有幾個生統的核心元素：

• 暴露變項：是否住在幹道附近（空氣污染代理指標）。
• 結果變項：是否罹患氣喘。
• 族群：某地理區域的所有居民，而我們只能觀察到其中一個樣本（sample）。
• 目標：從樣本推論回族群，並評估這個關聯有多可靠。

因為公衛資料幾乎都來自觀察而非實驗（你不可能隨機指派某些人「住在污染區」），所以生物統計從一開始就必須與偏差（bias）和干擾（confounding）正面交鋒。這也是它和一般統計學最大的氣質差異：純統計問「這個關聯在資料裡是否顯著」，生物統計則進一步追問「這個關聯是否反映了真實的因果機制，還是被其他因素污染了」。

描述健康：率、比與測量尺度

在做任何檢定之前，公衛人要先學會「正確地描述」一個族群的健康狀態。這裡有三組常被混淆的概念。

盛行率（prevalence）與發生率（incidence）。 盛行率是某一時間點，族群中「現有」病例的比例，像是「2025 年某市成年人糖尿病盛行率為 11%」——它回答「現在有多少人病著」。發生率則是一段期間內「新發生」病例的速率，像是「每千人年新增 5 例」——它回答「疾病產生的速度有多快」。盛行率受病程長短影響（病人活得久，盛行率就高），發生率才真正反映風險。把兩者混用，是公衛報告中最常見的錯誤之一。

相對風險（relative risk, RR）與勝算比（odds ratio, OR）。 這兩個是流行病學量化關聯的主力指標。相對風險是暴露組的發生率除以非暴露組的發生率：RR = 2 代表暴露讓風險變成兩倍。勝算比則是用「勝算（odds）」相除，常見於病例對照研究（case-control study），因為在這種設計下無法直接算發生率。當疾病罕見時，OR 會近似 RR；但當疾病常見時，OR 會把效應誇大，這是解讀時必須警覺的陷阱。

測量尺度決定方法。 變項是類別（性別、血型）、順序（教育程度）、還是連續（血壓、BMI），直接決定你能用哪種統計方法。把連續血壓硬切成「高/正常」兩類，雖然方便溝通，卻會丟失資訊、降低檢定的統計檢力（statistical power）。這是初學者常踩的雷：分類不是免費的，它有資訊代價。

機運的角色：信賴區間與 p 值

回到開頭那個 30% 的故事。假設我們已經（暫時）排除了偏差，剩下一個問題：這 30% 的差距，會不會只是抽樣的機運造成的？

這正是統計推論（statistical inference）要處理的。公衛裡有兩種互補的表達方式：

p 值（p-value） 回答：「假如暴露與結果其實毫無關聯（虛無假設成立），那麼我們觀察到目前這麼極端、甚至更極端的結果的機率有多大？」p 值小（慣例上 < 0.05），代表「在沒有關聯的假設下，這個資料很難出現」，於是我們傾向拒絕虛無假設。但請特別注意：p 值不是「關聯為真的機率」，也不是「效應大小」。一個 p = 0.001 的關聯可能在臨床上微不足道；一個 p = 0.06 的關聯也可能極其重要卻因樣本太小而未達顯著。

信賴區間（confidence interval, CI） 則更受現代流行病學青睞，因為它同時傳達了效應大小與精確度。一個「RR = 1.8（95% CI：1.2–2.7）」告訴你：點估計是 1.8 倍風險，而且這個區間不包含 1（無關聯的值），所以達到統計顯著；區間頗寬，反映樣本還不夠大。95% CI 的正確詮釋是：「若以同樣方法重複抽樣多次，約 95% 的區間會涵蓋真值」——它描述的是程序的長期表現，而非「真值有 95% 機率落在這個區間」。

公衛實務上有一個重要原則：不要只看 p 值的星號，要看效應大小與區間。 一個達到顯著但 CI 緊貼著 1（如 1.01–1.05）的關聯，對族群健康的實質意義往往有限。

看一個例子：兩個社區的腸道感染率

假設你在調查兩個社區的某腸道感染。社區 A 自來水加氯，社區 B 使用未處理的井水。一年下來：

• 社區 A：2000 人中有 40 人感染，發生率 = 40 / 2000 = 2.0%。
• 社區 B：1500 人中有 90 人感染，發生率 = 90 / 1500 = 6.0%。

相對風險 RR = 6.0% / 2.0% = 3.0。井水社區的感染風險是加氯社區的 3 倍。

接著我們想知道這個差距是否可能只是機運。對兩組比例做卡方檢定（chi-square test），或計算 RR 的 95% 信賴區間。假設算出 95% CI 為 2.1–4.3。這個區間不包含 1，所以在 α = 0.05 的水準下達到統計顯著——我們有合理證據認為水源處理與感染風險有關。

但生物統計的訓練會讓你立刻多問三句：

1. 兩個社區除了水源，還有什麼不同？年齡結構、衛生習慣、人口密度——這些都可能是干擾因子。
2. 病例是如何被偵測的？如果社區 B 剛好有一間診所更積極通報，會不會高估了 B 的發生率（偵測偏差）？
3. 這個關聯有沒有生物學上的合理性？水媒病原透過未處理井水傳播，機制清楚——這支持因果解讀。

換句話說，RR = 3.0 與顯著的 CI 只是「故事的開頭」，不是結論。

對付干擾：分層與調整

干擾（confounding）是公衛資料分析的核心難題。一個干擾因子，是同時與暴露和結果有關、又不在因果路徑上的第三變項。經典例子：研究「喝咖啡與肺癌」，可能會發現正相關，但真正的元兇是抽菸——抽菸者比較常喝咖啡（與暴露相關），抽菸也致癌（與結果相關）。咖啡只是揹了黑鍋。

生物統計處理干擾有兩條主要途徑：

分層分析（stratification）。 把資料依干擾因子分層，在每一層內各自看關聯。如果在抽菸者與非抽菸者各自的層內，咖啡與肺癌的關聯都消失了，那原本的關聯就是抽菸造成的假象。Mantel-Haenszel 方法可以把各層的估計加權合併成一個調整後的估計。

多變項迴歸（multivariable regression）。 當干擾因子很多時，分層會把資料切得太碎。這時改用迴歸模型，把多個變項同時放進去，估計每個變項在「其他變項固定」下的獨立效應。公衛最常用的兩種是：

• 邏輯斯迴歸（logistic regression）：結果是二元（生病/沒病），輸出調整後的勝算比。
• Cox 比例風險模型（Cox proportional hazards model）：用於存活分析（survival analysis），處理「事件發生的時間」資料，輸出風險比（hazard ratio, HR）。它能優雅地處理設限資料（censoring）——也就是追蹤期間內還沒發生事件、或中途失聯的個案。

存活分析在公衛特別重要，因為我們常關心的不只是「會不會發生」，而是「多快發生」。Kaplan-Meier 存活曲線就是描述族群隨時間「存活比例」變化的標準工具。

動手試試：辛普森悖論的陷阱

請看這組虛構但典型的腎結石治療資料。兩種療法 A、B，整體成功率：

• 療法 A：整體成功率 78%（273/350）
• 療法 B：整體成功率 83%（289/350）

乍看 B 比較好。但如果我們依「結石大小」分層：

分層後，在小結石和大結石中，療法 A 都比較好！

為什麼整體反而是 B 贏？因為療法 A 被優先用在更難治的大結石（263 例 vs B 的 80 例），而大結石本來成功率就低，把 A 的整體平均拉低了。這就是辛普森悖論（Simpson's paradox）——結石大小同時影響「分到哪種療法」與「成功率」，是個強力干擾因子。如果只看整體數字，你會做出完全相反的臨床建議。

這個例子的教訓很直接：整體聚合的數字可能說謊；不調整干擾因子的關聯，可能指向錯誤的方向。 這也是為什麼公衛論文裡，你幾乎總會看到「調整後（adjusted）」的估計值。

樣本要多大？檢力與型一、型二錯誤

在規劃一項公衛研究時，「要收多少樣本」是繞不開的問題。樣本太小，就算真有效應也檢測不出來，浪費資源與受試者的善意；樣本過大，則可能把毫無實質意義的微小差異也判為顯著。

這裡有兩種會犯的錯：

• 型一錯誤（Type I error, α）：虛無假設其實為真，卻被我們錯誤地拒絕——也就是「無中生有」，宣稱有關聯但其實沒有。慣例上控制在 0.05。
• 型二錯誤（Type II error, β）：虛無假設其實為假，我們卻沒能拒絕它——「視而不見」，真有關聯卻沒檢測到。

統計檢力（power）= 1 − β，是「當效應真的存在時，研究能成功偵測到它的機率」。公衛研究設計通常要求檢力至少 80%。檢力受四個因素拉扯：效應大小、樣本數、變異程度、與顯著水準。在規劃階段做樣本數估算（sample size calculation），就是在這四者間取得平衡，確保研究「值得做」。

一個常被忽略的觀念是：未達顯著（p > 0.05）不等於「沒有效應」。它可能只代表「這份資料的檢力不足以偵測到效應」。把「沒有證據顯示有差異」誤讀成「有證據顯示沒有差異」，是公衛溝通中相當危險的一種誤解。

重點回顧

• 盛行率反映「現在病著的比例」，發生率反映「疾病產生的速度」；前者受病程長短影響，混用會誤導。
• 信賴區間比 p 值資訊更豐富：它同時告訴你效應大小與精確度。p 值小不代表效應大，未達顯著也不代表沒有效應。
• 干擾因子是觀察性研究的頭號敵人；透過分層、Mantel-Haenszel、或多變項迴歸來調整，才能逼近真實關聯。
• 辛普森悖論提醒我們：整體聚合數字可能與分層後的結論完全相反，不調整干擾就下結論很危險。
• 充足的統計檢力（通常 ≥ 80%）是研究值得做的前提；樣本數估算應在研究開始前完成，而非事後補算。

深入探討（研究所視角）

走到研究所層級，生物統計的重心會從「方法的操作」轉向「因果推論（causal inference）的邏輯基礎」。觀察性公衛資料的核心困境，可以用 Rubin 的潛在結果框架（potential outcomes framework）精確表述：對每個人，我們想比較「他暴露時的結果」與「他未暴露時的結果」，但現實中每人只能觀察到其中一種——這就是因果推論的「根本問題」。族群層次的因果效應，只有在某些可辨識性假設（identifiability assumptions）成立時才能從觀察資料估計：no unmeasured confounding（無未測量干擾）、positivity（每個人都有非零機率接受各種暴露）、與 consistency。

當這些假設成立時，現代方法如傾向分數（propensity score）、逆機率加權（inverse probability weighting, IPW）、以及處理時變干擾的邊際結構模型（marginal structural models），能在標準迴歸失效之處估計族群層次的因果效應。有向無環圖（directed acyclic graphs, DAGs）則提供了一套圖形語言，讓研究者在資料分析「之前」就釐清該調整哪些變項、又該避免調整哪些——例如對撞變項（collider）若被錯誤調整，反而會憑空製造出偏差（collider bias），這正是某些「肥胖悖論」爭議的根源。

另一條重要延伸是多重比較（multiple comparisons）與可重複性危機。當一項全基因組關聯研究同時檢定數十萬個位點，沿用 α = 0.05 會產生海量的偽陽性；Bonferroni 校正過於保守，於是發展出控制偽發現率（false discovery rate, FDR）的 Benjamini-Hochberg 程序，在大規模檢定時取得更合理的平衡。這也連結到近年對 p 值的廣泛反思——美國統計學會（ASA）2016 年的聲明明確指出，p 值不應被當作科學結論或政策決策的唯一門檻。

跨領域來看，生物統計正與機器學習和因果機器學習深度融合：targeted maximum likelihood estimation（TMLE）、causal forests 等方法，試圖在保留因果解釋的同時，利用彈性模型捕捉高維資料中的複雜關係。對公衛而言，這意味著能在電子健康紀錄、穿戴裝置、環境感測等多模態資料上，估計更個人化的介入效應——這也正呼應了 Educational Omics 與健康資料整合的精神：當資料的維度與密度都在爆炸式成長，把關聯翻譯成可信因果結論的統計素養，比以往任何時候都更關鍵。

最後值得思考的是生態謬誤（ecological fallacy）與其反面原子謬誤（atomistic fallacy）的張力：族群層次觀察到的關聯（如「人均收入越高的國家平均壽命越長」）不能直接套用到個人，反之亦然。多層次模型（multilevel / hierarchical models）正是為了同時容納個體層次與族群層次的變異而生——它提醒我們，公共衛生的本質，始終是在「個人」與「群體」這兩個尺度之間，謹慎地來回對話。