本篇文章旨在介紹醫學領域常見的研究設計（research design），原則上只介紹同時有實驗組與對照組研究設計（因為最常見），下圖列出簡易版的研究設計分類圖（註：在流行病學所定義的研究設計比以下的圖還複雜許多，本例只是用最簡化的例子作示範），大致可分成前瞻性研究（prospective study）及回溯性研究（retrospective study）兩個類別，其中前瞻性研究至少包括兩種主要的研究設計：①臨床實驗（clinical trials）②世代研究（cohort study），而回溯性研究則至少包括最常見的病例對照研究（case-control study）。
在Google Scholar打上關鍵字：「Meta-analysis」，結果傳回的書籍/期刊文章共有154萬件資料！可見這個方法在科學界應用的普及性有多廣！曾經有個學者將Meta-analysis定義為「研究的研究」，意思就是說Meta-analysis作的事情就是將「眾多的研究結果彙總出一個總結」。
在先前的三篇文章已經有介紹存活分析（Survival analysis）的使用時機、如何繪製存活曲線圖（Kaplan-Meier curve），以及如何比較「組別」之間的存活曲線是否有顯著差異（Log-rank test），但當「自變項是連續變項」或「當自變項超過2個以上」的時候怎麼辦？在存活分析眾多方法之中，有一個最廣為應用的迴歸模型：即為Cox proportional hazard model。
在先前的兩篇文章已經有介紹存活分析（Survival analysis）的使用時機以及如何繪製存活曲線圖（Kaplan-Meier curve），但實務上只畫出一組的Kaplan-Meier curve似乎不夠，因為我們通常都想比較不同組別的存活狀況是否具有差異，例如實驗組與控制組是否有差異，我們意圖想證明實驗組相較於控制組有「較長的存活時間＆較低的死亡機率」。
上一篇文章有介紹存活分析（Survival analysis）的使用時機，但我們常常在期刊文章上看到畫所謂的「存活曲線」，我將在這一篇短文簡單介紹一下Kaplan-Meier curve。
近來在醫學期刊上有一種統計分析越來越受矚目，它叫作「存活分析」（Survival analysis），我將在這一篇短文簡單地介紹一下存活分析的使用時機以及推薦的參考書目，之後會再作進階的介紹。
無母數統計（nonparametric statistics）又稱作Distribution-free statistics、由後者的名稱即可知無母數統計是「不需要分佈假設的統計方法」，一般而言常用的統計方法（譬如說獨立樣本T檢定、相依樣本T檢定、單因子變異數分析、單因子重複量數變異數分析）都是要有一些假設的，以獨立T來說假設至少包括「依變項要符合常態分佈」、「兩組的變異數要相等」以及「兩組的樣本是獨立的」，關於後者的假設是樣本取樣的問題因此無母數統計也無法修正，但前者的「常態性」與「變異數同質性」檢定在實際狀況常常會遇到。
{{ article.title }}