匯東華電子報第 1 期

2026/7/24（五）｜生成（Output）≠ 完成（Outcome），判斷力為核心

匯東華統計顧問　·　陳秀敏博士　·　2026／7／24

本頁為電子報網頁版，內容與 2026/7/24 發送之電子報信件相同。

您好，本期先從「審稿人最常打回的方法學問題」談起；也帶來一則統計史上的偏誤新知、AI 文獻品管師工具更新，以及 8 月課程資訊。

本期重點｜審稿人最常打回的 3 個方法學問題

統計方法沒做錯，論文卻被退？審稿意見裡最常見的退稿理由，往往不是「分析錯了」，而是「沒交代清楚為什麼這樣做」。以下 3 題，是投稿前務必自我檢查一遍的方法學地雷。

回溯性檢定力（retrospective power）看似補救，其實是同一份資料算兩次

結果不顯著時回頭算一次「回溯性檢定力（retrospective power，又稱觀察檢定力 observed power）」，是審稿人最常抓到的操作之一。這個數字不是新證據，而是用已經算出來的 p 值直接反推出來的：只要 p 值恰好等於 0.05，反推出來的檢定力就必定恰好是 50%，且 p 值愈不顯著，反推出來的檢定力就愈低，這正是「兩者一一對應」最直接的證據（Hoenig and Heisey, 2001）。問題不在於「什麼時候算」，而在於代入的效果量是研究前就設定好的、還是這批資料自己算出來的：用事先假設的效果量事後驗證是合理分析，用這批資料算出來的效果量回推，才是這裡要提醒的謬誤。正解：檢定力該在研究規劃階段預先估算（a priori power analysis），結果不顯著時，改用效果量（effect size）與信賴區間說明實際意義。

閱讀全文 →

共變量（covariates）到底該放哪些？不是 p 值說了算

「單變量分析 p<0.05 才放進多變量模型」是很多稿件常見的做法，但這個篩選邏輯本身就有問題：可能誤把中介變數（暴露先影響到它、它才影響結果的中間變數）或對撞變數（同時被暴露和結果共同影響的變數）當成該控制的干擾因子，硬控制反而製造出原本不存在的假關聯，也就是審稿人常抓的「Table 2 fallacy」，即誤把模型中每個變數的係數都當成因果效果來解讀。共變量該控制哪些，取決於變數之間的因果關係，而不是資料本身算出來的 p 值。正解：先畫一張簡單的因果關係圖（DAG），標出暴露、結果與其他變項之間誰可能影響誰，再依此或既有理論／文獻決定該控制哪些變項。「Table 2 fallacy」一詞可另參考 Westreich and Greenland (2013), The Table 2 Fallacy: Presenting and Interpreting Confounder and Modifier Coefficients, American Journal of Epidemiology, 177(4), 292-298.

閱讀全文 →

遺漏值（missing data）處理未說明

多數稿件遇到遺漏值時，僅用「完整案例分析」直接刪除有缺項的樣本，卻沒有說明資料是怎麼遺漏的。遺漏可分三種機制：完全隨機遺漏（MCAR，遺漏與任何變項都無關）、隨機遺漏（MAR，遺漏可由已測量的變項解釋，例如年齡較大者較常漏填某一題）、非隨機遺漏（MNAR，遺漏和那個沒填出來的答案本身有關，例如病情愈嚴重者愈不願意回報症狀）；若不是 MCAR，直接刪除很容易造成選擇性偏誤。處理方式其實不只一種，嚴謹度也不同：從直接刪除、單一插補（如 BOCF／LOCF）到多重插補與最大概似法，該選哪一種取決於遺漏機制。正解：先說明遺漏比例與機制，再依機制選擇適當方法並報告敏感度分析；完整方法論全貌可另參考 Schafer and Graham (2002), Missing Data: Our View of the State of the Art, Psychological Methods, 7(2), 147-177.

延伸閱讀：BMJ 小小統計問題(120) 以 BOCF 為例說明遺漏值的影響 →

本期速記｜審稿人最愛抓的三大地雷：回溯性檢定力自欺欺人、共變量瞎子摸象亂挑、遺漏值處理避而不談。投稿前，先自己幫自己抓包。