健康: 研究方法

Showing posts with label 研究方法. Show all posts

Showing posts with label 研究方法. Show all posts

全民健保資料庫研習收穫

10月7日我去參加由台灣醫務管理學會舉辦的「健保資料庫應用研習營」，有不少收穫。本來想說這會是相當冷門的主題，當天卻發現參加的學員人數也比我預期的要踴躍許多。可見國內運用健保資料庫進行研究已逐漸受到重視。

政大連賢明教授曾在2006年寫過一篇專文介紹健保資料庫，是有心使用健保資料庫的研究人員的入門，他說：「為了促進健保相關研究，中央健保局自2000 年起，委託國家衛生研究院發行全民健保資料庫，希望透過健保資料的發行，累積實證基礎，進而帶動健保政策的深入討論。這個資料庫累積了台灣兩千三百萬人口，自健保開辦以後的所有健保就醫資料，並允許研究者連結就醫病患、醫師、以及醫療院所的基本特性，不論就深度和廣度而言，和國外類似醫療資料庫相比較毫不遜色，在費用上更不及國外類似資料庫價格的數十分之一。令人惋惜的是，或受限於資料規模龐大，或受限於處理分析複雜，或受限於重要變數缺乏，許多研究者對使用健保

電腦醫令系統是否能有效降低藥物的錯誤率及藥物不良事件？

藥物其實是利用所含的化學成分來治病，而這些化學成分都有某種程度的毒性，因此藥物本身就有一定的危險性，若使用得當可以幫助病人減緩病痛或抑制病症，如果使用錯誤則會產生危害，甚至導致病人喪生。

藥物準備處理的過程中有太多的因素會造成錯誤，最常見的錯誤包括以下幾種：醫師開錯處方；醫師不知道或未注意而開出導致病人的過敏的藥物；醫師開的藥物與病人正在服用的藥物產生不良的交互作用；不同的醫師開同樣的藥給某一位病人，使得病人服用過量的藥物；醫師的處方字跡過於潦草，藥囑輸入人員看錯而鍵入錯誤的藥物(包括藥名、劑量、劑型、用法或用藥頻率的錯誤)；藥師看錯處方或拿錯藥物；藥師配錯劑量或劑型；藥師發藥給錯誤的病人；護理人員發錯藥給病人；護理人員發藥給錯誤的病人等等。

因為這些問題，臨床上已經發展出許多的手續設法去避免藥物的錯誤，像是在整個藥物核發的過程中會經手的藥師和護理師都必須確實執行給藥的三讀五對，以

畢業論文撰寫過程

上禮拜五(11月13日)我完成並通過論文答辯，很感謝上帝的帶領，以及家人、同仁、好友的關心支持，尤其是論文審核委員的鼓勵與指導，才能順利過關，並完成博士課程的所有要求。論文研究計畫提案在八月底審查通過後，我便著手彙整資料，大概花了一個禮拜的時間將研究分析所需要的資料整理好，開始跑統計分析，有初步的結果後，我先跟經濟系的Dr. Stratton討論分析中遇到的問題以及結果，她給了我一些建議，我再回去訂正資料，調整分析模式，有了更進一步的結果，Dr. Stratton對這次結果的可信度比較滿意，所以我便用這套分析模式與資料作為基礎，去跑變數敘述統計分析(descriptive statistics)、關連性、以及主要的迴歸分析，得到主要的分析結果。在確認研究變數基本上沒有大問題，以及結果有些雛形之後，心理上對論文的完成也比較篤定，這時我回過頭去開始撰寫論文的第四章「研究方法」(Methods

隨機控制實驗(Randomized Control Trial, RCT)

在臨床研究或新藥實驗方面，RCT的結果是最有公信力的，因為這種實驗的設計透過隨機配組的方式使要進行研究比較的各組成員在各方面盡可能相似，讓各組之間唯一不同的變項就是要研究的介入措施，然後再比較各組在不同介入措施之後所產生的結果是否有明顯差別，最後去決定介入措施與結果之間是否有因果關係存在。雖然RCT目前已經是進行臨床研究及新藥實驗的必要標準，而且理論上可以運用在各種領域的研究，但是要將RCT運用到社會科學或醫管及政策研究，仍然有其難度，所以這些領域真正RCT的研究目前還不很多。比如在1883年，英國有一位人類學家Francis Galton提出人是否能透過真誠的禱告，幫助他/她在超過所能掌控的事物上得到如願的結果(如：禱告是否可以幫助病人快一點康復？)。他主張應該透過實證，而非權威，去尋求事實。直到1965年，有兩位學者Joyce和Welldon採用RCT去研究禱告的果效，結論是別人的代

研究資料的整理

資料是研究分析的基礎，除了理論推導的研究不需要資料之外，其他的研究工作都需要正確且齊全的資料，才有辦法進行。在美國進行醫管或健康行政的實證(計量)研究，大致上有三種資料來源。第一種是研究者自己設計問卷，透過問卷調查收集所需要的資料；這是屬於一手資料的收集(primary data collection)，這種資料收集方式可以研究全國性的樣本，也可以針對某些特定的對象進行研究。下面兩種則是屬於運用現成的二手資料：首先是從相關的幾種全國的資料庫中挑出自己需要的資料，加以整合，這種方式絕大多數是以全國的樣本做為研究對象；但是有時候研究的資料在這些全國的資料庫中找不到，或是資料無法整合，這時可能得藉由第三種方式，即針對可以找到資料來源的範圍進行研究。比如我想研究牙科診所的效率變化，目前美國應是沒有一致、長期收集的全美牙科診所資料，但是有些州政府可能有定期收集或要求州內所有牙科診所填報財務與服務

社會研究常用的研究設計與迴歸分析模式

在準備第二次資格考時，我針對社會科學研究常用到的幾種研究設計，一一列出可以搭配使用的迴歸分析模式。我的同學Matt覺得我所整理這份資料是這兩年來修計量經濟學時沒有看到的角度，特別是對要應用這些方法來從事研究分析的人來說很有幫助。因此我也將自己的想法與嘗試跟更多同好分享：1.研究設計方式: One-shot case研究設計概念圖形: X----O1-1.計量分析形態: Cross-sectional(橫斷面分析)計量模式(公式): o = β0 + β1x + B2Z + uo=應變數 (如醫院的經營效率)x=解釋或預測變數 (如醫院的規模或床數)Z=一組控制變數u=此分析模式的誤差-------------------------------------------------------------------------------------------------------2

如何評估民意調查的品質？

上學期選修調查研究方法這門課，最大的收穫是瞭解到一份調查中可能有哪些會導致結果偏差的問題存在，而影響到調查的品質。瞭解這些問題不僅有助於自己在執行一份調查研究時能夠盡量加以避免，更有助於評估調查研究的品質或可信度。我覺得調查研究的頻繁與否應該也是衡量一個國家自由民主、社會發展的指標。越先進、開放的國家越可以看到各種民調活動與結果；政府與學界則相當依賴民意調查來了解國內的民意或社經發展的動態。在臺灣，報章媒體經常報導各種針對某個社會或政治議題所做的民調結果，提供民眾了解社會的重要管道。民調事實上已經與我們的生活息息相關。不過，每一份民調的品質可能參差不齊，我們不應該照單全收。我覺得「盡信書，不如無書」這句話如果改成「盡信民調，不如無民調」也很貼切。做為一個民調結果的閱聽者，我們必須保持某種程度的警覺與批判性。如果媒體記者在報導每一份民調結果之前，以及每位民眾在閱讀某個民調的結果時，都採取

六輕所造成的空氣汙染與鄰近鄉鎮居民健康的關係

這禮拜有一則環境衛生的新聞引起很大的關切，幾個媒體也用相當醒目的標題去報導，TVBS的網路新聞的標題是「台大研究　六輕10公里內罹癌暴增[1]」；華視網路對此則新聞所用的標題是「雲林人易罹癌! 研究發現是六輕[2]」；民視網路新聞則是用比較沒有那麼斬釘截鐵的標題「雲林台西罹癌率疑與六輕有關[3]」；自由時報所用的標題是「學者研究：5鄉鎮罹癌率六輕『顯著相關[4]』」，在報導內容方面，自由時報這則報導是比其他報導交代得比較清楚一點。根據這些報導所描述的，似乎這份研究找到了六輕所排放的廢氣與鄰近鄉鎮居民健康的關係。一般來說，環境中的危險因子與健康之間的關係並不容易確認，但是從報導中知道研究人員採用研究組(6個六輕附近鄰近的鄉鎮)與對照組(4個距離六輕十公里之外的雲林縣鄉鎮)，而且比較六輕運轉前後，這些鄉鎮居民健康(用癌症發生率與死亡率為主要指標)變化的情況，看起來應該是很有說服力才對。這

幾種常用的多變量分析方法

在各種計量方法中，只針對單一變數進行分析的方法稱為「單變量分析」(univariate analysis，比如用直方圖去分析某班學生英語的期末考成績的分布)；同時分析兩個變數的方法稱為「雙變量分析」(bivariate analysis)，這類的分析方法很多，比如用關聯性分析(correlation)去探討中學生的身高與體重的關係；用簡單迴歸(simple regression)或t-test去比較小學生的身高有沒有因為性別(男女兩組)不同而不一樣；用analysis of variance (ANOVA)去分析不同屬性醫院(營利、非營利與公立共三組)的經營績效是否有所不同，等等。多變量分析(multivariate analysis)是泛指同時分析兩個以上變數的計量分析方法。在實際的情況中，我們所關心的某種現象通常不只跟另一個變數有關係，比如會影響醫院績效的變數不只是醫院的屬性而已，

從研究方法看消費券效果的評估

在學術研究的主題中，某種措施或方案有沒有效果一直是一個讓人很感興趣的題目。在醫學方面有很多研究都在探討服用某種藥物對病人病情或症狀是否有所改善，以及某種癌症手術的施行對病人的存活率有否幫助；公共衛生學者經常會針對某種健康介入措施(如定期運動或健康篩檢)對健康改善或疾病及早的發現與預後是否有正面的影響，或者某種保健政策(如補助年長者施打流感疫苗)對民眾的健康有否產生功效等主題進行研究。在經濟學或政治學領域，公共政策的實施效果更是一個重要的研究對象。最近台灣政府所實施的政策中，最受到廣泛討論的可能就是消費券的發放。政府為此花了八百多億的經費，希望藉此刺激民眾消費與景氣。到底這個政策有沒有效？是否有達成原先設定的目標(發揮加乘效果，挹注GDP一個百分點)？一直是各界關切與討論的議題。最近聽說政府委託學界進行的評估報告即將出爐，屆時答案應該可以揭曉。不過這禮拜已經可以在媒體上看到不同學者對消費券

兩年的修課回顧

這禮拜是學期的最後一週，也為我兩年來的修課生活畫下休止符，感覺好像卸下一顆大石頭一樣。說真的，我覺得修課是蠻累的一件事，每個禮拜都得追著老師的進度跑，除了一堆的指定閱讀材料之外，作業、考試、期中與期末書面及口頭報告也是少不了的，真希望每天有36或48個小時可以用。我們系上對全職生的課程安排是兩年內修完48個學分，同時要通過兩次資格考試，即使我們想要放慢一下腳步也不行。兩年來除了第一個寒假可以喘一口氣之外，第一個暑假也要修課，第二個寒假要準備及接受第一次資格考，第二個暑假的前半段則是要準備第二次資格考。雖然我下個月就要考第二次資格考，不過沒有課程的負擔就已經讓人覺得舒服多了。

據我所知，與歐洲國家學校相比，美國的研究所課程比較重視修課，必修學分相當多，歐洲許多研究所並沒有硬性要求學生修多少學分，而是以獨立研究(independent study)為主，學生與指導教授視研究生所要進行的學位

影響受訪者參與調查的因素

上禮拜讀到一篇文章[1]在討論受訪者決定參與調查的因素，雖然這篇文章是在1992年發表的，不過現在來看還是相當有道理，也仍然是調查研究中常被引用的文獻。調查受訪者的參與率或回覆率一直是調查研究的一個重要品質指標，雖然近年來有一些研究發現回覆率(response rate)與調查研究的準確度不一定成正比關係，不過回覆率很低的調查有潛在的未回覆誤差，除非研究者可以有足夠的資料佐證在回覆率低的情況下所得到的資料仍然具備一定程度的代表性，否則很容易受到質疑。雖然學者普遍都同意回覆率在調查研究中的重要性，也有不少的文章在討論有哪些方法可以提高調查的參與率，可是學界卻缺乏一套完整的理論去說明為什麼受訪者會參與/接受調查，或願意填寫問卷回覆，或者有哪些因素會影響受訪者的決定。這篇文章主要就是在彙整幾個相關的觀點，試圖整合出一個可以幫助我們瞭解這些行為背後的因素的理論或概念模式，以便能夠引導相關研究的

抽樣方法(Sampling methods)

抽樣調查是社會科學重要的根基，絕大多數社會科學研究都是使用抽樣調查所得到的資料，只不過量化研究比較強調及偏重使用由機率抽樣方法所得到的資料，而質性研究所根據的是非機率抽樣方法所獲得的資料。抽樣調查也是了解民意、社經國情與施政的重要基礎。我一直認為美國是一個以抽樣調查治國的國家，如果沒有抽樣調查的技術，這個國家基本上很難運作。比如美國並沒有一套準確的全國戶口資料，更沒有全國一致的國民身分證，就連其國境內有多少合法人口，或國民人數到底有多少，並沒有人能夠說出一個確切的數目，最好的回答可能是大概三億加減多少，而這是透過許多現有的文件登記資料(如聯邦政府的社會安全號碼、各州的駕駛執照人數、醫院開出的出生證明等)，再加上抽樣調查的統計推估所得到的。抽樣方法分為兩大類，第一類是機率抽樣(probability sampling)，第二類是非機率抽樣(non-probability sampling)

用DEA研究台灣國內醫院的效率

資料包絡分析(Data Envelopment Analysis, DEA)的學理是由美國的學者Charnes, Cooper, & Rhodes在1978年所提出的，之後DEA開始被運用到各個產業去研究或分析各類組織或機構的經營效率。一直到1984年，DEA才首度由Sherman用來研究醫院的效率；從此之後，有許多美國的學者使用DEA進行不少與醫院效率有關的比較分析，所發表的研究論文數量在1990年代初期達到高峰。然而從1990年代下半期之後，由歐洲的學者用DEA所發表的醫院效率研究的論文篇數超過美國，而且其他國家(如台灣、南非、約旦)也陸續有學者用DEA研究醫院效率並發表在國際的學術期刊上面。此外，國內也有不少篇用DEA研究各類醫院經營效率的文章發表在相關的期刊。台灣國立醫院效率的DEA分析最近我讀到一篇用DEA研究台灣國立醫院效率的研究論文[1]，我覺得相當有代表性。這篇文章是

調查研究的誤差(Survey Error)

在進行調查研究時不能不知道調查研究有哪些潛在的誤差，雖然沒有任何一份調查研究是完全沒有誤差的，但是一份好的調查研究必須設法克服導致誤差出現的因素，盡可能降低其誤差，以提高其準確度。此外，瞭解調查研究有哪些誤差也可以幫助我們在解讀一份調查研究的結果時，做出比較中肯的判斷與結論；也可以讓我們知道一份調查研究結果的限制所在，避免被結果誤導。調查可以分兩類，一類是普查(census)，另一類是抽樣調查，前者是指針對研究的所有對象(又稱母群體，population)直接做調查，即母群體中的每一分子都被納入調查的對象；後者是從母群體中抽出一部分的對象(也稱為樣本，sample)來進行調查，希望從有限的樣本來了解母群體的真正情況。比如我們想要了解醫院所有病人對醫院服務的滿意度，如果我們對每一位病人都做調查，便是普查；如果我們只抽某一天的病人來進行調查，便是抽樣調查。照理說普查是比抽樣調查來得理想，因為

邏輯迴歸分析(Logistic regression)

迴歸的基本原理迴歸分析是一個大家族，裡面包含很多不同的分析模式，最基本的模式是線性迴歸模式(linear regression)，有時候又被稱為ordinary least square (OLS)模式。線性迴歸是假設應變數的各個數值是自變數所構成的某種直線函數值，再加上一個誤差值所得到的數值，比如下面的數學公式：yi = β0 + β1x1i + β2x2i + β3x3i + ei其中y (如體重)是應變數，x1(如身高), x2(如性別), x3(如年紀)是與y有關的自變數，e是誤差值。β0 + β1x1 + β2x2 + β3x3就是y與此三個自變數之間的直線函數。線性迴歸分析是要去找出應變數與自變數之間的直線函數是什麼。如果我們已經知道哪些自變數會影響應變數，剩下來的工作便是去估算β0~β3這四個係數的值，以知道y與這些自變數之間的關係函數。線性迴歸在估算關係函數中的係數值時，

資料包絡分析(Data Envelopment Analysis, DEA)

這學期「健康照護機構成效的計量分析」這門課的前半段是在介紹Data envelopment analysis(DEA)這種分析方法。台灣學界一般將DEA翻譯成「資料包絡分析」，這是一種使用非參數的分析技術(non-parametric technique)，可以同時考慮多個變數的成效評估方法。傳統的效率分析方法的限制舉一個例子來說，如果我們要研究或比較十間醫院的效率，通常先要找出可以比較的效率指標，比如每床平均住院人數、每位員工平均門診量、或佔床率(總住院人日除以總床數再除以365天)，然後從這十家醫院的資料去計算這些指標值，最後再就某一個指標去做比較，看哪一家醫院的效率最高。問題是不同的效率指標所得到的比較結果可能不一樣，某些醫院在指標A方面效率較高，可能在指標B方面所表現的效率也許不那麼理想。那到底這十家醫院中，誰的整體效率最好呢？我們無法從傳統的指標分析中得到很明確的結論。有一個

研究倫理

這禮拜的「研究提案規劃」課討論到與研究相關的學術倫理。這門課的教科書”Proposals that work”的第二章[1]提到了幾點相當重要，有時卻很容易被忽略的研究倫理議題，從這裡也讓我想到行政管理中的相關問題。這一章用「誠實」為中心軸來貫穿研究的倫理。首先，作者認為科學的基礎與目標是「真實」或事實(truth)。科學的終極目的在追求或瞭解真理或真相，而所使用的手段也是「有一分證據說一分話」。科學家或研究人員的最基本要求是對自己、科學精神、被研究對象與研究社群誠實，絕對不能有絲毫的造假與扭曲，否則是對科學與對自己最大的殘害與踐踏。誠實的原則對任何人都絕對不是陌生的道理，我們從小就被教導誠實的重要性，受過高等教育的研究人員或科學家會不懂這些原則嗎？事實上研究工作中有許多的試探，會引誘研究人員做出違背誠實的行為。首先，學術界的激烈競爭有時候會使得研究人員不擇手段，在有些科學領域的最前端，

調查研究(survey research)的幾個迷思

調查研究有ㄧ些過去被廣泛遵循或接受的看法與做法，比如認為調查回覆率越高越好、前測所用的方法、制式化的訪談進行方式、封閉式回答選項、以及社會讚許的反應偏誤(social desirability response bias)對調查影響程度等。後來由於調查方法的實證研究發現這些看法或做法本身也有ㄧ些限制或迷思存在，使得學者開始對這些傳統的看法或做法做必要的修正，並導致調查研究在新的世紀產生新的方向與趨勢。這禮拜讀到的一篇文章[1]，就討論到幾個以往調查研究的迷思，並指出新的努力方向。第一個迷思，是研究人員一般認為調查回覆率越高越好，因為在隨機抽樣的前提下，調查回覆率(如問卷回收率)越高，所得到的樣本也越有代表性，因此所得到的結果也更為準確。不過有研究發現回覆率與結果的準確性並沒有絕對的正相關，回覆率高不保證就較準確，而回覆率低也不一定就不準確。有一個實例是在預測15年來俄亥俄州的選舉結果，

回答調查問題的心理機制(psychology of survey responses)

最近「調查研究」(survey research)這門課都在學問卷內容設計。本來我以為設計問卷內容應該是很單純的ㄧ件事，只要把想要了解的問題問清楚，自然可以收集到很準確的回答或資料。修了這門課之後，才發現事情沒有想像的這麼簡單。一個問卷內容大致是由三個要素構成的—問題(question stem)、回答選項(response category)與整體編排設計。光是問題要問得明確與恰當這件工作上面，就有許多原則要考慮，不過只要參考這些原則，應該不會有太大的問題才對。挑戰比較大的地方，在於受訪者如何回答，這方面牽涉到很複雜的心理機制，許多並非調查設計者所能完全掌控的。有許多學者已經投入這個領域的研究，使得回答調查問題的心理學(psychology of survey response)成為一門專門的學問，我們最近大多在讀這方面相關的書或文章，由於自己缺乏心理學的底子，一時之間被弄得昏頭轉向，