107 高普考高考三級 醫務管理 生物統計學與流行病學 考古題詳解

核心觀念

1. 羅吉斯迴歸模式（Logistic Regression Model）： 適用於應變項（依變項）為二元變項（Binary variable，如高血壓：有 $Y=1$，無 $Y=0$）的統計分析。其核心轉換為 Logit 轉換（對數勝算，Log-odds）： $\operatorname{logit}(P) = \ln\left(\frac{P}{1-P}\right) = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \cdots + \beta_k X_k$ 其中 $P = P(Y=1)$ 代表罹患高血壓之機率，$\frac{P}{1-P}$ 為勝算（Odds）。

2. 勝算比（Odds Ratio, OR）： 報表中的 $\operatorname{Exp}(B) = e^B$ 即為「調整後勝算比」（Adjusted Odds Ratio, aOR）：

• 當連續型自變項每增加 1 個單位時，在控制其他變項不變的前提下，罹患高血壓的勝算變為原來的 $e^B$ 倍。
• 若 $B > 0 \implies \operatorname{Exp}(B) > 1$，代表該變項為危險因子（勝算隨之增加）；若 $B < 0 \implies \operatorname{Exp}(B) < 1$，代表該變項為保護因子（勝算隨之降低）。

3. 顯著性檢定指標：

• Wald 檢定：檢定虛無假設 $H_0: \beta_i = 0$。檢定統計量為 $\text{Wald} = \left(\frac{B}{SE}\right)^2$，在自由度 $df=1$ 下服從卡方分配 $\chi^2(1)$。顯著水準 $\alpha = 0.05$ 之臨界值為 $3.84$。
• $P$ 值準則：若 $P < \alpha$（本題 $\alpha = 0.05$），則拒絕虛無假設，代表該變項具統計顯著性。
• 95% 信賴區間（CI）準則：$\operatorname{Exp}(B)$ 之 95% 信賴區間若未包含 1（虛無值 Null value），等價於在 $\alpha = 0.05$ 下達到統計顯著。

---

解題方法與試題解析

(一) 請解釋此多變項羅吉斯迴歸模式之結果。（10 分）

1. 迴歸模式方程式： 根據報表估計之係數，罹患高血壓的對數勝算模式為： $\ln\left(\frac{P}{1-P}\right) = -3.402 + 0.033 \times (\text{年齡}) - 0.688 \times (\text{性別}) - 0.028 \times (\text{BMI}) + 0.028 \times (\text{空腹血糖}) - 0.016 \times (\text{HDL})$

2. 各變項結果詳細解釋（在控制模式中其他變項不變的情形下）：

• 常數項（Intercept, $B = -3.402, P = 0.035$）： 當所有自變項數值皆為 0 時之基準對數勝算為 $-3.402$；基準勝算為 $\operatorname{Exp}(-3.402) = 0.033$，達統計顯著水準。
• 年齡（$B = 0.033, \operatorname{Exp}(B) = 1.033, P = 0.044$）： 年齡每增加 1 歲，罹患高血壓之勝算增加約 $3.3\%$（$OR = 1.033$，95% CI: $1.001 \sim 1.066$），達統計顯著差異（$P < 0.05$）。
• 性別（$B = -0.688, \operatorname{Exp}(B) = 0.503, P = 0.096$）： 女性（女 = 1）罹患高血壓之勝算為男性（男 = 0，參考組）的 $0.503$ 倍（勝算降低約 $49.7\%$），但 95% CI 為 $[0.223, 1.131]$（包含 1），且 $P = 0.096 > 0.05$，在 $\alpha = 0.05$ 下未達統計顯著。
• 身體質量指數（BMI, $B = -0.028, \operatorname{Exp}(B) = 0.973, P = 0.520$）： BMI 每增加 $1\ \text{kg/m}^2$，罹患高血壓之勝算為原來的 $0.973$ 倍（95% CI: $0.894 \sim 1.058$），$P = 0.520 > 0.05$，未達統計顯著。
• 空腹血糖（$B = 0.028, \operatorname{Exp}(B) = 1.028, P < 0.001$）： 空腹血糖每增加 $1\ \text{mg/dL}$，罹患高血壓之勝算增加約 $2.8\%$（$OR = 1.028$，95% CI: $1.012 \sim 1.044$），達高度統計顯著（$P < 0.001$）。
• 高密度脂蛋白膽固醇（HDL, $B = -0.016, \operatorname{Exp}(B) = 0.984, P = 0.248$）： HDL 每增加 $1\ \text{mg/dL}$，罹患高血壓之勝算為原來的 $0.984$ 倍（95% CI: $0.958 \sim 1.011$），$P = 0.248 > 0.05$，未達統計顯著。

---

(二) 請說明哪幾個自變項為高血壓之顯著預測因子？並說明為什麼？（10 分）

1. 顯著預測因子： 僅有​「年齡」​與​「空腹血糖」​兩個自變項為高血壓之顯著預測因子。

2. 判斷理由（具備三重檢定一致性依據）：

• 依據 $P$ 值判斷： 題目設定第一型誤差 $\alpha = 0.05$。
• 年齡：$P = 0.044 < 0.05$，拒絕虛無假設 $H_0: \beta_{\text{年齡}} = 0$。

核心觀念

本題旨在測驗流行病學中分析「第三變項（Third Variable）」角色的兩大核心概念：干擾因子（Confounder）​與效應修飾因子（Effect Modifier / Interaction）​之定義、辨識原則與分層分析（Stratified Analysis）判讀技巧。

1. 研究因果架構：

• 主要暴露因子（Exposure, $E$）：酗酒（Alcohol abuse）。
• 疾病結果（Outcome, $D$）：肝癌（Liver cancer）。
• 探討之第三變項（Third variable, $Z$）：抽菸習慣（Smoking）。
• 相對危險性（Relative Risk, $RR$）： $RR = \frac{I_e}{I_0}$ 其中 $I_e$ 為酗酒組之肝癌發生率，$I_0$ 為無酗酒組之肝癌發生率。

2. 效應修飾因子（Effect Modifier）的判定法則：

• 當主要暴露與疾病間的關聯強度，會隨著第三變項的不同分層（Strata）而產生實質差異時，該第三變項即為修飾因子。
• 判定依據：比較各分層的特異性相對危險性（Stratum-specific $RR$）。
• 若 $RR_1 \neq RR_2$（各分層不相等），代表存在效應修飾作用（修飾因子）。
• 若 $RR_1 = RR_2$（各分層相等），代表無效應修飾作用。

3. 干擾因子（Confounder）的判定法則：

• 第三變項同時與暴露及疾病有關，且非中介因子，導致未分層的粗相對危險性（Crude $RR$）產生系統性偏誤。
• 判定依據：比較未分層的粗相對危險性（$RR_{\text{crude}}$）與各分層相對危險性（$RR_{\text{strata}}$）。
• 若無干擾作用，粗相對危險性應為各分層相對危險性的加權平均值，數值必然落在兩分層數值區間之內（即 $\min(RR_1, RR_2) \le RR_{\text{crude}} \le \max(RR_1, RR_2)$）。
• 若粗相對危險性顯著偏離分層值，甚至落在分層數值區間之外（$RR_{\text{crude}} < \min$ 或 $RR_{\text{crude}} > \max$），此為典型的「辛普森悖論（Simpson's Paradox）」，代表存在嚴重的干擾偏差（干擾因子）。

---

解題方法

題目表格呈現兩個獨立假設研究情境（情況 A 與情況 B），表中列出依「有無抽菸習慣」分層後，酗酒與肝癌的相對危險性（無抽菸層、有抽菸層）以及未分層的整體合計（粗相對危險性 Crude $RR$）：

情境	無抽菸分層（$RR_1$）	有抽菸分層（$RR_2$）	合計粗估值（$RR_{\text{crude}}$）
情況 A	$2.0$	$5.0$	$3.5$
情況 B	$2.0$	$5.0$	$1.5$

(註：題幹表格中標示「A（有酗酒）」與「B（無酗酒）」係出題者設定之兩組獨立假想分析情境，探討酗酒與肝癌關聯在不同研究資料分佈下的結果。)

解題步驟採標準流行病學「先檢定修飾、再評估干擾」之二步驟法：

• 步驟一（判斷修飾因子）：直接比較分層特異性相對危險性 $RR_{\text{無抽菸}}$ 與 $RR_{\text{有抽菸}}$ 是否相等。
• 步驟二（判斷干擾因子）：比較合計值 $RR_{\text{crude}}$ 與兩分層區間 $[2.0, 5.0]$ 的相對位置關係。

---

題目逐小題詳解

(一) 請說明何謂干擾因子？何謂修飾因子？（8 分）

1. 干擾因子（Confounding Factor / Confounder）：

• 定義：在探討特定暴露因子（$E$）與疾病（$D$）之因果關係時，若存在外在第三變項（$C$），同時與暴露及疾病具有關聯，進而扭曲或混淆了真實因果關係，導致研究估計值產生系統性偏誤（高估、低估或方向反轉），該第三變項即為干擾因子。
• 判定之三大必備準則：

1. 必須是疾病的獨立危險因子或保護因子（即使在非暴露組中亦獨立影響疾病）。
2. 必須與暴露因子存在關聯（在暴露組與非暴露組間分佈不均）。
3. 絕不可位於暴露導致疾病之因果鏈上的中介位置（非中介變項 Mediator，$E \not\rightarrow C \rightarrow D$）。

• 處理原則：干擾屬於方法學上的「偏誤（Bias）」，研究者應於研究設計階段（隨機分派、配對、限制條件）或資料分析階段（分層分析、多變量迴歸校正、標準化）予以控制或消除。

2. 修飾因子（Effect Modifier / 效應修飾因子）：

• 定義：指主要暴露因子對疾病的效應強度（如 $RR$ 或 $OR$），會隨著該第三變項（$M$）的不同層級（Strata）而呈現實質差異（異質性）。這表示該變項與暴露因子在疾病發生機制中存在生物學或統計學上的「交互作用（Interaction）」。
• 判定方法：經分層分析後，各分層特異性關聯指標不相等（即 $RR_{\text{層級1}} \neq RR_{\text{層級2}}$）。
• 處理原則：修飾作用反映的是自然界的真實生物學現象，並非研究偏誤。

核心觀念

本題評量雙變項連續資料之相關性檢定與簡單線性迴歸分析（Simple Linear Regression）​之整合應用能力，為公職醫務管理類科的高頻核心考點。

1. 皮爾森積差相關係數顯著性檢定（$t$ 檢定）：

• 目的在檢定母體相關係數 $\rho$ 是否顯著異於 $0$。
• 檢定統計量公式為： $t = \frac{r\sqrt{n-2}}{\sqrt{1-r^2}} \sim t(df = n-2)$
• 在簡單線性迴歸中，檢定「相關係數 $\rho = 0$」與檢定「迴歸斜率 $\beta_1 = 0$」完全等價，其檢定統計量恆滿足 $t^2 = F$。

2. 簡單線性迴歸模式的生物醫學詮釋：

• 模式通式：$\hat{y} = b_0 + b_1 x$。
• 截距項（$b_0$）：當自變項 $x=0$ 時依變項 $y$ 的預期估計值（實務上須注意 $x=0$ 是否具臨床實質意義及是否超出樣本涵蓋範圍）。
• 斜率項（$b_1$）：自變項 $x$ 每增加 1 個單位時，依變項 $y$ 平均變化的單位量。
• 模式顯著性：依據變異數分析表（ANOVA table）之 $F$ 檢定判定模式整體是否顯著。

3. 決定係數（Coefficient of Determination, $R^2$）：

• 定義公式： $R^2 = \frac{SSR}{SST} = 1 - \frac{SSE}{SST}$
• 在簡單線性迴歸中，決定係數恰等於皮爾森相關係數的平方（$R^2 = r^2$），代表依變項總變異中可由自變項線性解釋的比例。

---

解題方法

(一) 皮爾森相關係數之顯著性檢定

1. 建立假說：

• 虛無假說（$H_0$）：$\rho = 0$（年齡與收縮壓無母體線性相關）
• 對立假說（$H_1$）：$\rho \neq 0$（年齡與收縮壓存在母體線性相關）

2. 設定顯著水準與查表臨界值：

• 顯著水準 $\alpha = 0.05$（雙尾檢定）。
• 自由度 $df = n - 2 = 131 - 2 = 129$。
• 查表得臨界值：$t_{129, 0.975} = 1.979$。
• 拒絕域為：$|t| > 1.979$。

3. 計算檢定統計量： 由題目已知 $n = 131$，$r = 0.416$： $r^2 = (0.416)^2 \approx 0.1731$ $t = \frac{0.416 \times \sqrt{131 - 2}}{\sqrt{1 - 0.1731}} = \frac{0.416 \times \sqrt{129}}{\sqrt{0.8269}} \approx \frac{0.416 \times 11.3578}{0.9093} \approx 5.20$

4. 統計決策與結論： 因為統計量檢定值 $t = 5.20 > 1.979$（或由 ANOVA 表對應之 $P < 0.001 < 0.05$），落入拒絕域，故拒絕虛無假說（$H_0$）。 結論：在 $\alpha = 0.05$ 的顯著水準下，有充分的統計證據顯示年齡與收縮壓之間的皮爾森相關係數具有統計上的顯著性，兩者呈現顯著的正線性相關。

---

(二) 簡單線性迴歸模式之解釋與點估計預測

1. 模式解釋（$\alpha = 0.05$）： 模式為 $\hat{y} = 84.88 + 0.79x$（$x$ 為年齡，$y$ 為收縮壓，單位為 $\text{mmHg}$）：

• 模式顯著性：由變異數分析表可知，檢定整體模式的 $F = 27.06$，$P < 0.001 < \alpha = 0.05$，顯示該線性迴歸模式整體具統計顯著性，年齡能有效預測收縮壓。

核心觀念

本題考查流行病學中「篩檢（Screening）與診斷測驗」的理論基礎與指標評估，主要涵蓋以下核心要點：

1. 篩檢效度的定義（Validity / Accuracy）： 效度（又稱真實性或準確度）指篩檢工具能夠正確區分「有病者（Diseased）」與「無病者（Non-diseased）」的能力，亦即篩檢結果反映受檢者真實罹病狀態的程度。評估效度時，必須有一套公認的最佳診斷標準作為對照依據，稱為黃金標準（Gold Standard / Reference Standard）。

2. 效度與信度（Reliability）之區別：

• 信度（精準度／重複性）：多次重複測量結果的一致性。
• 效度（真實性／準確度）：測量結果貼近真實狀態的程度。高信度不等於高效度，但效度高必以一定信度為前提。

3. 篩檢效度的評估指標體系：

• 內在效度指標（Intrinsic validity，不受盛行率影響）：敏感度（Sensitivity, $Se$）、特異度（Specificity, $Sp$）、偽陰性率（False Negative Rate, $FNR$）、偽陽性率（False Positive Rate, $FPR$）、似然比（Likelihood Ratio, $LR$）。
• 連續型檢驗之效度評估：受試者操作特徵曲線（Receiver Operating Characteristic Curve, ROC Curve）與曲線下面積（Area Under Curve, AUC）、尤登指數（Youden's Index）。
• 臨床實用價值指標（Extrinsic validity / Predictive values，受盛行率影響）：陽性預測值（Positive Predictive Value, $PPV$）、陰性預測值（Negative Predictive Value, $NPV$）。

---

解題方法

本題為標準的 25 分申論題，評分關鍵在於「定義嚴謹」、「指標公式與意義完備」、「論述具層次性（二元分類 $\rightarrow$ 連續變項 $\rightarrow$ 實務限制）」。作答應採取以下步驟切入：

第一步：定義「篩檢效度」與確立比較基準

說明效度的本質是「測量工具正確測得其欲測量特質的程度」。在流行病學上，即為篩檢測驗結果與「黃金標準（確定有無疾病的最佳診斷方法，如病理切片、基因定序）」的一致程度。

第二步：建立 $2 \times 2$ 列聯表（Contingency Table）

將篩檢結果與黃金標準交叉比對，建立標準列聯表：

篩檢結果 \ 黃金標準	有病（$D^+$）	無病（$D^-$）	合計
陽性（$T^+$）	真陽性（$TP$）	偽陽性（$FP$）	$TP + FP$
陰性（$T^-$）	偽陰性（$FN$）	真陰性（$TN$）	$FN + TN$
合計	$TP + FN$	$FP + TN$	$N$

第三步：評述「二元分類篩檢」之效度評估指標

1. 敏感度（Sensitivity, $Se$）：

• 定義：真正有病者中，被篩檢判定為陽性的機率（真陽性率）。
• 公式：$Se = P(T^+ \mid D^+) = \frac{TP}{TP + FN}$
• 互補指標：偽陰性率（$\beta$ 或 $FNR$），即有病卻被漏檢之機率，$FNR = 1 - Se = \frac{FN}{TP + FN}$。

2. 特異度（Specificity, $Sp$）：

• 定義：真正無病者中，被篩檢判定為陰性的機率（真陰性率）。
• 公式：$Sp = P(T^- \mid D^-) = \frac{TN}{FP + TN}$
• 互補指標：偽陽性率（$\alpha$ 或 $FPR$），即無病卻被誤判為陽性之機率，$FPR = 1 - Sp = \frac{FP}{FP + TN}$。

3. 準確率（Accuracy）：

• 定義：受檢全體中，被正確判定（真陽性加真陰性）的比例。
• 公式：$Accuracy = \frac{TP + TN}{N}$

4. 似然比（Likelihood Ratio, $LR$）： 結合敏感度與特異度，不受盛行率影響，是臨床判讀的重要效度指標：

• 陽性似然比（Positive Likelihood Ratio, $LR^+$）： $LR^+ = \frac{P(T^+ \mid D^+)}{P(T^+ \mid D^-)} = \frac{Se}{1 - Sp}$ 代表有病者出現陽性的機會是無病者的幾倍（理想檢驗應 $> 10$）。
• 陰性似然比（Negative Likelihood Ratio, $LR^-$）： $LR^- = \frac{P(T^- \mid D^+)}{P(T^- \mid D^-)} = \frac{1 - Se}{Sp}$ 代表有病者出現陰性的機會是無病者的幾倍（理想檢驗應 $< 0.1$）。

第四步：評述「連續數值篩檢」之效度評估（ROC 曲線與 AUC）

若篩檢指標為連續變項（如血糖值、PSA、血壓），單一敏感度與特異度會隨臨界值（Cut-off point）不同而變動。此時需藉由 ROC 曲線 評估整體效度：

1. ROC 曲線繪製：

• 橫軸（X 軸）：$1 - Sp$（偽陽性率，$FPR$）。
• 縱軸（Y 軸）：$Se$（真陽性率）。
• 將每一個可能的判斷切點計算對應的 $(1 - Sp, Se)$ 點繪製成平滑曲線。

2. 曲線下面積（Area Under Curve, AUC）：

• 量化檢驗的鑑別效度，範圍介於 $0.5 \sim 1.0$。
• $AUC = 0.5$：表示無鑑別力（等於隨機猜測，圖形為對角線）。
• $0.7 \le AUC < 0.8$：鑑別效度可接受（Acceptable）。
• $0.8 \le AUC < 0.9$：鑑別效度良好（Excellent）。
• $AUC \ge 0.9$：鑑別效度極佳（Outstanding）。

3. 最佳切點選擇： 常藉由尤登指數（Youden's Index, $J$）​選取效度最大化的切點： $J = Se + Sp - 1 = Se - (1 - Sp)$ 當 $J$ 達最大值時，代表該切點兼顧檢出能力與排除誤診能力之綜合效度最高。

第五步：評述效度評估之臨床應用與延伸考量（預測值與盛行率）

• 雖然 $Se$ 與 $Sp$ 是篩檢工具的「內在效度（Intrinsic validity）」，但在公衛與臨床實務上，受檢者關心的是篩檢陽性時真正罹病的機率（陽性預測值, $PPV$）與陰性時無病的機率（陰性預測值, $NPV$）。
• 依據貝氏定理（Bayes' Theorem）： $PPV = \frac{Se \times Prevalence}{(Se \times Prevalence) + (1 - Sp) \times (1 - Prevalence)}$ 評估篩檢的實際應用效能時，必須注意：在低盛行率族群進行全面篩檢，即使特異度很高，$PPV$ 依然偏低，會產生大量偽陽性個案。

---

選項分析

本題為申論題型，無選項。考生常在概念辨析上產生偏差，以下針對作答時必須釐清的三組關鍵概念進行對比分析：