八大偏差與干擾 — confounding vs effect modification
這章讀完，你會：看到題幹的偏差訊號，就能分出 selection bias、information bias、confounding 與 effect modification。 尤其是 114-2 Q39 的核心：調整後消失是干擾，分層值不同是效果修飾。
先想 30 秒再往下讀
某暴露和疾病的合併 RR = 1，但分層後有酗酒 RR = 4、無酗酒 RR = 2。你會說酗酒是干擾因子，還是效果修飾因子？先別看答案，先問自己：分層後兩層的效果一樣嗎？
偏差先分兩大類：選進來錯，量出來錯
選樣偏差（selection bias）發生在收案或留在研究中的人不代表目標族群，例如 Berkson 住院偏差、healthy worker effect、self-selection、loss to follow-up、immortal-time bias。
資訊偏差（information bias）發生在暴露或結果的測量、回憶、分類出錯，例如 recall bias、interviewer bias、misclassification、lead-time bias、length-time bias。
先把偏差想成工廠品管：原料進錯是 selection bias；進來後量尺壞掉、訪員問法不同、病人回憶不同，是 information bias。兩者都會讓研究答案偏掉。
confounding 是第三因子把關係扭歪
干擾（confounding）是第三因子同時和暴露、結果有關，讓暴露與結果的關聯被扭曲。干擾因子三條件是：與暴露相關、是結果的獨立危險因子、不在暴露到結果的因果路徑上。
處理干擾可在設計期用隨機化、限制、配對；在分析期用分層、多變項迴歸、標準化。
你可以把 confounder 想成混進照片裡的濾鏡：它不是你真正要看的主角，卻讓主角看起來變強、變弱，甚至方向反轉。好的分析會把這個濾鏡拿掉。
effect modification 不是雜訊，是要報告的現象
效果修飾（effect modification, interaction）表示暴露效果真的會因第三變項而不同。它不是要被消掉的錯誤，而是研究結果的一部分：某基因型對藥物反應較佳、不同酗酒狀態下暴露效果不同，都屬於這個語感。
國考決勝句：調整後關聯消失，偏向干擾；分層後效果值不同，偏向效果修飾。
別把 effect modification 當成麻煩要清掉。它是在告訴你「這個效果不是每個人都一樣」，臨床上反而可能是最重要的發現。
114-2 Q39：分層值不同就是修飾為主
114-2 醫二 Q39 給的關鍵數字是：有酗酒 RR = 4、無酗酒 RR = 2、合併 RR = 1。分層後兩層效果不同（4 不等於 2），所以題目要你選修飾因子而非干擾因子。
這題也提醒你：合併值被扭曲可以有干擾成分，但當考題在「干擾 vs 修飾」二選一時，最有力的判讀是分層效果是否不同。
考場口訣要短：調整後不見了，叫干擾；切層後每層不一樣，叫修飾。114-2 Q39 的 4 和 2 不一樣，所以不要被合併 RR = 1 拉去選 confounding。
流病史 · Berkson、Simpson、Berkeley
Joseph Berkson 指出住院病人作為研究樣本可能產生住院偏差；Simpson 1951 的悖論與 1973 Berkeley 錄取率案例則示範了合併資料如何掩蓋分層真相。跟你考試的關係是：看到合併與分層結論不同，先停下來判斷是干擾還是效果修飾。
confounding vs effect modification — 一眼分辨
| 看這個 | confounding 干擾 | effect modification 效果修飾 | bias 偏差 |
|---|---|---|---|
| 本質 | 假象或扭曲，要控制 | 真實異質性，要報告 | 設計、收案或測量造成系統錯誤 |
| 分層後 | 各層效果趨於一致，且異於粗值 | 各層效果不同 | 不一定靠分層解決 |
| 處理 | 隨機化、限制、配對、分層、迴歸 | 呈現分層結果或交互作用 | 改善設計與測量，分析常救不回 |
| 題幹訊號 | 控制 X2 後 X1 相關消失 | 有酗酒 RR=4、無酗酒 RR=2 | 住院對照、回憶暴露、篩檢存活假象 |
| 一句判斷 | 調整後消失 | 分層值不同 | 收錯或量錯 |
破題關鍵字
看到「控制 X2 後 X1 與疾病相關消失」→ 想 confounder；看到「分層後各層效果不同」或「有酗酒 RR=4、無酗酒 RR=2」→ 想 effect modifier；看到「病例比較記得暴露」→ 想 recall bias；看到「同醫院其他科病人當對照就不會有選樣偏差」→ 這句是錯的。
Simpson 悖論：合併看一套，分層看另一套
調整各層人數與效果，觀察合併結果如何被第三變項扭曲。重點不是背悖論名字，而是練會「先看分層」的反射。
你剛剛看到了什麼
合併資料可能說 A 比較好，但分層後每層都顯示 B 比較好。這種翻轉提醒你：粗值不是永遠可信；第三變項可能造成干擾，也可能揭露效果修飾。
案例檔案 · HRT 與健康使用者干擾
荷爾蒙補充療法（HRT）的觀察性研究曾顯示護心效果，但 WHI 2002 隨機對照試驗讓結論反轉。關鍵之一是使用 HRT 的人本來可能較健康、較常就醫，造成健康使用者干擾。一句教訓：觀察性研究的漂亮關聯，先問有沒有第三因子在背後推動。
大家都搞錯
第一個坑：把 effect modification 當成 confounding。114-2 Q39 的分層 RR = 4 和 2 不同，重點是修飾。第二個坑：以為選同醫院其他科病人作對照就沒有選樣偏差；099-1 醫一 Q86 明確把這句列為錯誤。
國考考過長這樣
病例對照何者錯誤？「選同醫院其他科病人當對照便不會有選樣偏差」是錯。
逐句解碼：關鍵字是同醫院其他科病人。住院或就醫族群不一定代表目標族群，可能有 Berkson 類型的選樣問題；不能因為同院就宣稱沒有 selection bias。
控制 X2 後，X1 與胰臟癌的相關消失，X2 = 干擾因子。
逐句解碼：「控制後相關消失」是 confounding 的典型訊號。X2 原本扭曲了 X1 與疾病的關係；調整後關聯不見，表示它是要被控制的第三因子。
有酗酒 RR=4、無酗酒 RR=2、合併 RR=1，答案是修飾因子而非干擾因子。
逐句解碼：題目給你分層 RR，就是要你看兩層是否相同。4 不等於 2，表示暴露效果因酗酒狀態而不同，重點是 effect modification；不要只盯著合併 RR=1。
你來當審稿人
某研究發現藥物在男性 RR=0.6、女性 RR=1.1，作者把性別視為干擾因子，直接用迴歸調整後只報告總效果，並說性別差異不重要。
我挑好毛病了，看解答
坑一：男性與女性效果不同，這更像效果修飾，應呈現分層或交互作用。坑二：若只把性別當雜訊調掉，會遮住臨床上可能重要的次群差異。
還記得嗎 · CH 20
CH20 說設限者不能粗暴當成有事或沒事；CH21 同樣訓練你不要粗暴相信合併值。10 秒小題：合併 RR 與分層 RR 衝突時，第一步該看什麼？
看答案
先看各層效果是否一致。各層一致但不同於粗值偏向干擾；各層不同偏向效果修飾。