匯東華統計顧問有限公司
你是否也有這些困擾？
明明會做 regression，卻還是對變數調整沒把握？
你知道要放共變項，卻不確定是 confounder、mediator 還是 collider，選錯了結果會差很多。
變數越放越多，心裡卻越來越不踏實？
很多研究者習慣把能收集到的變數都丟進模型，但這不一定更嚴謹，有時反而引入新的偏誤。
聽過 DAG，卻始終停留在「知道名詞」？
你知道 DAG 很重要，但不知道怎麼把它接到研究設計與分析，理論和實務之間有一道牆。
想開始學 DAG，但不想一開始就被理論壓垮？
你需要的是一門能建立正確起點、又能開始上手的實務入門課，而不是充滿數學符號的理論課。
課程介紹
這不是一門只教你畫圖的課，而是一門幫你避免研究設計根本錯誤的課。
很多研究問題不是出在統計方法本身，而是出在變數選錯、因果方向想錯、調整了不該調整的變數。Regression 可以幫你估計關聯，但不會自動告訴你誰該控制、誰不該控制。
DAG（Directed Acyclic Graphs）的價值，就在於幫助研究者在分析之前，先把因果結構與偏差來源想清楚。
本課程聚焦 2 小時實務入門，從變數判斷出發，帶你理解 confounder、mediator、collider 的差異，並實際操作 DAGitty，建立正確的調整思維與分析流程。
Regression 與 DAG 的角色定位
真實案例：變數選錯，偏差反而更大
來自 Shrier & Platt (2008) 的經典範例 — 為什麼「多控制一個變數」反而出錯？
正確：只控制 Z1 + Z2
研究「熱身運動 (X) 是否降低運動傷害 (Y)」時，控制「神經肌肉疲勞 (Z1)」與「組織脆弱性 (Z2)」。
→ DAG 確認：偏差被最小化 ✓
錯誤：再加控制 Z3（先前受傷史）
直覺上「先前受傷」與暴露和結果都相關，應該控制？但 DAG 顯示：Z3 是 collider 的後裔，控制它會打開一條原本不存在的關聯路徑。
→ DAG 警告：偏差反而增加 ✗
本課程將帶你學會這套判斷邏輯，並實際用 DAGitty 操作驗證。
案例來源：Shrier, I. & Platt, R.W. (2008). Reducing bias through directed acyclic graphs. BMC Medical Research Methodology, 8, 70. doi:10.1186/1471-2288-8-70
本門課會帶你解決什麼問題？
為什麼 regression 不夠？
理解 regression 處理的是關聯，不會自動替你判斷因果，也不會告訴你該控制哪個變數。
哪些變數該調整？哪些不該？
區分 confounder、mediator、collider，理解每種角色在 DAG 中的意義，以及錯誤調整的後果。
如何把 DAG 轉成實際分析流程？
透過 DAGitty 畫圖、設定 exposure 與 outcome、查看 adjustment set，讓 DAG 進入你的研究流程。
建立「先因果、後統計」的思考順序
不是跑完 regression 再回頭想，而是在分析前先把因果結構畫清楚，再決定模型怎麼設定。
課程大綱
Part 1：為什麼要學 DAG？
- 為什麼 regression 不夠？
- Regression 能估計關聯，但不會告訴你該控制誰
- 同一個模型，變數選擇不同可能導致完全不同的解釋
- DAG 在研究設計中的角色：先因果、後統計
- 本段目標：理解 DAG 是研究決策工具
Part 2：DAG 核心原理
- DAG 基本概念：節點、箭頭、方向
- 什麼是 confounder？為什麼需要調整？
- 什麼是 mediator？為什麼通常不調整？
- 什麼是 collider？為什麼不能亂調整？
- 最小充分調整集合的基本概念
- 從「越多越好」到「剛好才正確」
Part 3：DAGitty 操作
- DAGitty 介面介紹
- 建立節點與箭頭
- 設定 exposure 與 outcome
- 查看 adjustment sets
- 將 DAGitty 結果轉回 regression 的變數選擇
- 常見初學者錯誤
Part 4：總結與 Q&A
- 三個核心訊息回顧
- 常見迷思整理
- 學員提問與交流
本門課適合誰？
研究者、臨床醫師、研究生
想提升研究設計與變數判斷能力，讓分析策略有明確的因果邏輯依據。臨床研究中，控制共病史、用藥史是否合適？DAG 告訴你答案，不再靠直覺決定。
已會 regression 但想進一步理解調整邏輯
你不只想知道怎麼跑，還想知道為什麼這樣跑、這樣跑對不對。
想開始學 DAG 的入門者
低門檻、實務導向，幫你建立正確基礎，避免一開始就走錯方向。
指導學生或帶研究計畫的教師
在研究判斷與方法溝通上更精準，幫助學生與團隊成員建立正確的因果思考框架。
本門課不是高階 causal inference 理論課、不是完整因果推論方法長時數課程、不是程式推導為主的理論課。如果你已有 DAG 基礎且熟悉 do-calculus，本門課的內容對你而言可能太基礎。
課程亮點
用 2 小時建立正確起點
不塞大量理論，聚焦最關鍵處，讓你在有限時間內建立最有用的基礎。
真正看懂三種關鍵變數
Confounder、mediator、collider 的差異直接影響模型合理性，不再混淆不清。
學完就能開始操作 DAGitty
不只聽懂，課程結束後你就可以自己開始用 DAGitty 畫圖與查詢調整集合。
幫你把 DAG 與 regression 接起來
讓 DAG 真正進入你的研究流程，不再是獨立存在的「另一個概念」。
課程資訊
報名後將寄送直播連結
僅限報名學員
- 請準備電腦（非手機／平板），課程包含實作練習
- 請先進入 DAGitty 網站（www.dagitty.net）確認可正常使用
- 建議有基本 regression 基礎即可，不需要有 DAG 或 causal inference 先備知識
常見問題
Q：沒學過 DAG 可以上嗎？
A：可以。本門課就是為想建立 DAG 正確起點的學員設計，不需要任何 DAG 先備知識。
Q：只會基本 regression 適合嗎？
A：很適合。本門課正是為已會 regression 但對調整邏輯不踏實的人設計，先備知識只需要跑過 regression、看過 p 值即可。
Q：本門課會很理論嗎？
A：不會。課程重點是實務判斷與操作，不是大量理論推導。我們的目標是讓你學完就能開始用，而不是通過考試。
Q：會教到 DAGitty 嗎？
A：會。第三部分專門帶你實際操作 DAGitty，包含建立節點、設定 exposure 與 outcome、查看 adjustment sets。
Q：會教完整 causal inference 嗎？
A：不會。這是實務入門課，目標是建立正確起點與基本操作。完整的因果推論方法（如 IV、DiD、RDD 等）是進階課程的範疇。
因果推論學習路徑
DAG 學習資源
工具
- DAGitty 線上互動式 DAG 工具
- ggdag（R 套件） ggplot2 風格的 DAG 視覺化
- dagitty（R 套件） DAGitty 的 R 介面版
教學文獻
- Feeney et al. (2025) How to use directed acyclic graphs. BMJ, 388, e078226.
- Shrier & Platt (2008) Reducing bias through directed acyclic graphs. BMC Med Res Methodol, 8, 70.
- Textor et al. (2017) Robust causal inference using DAGs: the R package 'dagitty'. Int J Epidemiol, 45(6), 1887–1894.
進階資源
- DoWhy（Python） 因果推論 Python 框架（Microsoft）
- Hernán & Robins: What If 免費電子書，因果推論標準教材
聯絡我們
-
LINE 官方帳號@medatatw
-
Emailinfo@medatatw.com
-
洽詢表單填寫線上洽詢表單
統計分析
服務價目表 (未含5%營業稅)
透過嚴謹的數據整理，提供有價值的資訊，形塑知識，提高決策品質。包括信達雅三執行原則。
信：確保資料品質可信賴
達：確保統計方法適切性
雅：確保圖文表格正規化
協助代執行統計分析與進一步加值服務。
在匯東華與夥伴的專業背景知識配合下，能有效地處理面對的問題。
統計分析成果
數據串接與清洗
數據是礦藏，數據清洗是挖出鑽石的第一步，尤其是巨量知識。數據清洗或串接執行過程需要細心與專注，且有可能會消耗許多時間和精力，就由我們來替各位處理掉這個大麻煩。
全民健保研究資料庫、國外大型資料庫資料非常齊全，種類多，需要串接與清洗，進行正規化後才能更進一步進行資料探勘與統計分析。
Fig1.同一個Project資料散落在不同tables，無法使用
Fig2.整併與清理為可分析的table
Fig.3整理和分析後形成有意義的知識
概念與流程示意圖
計畫撰寫與統計諮詢
為了讓匯東華的顧客與學員有更好的合作和消費體驗，故匯東華特別依據營業項目開發周邊產品，提供使用、購買。目前已有針對公共衛生師的題庫以及模擬試題，未來將針對醫學研究領域發展產品。