第五堂課：研究樣本之選擇與排除以及樣本數估計
研究樣本之選擇 (inclusion criteria) 研究樣本之排除 (exclusion criteria) 樣本數估計 如何使用 ChatGPT協助 一、導論：瞭解樣本選擇的重要性 樣本選擇與研究結果的關係： 樣本選擇是研究的關鍵程序之一。 樣本之概念：執行實證研究時，我們難以調查所有的目標研究群體，因此 需要選取一個代表性的子集，即「樣本」 ，以作為我們研究的對象。 選擇合適的樣本攸關研究結果的可靠性和有效性【或概化程度】。 如果樣本選擇不當，可能造成選擇偏誤（selection bias），即所選取的樣本無法準確地代表研究群體，導致研究結果偏差或欠缺概化能力。 樣本大小不足，可能導致 檢力 (power) 不足，從而影響研究結果的穩定性與可信度。 什麼是適當的樣本？ 所謂「適當的樣本」，指的是能夠有效代表研究群體的樣本。確定適當樣本的因素可能會依據研究目的和設計而變化，但主要包括以下3點： 代表性：能夠代表整個研究群體的特性。換句話說，它需要包含所有研究群體之特質/變異。 大小：樣本須夠大，以提供足夠的檢力，確保研究結果的穩定性和可信度。 可行性：在實際操作中，選擇適當的樣本還需要可行。如果目標樣本難以獲取，研究者可能需要採取其他策略，如選擇其他相似的可獲取群體作為樣本。 二、樣本選擇的方法與其應用情境 隨機抽樣/分層抽樣/群集抽樣/系統抽樣--難做到--不考慮 非隨機抽樣：參與者並非由機率原則選擇。 這方式可能導致樣本與母體間存在偏差，但由於實用性或資源限制，研究者最常使用非隨機選擇 。這也 導致一般臨床研究結果難以概化(難應用於臨床/與臨床應用得結果不一致) 。 方便取樣（Convenience Sampling）： 根據可獲得性或便利性以選擇樣本。例如，一位研究者可能會調查他/她能夠方便接觸到的個案，或者選擇在一個特定地點較易找到的參與者。儘管這種方法可以使資料收集更快、更簡單，但是，因為樣本的選擇並未基於隨機的原則，所以可能導致選擇偏誤，影響研究結果的概化(推論)能力。 立意取樣（Purposive Sampling）： 根據研究者的主觀判斷以選擇樣本。研究者根據研究目的，選擇特定的個體或群體作為研究樣本。例如，在一項探索性的研究中，研究者可能選擇具有特定特徵或經驗的參與者。然而，這種方法的一個主要限制是可能存在研究者偏見，並導致樣本難以代表整體
