第3章：數據分布

在第 2 章中，我們學會了用集中趨勢、離散程度、次數表與統計圖等工具來「描述」數據。但描述性統計只是起點。要進一步做統計推論（例如比較兩組患者的治療效果），我們必須先了解數據的分布（Distribution）。分布就是數據在數線上的「散落方式」，它決定了我們能使用哪些統計方法。

三種常見的分布形狀

臨床研究中最常遇到的數據分布可歸納為三種基本形狀：

常態分布（Normal Distribution）是統計學中最重要的機率分布，因其圖形呈鐘型而常被稱為「鐘型曲線（Bell Curve）」。自然界與生物醫學中的許多連續測量值，例如身高、血壓、舌壓，在大樣本觀察下都近似常態分布。

數學定義

常態分布由兩個參數完全決定：平均數 \(\mu\)（決定曲線的中心位置）與標準差 \(\sigma\)（決定曲線的寬窄）。

68-95-99.7 法則（經驗法則）

常態分布最實用的特性是數據落在特定範圍內的比例有固定的規律：

標準常態分布

透過Z 分數轉換Z 分數（Z-score）= (X − μ) / σ，將任何常態分布轉換為平均數 = 0、標準差 = 1 的標準常態分布 N(0, 1)。Z 分數代表某個觀測值偏離平均數幾個標準差。，任何常態分布都可以轉換為平均數為 0、標準差為 1 的標準常態分布 \(Z \sim N(0, 1)\)。

標準化之後，不同單位或量尺的測量值就能放在同一個標準上比較。例如，舌壓的 Z = −2.5 與步行速度的 Z = −2.5 代表同等程度的偏離。

---

SPSS 實作練習

並非所有連續型數據都呈常態分布。在進行需要常態性假設的統計分析之前，研究者需要評估數據偏離常態分布的程度，主要從「偏態」和「峰度」兩個面向來衡量。

偏態（Skewness）

偏態衡量的是分布的「對稱程度」。完美的常態分布偏態為 0。

峰度（Kurtosis）

峰度衡量的是分布的「尖銳程度」與「尾端厚度」。統計學中有兩種峰度的定義方式，容易混淆：

• 常峰態（Mesokurtic）：超額峰度 ≈ 0，與常態分布的尖銳程度相當。
• 尖峰態（Leptokurtic）：超額峰度 > 0，曲線比常態更尖、尾端更厚（極端值出現的機率較高）。
• 扁峰態（Platykurtic）：超額峰度 < 0，曲線比常態更扁平、尾端更薄。

常態性檢定

在統計軟體中，我們可以透過正式的假說檢定來評估數據是否符合常態分布。

• Shapiro-Wilk 檢定：適用於小至中等樣本（n < 2000），統計檢力較高，是最常被推薦的常態性檢定方法。
• Kolmogorov-Smirnov 檢定：適用於較大樣本，但檢力通常不如 Shapiro-Wilk。

---

SPSS 實作練習：常態性檢定

資料轉換：對數轉換

當數據呈現明顯的右偏分布時，可以對每一筆觀測值取自然對數（ln）自然對數（Natural Logarithm）是以數學常數 e ≈ 2.718 為底的對數，記作 ln(x)。其意義為「e 的幾次方等於 x」。例如 ln(1) = 0、ln(e) = 1、ln(10) ≈ 2.303。自然對數的特性是對大數值的壓縮效果比小數值更強，因此能有效「拉回」右偏分布的長尾。，使分布更接近常態。這在處理 CRP、住院天數等右偏資料時非常常見。

---

SPSS 實作練習

---

常態性檢定結果如何影響後續統計方法？

經過常態性檢定後，研究者需根據結果選擇適當的統計方法。下表整理了依變數的資料型態（常態 vs. 非常態 vs. 類別）搭配不同自變數情境時，對應的統計方法：

中央極限定理（Central Limit Theorem, CLT）是推論統計的理論基石。它解釋了為什麼即使母體本身不是常態分布，我們仍然可以使用以常態分布為基礎的統計方法來進行推論。

直覺理解：從 β-HCG 的例子出發

β-HCG（人類絨毛膜促性腺激素）在懷孕初期的數值分布呈現明顯的右偏。如果我們從這個右偏母體中隨機抽取 5 個人計算平均數，所得的分布仍然偏斜。但如果每次抽取 30 個人計算平均數，並重複進行數千次，這些平均數的分布就會近似鐘型曲線。

抽樣分布的參數

當母體平均數為 \(\mu\)、標準差為 \(\sigma\) 時，樣本平均數 \(\bar{X}\) 的抽樣分布具有以下特性：

n > 30 的經驗法則

在實務上，統計學家普遍認為：

• 若母體本身已近似常態分布，即使 n 很小，抽樣分布也會是常態。
• 若母體分布為中等程度的偏斜，n ≥ 30 通常就足以讓抽樣分布接近常態。
• 若母體分布極度偏斜（如 β-HCG），可能需要更大的 n（如 50 或 100）才能滿足近似常態的條件。

---

SPSS 實作練習

在臨床研究中，「同一個測量指標在不同研究之間呈現多大的差異」是一個核心問題。Molfenter 與 Steele 於 2012 年在《Dysphagia》期刊發表了一篇系統性回顧論文，針對吞嚥時間參數（temporal measures）的變異性進行全面性的分析。這篇文獻清楚展示了「數據分布」概念在臨床研究中的實際應用。

六大吞嚥時間參數的變異性

研究者將文獻中出現頻率最高的六個時間參數進行彙整分析，發現各參數的變異程度差異甚大：

影響分布的系統性因素

Molfenter 與 Steele 特別指出，造成跨研究變異性的原因並非完全是「隨機誤差」，而是包含可辨識的系統性因素：

• 食團體積（Volume Effect）：較大的食團通常會延長 UES 開啟時間與喉關閉時間，這是因為較大的食團需要更多時間通過咽部。當研究之間使用不同的食團體積時，即使觀察的是同一個參數，測量值的分布也會因此不同。
• 年齡效應（Age Effect）：高齡者的 UES 開啟時間和期間轉換時間顯著較長。如果樣本的年齡組成不同，數據的分布就會跟著改變。
• 操作型定義的差異：不同研究團隊對同一個時間參數可能採用不同的測量起訖點定義，這種定義上的不一致也會擴大觀察到的變異性。

---

SPSS 實作練習

回顧前面幾節的學習歷程：我們先認識了常態分布的鐘型曲線（第1節），接著學會用偏態與峰度判斷資料偏離常態的程度（第2節），再透過常態性檢定決定該走參數或無母數的分析路線（第3節），最後用中央極限定理得知只要樣本數夠大，樣本平均數的抽樣分布會趨近常態（第4節）。

到這裡，一切看似完美：既然抽樣分布趨近常態，我們就能用常態分布（Z 分數）來做推論。但這裡有一個實務上的問題：Z 分數的公式 \(Z = \frac{\bar{X} - \mu}{\sigma / \sqrt{n}}\) 需要知道母體標準差 \(\sigma\)。在真實的臨床研究中，我們幾乎不可能知道 \(\sigma\)，只能用樣本標準差 \(s\) 來估計。這個「用估計值取代真實值」的動作，會帶來額外的不確定性，而 t 分布正是為了處理這個問題而誕生的。

Student 的 t 分布：起源

1908 年，在都柏林 Guinness 啤酒廠工作的化學家 William Sealy GossetGosset（1876–1937）是 Guinness 啤酒廠的品管化學家。他需要用小樣本（有時只有 3–4 個觀測值）來做品質推論，卻發現當時以常態分布為基礎的方法在小樣本時誤差過大。他推導出 t 分布，並因公司規定不得以真名發表而使用筆名 "Student"。 發現了同樣的問題：當樣本數很小時，用 \(s\) 取代 \(\sigma\) 會讓計算出來的統計量不再服從標準常態分布，而是呈現一種「尾巴更寬更厚」的分布。他將此發現以筆名 "Student" 發表，因此被稱為 Student's t-distribution。

自由度與 t 分布的形狀

t 分布的形狀由自由度Degrees of Freedom (df)：在統計計算中能自由變動的數值個數。對於單一樣本的 t 檢定，df = n − 1。自由度越大，t 分布越接近標準常態分布。（df = n − 1）決定：

• df 較小（如 df = 5）：曲線比標準常態更矮、更寬，尾端面積更大。這反映了小樣本時估計的不確定性較高。
• df 增大：曲線逐漸趨近標準常態分布。
• df → ∞：t 分布完全等同於標準常態分布 \(N(0, 1)\)。在實務上，當 df > 30 時兩者的差異已經很小。