第10章：從母群到樣本

抽樣原理

← 返回課程 開始閱讀 ↓

📚 學習目標

  • ✓ 理解抽樣的核心詞彙並能正確界定目標母群、可觸及母群、抽樣清冊與樣本
  • ✓ 辨識並說明四種主要機率抽樣方法的原理、操作步驟與適用情境
  • ✓ 辨識並說明四種主要非機率抽樣方法的原理與適用情境
  • ✓ 區分抽樣誤差與抽樣偏誤，並識別常見的偏誤類型
  • ✓ 理解統計檢定力的概念及其在樣本量決定中的角色
  • ✓ 運用抽樣倫理原則評估研究設計的正義性與參與者保護
1

序論：為何抽樣相當重要？

臨床研究的啟示

試想一個情境：一家頂尖的製藥公司宣布，其研發的新藥在一項第二期臨床試驗中，對於延緩早期阿茲海默症患者的認知功能退化， 展現了前所未有的顯著效果。這項消息振奮了醫學界與無數焦慮的家庭。

然而，當資深的研究方法學家深入檢視該研究的設計時，一個潛在的致命缺陷浮現了。研究的受試者，幾乎全數是從一所與頂尖大學 附屬的神經醫學中心招募而來。仔細分析樣本的人口學特徵後發現，這些參與者相較於全國的阿茲海默症患者群體，普遍更年輕、 教育程度更高、社經地位更優越，且合併症更少。

這個看似成功的試驗，立即引發了一系列尖銳且關鍵的問題：

  • 這項研究的結果，究竟能適用於「誰」？
  • 一位來自偏鄉、85歲高齡、合併有心血管疾病與糖尿病的患者，在使用這款新藥時，也能期待同樣的療效嗎？
  • 我們能將這個在「理想」樣本中獲得的結論，自信地推廣到真實世界中複雜多樣的病患群體嗎？

這些問題的答案，完全取決於一個核心的研究環節:抽樣（sampling）。 抽樣是研究者從一個較大的群體（母群）中，選取一個較小子集（樣本）以進行研究的過程。這個過程的品質，直接決定了一項研究的價值與影響力。

🎯 核心概念

上述的藥物試驗或許具備高度的內部效度（internal validity），意味著在其特定的樣本中，藥物的效果是真實且可信的。 然而，由於其抽樣方式的限制，它的外部效度（external validity），也就是將研究結果概化（generalize） 到目標母群的能力，卻受到了嚴重的質疑。

在高齡健康、臨床研究與運動科學等領域，抽樣的重要性尤為突出。我們研究的對象是人:具有複雜生理、心理與社會特徵的個體。 一項針對大學運動員設計的高強度間歇訓練（HIIT）方案，其效果可能完全無法複製到久坐不動的中年上班族群體。 一個在城市社區中驗證成功的老年防跌介入措施，在資源匱乏的農村地區可能窒礙難行。

因此，抽樣絕非僅僅是研究流程中的一個技術性步驟；它是一項根本性的策略決策，界定了研究結論的適用範圍與科學貢獻的邊界。 一個有瑕疵的抽樣計畫，可能導致無效的治療方法被錯誤地採納，或讓真正有效的療法因應用於錯誤的群體而看似無效。 反之，一個嚴謹、深思熟慮的抽樣策略，是確保研究成果能夠安全、有效地從實驗室走向臨床、從學術期刊走向真實世界的基石。

2

抽樣的核心詞彙：建立共通語言

在深入探討各種抽樣方法之前，我們必須先建立一套共通的詞彙。這些專有名詞是抽樣理論的基石， 精確地理解它們的定義與彼此之間的關係，是進行任何有效討論的前提。

貫穿案例

假設一個研究團隊，旨在探討台灣社區中老年人的身體活動量與「肌少症（sarcopenia）」盛行率之間的關聯。 我們將以這個案例來說明以下各個核心詞彙。

從母群到樣本的概化流程

1
母群 Population
研究者感興趣的、具備某些共同特徵的所有個體的完整集合
案例：全台灣所有的老年人
2
目標母群 Target Population
研究者希望將研究結果概化至的特定群體
案例：全台灣年滿65歲、居住在社區中的老年人
3
可觸及母群 Accessible Population
目標母群中研究者在現實條件下能夠實際接觸到的子集
案例：台北市與高雄市年滿65歲、居住在社區中的老年人
4
抽樣清冊 Sampling Frame
用以抽取樣本的、可觸及母群中所有單位的具體名單
案例：台北市與高雄市選定行政區的戶政事務所戶籍登記資料庫
5
樣本 Sample
從抽樣清冊中透過特定方法選取並實際參與研究的個體
案例：從戶籍資料庫中選出並成功訪談的500位長者
涵蓋偏誤 (Coverage Bias)

「目標母群」與「抽樣清冊」之間的落差，是研究中最關鍵且最容易被忽視的誤差來源。如果抽樣清冊無法完整或準確地代表目標母群， 那麼無論後續的抽樣過程多麼隨機、多麼完美，得出的結論都無法真正地概化回最初設定的目標母群。

例如，若戶籍資料庫更新不及時，可能會遺漏近期搬遷的居民；它也無法包含未設籍的或街友等特殊群體。 這意味著，研究從一開始就系統性地排除了目標母群中的某些特定次群體。

💡 關鍵啟示

身為一個嚴謹的研究生，在評估或設計一項研究時，必須優先審視其抽樣清冊的品質，因為它是整個抽樣計畫與研究概化性的根本基礎。

3

機率抽樣：通往概化性的黃金路徑

機率抽樣（Probability Sampling），又稱隨機抽樣，是抽樣方法的黃金標準， 尤其是在以量化研究為主流的健康科學領域。其最核心的指導原則是：母群（或抽樣清冊）中的每一個體，都有一個已知的、非零的被選中機率。

🎯 為何機率抽樣如此重要？

這個原則是運用推論統計（inferential statistics），從樣本的特徵去估計母群參數（如平均值、盛行率）的理論基礎。 唯有透過機率抽樣，研究者才能在一定的信心水準下，量化抽樣所帶來的隨機誤差，並對母群做出科學上站得住腳的推論。

簡單隨機抽樣

機率

英文：Simple Random Sampling (SRS)

母群中的每一個體不僅有已知的被選中機率，而且這個機率是相等的。每一次抽樣都是獨立事件， 一個個體的選中與否，不會影響其他個體的選中機率。

操作方式：

透過電腦亂數產生器，從完整的抽樣清冊中隨機選取指定數量的個體。

應用情境：

從美國國家運動防護員協會（NATA）的45,000名會員名單中，使用統計軟體隨機選出500人進行職業倦怠調查。

優點：

理論純粹性高、操作簡易、能最大程度避免研究者偏見、是統計推論的理想模型。

侷限：

需要完整的抽樣清冊；在異質性高的母群中，可能無法確保重要次群體的充分代表。

系統抽樣

機率

英文：Systematic Sampling

計算抽樣間距 k = N/n（N=母群總數，n=預計樣本數），從1到k之間隨機選取起始數字， 然後每隔k個體選取一個。

操作方式：

假設診所有12,000名病人，欲抽取600人。計算 k=20，隨機選起始數13， 則選取第13, 33, 53, 73...位病人。

應用情境：

從大型心臟科診所的病人名單中，每隔20人選取一位進行滿意度調查。

優點：

操作效率高於SRS；當清冊隨機排列時，效果近似SRS。

⚠️ 關鍵風險：週期性偏誤

若抽樣清冊存在與抽樣間距k相符的隱藏週期，會產生嚴重偏誤。例如，若病人名單按預約日期排序， 且某位權威醫師的病人都安排在週五，當k=7的倍數時，可能過度抽取該醫師的病人。

分層隨機抽樣

機率

英文：Stratified Random Sampling

將母群根據與研究變項相關的特徵劃分成數個內部同質、彼此互斥的子群體（層）， 然後在每一層內獨立進行隨機抽樣。

兩種策略：

1. 比例分層抽樣：樣本中各層比例與母群相同（如母群中65-74歲佔60%，樣本中也佔60%）
2. 非比例分層抽樣：刻意調整比例，過度抽樣關鍵次群體（如85歲以上），分析時需加權調整

應用情境：

研究社區長者肌少症盛行率，依年齡分三層（65-74歲、75-84歲、85歲以上）， 在各層內獨立隨機抽樣，確保各年齡層都有足夠樣本。

優點：

確保重要次群體的代表性；提升統計精確度（層內變異較小，抽樣誤差降低）。

侷限：

分層變項的選擇需有理論依據；操作較複雜。

集群抽樣

機率

英文：Cluster Sampling

不以「個體」為抽樣單位，而是以「群體/集群」為單位。先將母群劃分成許多集群（通常是地理或組織單位）， 然後隨機抽取部分集群。

兩種形式：

單階段：將所有被抽中集群內的全部個體都納入樣本
多階段：在被抽中的集群內再進行第二階段抽樣（可用SRS、系統或分層）

應用情境：

全國性研究：從3000家長期照護機構中隨機抽取100家，再從每家機構內隨機抽取3-5位物理治療師， 調查職業倦怠率。

優點：

在母群龐大分散、無個體清冊時極具成本效益與可行性；大幅簡化大規模調查的執行難度。

⚠️ 關鍵權衡：統計效率降低

集群內個體往往較相似（組內相關 ICC），導致抽樣誤差大於同等樣本量的SRS。 分析時需考慮設計效應（Design Effect, DEFF），通常需擴大樣本量來彌補統計效率損失。

4

非機率抽樣：當隨機不再可行

儘管機率抽樣是產生可概化研究結果的理想途徑，但在高齡、臨床與運動科學的真實研究場景中， 它往往因為倫理、成本或可行性的限制而無法實現。

🎯 非機率抽樣的核心特徵

母群中個體被選中的機率是未知的，且/或不相等的。 這意味著，研究者無法在統計學上將樣本的發現，直接推論到整個母群。

重要提醒：這並不意味著非機率抽樣的研究就「不好」或「沒有價值」。 我們不應將非機率抽樣視為「次等」的方法，而應將其視為服務於不同研究目的的工具箱。

便利抽樣

非機率

英文：Convenience Sampling

研究者只是簡單地選取那些最容易接觸到、最方便納入研究的個體作為樣本。 又稱就近抽樣或意外抽樣。

應用情境：

運動科學碩士生在自己大學的健身房張貼招募海報，招募30位自願的學生運動員測試運動前增補劑的效果。

優點：

快速、廉價、方便。

⚠️ 主要問題：

樣本代表性極低，存在顯而易見的選擇偏誤。這些參與者可能比一般大眾更年輕、體能更好、訓練動機更強烈。 研究結論很難推廣到其他族群（如中年業餘運動愛好者或高齡者）。

立意抽樣

非機率

英文：Purposive Sampling

研究者依據專業知識與判斷，刻意挑選那些最符合研究目的、能提供最豐富資訊的特定個體。 又稱判斷抽樣。選擇標準是參與者的獨特經驗或特質，而非隨機性。

應用情境：

臨床心理學家探討脊髓損傷患者的慢性疼痛心理應對歷程，刻意尋找： (1) 已經歷此狀況超過五年；(2) 表達能力良好、善於反思；(3) 經歷過不同治療階段的患者進行深度訪談。

優點：

能針對特定議題獲得深入、細膩的質性資料；適合探索性研究與理論建構。

侷限：

結果受研究者主觀判斷影響；無法進行統計概化。

雪球抽樣

非機率

英文：Snowball Sampling

主要用於尋找難以觸及或「隱藏性」的母群。研究者首先找到幾個符合條件的初始參與者， 完成研究後，再請他們推薦其他符合條件的潛在參與者。樣本就像雪球一樣越滾越大。

應用情境：

公共衛生研究者了解無證件老年移民的醫療求助行為。這個群體因法律地位敏感而不會出現在官方名單上。 研究者先透過社區健康中心接觸到一兩位願意受訪的長者，在建立信任後，請求他們介紹朋友圈中可能有相似經歷的人。

優點：

對於尋找隱藏性或難以觸及的母群非常有效；是進入封閉社群網絡的唯一可行途徑。

侷限：

樣本高度同質化（都來自相似的社交網絡）；無法代表整個母群。

配額抽樣

非機率

英文：Quota Sampling

可視為非機率抽樣中的「分層抽樣對應版」。研究者根據某些重要的人口學特徵（如年齡、性別、種族） 將母群劃分成子群體，並設定每個子群體的樣本數量（配額）。然後使用便利或立意方式招募， 直到每個配額都被填滿。

應用情境：

醫療科技公司測試新型穿戴式健康監測器，設定配額：40歲以下男性25人、40歲以上男性25人、 40歲以下女性25人、40歲以上女性25人。市場研究員到購物中心尋找符合條件的路人，直到每格配額都達到25人。

優點：

確保樣本在某些人口學特徵上的結構與母群相似；比純便利抽樣更具控制性。

⚠️ 根本性弱點：

填補配額的過程並非隨機。在購物中心被選中的人，可能比一般人有更多休閒時間、更高消費能力。 儘管樣本在幾個關鍵變項上與母群結構相符，但它仍然是一個便利樣本，存在無法估計的選擇偏誤。

💡 知識論的啟示

機率抽樣與非機率抽樣之間的區別，不僅僅是方法論上的，更是知識論（epistemological）上的:它關乎我們試圖產生的知識類型。

機率抽樣的目標：產生關於母群的、可概化的量化估計（例如，某疾病的盛行率、某項生理指標的平均值）。

非機率抽樣的目標：產生關於特定現象或群體的、深刻的、脈絡化的質性理解。

一位合格的碩士研究生，必須學會清晰地界定自己的研究問題，並選擇與其知識論目標相符的抽樣策略。

5

主要抽樣方法比較總覽

方法 類型 核心原則 主要優點 關鍵弱點 健康科學應用範例
簡單隨機抽樣 機率 母群中每個體有相等且獨立的被選中機會 理論基礎最強，概化性高，完全避免研究者偏見 需有完整的抽樣清冊，可能無法充分代表重要次群體 從全國註冊物理治療師名單中，隨機抽取500人進行薪資調查
系統抽樣 機率 從隨機起點開始，依固定間距選取個體 操作比SRS簡便，在隨機排列的清冊中效果近似SRS 若清冊存在與抽樣間距相符的週期性，會產生嚴重偏誤 在診所的年度就診病人名單中，每隔20人選取一位進行滿意度調查
分層隨機抽樣 機率 將母群分層後，在各層內獨立進行隨機抽樣 確保重要次群體的代表性，可提高統計精確度 分層變項的選擇需有理論依據，操作較複雜 依年齡層（65-74, 75-84, 85+）對長者分層，以研究各年齡層的失能率
集群抽樣 機率 隨機抽取集群（如醫院、社區），再對集群內個體進行研究 在母群龐大分散、無個體清冊時極具成本效益與可行性 統計效率較低（抽樣誤差較大），分析時需考慮設計效應 全國性研究：隨機抽取50所高中，調查校內運動員的運動傷害盛行率
便利抽樣 非機率 選取最容易接觸到的個體 快速、廉價、方便 樣本代表性極低，選擇偏誤嚴重，無法進行概化 在大學校園招募學生，測試一款新型健身App的使用者體驗
立意抽樣 非機率 依據專家判斷，選取能提供豐富資訊的特定個體 能針對特定議題獲得深入、細膩的質性資料 結果受研究者主觀判斷影響，無法概化 訪談成功戒菸超過十年的資深菸民，探討其維持戒斷的心理策略
雪球抽樣 非機率 透過既有參與者的推薦，尋找新的參與者 對於尋找隱藏性或難以觸及的母群非常有效 樣本高度同質化，無法代表整個母群 研究靜脈注射藥物使用者共享針頭的行為，透過轉介尋找受訪者
配額抽樣 非機率 依預設的各子群體配額，以非隨機方式填滿樣本 確保樣本在某些人口學特徵上的結構與母群相似 填補配額的過程存在選擇偏誤，本質上仍是便利抽樣 為測試新的血糖機，在街頭招募直到達到預設的糖尿病類型與年齡配額
6

樣本代表性的挑戰：誤差與偏誤

在追求樣本能夠準確反映母群的過程中，研究者必須面對兩類截然不同的挑戰： 抽樣誤差（Sampling Error）與抽樣偏誤（Sampling Bias）。 釐清這兩者的區別，對於理解研究結果的可信度相當重要。

✓ 抽樣誤差 (Sampling Error)

  • 由於機率的偶然性產生
  • 樣本與母群特徵之間的自然差異
  • 是隨機的、不可避免的
  • 誤差是雙向的（可能偏高或偏低）
  • 可透過統計公式估計（如標準誤）
  • 可透過增加樣本量來降低

✗ 抽樣偏誤 (Sampling Bias)

  • 由於系統性的、非隨機的錯誤產生
  • 樣本與母群之間的本質性差異
  • 是系統性的、可預防的
  • 偏誤具有方向性（持續偏向某一方）
  • 無法透過統計方法修正
  • 增加樣本量只會讓錯誤更精確
重要提醒

與抽樣誤差不同，抽樣偏誤無法透過增加樣本量來修正。一個充滿偏誤的大樣本， 只會讓我們更精確地得到一個錯誤的答案。因此，預防和識別偏誤，遠比處理隨機誤差更為重要。

常見的抽樣偏誤類型

1. 涵蓋偏誤 (Coverage Bias)

當抽樣清冊未能完整代表目標母群時發生。例如，一項調查城市居民心理健康的研究，如果僅使用固定電話號碼簿作為抽樣清冊， 將會系統性地排除那些只使用手機的年輕人、租屋族，以及經濟狀況較差的家庭。

2. 無反應偏誤 (Non-response Bias)

被抽中的個體中，同意參與的人（響應者）與拒絕參與或失聯的人（無響應者），在研究的關鍵變項上存在系統性差異。 例如，健康生活習慣問卷調查中，身體更健康、教育程度更高的長者更有可能回應， 而體弱多病或認知功能較差的長者則可能無法或不願回應。

3. 選擇偏誤/志願者偏誤 (Selection Bias / Volunteer Bias)

任何因抽樣程序本身導致樣本不具代表性的情況。在臨床和運動科學研究中尤其普遍。 例如，一項測試高強度運動對心肺功能影響的研究，會來報名的志願者，幾乎可以肯定比一般大眾更健康、更有運動習慣、 也更有改變的動機。他們是「最佳情境」下的參與者。

案例分析：一個充滿偏誤的研究設計

研究主題：透過智慧型手機App，調查產後婦女的憂鬱症狀盛行率

涵蓋偏誤：

從一開始就系統性地排除了社經地位較低（可能沒有智慧型手機或穩定網路）、居住在偏鄉（網路訊號差）的母親。 而這些群體，恰恰是產後憂鬱的高風險族群。

選擇/志願者偏誤：

願意下載App並每天回報症狀的母親，可能本身就對心理健康議題更為關注、科技接受度更高。

無反應偏誤：

罹患嚴重憂鬱症的母親，可能因為缺乏精力、動機和認知功能，而最不可能持續使用App回報症狀。 相反，症狀輕微或已在康復中的母親，則更有可能成為活躍使用者。

綜合以上偏誤，這項研究最終得到的產後憂鬱盛行率，幾乎注定會遠遠低於真實的數值， 從而嚴重低估了這個公共衛生問題的嚴重性，甚至可能誤導衛生政策的制定。

💡 關鍵啟示

這個案例深刻地提醒我們，抽樣設計的品質，遠比樣本的數量更為重要。

7

決定樣本量：在精確與可行之間取得平衡

「我的研究需要多少樣本才夠？」這是幾乎每一位碩士生在撰寫研究計畫時都會遇到的核心問題。 這個問題的答案並非一個固定的神奇數字，而是需要在統計的嚴謹性與現實的資源限制之間，進行深思熟慮的權衡。

🎯 統計檢定力 (Statistical Power)

定義：當一個真實的效果（例如，新藥確實比安慰劑有效）確實存在時， 你的研究能夠成功偵測到這個效果的機率。通常以 1−β 表示， 其中 β 是犯下第二類型錯誤（Type II Error）的機率。

第二類型錯誤（偽陰性）：研究未能偵測到一個真實存在的效果。 在臨床研究中，這可能意味著一個有效的療法被錯誤地放棄。

學術慣例：可接受的檢定力通常設定在 0.80 或更高， 意味著研究者希望有至少80%的機會，能夠偵測到他們所尋找的真實效果。

樣本量估計的四大要素

1. 統計檢定力 (Power, 1−β)

你希望有多大的把握能偵測到真實效果？通常設定為 0.80 或 0.90。 越高的檢定力要求越大的樣本量。

2. 顯著水準 (α)

你願意承擔犯下第一類型錯誤（偽陽性）的風險。通常設定為 0.05， 意味著接受有5%的機率會做出錯誤的陽性結論。α 值設定得越嚴格（如0.01），所需樣本量就越大。

3. 效應量 (Effect Size)

你所研究現象的效果強度或大小。偵測一個巨大的、明顯的效果只需極小的樣本； 而要偵測一個微小但重要的效果，則需要數以萬計的龐大樣本。通常根據文獻、先導研究或臨床意義的最小差異來估計。

4. 變異性 (Variability)

研究結果測量指標在母群中的離散程度（通常以標準差表示）。母群的異質性越高、個體差異越大， 就需要越大的樣本量才能從數據的「雜訊」中，穩定地偵測出效果的「訊號」。

情境應用對比

情境A：第三期臨床試驗

藥廠測試新型降血壓藥物 vs. 現有標準療法

  • 效應量：微小（新藥額外效益不大）
  • 檢定力：極高（0.95）
  • 顯著水準：嚴格（0.025）
  • 變異性：大（血壓個體差異大）

→ 需要數千甚至上萬人的極大規模樣本

情境B：運動科學先導研究

碩士生測試新型本體感覺訓練方案對籃球運動員垂直跳躍高度的影響

  • 效應量：巨大（尋找明顯效果）
  • 檢定力：中等（0.70）
  • 顯著水準：傳統（0.05）
  • 變異性：較小（運動員群體同質）

→ 只需要20-30人的小樣本即可初步判斷潛力

樣本量的倫理考量

樣本量不足（underpowered）的研究是極不道德的。它讓參與者承擔了研究的風險與不便， 卻因為統計檢定力過低，而幾乎沒有機會產生任何確切的科學結論，最終浪費了所有人的時間與資源。

反之，樣本量過大（overpowered）的研究，同樣存在倫理上的疑慮。 它不僅浪費了寶貴的研究經費，更讓超出必要數量的參與者暴露在潛在的研究風險之中。

💡 關鍵實踐

在研究計畫階段進行事前檢定力分析（a priori power analysis）， 是負責任的研究實踐中不可或缺的一環。它向審查委員會與經費提供單位證明， 研究者已經審慎地在科學的嚴謹性、資源的可行性與參與者的福祉之間，找到了合理的平衡點。

📐 實務案例：運用已發表研究進行樣本量估算

案例情境：中風患者身體活動介入研究

假設你正在規劃一項碩士論文，想測試加速度計回饋系統是否能提升住院中風患者的身體活動量。 你需要估算每組需要招募多少參與者才能有足夠的統計檢定力來偵測效果。

步驟 1：從文獻中尋找相似研究的效應量

你透過系統性文獻搜尋，找到 Kanai et al. (2018) 發表於 Clinical Rehabilitation 的研究： "Effect of accelerometer-based feedback on physical activity in hospitalized patients with ischemic stroke: a randomized controlled trial"

這篇研究與你的研究設計高度相似：

  • 母群：住院缺血性中風患者
  • 介入：加速度計回饋 vs. 對照組
  • 測量指標：每日身體活動量（步數）
  • 研究設計：隨機對照試驗 (RCT)

從該研究報告的結果章節，你提取出兩組之間的平均差異與標準差， 並計算出效應量 (Cohen's d)。假設計算結果為 d = 0.75（中等至大的效應量）。

步驟 2：使用 G*Power 進行樣本量估算

你開啟免費統計軟體 G*Power 3.1，選擇：

  • 🔹 Test family: t tests
  • 🔹 Statistical test: Means: Difference between two independent means (two groups)
  • 🔹 Type of power analysis: A priori (計算樣本量)

輸入以下參數：

  • 📊 Effect size d: 0.75（根據文獻）
  • 📊 α error probability: 0.05（雙尾檢驗）
  • 📊 Power (1-β): 0.80
  • 📊 Allocation ratio N2/N1: 1（兩組樣本數相等）

點擊「Calculate」後，軟體顯示：每組需要 29 人（總樣本量 58 人）。

步驟 3：考慮流失率並調整樣本量

你知道住院患者研究的流失率可能較高（提早出院、病情變化、自行退出等）， 保守估計流失率約為 10%。因此你決定在每組多招募 3 人：

最終決定：每組招募 32 人

（實驗組 32 人 + 對照組 32 人 = 總共 64 人）

如何在研究計畫中呈現？

"We estimated the sample size per condition required to achieve a 0.8 power in G*Power 3.1 with the two-tailed tests (α error probability of 0.05). Based on the effect size (Cohen's d = 0.75) reported in a similar study by Kanai et al. (2018), the result of this calculation indicated that we needed 29 participants in each group. To allow for potential participant drop-out, we recruited 32 participants in both the experimental- and control groups."

🔍 關鍵學習要點
  • ✓ 不是憑空猜測：效應量應基於已發表的相似研究，而非隨意假設
  • ✓ 善用免費工具：G*Power 是免費且操作簡單的樣本量計算軟體
  • ✓ 預留流失空間：實際招募數應考慮預期流失率，確保最終有效樣本數達標
  • ✓ 清楚記錄過程：在研究計畫中詳細說明計算依據，增加審查委員對你研究設計的信心
  • ✓ 引用文獻來源：明確註明效應量來源的文獻，展現你的嚴謹性
8

抽樣倫理：保護研究參與者

抽樣的討論，若僅停留在統計與方法的層面，將是極不完整的。當我們的研究對象是人，特別是身處於脆弱狀態下的病患或長者時， 每一個抽樣決策都牽涉到深刻的倫理考量。方法學上的選擇，與研究倫理是密不可分的。

🎯 貝爾蒙報告書三大核心原則

著名的《貝爾蒙報告書》（Belmont Report）提出了三項指導人類受試者研究的核心倫理原則：

  • 尊重人格 (Respect for Persons)
  • 行善 (Beneficence)
  • 正義 (Justice) ← 與抽樣實踐關係最直接

正義原則與抽樣

正義原則要求研究的負擔與利益必須得到公平的分配。 在抽樣的脈絡下，這意味著研究者的抽樣策略，不得系統性地選取某些易於利用的群體來承擔研究的風險， 也不得將某些群體排除在潛在的研究利益之外。

歷史上，臨床研究長期存在著系統性的抽樣偏誤：藥物試驗大多在健康的年輕白人男性中進行， 而將女性、少數族裔及老年人排除在外。這導致許多藥物上市時，其在這些重要次群體中的安全性與有效性數據根本不足。 這不僅是科學上的瑕疵，更是倫理上的不公。

一個符合正義原則的抽樣設計，應確保樣本的組成能夠反映最終將會使用該研究成果（如藥物、療法）的群體的多樣性。

其他關鍵倫理考量

知情同意 (Informed Consent)

招募過程必須完全自願且無脅迫。在臨床環境中，必須向潛在參與者清楚說明， 他們決定參與與否，絕對不會影響他們所能獲得的醫療照護品質。

對於高齡族群，特別是可能存在輕度認知障礙的長者，研究者有加倍的責任， 要確保他們真正理解研究的內容、風險與利益，而不僅僅是形式上的簽署同意書。

隱私與保密 (Privacy and Confidentiality)

當研究者使用如病歷資料庫、戶政名冊等作為抽樣清冊時， 他們對這份名單上所有個體的隱私都負有保護的責任，而不僅僅是那些最終被選入樣本的人。

必須建立嚴格的資料保護協議，確保個人識別資訊在研究過程中被妥善地去連結化， 並在研究結束後被安全地銷毀。

⚖️ 偏誤即不正義

最終，我們必須認識到，一個存在偏誤的抽樣方法，其本質上就是一個倫理問題。 當一項研究因為便利而只在大學校園中進行，它不僅產生了無法概化的數據，更強化了現有的健康不平等。

它所產生的知識，可能只對那些已經相對健康、教育程度較高的群體有益，而忽略了那些最需要健康介入的弱勢群體的需求。

因此，追求一個具有代表性的、無偏誤的樣本，不僅是為了達成科學上的嚴謹性，更是為了履行研究者促進社會福祉、 追求健康平等的社會責任。方法上的卓越與倫理上的正直，在抽樣的實踐中，是同一枚硬幣的兩面。

9

本章總結與研究實踐清單

🎯 章節重點回顧
  • 抽樣直接決定研究的外部效度與現實世界的適用性
  • 掌握核心詞彙：母群、目標母群、可觸及母群、抽樣清冊、樣本
  • 機率抽樣（SRS、系統、分層、集群）是統計概化的黃金標準
  • 非機率抽樣（便利、立意、雪球、配額）服務於不同研究目的
  • 抽樣誤差（隨機）vs. 抽樣偏誤（系統性）的根本區別
  • 樣本量決定取決於檢定力、顯著水準、效應量與變異性
  • 方法學的選擇與研究倫理密不可分，偏誤即不正義

研究者的抽樣計畫清單

為了協助碩士新生將本章的理論知識轉化為具體的研究行動，以下提供一份研究實踐的清單， 各位在設計自己的學位論文抽樣計畫時，可以依此逐項檢視。

界定母群

檢視抽樣清冊

選擇抽樣方法

估算樣本量（適用於量化研究）

規劃招募策略

評估偏誤風險

審視研究倫理

透明報告

💡 給碩士新生的叮嚀

抽樣策略是您研究設計的基石，它將直接影響您研究結果的價值與貢獻。在撰寫研究計畫時， 請務必投入足夠的時間與心力來思考、設計並論證您的抽樣方法。一個深思熟慮的抽樣計畫， 不僅會讓您的論文審查更加順利，更會讓您的研究成果具備真正的科學價值與社會影響力。

10

回家作業

📝 抽樣計畫設計練習

請選擇以下其中一個研究情境，設計一個完整的抽樣計畫（1500-2000字）：

情境A：量化研究

您計畫研究「台灣65歲以上社區長者的身體活動量與認知功能的關聯」。 請設計一個機率抽樣計畫，並說明如何估算所需樣本量。

情境B：質性研究

您想深入了解「癌症倖存者在康復過程中的身體活動經驗與心理調適歷程」。 請設計一個非機率抽樣計畫，並說明您的招募策略。

您的抽樣計畫應包含：

  1. 明確界定：母群、目標母群、可觸及母群
  2. 抽樣清冊：描述您將使用的抽樣清冊及其品質評估
  3. 抽樣方法：選擇適當的抽樣方法並詳細說明其操作步驟
  4. 樣本量（量化研究）：說明樣本量估算的依據（檢定力、效應量等）
  5. 潛在偏誤：識別可能的抽樣偏誤並提出降低策略
  6. 倫理考量：說明如何確保正義、知情同意與隱私保護
  7. 限制說明：誠實討論您的抽樣計畫的侷限性與對外部效度的影響

提示：請使用本章提供的「研究者的抽樣計畫清單」作為檢視工具，確保您的計畫涵蓋所有關鍵要素。

11

🎯 測驗：抽樣原理概念測試

測試您對抽樣方法的理解！共10題，答對 +10分，答錯 -5分。

準備開始測驗

準備好測試您對抽樣原理的理解了嗎？

← 第9章：問卷發展完全指南 返回課程列表 第11章：實證醫學 →