107 地方特考三等 漁業技術 生物統計學 考古題詳解

核心觀念

本題為典型的常態母群體推論統計題型，涵蓋單一樣本與雙樣本之參數估計與假設檢定，主要核心觀念與公式如下：

1. 單一母群體平均數之區間估計（小樣本、母體變異數未知）： 當母體服從常態分配且母體變異數 $\sigma^2$ 未知、樣本數小於 $30$ 時，標準化變數服從自由度 $df = n - 1$ 之 Student's $t$ 分配。母體平均數 $\mu$ 之 $(1 - \alpha) \times 100\%$ 信賴區間公式為： $\bar{x} \pm t_{n-1, \, 1-\alpha/2} \times \frac{s}{\sqrt{n}}$

2. 單一母群體變異數之區間估計： 常態母體下，樣本變異數之樞紐量（Pivotal Quantity）服從卡方分配： $\frac{(n - 1)s^2}{\sigma^2} \sim \chi^2_{n-1}$ 母體變異數 $\sigma^2$ 之 $(1 - \alpha) \times 100\%$ 信賴區間公式為： $\left[ \frac{(n - 1)s^2}{\chi^2_{n-1, \, 1-\alpha/2}}, \, \frac{(n - 1)s^2}{\chi^2_{n-1, \, \alpha/2}} \right]$

3. 兩獨立常態母體變異數同質性檢定（$F$ 檢定）： 檢定 $H_0: \sigma_1^2 = \sigma_2^2$ 對 $H_1: \sigma_1^2 \neq \sigma_2^2$，檢定統計量為兩樣本變異數之比： $F = \frac{s_1^2}{s_2^2} \sim F_{n_1-1, \, n_2-1}$ 慣例上將較大之樣本變異數置於分子，若 $F \ge F_{n_1-1, \, n_2-1, \, 1-\alpha/2}$ 則拒絕虛無假設。

4. 兩獨立樣本異質變異數之平均數差異檢定（Welch's $t$ 檢定）： 當兩獨立樣本之母體變異數經檢定具顯著差異（$\sigma_1^2 \neq \sigma_2^2$）時，不可採用合併變異數（Pooled Variance），必須採用 Welch-Satterthwaite 近似自由度之 $t$ 檢定： $t^* = \frac{\bar{x}_1 - \bar{x}_2}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}$ 其有效自由度 $\nu$（Satterthwaite approximation）為： $\nu = \frac{\left( \frac{s_1^2}{n_1} + \frac{s_2^2}{n_2} \right)^2}{\frac{(s_1^2/n_1)^2}{n_1 - 1} + \frac{(s_2^2/n_2)^2}{n_2 - 1}}$

5. 統計檢力（Statistical Power）： 檢力定義為「當對立假設 $H_1$ 為真時，正確拒絕虛無假設 $H_0$ 的機率」，記為： $\text{Power} = 1 - \beta = P(\text{拒絕 } H_0 \mid H_1 \text{ 為真})$

解題方法

由題意整理已知樣本統計量：

• A 社區：$n_A = 25$，$\bar{x}_A = 21.6\ \mu\text{g/kg/day}$，$s_A = 4.5\ \mu\text{g/kg/day}$，$s_A^2 = 20.25$。
• B 社區：$n_B = 30$，$\bar{x}_B = 18.2\ \mu\text{g/kg/day}$，$s_B = 1.5\ \mu\text{g/kg/day}$，$s_B^2 = 2.25$。
• 顯著水準：$\alpha = 0.05$。

（一）A 社區居民 DEHP 濃度之母群體平均數的 $95\%$ 信賴區間

1. 自由度：$df = n_A - 1 = 25 - 1 = 24$。
2. 雙尾臨界值：由已知條件查得 $t_{24, \, 0.975} = 2.064$。
3. 平均數標準誤（$SE$）： $SE_A = \frac{s_A}{\sqrt{n_A}} = \frac{4.5}{\sqrt{25}} = \frac{4.5}{5} = 0.9$
4. 誤差容許度（Margin of Error, $E$）： $E = t_{24, \, 0.975} \times SE_A = 2.064 \times 0.9 = 1.8576$
5. 計算 $95\%$ 信賴區間： $\bar{x}_A \pm E = 21.6 \pm 1.8576 = [19.7424, \, 23.4576]\ \mu\text{g/kg/day}$

（二）B 社區居民 DEHP 濃度之母群體變異數的 $95\%$ 信賴區間

1. 自由度：$df = n_B - 1 = 30 - 1 = 29$。
2. 卡方臨界值：由已知條件查得 $\chi^2_{29, \, 0.025} = 16.05$，$\chi^2_{29, \, 0.975} = 45.72$。
3. 計算分子加權離均差平方和： $(n_B - 1)s_B^2 = 29 \times (1.5)^2 = 29 \times 2.25 = 65.25$
4. 計算 $95\%$ 信賴區間：

• 下界：$\frac{(n_B - 1)s_B^2}{\chi^2_{29, \, 0.975}} = \frac{65.25}{45.72} \approx 1.4272$
• 上界：$\frac{(n_B - 1)s_B^2}{\chi^2_{29, \, 0.025}} = \frac{65.25}{16.05} \approx 4.0654$

得 $\sigma_B^2$ 之 $95\%$ 信賴區間為 $[1.427, \, 4.065]\ (\mu\text{g/kg/day})^2$（或約 $[1.43, \, 4.07]$）。

（三）A 與 B 社區居民 DEHP 濃度之母群體變異數是否具有顯著差異

1. 建立假設： $H_0: \sigma_A^2 = \sigma_B^2 \quad \text{vs} \quad H_1: \sigma_A^2 \neq \sigma_B^2$
2. 檢定統計量： $F = \frac{s_A^2}{s_B^2} = \frac{20.25}{2.25} = 9.0$
3. 判定法則： 分子自由度 $df_1 = n_A - 1 = 24$，分母自由度 $df_2 = n_B - 1 = 29$。 雙尾檢定之右尾臨界值為 $F_{24, \, 29, \, 0.975}$。

核心觀念

本題評量流行病學與生物統計學中​「人年發生率」（Incidence Rate）​與​「卜瓦松分布」（Poisson Distribution）​的建立、計算與假設檢定：

1. 發生率與卜瓦松分布模型： 在追蹤研究中，當研究對象追蹤之總時間為「人年數」（Person-Years, $T$），且研究之疾病事件在時間軸上隨機且獨立發生（稀有事件假設）時，新發生個案數 $X$ 服從卜瓦松分布： $X \sim \text{Poisson}(\mu)$ 其中平均期望發生數 $\mu = \lambda \times T$，$\lambda$ 為單位人年發生率。 其機率質量函數（PMF）為： $P(X = k) = \frac{e^{-\mu}\mu^k}{k!}, \quad k = 0, 1, 2, \dots$ 卜瓦松分布的期望值與變異數相等：$E(X) = \text{Var}(X) = \mu$。

2. 卜瓦松分布的常態近似（Normal Approximation）： 當期望發生數充分大（一般標準為 $\mu \ge 5$ 或 $\mu \ge 10$）時，由中央極限定理，$X$ 可近似於常態分布： $X \stackrel{\cdot}{\sim} N(\mu, \mu)$ 以連續型的常態分布近似離散型的整數個案數時，應配合連續性校正（Continuity Correction, CC）：

• $P(X \ge k) \approx P(Y \ge k - 0.5)$
• $P(X \le k) \approx P(Y \le k + 0.5)$

3. 單一樣本發生率檢定（One-Sample Poisson Test）： 欲檢定特定群體之發生率 $\lambda$ 是否異於已知基準率 $\lambda_0$：

• 虛無假說 $H_0: \lambda = \lambda_0$；對立假說 $H_1: \lambda \ne \lambda_0$
• 虛無假說下之期望發生數為 $E = \lambda_0 \times T$，實際觀察發生數為 $O$。
• 大樣本下採用標準常態檢定統計量（Score Test）： $Z = \frac{O - E}{\sqrt{E}} \stackrel{H_0}{\sim} N(0, 1) \quad \text{或具連續性校正：} \quad Z_c = \frac{|O - E| - 0.5}{\sqrt{E}}$ （其平方即為單自由度卡方檢定量：$\chi^2 = \frac{(O - E)^2}{E} \sim \chi^2(1)$）

解題方法

全國心血管疾病平均發生率為： $\lambda_0 = \frac{1.24}{100 \text{ 人年}} = 0.0124 \text{ 件/人年}$

（一）$1200$ 人年之中，發生超過或等於 $22$ 位個案的機率

1. 計算期望發生數： 追蹤人年數 $T = 1200$ 人年，期望個案數為： $\mu = \lambda_0 \times T = 0.0124 \times 1200 = 14.88$ 個案數 $X \sim \text{Poisson}(14.88)$。

2. 精確機率式： $P(X \ge 22) = 1 - P(X \le 21) = 1 - \sum_{k=0}^{21} \frac{e^{-14.88} (14.88)^k}{k!}$

3. 常態近似法求解（國考標準解法）： 因 $\mu = 14.88 > 10$，符合常態近似之適用條件。 $X \stackrel{\cdot}{\sim} N(\mu = 14.88, \, \sigma^2 = 14.88)$，標準差 $\sigma = \sqrt{14.88} \approx 3.8575$。 引入連續性校正 $P(X \ge 22) \approx P(Y \ge 21.5)$： $Z = \frac{21.5 - 14.88}{\sqrt{14.88}} = \frac{6.62}{3.8575} \approx 1.72$ 查標準常態機率表： $P(Z \ge 1.72) = 1 - \Phi(1.72) = 1 - 0.9573 = 0.0427 \quad (\text{約 } 4.27\%)$ （註：若未加入連續性校正，計算式為 $Z = \frac{22 - 14.88}{3.8575} \approx 1.85$，$P(Z \ge 1.85) = 1 - 0.9678 = 0.0322$）

（二）$500$ 人年之中，發生小於或等於 $3$ 位個案的機率

1. 計算期望發生數： 追蹤人年數 $T = 500$ 人年，期望個案數為： $\mu = \lambda_0 \times T = 0.0124 \times 500 = 6.2$ 個案數 $X \sim \text{Poisson}(6.2)$。

2. 精確機率計算（項數少，宜直接列出精確式）： $P(X \le 3) = \sum_{k=0}^3 \frac{e^{-6.2} (6.2)^k}{k!} = e^{-6.2} \left( \frac{6.2^0}{0!} + \frac{6.2^1}{1!} + \frac{6.2^2}{2!} + \frac{6.2^3}{3!} \right)$ 展開括號內各項數值： $P(X \le 3) = e^{-6.2} \left( 1 + 6.2 + \frac{38.44}{2} + \frac{238.328}{6} \right) = e^{-6.2} (1 + 6.2 + 19.22 + 39.7213) = 66.1413 \times e^{-6.2}$ 代入 $e^{-6.2} \approx 0.0020294$：

核心觀念

本題為典型的生物統計學迴歸分析與流行病學應用綜合題，主要評量以下核心觀念與統計推論能力：

1. 簡單線性迴歸斜率與相關係數的互換推導：利用樣本標準差與相關係數計算斜率 $b = r \cdot \frac{s_Y}{s_X}$，並利用殘差變異數估計其標準誤 $\text{SE}(b)$ 以建構信賴區間。
2. 皮爾森相關係數（Pearson's $r$）之信賴區間：母體相關係數 $\rho$ 的抽樣分佈具偏態，標準統計推論應透過 費雪 $z$ 轉換（Fisher's $z$-transformation） 計算信賴區間後再反轉換；亦可輔以大樣本漸近常態近似法。
3. 迴歸預測值的區間估計：區分「平均反應值之信賴區間（Confidence Interval for Mean Response）」與「個別觀測值之預測區間（Prediction Interval for Individual Observation）」的標準誤公式差異。
4. 干擾因子（Confounder）的統計判定法則：干擾變數必須同時滿足（1）與自變數（暴露/DBP）具統計相關；（2）與應變數（結果/T-chol）具統計相關；（3）非兩者因果中介路徑。
5. 多元迴歸參數之線性組合推論：評估多個自變數同時變動對反應變數的聯合效應 $L = c_1 b_1 + c_2 b_2$，需提取迴歸係數的共變數矩陣（Covariance Matrix）以計算線性組合之變異數 $\operatorname{Var}(\hat{L}) = \mathbf{c}^T \operatorname{Cov}(\mathbf{b}) \mathbf{c}$。

解題方法

（一）模式 1 之迴歸係數 $b$ 及其 $95\%$ 信賴區間

1. 求點估計值 $b$： 在簡單線性迴歸 $\text{T-chol} = a + b \cdot \text{DBP}$ 中，應變數 $Y = \text{T-chol}$（$s_Y = 37.29$），自變數 $X = \text{DBP}$（$s_X = 9.34$）。 由相關係數矩陣可知兩者相關係數 $r = 0.1798$。 $b = r \cdot \frac{s_Y}{s_X} = 0.1798 \times \frac{37.29}{9.34} \approx 0.7179\ \text{(mg/dL per mmHg)}$

2. 計算殘差均方（$\text{MSE}$）與斜率標準誤 $\text{SE}(b)$：

• 總平方和 $\text{SST} = (N - 1) s_Y^2 = 257 \times (37.29)^2 \approx 357369.83$
• 題目已知迴歸平方和 $\text{SSR} = \text{Model SS} = 11546.61$
• 殘差平方和 $\text{SSE} = \text{SST} - \text{SSR} = 357369.83 - 11546.61 = 345823.22$
• 殘差均方 $\text{MSE} = s_e^2 = \frac{\text{SSE}}{N - 2} = \frac{345823.22}{256} \approx 1350.87 \implies s_e \approx 36.754$
• 自變數離均差平方和 $\sum (X_i - \bar{X})^2 = (N - 1) s_X^2 = 257 \times (9.34)^2 \approx 22419.55$
• 斜率標準誤： $\text{SE}(b) = \frac{s_e}{\sqrt{\sum (X_i - \bar{X})^2}} = \frac{36.754}{\sqrt{22419.55}} = \frac{36.754}{149.732} \approx 0.2455$

3. 求 $95\%$ 信賴區間： 自由度 $df = N - 2 = 256$，題目給定臨界值 $t_{256, 0.975} = 1.969$。 $b \pm t_{256, 0.975} \times \text{SE}(b) = 0.7179 \pm 1.969 \times 0.2455 = 0.7179 \pm 0.4834$ $\text{95\% CI} = [0.235,\ 1.201]\ \text{(mg/dL per mmHg)}$

（二）模式 1 中總膽固醇與舒張壓之相關係數及其 $95\%$ 信賴區間

1. 相關係數點估計值： 由相關係數矩陣直接查得： $r = 0.1798$ （亦可由判定係數驗算：$r = \sqrt{R^2} = \sqrt{0.0323} \approx 0.1797$）

2. $95\%$ 信賴區間推導（標準費雪 $z$ 轉換法）：

• 進行費雪轉換： $z_r = \frac{1}{2} \ln \left( \frac{1 + r}{1 - r} \right) = \frac{1}{2} \ln \left( \frac{1.1798}{0.8202} \right) = \frac{1}{2} \ln(1.43843) \approx 0.1818$
• $z_r$ 之漸近標準誤： $\text{SE}(z_r) = \frac{1}{\sqrt{N - 3}} = \frac{1}{\sqrt{258 - 3}} = \frac{1}{\sqrt{255}} \approx 0.06262$
• 計算 $z$ 尺度下的 $95\%$ 信賴區間（取 $t_{256, 0.975} = 1.969$ 或標準常態臨界值 $1.96$）： $z_L, z_U = 0.1818 \pm 1.969 \times 0.06262 = 0.1818 \pm 0.1233 = [0.0585,\ 0.3051]$
• 反轉換回母體相關係數 $\rho$： $\rho_L = \frac{e^{2(0.0585)} - 1}{e^{2(0.0585)} + 1} \approx 0.0584$ $\rho_U = \frac{e^{2(0.3051)} - 1}{e^{2(0.3051)} + 1} \approx 0.2960$ $\text{95\% CI} = [0.058,\ 0.296]$

註：若採初等生物統計的大樣本對稱近似公式 $r \pm t_{256, 0.975} \sqrt{\frac{1-r^2}{N-2}} = 0.1798 \pm 1.969 \times 0.06148 \approx [0.059,\ 0.301]$，數值亦十分相近。

（三）舒張壓為 $60\ \text{mmHg}$ 時，總膽固醇預測值之 $95\%$ 信賴區間

1. 計算預測點估計值 $\hat{Y}_0$：

• 已知 $\bar{X} = 64.49$，$\bar{Y} = 161.02$，$b \approx 0.7179$。
• 截距 $\hat{a} = \bar{Y} - b \bar{X} = 161.02 - 0.7179 \times 64.49 \approx 114.72$
• 當 $X_0 = 60\ \text{mmHg}$ 時： $\hat{Y}_0 = \bar{Y} + b(X_0 - \bar{X}) = 161.02 + 0.7179 \times (60 - 64.49) = 161.02 - 3.223 \approx 157.80\ \text{mg/dL}$

2. 區間估計計算： 國家考試題目中「預測值之信賴區間」通常指平均值之信賴區間（若閱卷標準採個別值之預測區間，兩者公式與計算如下，並陳作答最為完整）：

• 觀點一：平均反應值之信賴區間（Confidence Interval for Mean Response, $\mu_{Y|X_0}$） $\text{SE}(\hat{\mu}_{Y|X_0}) = s_e \sqrt{\frac{1}{N} + \frac{(X_0 - \bar{X})^2}{\sum (X_i - \bar{X})^2}}$

核心觀念

本題評量生物統計學的三大基礎核心架構：

1. 敘述統計學之離散度量數：四分位距（$\text{IQR}$）為無母數／耐抗性統計量，用於衡量資料中間 $50\%$ 的分散程度，定義為： $\text{IQR} = Q_3 - Q_1$
2. 假說檢定之決策錯誤：第一類錯誤（Type I error）為「虛無假說（$H_0$）為真，卻被檢定拒絕」的錯誤決策；其發生機率即為顯著水準（$\alpha$）： $\alpha = P(\text{拒絕 } H_0 \mid H_0 \text{ 為真})$
3. 推論統計之理論基石：中央極限定理（Central Limit Theorem, CLT）確立了獨立同分配（i.i.d.）且具備有限母體變異數之隨機樣本，當樣本數 $n$ 充分大時，樣本平均數 $\bar{X}$ 的抽樣分配必趨近於常態分配： $\bar{X} \xrightarrow{d} N\left(\mu, \frac{\sigma^2}{n}\right) \quad \text{或} \quad Z = \frac{\bar{X} - \mu}{\sigma/\sqrt{n}} \xrightarrow{d} N(0, 1)$

解題方法

申論題的名詞解釋每小題配分 $5$ 分，閱卷評分重點在於「定義嚴謹性」、「數學公式／符號表達」以及「統計意涵與實務應用」。各小題切入架構如下：

（一）四分位距（Interquartile Range, IQR）

1. 數學定義：將資料由小到大排序後，分割為四等份之切點分別為第一四分位數（$Q_1$，第 $25$ 百分位數）、第二四分位數（$Q_2$，中位數）與第三四分位數（$Q_3$，第 $75$ 百分位數）。四分位距即為第三四分位數與第一四分位數的差值： $\text{IQR} = Q_3 - Q_1$
2. 統計意涵與特性：

• 涵蓋範圍：代表資料集中間 $50\%$ 觀測值的變異範圍。
• 耐抗性（Robustness/Resistance）：相較於全距（Range）與標準差（Standard Deviation），$\text{IQR}$ 極不易受極端值（Outliers）或偏態資料影響。
• 繪圖與離群值判定：在盒鬚圖（Boxplot）中，內籬（Inner fences）界線通常設定為 $[Q_1 - 1.5\times\text{IQR}, \, Q_3 + 1.5\times\text{IQR}]$，落於此區間外的觀測值即被視為潛在離群值。在海洋生物調查（如浮游生物計數、漁獲量、重金屬殘留量）常具高度偏態，$\text{IQR}$ 是搭配中位數的最佳離散度指標。

（二）第一類錯誤（Type I Error）

1. 統計定義：在統計假說檢定中，當虛無假說（Null Hypothesis, $H_0$）實質為真，但檢定統計量落入拒絕域，導致研究者做出「拒絕 $H_0$」的錯誤結論，稱為第一類錯誤（又稱型 I 錯誤或偽陽性 False Positive）。
2. 機率控制與意涵：

• 第一類錯誤的發生機率以符號 $\alpha$ 表示，稱為顯著水準（Significance level）： $\alpha = P(\text{拒絕 } H_0 \mid H_0 \text{ 為真})$
• 傳統統計檢定採 Neyman-Pearson 準則，在檢定進行前即由研究者預先設定 $\alpha$ 上限（常見為 $0.05$ 或 $0.01$），嚴格控制將無效誤判為有效之風險。
• 與第二類錯誤（Type II error, $\beta = P(\text{不拒絕 } H_0 \mid H_0 \text{ 為偽})$）在固定樣本數 $n$ 下存在權衡消長關係（Trade-off）；欲同時降低 $\alpha$ 與 $\beta$（提高檢定力 $1-\beta$），必須增加樣本數。

（三）中央極限定理（Central Limit Theorem, CLT）

1. 定理內容與條件：設自任意母體（無論其母體分配型態為常態、偏態或離散）抽取一組大小為 $n$ 的獨立同分配（i.i.d.）隨機樣本 $X_1, X_2, \dots, X_n$，若母體具有有限的平均數 $\mu$ 與有限的變異數 $\sigma^2$（即 $\sigma^2 < \infty$），則當樣本數 $n$ 趨近於無窮大時，樣本平均數 $\bar{X} = \frac{1}{n}\sum_{i=1}^n X_i$ 之抽樣分配將趨近於常態分配：