香港發行的亞洲週刊最近有一期[1]在討論中國採行市場經濟後，原有的醫療體系瓦解，廣大中下階層人民的就醫遂成為一個非常嚴重的問題，醫療改革是現在中國執政者迫切的課題，關乎其社會的安全與穩定與人民福祉甚巨。
在討論中國的醫改時，亞洲週刊也對照中國鄰近的香港、台灣、新加坡，以及同樣是實施共產主義的古巴等國家的醫療健保制度的優缺與所面臨的問題，做了一個跨國的醫療制度探討比較[2]，相當有參考價值。以往國際醫療健保制度的比較討論比較是以英國、德國、美國、日本與加拿大的體制為代表，這期亞洲週刊提供了另外的一種嘗試與觀點。
香港、台灣、新加坡與古巴都是土地很有限，人口很稠密的國家，但各自有獨特的醫療制度，而且剛好是全球目前幾種典型的醫療體制的縮影。
香港[3]的醫療體制主要是沿襲英國的國家健康系統(National Health System)的制度，這種制度的特色在於將醫療視為一種基本人權，由國家或政府負責提供醫療與健康照護給每一個國民，不僅健康照護的經費來自政府的稅收，醫療服務的提供者也以公辦的醫療院所為主。
台灣[4]採行的是社會保險的全民健保與公民營並重的醫療照護體制，與日本、德國與加拿大的情況比較類似。基本上這種體制的精神是透過社會互助，使所有人民享有平等的健康照護服務，政府在健康與衛生上是扮演一個制定規則、整合財源、執法與仲裁的角色，醫療服務的提供則相當仰賴民營醫療院所的功能，政府甚至希望藉由引進某種程度的醫療市場競爭，去抑制醫療服務價格、提高品質或增進可近性。
新加坡原本也是沿襲英國的公醫制度，但從1984年改變成強制的醫療儲蓄制度與政府就醫補貼的制度。新加坡強調健康與醫療照護是個人的責任，以及使用者付費的精神。政府透過法規要求人民開設個人或家庭的醫療儲蓄帳戶，定期從薪資提撥一定的金額存入，可享有免稅優惠，每年的戶頭結存還可以併入下一年繼續供醫療使用。這就類似勞工退休金個人帳戶的概念，只是醫療儲蓄帳戶是有需要隨時可以使用，而勞工退休金必須等到退休後才能動用。此外，新加坡政府對民眾前往公立醫療院所就醫提供50%的費用補貼。民眾也可以拿醫療儲蓄帳戶中的金額去購買民營的健保，以因應重大疾病的醫療費用需要。
古巴[5]的制度與英國的國營醫療類似，但更加徹底，由政府一手包辦醫療與健康照護。由於古巴仍是實施共產主義，健康、公共衛生與醫療從醫療人員的養成到醫療服務的提供完全在政府的主導與計畫之內，相關支出也都由政府編列預算。由於古巴政府常重視教育與醫療，因此盡管其經濟不佳，但在醫療上卻有相當傲人的成就，其醫療水準已可媲美先進國家，而且還可以輸出醫療人員去援助其他國家。由於古巴的制度非常重視預防醫學與社區健康，因此人民都能獲得均等的健康照護與良好的健康狀況。
這四個國家所沒有的醫療制度是自由經濟醫療體制，美國是這類制度的代表[6]，除了給特殊對象(軍人、退伍榮民、印第安原住民等)的國營醫療體系、針對年長者的社會健康保險，與給特定低收入與兒童的社會安全健保體系之外，美國目前採行的是自由市場的醫療與健保體制，與古巴剛好是兩個極端。由此可見，在美國一般認為，除了特定族群之外，健康與醫療是個人的事情，政府除了在品質上加以管控以及維持必要的醫療安全網之外，並不介入或加以干預。醫療與健康照護服務與其他服務業所提供的服務一樣都是商品，靠市場機制去運作。
香港、台灣、新加坡與古巴雖然採用截然不同的醫療制度，但基本上都達成醫療人員素質優良、技術先進與就醫機會平等的重大成就。不過每一個國家的醫療制度表現有些差異，古巴透過計畫經濟，落實公共衛生與預防保健；台灣健保藉由各種給付制度的混合使用，對費用管控產生具體效果，而且醫療提供者勤奮有效率，使台灣成為世界上就醫最方便，醫療最物美價廉的國家之一。新加坡透過儲蓄制度讓人民產生節制醫療消費與自我保健的誘因，因而慎重選擇就醫對象，減少醫療浪費的程度。香港則有完善的公立醫療系統照顧人民的病痛。
不過，每個國家的特色與優點也都或多或少產生其特殊的問題。香港與台灣價美物廉的醫療導致民眾醫療使用的浪費以及費用的成長；香港的公營醫療體系趕不上民眾對醫療需求的變化，以及人民對民營醫療機構缺乏信心，加上以稅收與政府預算為基礎的醫療支出設限，導致某些醫療處置項目大排長龍的現象。古巴徹底的計畫經濟造成生產效率低落與經濟長期沒有起色(這當然也跟國際對古巴的經濟制裁有關)，醫療人員收入偏低，缺乏足夠的誘因，造成不少醫療人員的流失。新加坡政府對民眾前往公立醫療院所的就醫補貼導致公立醫院服務量超載，造成類似香港的就醫不易或排隊的問題。
由此看來，不管是共產主義、社會福利主義、資本主義的醫療體制都有其成功的一面，但也都有自己的問題；沒有哪一套社會體制絕對行不通，也沒有任何一套是完美的。
話說如此，我覺得從穩定度與財源的永續性來看，新加坡與古巴的醫療體制表現似乎比台灣與香港的來得理想。例如台灣健保只有不到十五年的歷史，目前就發生嚴重透支的困境與危機，盡管之前有諾貝爾經濟學獎得主Paul Krugman的讚賞與推介，但目前這種債留子孫的健保財務危機處理畢竟不是治本之道，若持續下去，全民健保的崩盤不是不可能的。雖然古巴與新加坡的醫療制度有其問題存在，但問題程度並不太大，衝擊面有限，整個制度基本上仍是相當穩定，而且所採取的措施也某種程度可以因應目前的問題。
我覺得其中的原因不在於哪一種制度的優略差別，而是國民對其所採用的醫療或健保制度有沒有一套共同的中心思想或社會價值觀。
古巴的共產或社會主義體制與新加坡的醫療商品取向都能夠順暢運作，主要是因為這兩個國家對醫療有很清楚的定位。在古巴，醫療是人民基本權利，提供醫療是政府的責任；在新加坡，醫療與健康是個人的責任，民眾必須未雨綢繆，以備不時之需，政府則提供必要的補貼。如果我們再看實施健保已經將近130年的德國，所採用的是與古巴與新加坡不同的社會福利國家的體制，但相同之處是定位與觀念清楚，認為健康與醫療是每個國民都能夠同樣享有的機會，強調透過社會互助與保險的手段去達成，但每位國民在健康與醫療上負有共同的責任，政府扮演的是制定相關法規與政策，協助公共醫療財源的籌措。
回過頭來看台灣的醫療制度與全民健保，到底我們是怎麼看待與定位健康與醫療？是基本人權？是商品？還是均等的機會？是政府的責任、人民個人的責任，還是社會共同的責任？政府是立法者、執法者、仲裁者、還是醫療提供者？就我的瞭解，台灣在這些定位上還是很模糊，好像甚麼都有一點，卻甚麼都不像。
如果以採行社會保險的全民健保體制來看，台灣應該是走德國的社會福利國家路線，主張醫療與健康是一種均等的機會，並強調人民負有共同的責任，政府應該是扮演客觀監督與仲裁的角色。可是台灣卻有不少民眾將健保與醫療視為自己的權利，不用就白白損失掉了，而且不願意有任何設限，但是卻不願意去共同承擔該有的責任，比如在健保已經達到原本所設計的虧損地步時，執政者、大多數立委與民眾卻不願意去調整保費。
對台灣政府與國民來說，健康與醫療似乎是權利、機會、也是商品，一方面對醫療院所的醫務加以層層規範監督，一方面又要促進醫療提供者之間的競爭，卻沒有任何可讓民眾節制醫療資源的誘因與制度，造成民眾對醫療「俗擱大碗」的要求，而對所要付的代價沒有正確體認。
台灣政府在醫療與健保制度運作中所扮演的角色也是模糊不清，一方面是法規與政策的制定者，又是醫療服務提供者、健保業務的執行者、保費的把關者、相關議題的仲裁者，這麼多重的角色難免有利害衝突與互相拉扯的問題。另一方面執政者由於顧及選票，總是想辦法討好選民，以政治考量掛帥，不願意回歸政策的專業面去討論與進行改革。難怪不論是1.5代健保、二代健保改革始終無法順利推展，只見雷電，不見雨滴，我覺得這與政府與全民對醫療與健康定位不清楚有直接的關係。
全民健保目前的問題，與當初未經社會充分討論並加以清楚定位就匆促實施應該有關，這些問題隨著時間的經過會一一浮現。雖然全民健保有非凡的成就，也成為許多國家醫改的參考對象，但不可否認的是它也為自己製造了難解的結。我們在慶幸與自滿台灣有全民健保以及陶醉在許多專家的恭維之中，千萬不要以為全民健保未來是一條坦途。
如果一個國家對健康與醫療有一套被普遍接受的社會價值觀與中心原則，許多相關議題都可以回到這個基本點去討論，也可以有效引導政策的決策或進行必要的改革。缺乏這些基本原則，各界勢力都可以用對自已有利的立場去主張，逃避自己該盡的責任，結果長久累積下來，便成了一個扭曲的制度。
台灣有全民健保的前車之鑑，照理說在後來的相關政策應該會比較謹慎，不會急就章才對。可是從最近的長期照護保險的推展來看，我覺得還是沒有看到社會上廣泛對這些基本原則與社會價值觀的充分討論與定位過程。專家學者大多就技術面去考量做規劃的建議(比如要採用全民投保還是特定對象的投保，保費如何訂定，給付範圍等)；政府官員為了推銷政策，則只是向民眾強調長照保險有多麼物美價廉、可以帶來多少好處，卻大多避開去討論或辯論到底我們對長照保險的基本價值與原則與民眾應承擔的責任是甚麼。
這期亞洲週刊有一篇文章引用新加坡國立大學的林明健教授的一段話指出：「『箇中(各國醫改)的方案抉擇沒有對錯可言，是我們的價值觀決定我們的選擇。』說到底，醫療改革就是價值觀的取捨抉擇，而非單一融資方案，沒有新的醫療文化，又怎有醫療革命。」這段話一語道破核心問題，也是政策規畫與制定者最常忽略的地方。我相信這段話對台灣的全民健保改革與長期照護保險的推動應該同樣有寶貴的參考價值。
[1] http://www.yzzk.com/cfm/main.cfm?Path=372715111/Main.cfm&CFID=53995855&CFTOKEN=12651059
[2] http://www.yzzk.com/cfm/Content_Archive.cfm?Channel=ae&Path=372715111/13ae5c.cfm
[3] http://www.yzzk.com/cfm/Content_Archive.cfm?Channel=ae&Path=372715111/13ae5a.cfm
[4] http://www.yzzk.com/cfm/Content_Archive.cfm?Channel=ae&Path=372715111/13ae3.cfm
[5] http://www.yzzk.com/cfm/Content_Archive.cfm?Channel=ae&Path=3104908231/09ae1e.cfm
[6] 我認為美國是混和型醫療體制，並不屬於單一的制度，不過大體來說，美國是以自由經濟醫療體制為主。
2009年4月26日 星期日
2009年4月18日 星期六
國內醫院別器官移植術後存活率分析
這禮拜看到一則新聞，全民健保局公布1997~2007十年之間進行器官移植手術件數超過某個數量的醫院，其接受移植病人三年或五年以上存活率的統計資料。這份資料可以在健保局網站「醫療品質資訊公開」下載[1]。
健保局公布這些資料的用意是可以理解的，希望讓民眾有較多的資訊，瞭解哪些醫院在器官移植的成果(以病人的存活率為指標)比較理想，也許可以讓民眾或病人在選擇診療的醫院時有所依據或參考。健保局網站上有一段話很清楚道出公布這些醫療品質資訊的目的：「醫療品質，應該是您選擇就醫最重要的參考指標；可惜，國內的醫療品質資訊一向未透明化，民眾選擇就醫，不是憑醫院規模、名氣、設備，就是選名醫，或靠熟識者口耳相傳。」
我很好奇地打開這份文件，所得到的第一個印象是在各類器官移植上面，病人存活率最高的醫院似乎都是該類移植件數最多的醫院。例如腎臟移植病人五年存活率最高的是台大醫院，總件數是560件(案例數次多的是林口長庚的296件)；肝臟移植病人三年存活率最高的是高雄長庚醫院，總件數是372件(案例數次多的是台大醫院的217件)；唯一例外的是，心臟移植病人三年存活率最高的振興醫院總件數179件並不是最多的(案例數最多的是台大醫院的251件，惟其病人存活率低於振興醫院，排名第四)，雖然如此，振興醫院的心臟移植案例數也是屬一屬二的。
這讓我想到Michael Porter的論點，在” Redefining Health Care: Creating Value-Based Competition on Results”這本書中，Porter主張醫療院所要走專精路線，發展自己的焦點策略，專攻特定幾項醫療處置或服務，透過大量的案例與經驗的累積，把這幾項醫療服務做到醫界的頂尖水準。他相信透過這種方式，醫療的成效會最好，費用可以被控制在合理的範圍，最終的結果就是社會得到價值(以平均每塊錢所得到的醫療成效去衡量)最高的醫療。
其實這樣的想法並非Porter的原創，學術界已經有不少研究在探討醫師或醫院執行某種醫療處置(例如盲腸炎手術)的件數多寡與結果是否有相關，比如：執行較多眼睛白內障手術的醫師或醫院，其病人的預後是否會比較理想？
這些研究大多是以外科腫瘤手術為探討對象，結果傾向支持手術執行件數與病人存活率有某種程度的正相關。不過在進行這些分析時，不能直接比較不同醫師或醫院的手術件數與其病人的結果，還必須考慮其他相關因素，比如病人的病情(如腫瘤的階段、其他合併症如有沒有糖尿病等)、年齡、性別等，因為這些因素會影響或干擾病人的結果。所以這類的研究最好是用每一位病人的資料做為分析單位，將這些病人的資料彙整做迴歸分析，控制各種可能影響結果的變數，才能排除這些干擾因素的影響，使我們較清楚看到手術執行件數與病人結果之間的單獨關係。
我稍微在網路上找了一下，發現用器官移植來探討件數與存活率的研究並不多，有幾篇研究器官移植病人存活率影響因子的論文提到由近親捐贈的腎臟的移植案例存活率明顯較高；有研究[2]心臟移植存活率的論文發現採取免疫抑制誘發(immune suppression induction)與機器輔助方法的移植案例有較佳的存活率。
在比較或分析不同器官移植中心的病人存活率的研究方面，我只看到一篇比較件數多與件數少的肝臟移植中心病人死亡率的分析論文[3]，此份研究發現在其研究對象中，件數多的肝臟移植中心的平均病人一年內死亡率是20%，而件數少的肝臟移植中心是25.9%，後者病人一年死亡率是前者的1.3倍。不過這篇文章也指出，移植案例數對病人死亡率的影響不只有直接，還有間接的影響，他們發現，與件數多的移植中心有隸屬關係也有助於降低病人的死亡率，比如有這樣的隸屬關係的低件數移植中心的病人一年內死亡率也只有20.1%，與件數高的移植中心不相上下，倒是沒有這樣的隸屬關係的低件數移植中心病人一年內死亡率高達28.3%。
不過這篇論文為了排除其他干擾因素對病人死亡率的影響，也有去比較這兩類(高病人死亡率與低病人死亡率)的肝臟移植中心，其移植案例的器官捐贈者與接受者方面是否有不同，發現除了捐贈者與接受者(病人)的年齡與族群有些差異(顯著但差異幅度不大)之外，其餘並沒有明顯的差異。因此整體來說，這篇文章的結論是肝臟移植中心的案例數多寡對病人的存活率扮演某種影響角色，件數多的移植中心病人一年內的死亡率較低，不過件數少的移植中心如果與這些件數多的中心有隸屬關係的話，應該也可以藉由經驗的傳遞，達到與這些高件數中心相近的移植成效。
由於國內執行器官移植的醫院並不多，達到一定案例數量以上的醫院就又更少，在這樣的情況下，要針對醫院去做比較分析便有樣本數不夠多的問題。較佳的情況應該是取個別病人的資料(如這十年當中肝臟移植案例便有1119件、腎臟移植有2054件，心臟移植也有623件，樣本數比較充足)，包括每個病人的年齡、主要合併症、器官來源(近親或無血緣關係)、移植方法、移植執行醫院、醫院已經執行該項器官移植有多少年的經驗或累積案件數等，去做迴歸分析。
雖然健保局只公布各執行醫院的病人存活率、病人年齡的中位數與執行的案例總件數，我還是試著拿這些簡單的資料做分析看看。由於心臟與肺臟移植的醫院家數實在寥寥可數，因此我只針對腎臟移植(20家醫院有病人五年存活率資料)與肝臟移植(10家醫院有病人三年存活率資料)去做分析。應變數是各醫院某類器官移植的病人存活率，自變數除了有各院該項器官移植病人年齡的中位數、案例件數之外，我還加入區域變數(分北、中、南、東四區，以北區為比較組)以及公立醫院與否(以私立醫院為基組)的變數。結果發現除了腎臟移植的醫院案例件數有達到0.1的顯著水準之外，其餘變數的估算係數均不顯著(表示我所估算的係數值很有可能只是湊巧，從統計來看，這樣的係數值與0並沒有實質的差別)；肝臟移植則是所有變數的係數都不顯著。這也就是說，在進行器官移植的醫院不多的情況下，我們實在無法根據健保局所提供的各醫院病人存活率的指標或資料去做有效的醫院器官移植品質預測，因此這些資料並無法提供病人實際有用的醫院選擇參考。健保局的立意雖佳，用途卻不大。要進行器官移植的病人或家屬拿到這份資料，最多只能告訴他們盡可能選擇病人存活率排名越前面的醫院可能越好，之於根據什麼理由選擇這些醫院，我們實在不是很知道。
依文獻所說的器官來源或品質是一個重要的因素，如果名列前茅的醫院是因為堅持使用品質好的器官，那有可能醫院的醫療技術就不是主要的決定因素。在這種情況下，病人到這些醫院並不一定有較高的得到醫治的機會，由於品質好的器官不易獲得，因此這些醫院的病人可能要等得更久。此外，假如器官移植的存活率與主刀醫師的技術很有關係的話，那病人應該是要選擇醫師，而非醫院，因此健保局這份只告訴我們有關醫院品質的資料有可能會誤導(醫師可能會流動，並非固定在某一家醫院裡)。
其實我是相信器官移植的結果品質與醫院應該有某種相關性的，不過為了慎重起見，不得不多考慮各種可能的影響因素。從以上的討論可以看到，醫療品質比較資料的判讀實在不是一件很直截了當的工作，主要是因為其中有許多因素要考慮，如果只考慮一兩項因素，有可能做出誤導的結論與判斷。這也是為什麼在美國，醫療品質資訊的公布經常引發質疑且效果不明顯的主要原因，真正用這些資訊決定就醫去向的病人並不多。
我相信健保局應該有很豐富且完整的各個器官移植案例資料，可供進一步的分析，以找出影響各項器官移植病人存活率的顯著因素或預測因子，告訴病人哪些醫療院所在這些重要因素方面有比較理想的條件。我相信這樣的資訊比較全面與可信，對病人或家屬的幫助較大，也可以提供明確的努力方向給執行器官移植的醫院參考。
[1] http://www.nhi.gov.tw/webdata/AttachFiles/Attach_13581_2_1997-2007器官移植統計表_網頁.pdf
[2] Ibrahim et al. 1995. Determinants of Hospital Survival After Cardiac Transplantation. The Annals of Thoracic Surgeons, 59:604-608
[3] Edwards, E.B. et al. 1999. The Effect of the Volume of Procedures at Transplantation Centers on Mortality after Liver Transplantation. NEJM, 341:2049-2053
健保局公布這些資料的用意是可以理解的，希望讓民眾有較多的資訊，瞭解哪些醫院在器官移植的成果(以病人的存活率為指標)比較理想，也許可以讓民眾或病人在選擇診療的醫院時有所依據或參考。健保局網站上有一段話很清楚道出公布這些醫療品質資訊的目的：「醫療品質，應該是您選擇就醫最重要的參考指標；可惜，國內的醫療品質資訊一向未透明化，民眾選擇就醫，不是憑醫院規模、名氣、設備，就是選名醫，或靠熟識者口耳相傳。」
我很好奇地打開這份文件，所得到的第一個印象是在各類器官移植上面，病人存活率最高的醫院似乎都是該類移植件數最多的醫院。例如腎臟移植病人五年存活率最高的是台大醫院，總件數是560件(案例數次多的是林口長庚的296件)；肝臟移植病人三年存活率最高的是高雄長庚醫院，總件數是372件(案例數次多的是台大醫院的217件)；唯一例外的是，心臟移植病人三年存活率最高的振興醫院總件數179件並不是最多的(案例數最多的是台大醫院的251件，惟其病人存活率低於振興醫院，排名第四)，雖然如此，振興醫院的心臟移植案例數也是屬一屬二的。
這讓我想到Michael Porter的論點，在” Redefining Health Care: Creating Value-Based Competition on Results”這本書中，Porter主張醫療院所要走專精路線，發展自己的焦點策略，專攻特定幾項醫療處置或服務，透過大量的案例與經驗的累積，把這幾項醫療服務做到醫界的頂尖水準。他相信透過這種方式，醫療的成效會最好，費用可以被控制在合理的範圍，最終的結果就是社會得到價值(以平均每塊錢所得到的醫療成效去衡量)最高的醫療。
其實這樣的想法並非Porter的原創，學術界已經有不少研究在探討醫師或醫院執行某種醫療處置(例如盲腸炎手術)的件數多寡與結果是否有相關，比如：執行較多眼睛白內障手術的醫師或醫院，其病人的預後是否會比較理想？
這些研究大多是以外科腫瘤手術為探討對象，結果傾向支持手術執行件數與病人存活率有某種程度的正相關。不過在進行這些分析時，不能直接比較不同醫師或醫院的手術件數與其病人的結果，還必須考慮其他相關因素，比如病人的病情(如腫瘤的階段、其他合併症如有沒有糖尿病等)、年齡、性別等，因為這些因素會影響或干擾病人的結果。所以這類的研究最好是用每一位病人的資料做為分析單位，將這些病人的資料彙整做迴歸分析，控制各種可能影響結果的變數，才能排除這些干擾因素的影響，使我們較清楚看到手術執行件數與病人結果之間的單獨關係。
我稍微在網路上找了一下，發現用器官移植來探討件數與存活率的研究並不多，有幾篇研究器官移植病人存活率影響因子的論文提到由近親捐贈的腎臟的移植案例存活率明顯較高；有研究[2]心臟移植存活率的論文發現採取免疫抑制誘發(immune suppression induction)與機器輔助方法的移植案例有較佳的存活率。
在比較或分析不同器官移植中心的病人存活率的研究方面，我只看到一篇比較件數多與件數少的肝臟移植中心病人死亡率的分析論文[3]，此份研究發現在其研究對象中，件數多的肝臟移植中心的平均病人一年內死亡率是20%，而件數少的肝臟移植中心是25.9%，後者病人一年死亡率是前者的1.3倍。不過這篇文章也指出，移植案例數對病人死亡率的影響不只有直接，還有間接的影響，他們發現，與件數多的移植中心有隸屬關係也有助於降低病人的死亡率，比如有這樣的隸屬關係的低件數移植中心的病人一年內死亡率也只有20.1%，與件數高的移植中心不相上下，倒是沒有這樣的隸屬關係的低件數移植中心病人一年內死亡率高達28.3%。
不過這篇論文為了排除其他干擾因素對病人死亡率的影響，也有去比較這兩類(高病人死亡率與低病人死亡率)的肝臟移植中心，其移植案例的器官捐贈者與接受者方面是否有不同，發現除了捐贈者與接受者(病人)的年齡與族群有些差異(顯著但差異幅度不大)之外，其餘並沒有明顯的差異。因此整體來說，這篇文章的結論是肝臟移植中心的案例數多寡對病人的存活率扮演某種影響角色，件數多的移植中心病人一年內的死亡率較低，不過件數少的移植中心如果與這些件數多的中心有隸屬關係的話，應該也可以藉由經驗的傳遞，達到與這些高件數中心相近的移植成效。
由於國內執行器官移植的醫院並不多，達到一定案例數量以上的醫院就又更少，在這樣的情況下，要針對醫院去做比較分析便有樣本數不夠多的問題。較佳的情況應該是取個別病人的資料(如這十年當中肝臟移植案例便有1119件、腎臟移植有2054件，心臟移植也有623件，樣本數比較充足)，包括每個病人的年齡、主要合併症、器官來源(近親或無血緣關係)、移植方法、移植執行醫院、醫院已經執行該項器官移植有多少年的經驗或累積案件數等，去做迴歸分析。
雖然健保局只公布各執行醫院的病人存活率、病人年齡的中位數與執行的案例總件數，我還是試著拿這些簡單的資料做分析看看。由於心臟與肺臟移植的醫院家數實在寥寥可數，因此我只針對腎臟移植(20家醫院有病人五年存活率資料)與肝臟移植(10家醫院有病人三年存活率資料)去做分析。應變數是各醫院某類器官移植的病人存活率，自變數除了有各院該項器官移植病人年齡的中位數、案例件數之外，我還加入區域變數(分北、中、南、東四區，以北區為比較組)以及公立醫院與否(以私立醫院為基組)的變數。結果發現除了腎臟移植的醫院案例件數有達到0.1的顯著水準之外，其餘變數的估算係數均不顯著(表示我所估算的係數值很有可能只是湊巧，從統計來看，這樣的係數值與0並沒有實質的差別)；肝臟移植則是所有變數的係數都不顯著。這也就是說，在進行器官移植的醫院不多的情況下，我們實在無法根據健保局所提供的各醫院病人存活率的指標或資料去做有效的醫院器官移植品質預測，因此這些資料並無法提供病人實際有用的醫院選擇參考。健保局的立意雖佳，用途卻不大。要進行器官移植的病人或家屬拿到這份資料，最多只能告訴他們盡可能選擇病人存活率排名越前面的醫院可能越好，之於根據什麼理由選擇這些醫院，我們實在不是很知道。
依文獻所說的器官來源或品質是一個重要的因素，如果名列前茅的醫院是因為堅持使用品質好的器官，那有可能醫院的醫療技術就不是主要的決定因素。在這種情況下，病人到這些醫院並不一定有較高的得到醫治的機會，由於品質好的器官不易獲得，因此這些醫院的病人可能要等得更久。此外，假如器官移植的存活率與主刀醫師的技術很有關係的話，那病人應該是要選擇醫師，而非醫院，因此健保局這份只告訴我們有關醫院品質的資料有可能會誤導(醫師可能會流動，並非固定在某一家醫院裡)。
其實我是相信器官移植的結果品質與醫院應該有某種相關性的，不過為了慎重起見，不得不多考慮各種可能的影響因素。從以上的討論可以看到，醫療品質比較資料的判讀實在不是一件很直截了當的工作，主要是因為其中有許多因素要考慮，如果只考慮一兩項因素，有可能做出誤導的結論與判斷。這也是為什麼在美國，醫療品質資訊的公布經常引發質疑且效果不明顯的主要原因，真正用這些資訊決定就醫去向的病人並不多。
我相信健保局應該有很豐富且完整的各個器官移植案例資料，可供進一步的分析，以找出影響各項器官移植病人存活率的顯著因素或預測因子，告訴病人哪些醫療院所在這些重要因素方面有比較理想的條件。我相信這樣的資訊比較全面與可信，對病人或家屬的幫助較大，也可以提供明確的努力方向給執行器官移植的醫院參考。
[1] http://www.nhi.gov.tw/webdata/AttachFiles/Attach_13581_2_1997-2007器官移植統計表_網頁.pdf
[2] Ibrahim et al. 1995. Determinants of Hospital Survival After Cardiac Transplantation. The Annals of Thoracic Surgeons, 59:604-608
[3] Edwards, E.B. et al. 1999. The Effect of the Volume of Procedures at Transplantation Centers on Mortality after Liver Transplantation. NEJM, 341:2049-2053
2009年4月12日 星期日
影響受訪者參與調查的因素
上禮拜讀到一篇文章[1]在討論受訪者決定參與調查的因素，雖然這篇文章是在1992年發表的，不過現在來看還是相當有道理，也仍然是調查研究中常被引用的文獻。
調查受訪者的參與率或回覆率一直是調查研究的一個重要品質指標，雖然近年來有一些研究發現回覆率(response rate)與調查研究的準確度不一定成正比關係，不過回覆率很低的調查有潛在的未回覆誤差，除非研究者可以有足夠的資料佐證在回覆率低的情況下所得到的資料仍然具備一定程度的代表性，否則很容易受到質疑。
雖然學者普遍都同意回覆率在調查研究中的重要性，也有不少的文章在討論有哪些方法可以提高調查的參與率，可是學界卻缺乏一套完整的理論去說明為什麼受訪者會參與/接受調查，或願意填寫問卷回覆，或者有哪些因素會影響受訪者的決定。這篇文章主要就是在彙整幾個相關的觀點，試圖整合出一個可以幫助我們瞭解這些行為背後的因素的理論或概念模式，以便能夠引導相關研究的進行，並提供給研究者在設計與執行調查時一些實際的參考方向。
這篇文章的前面兩位作者值得介紹一下。Dr. Robert Groves是密西根大學調查研究中心(Survey Research Center, SRC)的主任；在美國，密大的SRC與其所屬的Institute of Social Research是這個研究領域的一個重鎮，具有深厚的傳統。Groves是少數鑽研調查研究理論的學者，並發表很多篇有關於調查參與以及回覆相關的研究論文。調查研究是一個跨領域的整合學科，可是除了統計學者會針對調查中的統計學理做深入的探討之外，一般從事調查研究的學者很少在調查本身的理論上下功夫。如果沒有理論做為基礎，嚴格說來，調查研究是不能被稱為一個獨立的學術領域。Groves便是一直在調查研究相關理論的建構這個方面做努力。
第二位作者Dr. Robert Cialdini可能更有名，他是亞利桑納州立大學的行銷學教授，也是一位社會心理學者。讓他聞名全美且國際知名的是他所寫的兩本暢銷書”Influence: The Psychology of Persuasion”與”Influence: Science and Practice[2]”。在這兩本書中，Cialdini主要在介紹如何運用社會心理學所發現的原理去塑造個人的影響力。他的書被廣泛用於企管、行銷、領導、人際關係方面。在這篇論文當中，當然也引用了Cialdini影響力的社會心理學觀點，來說明受訪者在接受調查訪問時，所考量的因素是甚麼。因此讀了這篇文章中相關的部分，也就大概可以掌握Cialdini在這兩本書中所要強調的重點。
影響調查參與度的因素
在這篇文章中，作者首先討論幾個已經普遍被認為會影響調查參與的因素，包括調查的訪問者、受訪者、調查的設計、以及社會環境。社會環境是指與調查活動進行相關的社會氛圍，比如在一個極權國家或缺乏言論自由的社會中，人民比較不敢將心中的想法講出來，因此比較會對參與調查的訪談感到害怕。調查研究通常在一個自由社會中比較普遍，因為政府與各界都會關心民意趨向，於是調查活動就變得很需要，也較普遍。當民眾習以為常時，調查研究便建立其一定程度的正當性，更能獲得民眾的接受。不過，當一個社會中的調查活動過於頻繁時，民眾可能會覺得容易受到干擾，因而產生排斥。美國近年來的調查回覆率愈來愈低，可能跟這個因素有關。還有，社會或社區的治安率也會影響民眾是否願意接受訪問或調查，特別是若要在一個治安不佳的社區進行家戶訪查，受訪者會有比較多顧慮。像台灣媒體近來報導多起詐騙案件，相信這也會導致不少民眾在接到調查訪問的電話時，乾脆直接予以拒絕。
調查的設計也是影響受訪者參與調查的重要因素。我們都知道愈長的問卷，愈容易讓受訪者打退堂鼓，這是因為絕大多數調查研究的受訪者都是義務參與，沒有得到任何實質報酬，而他們在受訪或填寫問卷上面所花的時間若愈長，等於要付出的成本越高，若沒有其他相對的效益的話，意願是不會很高的。此外，調查的主題也是一個重要因素，如果受訪者對調查的主題感到興趣，對促成其參與一定有幫助；這意味在調查內容的設計上要設法引起受訪者對調查的重視或興趣。不過除了調查內容的設計之外，調查接觸管道的設計也有相當程度的影響。研究發現，調查與受訪者剛開始的接觸方式對後續受訪者的參與度有明顯的作用，比如見面三分情，因此由訪調員親自拜訪受訪者會比直接寄一封信或明信片會來得有效。電訪訪問時，直接與受訪者聯繫上也比只是留言更能說服受訪者參與。有些電話的家戶調查只要有一位家戶代表受訪，有些則是指定由具備某種資格的人受訪，這兩種設計方式也會造成參與度的差別。
調查中最重要的兩個主角，就是訪調員(interviewer)與受訪者[3](respondent)。
訪調員是調查的主動請求者，受訪者是調查的被動配合者，缺一不可。訪調員與受訪者各有一些因素或特質會影響到兩者的互動。比如訪調員的年齡、性別、所屬的族群背景在某個程度上會決定受訪者採用怎樣的反應”劇本”，學者認為當受訪者與訪調員第一次的接觸時，會先去判斷訪調員的目的，並與其心中認為可能的情況(銷售業務、騷擾、慈善勸募等)一一過濾比對。在此過程中，訪調員的外表是受訪者一個直接的訊息與判斷的依據。此外，若訪調員有豐富的訪調經驗、或者具有良好的訪談與人際互動技巧，對說服受訪者相當有用。有研究指出訪調員的心理狀態與是否能獲得受訪者的同意受訪有關，包括訪調員的對該次訪調的預期心理，當訪調員的期待愈高，成功機率也較大；如果動機不高或不認為該次訪調會成功，結果當然會打折扣。還有，訪調員若在疲累、心情不佳或之前遭遇失敗的狀態下，通常徵求受訪成功的機率也應該不會太高才對。
受訪者的特質當然也是影響其參與調查的因素之一。有些研究發現受訪者的年齡、性別、收入多寡與健康情況的不同會造成不同程度的參與度。此外，受訪者所處的環境，比如社區的治安、都市化的程度與居家品質也會有影響。不過作者認為這些並非直接影響其參與調查與否的因素，但是會導致某些心理狀態，進而影響其參與調查的決定；同時，這些因素也會對訪調員與受訪者的初次接觸造成一些影響。
影響調查參與度的互動因素
這篇文章的重點在討論訪調員與受訪者雙方的互動因素，這個部分是以往的文獻較少探討的，也是這篇文章主要的貢獻。作者用三種社會心理學的理論去看待訪調員與受訪者之間的互動關係，簡單來說，作者認為如果要讓受訪者願意參與調查，應該是下面這三種情況的一種或者加以結合：「請求與配合」(request and compliance)、「協助」(helping)或「說服與改變想法」(persuade and change opinion)。
「請求與配合」模式觀點
「請求與配合」這個觀點主要來自Cialdini的影響力社會心理學，在調查的互動中，訪調者是主動請求者，受訪者是被動配合者。如果訪調者的請求能夠獲得受訪者的配合，那就達成使受訪者參與調查的目的。這個觀點指出有六種條件可以促成這個「請求—配合」的互動行為，對主動採取請求的訪調員來說，這便達到發揮影響力的效果。
第一個產生影響力的條件是「回報」(reciprocation)，這是指人們受惠於別人時，會傾向採取正面的回應(某人對我好，我也要對他好；某人尊重我，我也要尊重他)，這個原則也可以應用在調查研究上面，並且相當有效。許多研究發現當隨著調查的請求或寄出問卷的同時，附上象徵性的小額款項(如美金幾塊錢或小額禮券)，通常可以得到相當好的回覆率。但是這個方式千萬不要與另一種金錢誘因的方式混為一談，後者是告訴受訪者如果填寫問卷寄回或完成受訪後，可以獲得多少金額。研究發現在調查研究上面，透過一些實質、事先提供、沒有條件、可以向受訪者表達感謝的小金額或禮物，會使得受訪者收到後自然產生回報心理，而樂意地參與受訪，這要比透過金錢誘因的方式來得明顯有效。大部分的研究也發現一般來說小金額又更比小禮物效果更好。
這個原則不一定只侷限在施予實質小惠方式，其實在請別人配合受訪之前，先禮貌地予以洽詢或請求，通常也可以達到不錯的效果。有一些回覆率相當高的問卷調查在寄出問卷之前，都會先寄一封禮貌的知會信，強調其重要性並先表達感謝。甚至，當訪調者請受訪者接受一份很長的調查而遭到拒絕時，採取退一步的做法，改請受訪者接受一份較簡短的採訪時，通常受訪者也會退一步，而考慮受訪。
第二個發揮影響力的條件是「一致性」(consistency)，主要是說人們有在言行、態度、信念等方面維持一致性的傾向，當某個人曾經做出某種承諾或某種行為，後來在類似的情況上面，同一個人有很高的可能性還是會做出相同的承諾或採取類似行為。此外，人們也有表現出與其身份相符的行為。這個原則在調查研究上面的一個應用是，如果某個人曾經同意參與受訪，那麼再次請其受訪的成功率應該會比較大，這對使用同一群對象長期追蹤調查(panel survey)的方式很有幫助。不過我們也要注意不要「過度調查」(oversurveying)，如果因為對同樣的對象施與的調查太過頻繁，使得受訪者覺得吃不消時，必然會出現反效果。
第三個條件是「社會認可」(social validation)，這是指當我知道許多跟我差不多的人都在做某一件事時，表示這件事獲得相當程度的社會認可；這也會影響到我對這件事的認可，進而較有可能去從事相同的一件事。在調查進行時，訪調者或研究人員可以適度讓受訪者知道有其他人關心調查的主題，並願意接受訪調，表達他們的意見與心聲，讓問題能夠獲得改善。當受訪者覺得有其他人也願意受訪，或得知此調查獲得一定程度的社會認可時，會對他們是否參與產生正面的影響。
第四個條件是「權威」(authority)。一般來說，人們對於來自具有權威地位的機構或人士的請求通常比較願意配合。這個因素頗能夠解釋為什麼政府機構所進行的調查活動通常能夠得到相當高的回覆率，因為政府在許多事情上具有權威性甚至公權力，像要求人民納稅，遵守交通規則，大多數的人已經習慣政府的權威性，因此當遇到政府部門所執行的調查時，人們也會傾向習慣性地配合。此外，學術單位所進行的調查研究所獲得的配合度也算不錯，這是因為學術機構具有了解社會上各種問題的權威性。我覺得醫療機構在進行與健康相關的調查研究時，應該也有一定的權威性或正當性。當然，如果一份調查研究可以透過與相關機構的合作，對於獲得該機構內部成員的配合也很有幫助。此外，調查研究機構或人員必須設法讓受訪者感覺到其專業性，以塑立在受訪者心目中執行該調查的權威感。
第五項條件是「機會的稀少」(scarcity)。我們都知道「物以稀為貴」，當參與某件事情的機會愈是稀少，人們會愈加以珍惜。如果受訪者認為參與這項調查是一個難得的好機會，配合受訪的意願也會大大提高。因此，我們可以向受訪者強調比如一千個人當中只有一個人有機會對此調查主題表達意見，也就是受訪者的心聲代表了一千個人的心聲。
最後一個促成「請求—配合」的條件是「喜歡」(liking)，當我喜歡某個人，我便比較願意去做他請我做的事。同樣地這個原則也可以運用在對某個機構上面—對於一個我所喜歡的機構所發出的請求，我比較不會加以拒絕。通常我們會比較喜歡跟自己差別不太大的人，因此在調查活動中，訪調員與受訪者最好有相近的特徵(膚色、打扮)或背景。
這些人際互動的心理因素對調查研究的主要啟示是，如果要增加受訪者參與受訪或回答調查問題的意願，訪調員必須妥善運用這些社會心理因素，形成有利的調查條件，以便有效說服或影響受訪者採取配合的行為。
「協助」模式觀點
這篇文章提到的第二個社會心理學模式是協助的觀點。這個觀點認為受訪者會基於想協助訪調者的出發點而參與調查，因此，訪調員可以設法激發受訪者助人的動機，以使他們願意參與調查。有研究指出，光是在調查問卷中向受訪者表示「懇請您的協助」或「請您務必大力協助這項調查的工作」，就會使得參與率有顯著的提升。
社會心理學家也發現一個有趣的現象是，助人的行為與自己的角色體認以及所處環境很有關係。比如在一個車禍事故現場，如果有很多人圍觀，每個人可能都在想別人會幫忙，因此降低自己採取協助行動的責任感與必要性；相反地，如果現場只有一個人，他比較會覺得自己責無旁貸，必須伸出援手。在調查研究中，研究人員發現相較於制式化、千篇一律的邀請或請求方式，若是透過比較個人化的方式去邀請受訪者參與調查，都可以收到比較好的結果。其中的道理就是不要讓受訪者直接感覺得他只是眾多可以幫忙的人當中的一個而已，導致產生「不缺我一個」的心理。個別化的接觸方式能夠讓受訪者感到他是這次調查不可或缺的一份子，提高受訪者產生很想要協助的動機。
這篇文章還提到受訪者的情緒狀態會影響他們是否願意協助調查，其中有三個主要的情緒狀態：(1)氣憤、(2)快樂、與(3)悲傷。一般來說，在氣憤的狀態下，人們比較不會想要幫助別人；在快樂的情緒中，比較有助人的意願；而在悲傷中，兩種結果都有可能，由於助人本身可以帶來正面的情緒，有助於降低悲傷，可是如果該項工作困難度很高，超過做該件事所帶來的正面情緒效益，對處於悲傷中的受訪者便不容易激發讓他想要採取協助調查的動機。運用這些原則，訪調員可以從凸顯參與調查是一件令人愉悅、有意義的事去與受訪者溝通，以營造正面的氣氛；訪調員也要仔細觀察受訪的情緒狀態，如果受訪者正在憤怒情緒中，最好暫緩訪調，擇日再來較能得到期待的結果。
「說服與改變想法」模式觀點
這篇文章討論的最後一個模式是「說服與改變想法」，這個觀點假設受訪者基本上都不是天生喜歡或會主動參與受訪的人，他們之所以參與受訪，因為被訪調員說服，因此改變想法，從不想要到願意受訪。社會心理學認為想法的改變有兩種，一種是內心(intrinsic)深思熟慮後所產生的有條理的(systematic)改變，另一種是被某種外在狀況(external)所啟發或影響所產生(heuristic)的改變。前者發生於當說服的訊息對訊息的接受者有很重要的意義時(relevance)，後者比較常見於當訊息的重要性沒有那麼大時。
在調查研究中，通常對受訪者來說，該調查並不是有很大的重要性，因此受訪者在從不願意到願意受訪的想法改變比較是屬於啟發性的改變。而啟發性的改變主要是受到來自外在、可見、明顯的因素的影響，比如問卷的專業性與質感、訪調員的穿著、調查機構在受訪者心目中的份量等等。也就是說，這些訊息對於受訪者參與調查與否發揮較直接的說服效果，使他們較願意改變想法，接受訪調。
兩種有效的策略
在這篇文章的最後一部分，作者引用他們針對訪調員所做的幾次焦點團體的討論中，所得到的主要結論。他們從中歸納出兩個能夠有效提高受訪者的參與調查的重要策略。第一個是「量身定做」(tailoring)或視對象採用合適的方式，比如訪調員根據要去做調查的社區改變自己的穿著與交通工具，到一個較貧窮的社區做調查，就開平價的車，採用較一般的穿著與打扮；若到一個較富裕的社區進行調查，也要開像樣一點的車，著較正式的打扮。此外，在拜訪受訪者時所用的請求或說服劇本最好不要千篇一律，而是依對象做必要的調整與應變，這樣所得到的成果會比較好。
第二個策略是努力維持互動(maintaining interaction)，這有幾個好處。首先是當訪調員與受訪者互動越久，越能夠獲得較多有關受訪者的相關訊息，對採用「量身定做」策略更有幫助。再來是雙方互動越多，受訪者越難以開口拒絕受訪。作者提到努力維持互動的關鍵在於處理受訪者所做的「軟拒絕」(soft-refusals)，也就是非斬釘截鐵的拒絕。一個成功的訪調員多能技巧地化解這些軟拒絕，讓互動持續下去。比如當受訪者以時間不恰當為由拒絕受訪時，訪談員可以探詢對方適合受訪或拜訪的時間，或表示另找適當時間再登門拜訪。作者指出，努力維持互動對降低調查的未回覆誤差非常重要，這也是訪調員與一般的銷售業務員最不一樣的地方。一般的業務推銷是在一定的時間內達到最大的銷售量，所以目標是放在最容易被說服的對象上，所產生的成本效益會最大。但是對調查工作來說，目標是在讓所有被抽選到的對象都接受訪問或調查，這樣所得到的代表性最大，結果的偏差會越小。因此訪調員必須盡最大的努力，不輕易放棄任何一位受訪者。我將上述的討論用下面的圖形加以彙整：
[1] Groves, R. M., Cialdini, R. B., and Couper, M. P. 1992. Understanding the decision to participate in a survey. Public Opinion Quarterly, 56:475-495.
[2] 中文版書名好像翻譯成《透視影響力》
[3]嚴格來說，受訪者是已經參與調查研究的人，並非我們討論調查參與時的主角，較正確的應該是指要被受訪的人(sample person)，不過為方便起見，這裡還是以受訪者稱之。
2009年4月9日 星期四
對是否直接承認波蘭醫學院學歷的一些看法與分析
聽朋友說台灣最近有一個議題，是要不要對到波蘭等東歐國家唸醫學院的台灣學生回國執業進行一些把關或設限，或者說政府是否要直接承認這些在東歐習醫的醫師的學歷，讓他們畢業回國後馬上可以考醫師執照並接受住院醫師訓練。
我稍微在網路上看了幾篇相關的討論文章，有傾向維持現狀的，有主張加以設限的，都有其道理存在。主張管制的論點比較著重在品質的考量，由於這些到東歐念醫學院的學生大多無法考上國內的醫學院，因此前往東歐醫學院就讀便提供了另一個接受醫學教育以及一圓醫師夢的管道。另外媒體報導也指出波蘭醫學院並沒有實習課程，且修業期間長短不一。如果情況真是如此，那我們不免要問這些醫學生的素質會不會比較差，進而影響到他們執業時的品質與專業程度？
關於這點，必須透過實際的研究比較才能知道，在沒有實證研究之前都只能說是臆測而已。我個人的感想是這樣的顧慮不能說完全沒道理，但可能沒有我們所想像的嚴重。醫師的執醫技術應該是跟其住院醫師訓練以及後來所處的執醫環境很有關係，如果能遇到優秀的臨床導師，那更是有深遠的幫助。我發現很多醫技高超的醫師不見得都是台大醫科畢業的，反之台大醫科畢業的醫師醫療技術也不是每一位都比其他醫學院畢業的醫師高明。同理應該可以用到在國內唸醫學院與到東歐唸醫學院的醫學生身上才對。 不過如果到東歐習醫真的有「走捷徑」的效果，我認為政府在承認其學歷前，應該有配套要求，以避免這種管道所帶來的副作用，並維持公平性。
從經濟學的角度看，開放醫師市場可以促進醫師的競爭，或許有助於醫療品質的提升，而且有抑制醫療價格的作用。我看到有些持贊成開放的論點認為開放東歐醫學生將有助於醫師資源的均勻分布，使得偏遠地區獲得所需要的醫師。此外，由於這些留學東歐的醫學生因為習醫門檻較低(投資成本相對較少)，應該比較願意前往偏遠地區服務。
我覺得這點也是見仁見智，健康經濟學的研究發現醫師服務市場比較像是獨佔競爭(monopolistic competition)，而非完全競爭(perfect competition)。完全競爭是指市場中有許多賣家，所賣的產品或服務完全一樣，而且賣家可以自由進入或退出市場。但事實上這樣的市場並不多，在健康照護或醫療產業幾乎看不到完全競爭市場。獨佔競爭市場最好的例子是開業醫師(診所)市場，每一個醫療市場應該都有不少開業醫師及診所，彼此會互相競爭，看起來像是完全競爭市場，可是因為每一家診所因為科別、醫師與病人的互動模式、所處位置等等的不同而形成各自的特色，造成每間診所服務的差異化，所以雖然該市場中有很多賣家，可是每個賣家所提供的產品/服務其實都並不相同，等於每家診所就其所提供的服務形成獨佔，因此這樣的市場被稱為獨佔競爭。醫師的獨佔競爭不見得會促進醫療品質或抑制醫療價格。
此外，雖然到東歐習醫的門檻較低，但不表示其投資成本比在國內唸醫學院來得低。不過如果國內醫師密度變高，應該是有一部分醫師會往較偏遠的地區分布，只是依我的觀察，會到較偏遠地區服務的醫師應該都有一些特質，與市場上醫師人數飽和與否或醫師密度的因素比較沒有直接相關。當然這也需要實證研究才能夠下結論。
此外，主張維持現狀(直接承認其學歷)的論點提到美國也是採取直接承認外國(台灣、印度、加拿大、歐洲各國家)醫學院畢業生的學歷，而且相當依賴這些國際醫學院畢業生(international medical graduates, IMGs)的醫師人力。台灣直接承認美、日、歐盟、澳洲、紐西蘭醫學院學歷也已經行之多年。美國與台灣的醫師比例在已開發國家中的確是偏低的，以2004年為例，31個OECD國家與台灣的每一千人中，執業醫師人數平均值是將近3位醫師，而美國只有2.4位醫師，台灣只有1.5位醫師。看來台灣的醫師比例有明顯偏低的現象，有提升的空間。因此如果國內醫學院畢業的醫師人數偏低，我們引進在國外習醫的畢業生回國服務也是有其必要性。
不過，我最關心的是健康經濟學中提到的醫療提供者誘發醫療需求(supplier-induced demand, SID)的問題，這是因為醫病雙方醫療資訊不對等，病人必須仰賴醫師的判斷與知識，為他們提供醫療或建議醫療處置。如果醫師人數或密度增加，在人口與健康需求穩定的情況下，平均每位醫師所照顧的病人數便會減少，這時每位醫師的平均收入也會減少，如果醫師心中有預期收入水準的話，那就可能會設法誘發病人的醫療需求，比如建議病人多使用一些醫療處置。這個問題在病人有健保給付的情況下會更嚴重，因為病人自費的部分不多，缺乏價格的敏感度。
如果真是這樣的話，那我們應該可以預期醫師密度較高的國家所耗用的醫療或健康照護資源也會偏高。針對這個假設，我做了一個簡單的分析，去拿31個OECD國家再加上台灣2004年的資料，進行迴歸分析。在這個分析中，應變數是每個國家的健康照護總支出佔其GDP的比例，自變數是各國家每千人的執業醫師人數，另外有三個控制變數，分別是政府在健康照護中所參與的比重(以公部門經費佔全國健康照護支出的比例去衡量)、各國家每千人的執業護理人員數、以及每千人的病床數。我之所以控制政府在健康照護中所參與的比重這個因素，是因為若政府開辦公營健保或主導醫療與健康照護的提供，應該會有較多的費用管控措施，像台灣的全民健保就是一個很好的例子。
結果我發現，醫師的比例確實是一個很顯著的國家健康照顧支出高低的預測因子，當每千人增加一位醫師，全國健康照護支出佔GDP百分比會增加1%，而且醫師密度是這四個因素中影響程度最大的。雖然護理人員的密度也是一個顯著的預測因子，但程度小很多，當每千人增加一位護理人員，全國健康照護支出佔GDP百分比只會增加0.33%。此外，政府介入健康照護體系的比重越重，國家的健康照護支出程度會下降，比如公部門經費佔全國健康照護支出的比例增加一個百分點，全國健康照護支出佔GDP百分比會減少0.08%。在這四個因素中，各國家每千人的病床數與各國健康照護支出佔GDP百分比並沒有顯著的關係。我所得到的結果大約可以解釋40%各國健康照護支出佔GDP百分比的差異，而且對台灣全國健康照護支出程度的預測相當接近(預測值是6.8%，實際值是6.2%)。
如果這個簡單的分析有道理的話，那表示當台灣在思考這個問題時，必須考量後續可能醫師人數無法掌控的問題(如果前往東歐習醫的醫學生很多的話)，以及所衍生的國家整體醫療支出增加的後果。
我會建議政府採取配套承認的方式，比如要求這些在國外習醫的畢業生補足與國內醫學院相同的修業年數或實習學分，才予以承認。此外，最近與可見的未來台灣會欠缺外科系醫師，所以或許可以在政策上導引外國習醫的畢業生回到台灣往外科發展，或者在較偏遠真正缺醫師的地區執業(至少一段期間)，以彌補真正醫師人力不足的地方，達到公衛或醫療政策的目標。不過這對某些科別或地區的醫師缺乏問題只是一個治標方法。
我稍微在網路上看了幾篇相關的討論文章，有傾向維持現狀的，有主張加以設限的，都有其道理存在。主張管制的論點比較著重在品質的考量，由於這些到東歐念醫學院的學生大多無法考上國內的醫學院，因此前往東歐醫學院就讀便提供了另一個接受醫學教育以及一圓醫師夢的管道。另外媒體報導也指出波蘭醫學院並沒有實習課程，且修業期間長短不一。如果情況真是如此，那我們不免要問這些醫學生的素質會不會比較差，進而影響到他們執業時的品質與專業程度？
關於這點，必須透過實際的研究比較才能知道，在沒有實證研究之前都只能說是臆測而已。我個人的感想是這樣的顧慮不能說完全沒道理，但可能沒有我們所想像的嚴重。醫師的執醫技術應該是跟其住院醫師訓練以及後來所處的執醫環境很有關係，如果能遇到優秀的臨床導師，那更是有深遠的幫助。我發現很多醫技高超的醫師不見得都是台大醫科畢業的，反之台大醫科畢業的醫師醫療技術也不是每一位都比其他醫學院畢業的醫師高明。同理應該可以用到在國內唸醫學院與到東歐唸醫學院的醫學生身上才對。 不過如果到東歐習醫真的有「走捷徑」的效果，我認為政府在承認其學歷前，應該有配套要求，以避免這種管道所帶來的副作用，並維持公平性。
從經濟學的角度看，開放醫師市場可以促進醫師的競爭，或許有助於醫療品質的提升，而且有抑制醫療價格的作用。我看到有些持贊成開放的論點認為開放東歐醫學生將有助於醫師資源的均勻分布，使得偏遠地區獲得所需要的醫師。此外，由於這些留學東歐的醫學生因為習醫門檻較低(投資成本相對較少)，應該比較願意前往偏遠地區服務。
我覺得這點也是見仁見智，健康經濟學的研究發現醫師服務市場比較像是獨佔競爭(monopolistic competition)，而非完全競爭(perfect competition)。完全競爭是指市場中有許多賣家，所賣的產品或服務完全一樣，而且賣家可以自由進入或退出市場。但事實上這樣的市場並不多，在健康照護或醫療產業幾乎看不到完全競爭市場。獨佔競爭市場最好的例子是開業醫師(診所)市場，每一個醫療市場應該都有不少開業醫師及診所，彼此會互相競爭，看起來像是完全競爭市場，可是因為每一家診所因為科別、醫師與病人的互動模式、所處位置等等的不同而形成各自的特色，造成每間診所服務的差異化，所以雖然該市場中有很多賣家，可是每個賣家所提供的產品/服務其實都並不相同，等於每家診所就其所提供的服務形成獨佔，因此這樣的市場被稱為獨佔競爭。醫師的獨佔競爭不見得會促進醫療品質或抑制醫療價格。
此外，雖然到東歐習醫的門檻較低，但不表示其投資成本比在國內唸醫學院來得低。不過如果國內醫師密度變高，應該是有一部分醫師會往較偏遠的地區分布，只是依我的觀察，會到較偏遠地區服務的醫師應該都有一些特質，與市場上醫師人數飽和與否或醫師密度的因素比較沒有直接相關。當然這也需要實證研究才能夠下結論。
此外，主張維持現狀(直接承認其學歷)的論點提到美國也是採取直接承認外國(台灣、印度、加拿大、歐洲各國家)醫學院畢業生的學歷，而且相當依賴這些國際醫學院畢業生(international medical graduates, IMGs)的醫師人力。台灣直接承認美、日、歐盟、澳洲、紐西蘭醫學院學歷也已經行之多年。美國與台灣的醫師比例在已開發國家中的確是偏低的，以2004年為例，31個OECD國家與台灣的每一千人中，執業醫師人數平均值是將近3位醫師，而美國只有2.4位醫師，台灣只有1.5位醫師。看來台灣的醫師比例有明顯偏低的現象，有提升的空間。因此如果國內醫學院畢業的醫師人數偏低，我們引進在國外習醫的畢業生回國服務也是有其必要性。
不過，我最關心的是健康經濟學中提到的醫療提供者誘發醫療需求(supplier-induced demand, SID)的問題，這是因為醫病雙方醫療資訊不對等，病人必須仰賴醫師的判斷與知識，為他們提供醫療或建議醫療處置。如果醫師人數或密度增加，在人口與健康需求穩定的情況下，平均每位醫師所照顧的病人數便會減少，這時每位醫師的平均收入也會減少，如果醫師心中有預期收入水準的話，那就可能會設法誘發病人的醫療需求，比如建議病人多使用一些醫療處置。這個問題在病人有健保給付的情況下會更嚴重，因為病人自費的部分不多，缺乏價格的敏感度。
如果真是這樣的話，那我們應該可以預期醫師密度較高的國家所耗用的醫療或健康照護資源也會偏高。針對這個假設，我做了一個簡單的分析，去拿31個OECD國家再加上台灣2004年的資料，進行迴歸分析。在這個分析中，應變數是每個國家的健康照護總支出佔其GDP的比例，自變數是各國家每千人的執業醫師人數，另外有三個控制變數，分別是政府在健康照護中所參與的比重(以公部門經費佔全國健康照護支出的比例去衡量)、各國家每千人的執業護理人員數、以及每千人的病床數。我之所以控制政府在健康照護中所參與的比重這個因素，是因為若政府開辦公營健保或主導醫療與健康照護的提供，應該會有較多的費用管控措施，像台灣的全民健保就是一個很好的例子。
結果我發現，醫師的比例確實是一個很顯著的國家健康照顧支出高低的預測因子，當每千人增加一位醫師，全國健康照護支出佔GDP百分比會增加1%，而且醫師密度是這四個因素中影響程度最大的。雖然護理人員的密度也是一個顯著的預測因子，但程度小很多，當每千人增加一位護理人員，全國健康照護支出佔GDP百分比只會增加0.33%。此外，政府介入健康照護體系的比重越重，國家的健康照護支出程度會下降，比如公部門經費佔全國健康照護支出的比例增加一個百分點，全國健康照護支出佔GDP百分比會減少0.08%。在這四個因素中，各國家每千人的病床數與各國健康照護支出佔GDP百分比並沒有顯著的關係。我所得到的結果大約可以解釋40%各國健康照護支出佔GDP百分比的差異，而且對台灣全國健康照護支出程度的預測相當接近(預測值是6.8%，實際值是6.2%)。
如果這個簡單的分析有道理的話，那表示當台灣在思考這個問題時，必須考量後續可能醫師人數無法掌控的問題(如果前往東歐習醫的醫學生很多的話)，以及所衍生的國家整體醫療支出增加的後果。
我會建議政府採取配套承認的方式，比如要求這些在國外習醫的畢業生補足與國內醫學院相同的修業年數或實習學分，才予以承認。此外，最近與可見的未來台灣會欠缺外科系醫師，所以或許可以在政策上導引外國習醫的畢業生回到台灣往外科發展，或者在較偏遠真正缺醫師的地區執業(至少一段期間)，以彌補真正醫師人力不足的地方，達到公衛或醫療政策的目標。不過這對某些科別或地區的醫師缺乏問題只是一個治標方法。
2009年4月5日 星期日
抽樣方法(Sampling methods)
抽樣調查是社會科學重要的根基，絕大多數社會科學研究都是使用抽樣調查所得到的資料，只不過量化研究比較強調及偏重使用由機率抽樣方法所得到的資料，而質性研究所根據的是非機率抽樣方法所獲得的資料。
抽樣調查也是了解民意、社經國情與施政的重要基礎。我一直認為美國是一個以抽樣調查治國的國家，如果沒有抽樣調查的技術，這個國家基本上很難運作。比如美國並沒有一套準確的全國戶口資料，更沒有全國一致的國民身分證，就連其國境內有多少合法人口，或國民人數到底有多少，並沒有人能夠說出一個確切的數目，最好的回答可能是大概三億加減多少，而這是透過許多現有的文件登記資料(如聯邦政府的社會安全號碼、各州的駕駛執照人數、醫院開出的出生證明等)，再加上抽樣調查的統計推估所得到的。
抽樣方法分為兩大類，第一類是機率抽樣(probability sampling)，第二類是非機率抽樣(non-probability sampling)。機率抽樣方法是指母群體中的每一個體都有某種已知的機會(機率)可以被選進研究樣本中；非機率抽樣方法則是指當這樣的條件不存在時所做的抽樣，當我們使用非機率抽樣方法時，對於樣本中的個體從母群體中被抽到的機率完全不得而知。在不知道樣本與母群體之間的機率關係的情況下，我們便無法對該份樣本的抽樣誤差進行估算，也就是說我們沒有任何概念或資料可以去判斷從該樣本所得到的推估結果與母群體真正的情況有多接近，或有多大的差別。如果是採用機率抽樣，我們便可以根據統計學理論，去獲得這些抽樣所可能導致的誤差程度，知道樣本統計值的推估區間與可信賴程度。
非機率抽樣
雖然學理上機率抽樣是比非機率抽樣來得理想，可是有時候或有些情況無法讓我們進行機率抽樣，或者有些研究的目的不在於推論母群體的情況或講究樣本的代表性(representativeness)，而是希望獲得一組內涵最豐富，對探討的主題最有幫助的樣本資料(richness of data)，這時非機率抽樣便有其必要性。
常見的非機率抽樣方法有三種：(1)便利抽樣(convenience sampling)、(2)立意抽樣(purposive sampling)、(3)配額抽樣(quota sampling)。顧名思義，便利抽樣是指研究者以自己最容易取得的一組樣本做為研究的資料。比如某位研究人員想用訪談的方式研究美國醫院院長對Obama總統所進行的醫療改革的看法與意見，照理說應該從全美國的醫院院長中隨機抽樣出足夠的人數，來進行個別訪談。可是該研究員的時間與研究經費有限，因此就退而求其次，就其目前所在的地區附近二十位認識的醫院院長個別進行訪談。這樣便可以省去大筆的交通費與往返的時間，並且透過交情也容易徵得這些院長們接受訪談的同意。便利抽樣有時又稱為偶遇抽樣(accidental sampling)。
使用二手資料的研究事實上非常倚重便利抽樣的研究樣本。在美國進行醫院相關的研究，學者經常使用美國醫院協會(American Hospital Association, AHA)每年對其會員醫院與非會員醫院的調查資料庫，這個資料庫近似美國所有醫院的普查資料，涵蓋面相當廣，可是並不是每一家醫院都有填寫資料回報，特別是非會員醫院的資料相當不齊全。因此嚴格來說，此資料庫中的醫院樣本並非美國所有醫院的一份機率抽樣樣本，而是一個方便抽樣的樣本。但是因為其所涵蓋的醫院樣本數很大，有相當程度的代表性，而且資料豐富，方便取得，因此受到研究人員的喜愛。
立意抽樣有時稱為專家抽樣(expert sampling)、或判斷抽樣(judgment sampling)，是指研究人員根據某種目的，刻意尋找具備某種特質的個體來組成研究樣本。全民健保局為管控醫院的申報費用，在進行申報案件審查時，大量運用立意抽樣的方法，比如健保局先透過電腦系統了解某家醫院在哪些治療項目、科別或醫師的申報費用成長最快，然後針對該範圍密集抽取案件來做審查。
立意抽樣也是質性研究相當重視的抽樣方法，比如在grounded theory的質性研究中，研究資料的取得並非透過隨機取樣，而是根據資料的豐富性來決定，研究人員所考量的是哪一些研究對象最能夠提供完整且足夠的研究資料。比如我們要研究藥師給藥錯誤的原因，最好是去訪談曾經給錯藥的藥師，而不是從藥局中隨機抽出幾位藥師來做訪談。如果要研究糖尿病人血糖控制不好的原因，理想的訪談對象是血糖控制最不理想的病人，而不是從所有糖尿病人中隨機抽樣。這裡所謂的立意取樣是指考量哪些對象能夠提供對理論的建構或瞭解問題本質最能夠提供深入且完整資料與直接的幫助。在運用焦點團體(focus group)的研究中，通常焦點團體的組成是跟據立意抽樣的原則，而非機率抽樣。
配額抽樣是指根據一定的配額去組成樣本。例如我想比較美國公立、非營利與營利這三種屬性的醫院的效率，而我知道整體來看，全國每十家醫院當中，公立醫院只佔2家，非營利醫院約佔5家，營利醫院約佔3家。如果我希望研究樣本包括50家醫院，那我就照比例配額，去找10家公立醫院、25家非營利醫院，以及15家營利醫院的資料來進行分析。配額抽樣可以保證讓我們的研究樣本中包含我們所感興趣的各種性質的研究個體，不過因為本質上仍然是非機率抽樣的樣本，因此我們還是無法做估算及抽樣誤差與進行統計推論。
機率抽樣
機率抽樣是目前調查研究的主流，其最主要的優勢是可以搭配統計理論，用樣本去推論母群體某個重要的參數或特徵值，並且在某種信賴水準或信心程度上面提供相關的訊息讓研究人員瞭解這樣的推論可能的誤差範圍。
機率抽樣另一個奇妙之處，是當母群體愈龐大時愈能夠凸顯機率抽樣的好處。比如我想分別調查花蓮縣與全國20歲以上民眾對全民健保的滿意與否，並使用隨機抽樣去取得研究樣本；假設約有八成的民眾對健保滿意，其餘兩成民眾不滿意，如果我想得到的抽樣誤差在95%的信賴水準下不超過±3%，在針對花蓮縣民(假設20歲以上的縣民有150,000人)的調查上我必須從所有花蓮縣民中隨機抽出682位來做為研究樣本；如果我是針對全國(假設20歲以上的國民有15,000,000位)，只要從全國20歲以上的民眾中抽出684位就可以達到同樣準確度的估算。雖然花蓮縣與全國的人口數相差很大，可是如果使用隨機抽樣的話，這兩份調查所需要的研究樣本數卻只有非常小的差距[1](幾乎一樣)。這表示當母群體中的個體數愈大時，所需樣本數也會跟著增加，但是增加的幅度卻是快速遞減，當母群體個數超過某一個程度時，所需的樣本數便都完全一樣，這對研究人員來說實在是一大福音。也正是因為如此，社會科學的研究與調查研究才可以用有限的成本與精力，相當準確地估算廣大的社會中的各種現象與變化。
常見的機率抽樣方法有四種：(1)簡單隨機抽樣(simple random sampling, SRS)、(2)系統抽樣(systematic sampling)、(3)分層抽樣(stratified sampling)、(4)群集抽樣(cluster sampling)。
簡單隨機抽樣(SRS)是我們經常接觸到的抽樣方法，比如摸彩或抽獎，或辦公室需要有人出公差去送資料時用抽籤決定人選。SRS的特色是母群體中的每一個體都有相同的機會被選中進入樣本，這是一種最公平且概念上最簡單的抽樣法，可以直接套用統計學原理去進行估算與推論。在進行SRS時，我們必須有一份所有母群體個體的名單(sampling frame)，然後再隨機從中抽出個體來組成樣本；常用的方法可以將這個母群體的個體做成籤條，放入籤筒，加以充分攪散，再去抽籤；或者將名單加以編號，用亂數表或亂數產生器去得到所需要數目的亂數，用這些亂數所對應的個體組成樣本。
比如我要隨機抽樣50間醫院，再前往進行個別訪談，來研究台灣所有醫院(假設有500家醫院)的(非健保)自費收入服務與成果(如自費項目與收入金額)，先要製作一份所有醫院的名單，並依順序加以編號(1-500)，然後透過Excel中的亂數產生器得到50個介於1~500之間的號碼，將對應這些號碼的醫院從名單中找出來，便成為一份SRS樣本。
不過實際上在很多情況下SRS並不容易進行，甚至是不可能做到，像是如果我們沒有完整的醫院名單，或者這份研究計畫的交通費預算有限，無法讓我到由SRS所得到分散在各縣市的樣本醫院去一一做訪查，這時SRS便不是一個很實用的抽樣方法。
系統抽樣方法是一種簡化的隨機抽樣法，最普遍的做法是從母群體的名單中，按照一定的間隔取出足夠的個體組成樣本。比如我們可以從這500家醫院的名單中，每10間醫院取一間來做為樣本個體。但首先我們必須先隨機決定一個起始的號碼，也就是從1-10之間隨機選出一個號碼，假如選中的是3號，則我們從3號開始，每10號取一家醫院做為樣本(3, 13, 23, 33,…493)。
系統抽樣適用的情況是當我們有一份醫院名單，可是這份名單沒有編號(也許因為名單太長無法編號)或沒有按順序編號時，或者沒有現成的名單時。比如我想了解在今天馬上知道當天門診病人的就診滿意度，便可以用系統抽樣，先決定要抽樣的間隔(假設是每10位門診病人取一位)，隨機決定一個1~10之間的號碼(假設是7號)，然後在病人報到櫃台，從今天報到的第7位門診病人開始，每隔10位就抽訪一位病人(7, 17, 27,…)進行滿意度調查，直到當天門診結束為止。
系統抽樣如果要得到能夠代表母群體，沒有偏差的樣本，前提是母群體個體的排列方式與我們選取樣本的間隔數之間沒有關聯性，萬一這兩者之間有某種相關性時，會導致我們所抽出的樣本有所偏差。比如這家醫院剛好有10間診間與10位醫師在看診，門診病人是依照報到順序被櫃檯人員指定前往各個診間給醫師診療，因此我們所取到的病人樣本事實上都是由7號診間的醫師診療，而不是平均分散在各診間的病人，因此無法代表所有今天就診的病人。當然這樣的情況不常見，但是不能不注意。
分層或分組抽樣是一種比SRS更精準的隨機抽樣法，所用的方法是跟據我們的研究性質，依照相關的條件把母群體中的個體分成不同的層別或組別(strata)，再分別從每一層別或組別中的個體隨機抽出一定的個體來組成樣本。分層抽樣可以再分為兩種，分別是分層比例抽樣(proportionate stratified sampling)與分層非比例抽樣(disproportionate stratified sampling)。比如我們將所有醫院分為地區醫院(假設有400家，佔醫院總家數的80%)、區域醫院(假設有80家，佔醫院總家數的16%)與醫學中心(假設有20家，佔醫院總家數的4%)三個層別，如果我們是依照各層別醫院佔醫院總家數的比例來分配樣本名額，便是分層比例抽樣，這時我們從20間醫學中心隨機抽出2家(50x4%=2)，從80間區域醫院中抽選出8間(50x16%=8)，再從400間地區醫院隨機選出40間(50x80%=40)，來組成共50間醫院的樣本。
若採用分層非比例抽樣方法，則是須視研究需要決定各層別要抽選的醫院家數，比如樣本中要有各10間醫學中心與區域醫院，以及30間地區醫院，我們就分別從各層別中隨機抽出所被分配的數量，來組成最終的樣本。
這兩種方法原則上以分層比例抽樣較為理想，這是一種特殊情況的簡單隨機抽樣(因為母群體中的每一個體被選中的機會都一樣)，事實上透過分層比例抽樣所得到的樣本比簡單隨機抽樣所得到的樣本更有代表性，其抽樣誤差的程度會等於或小於SRS。不過雖然分層非比例抽樣的抽樣誤差程度比較大，在某些情況下仍相當有必要且有用。這些情況包括：(1)如果調查經費有限，而進行某個層別的醫院的調查要比其他層別醫院來得容易或成本低時，我們基於經費或人力考量，可能需要多抽某個層別的醫院，而減少另外層別醫院的樣本；(2)如果某個層別的醫院數量很少時，當我們按照比例原則去抽樣時，此層別的醫院在樣本中個體可能會偏低(比如前面用分層比例抽樣所得到的醫院樣本中，醫學中心只有兩間，有可能不夠)，這時我們就可以給予這個層別的醫院較多的樣本名額，以提高該層別在樣本中的代表性；(3)有時我們並不是要去估算整體醫院的自費服務或收入的情況，而是想去比較這三個層別醫院在自費服務方面的發展與成果是否有不同，這時每一層別醫院在樣本中必須有一定數量，才有足夠的比較基礎，因此就得用到分層非比例抽樣方法。
群集抽樣也是跟據某種母群體的特性，將母群體中的個體分成不同的群組(clusters)，然後從這些群組中隨機抽出部分的群組，再從被選中的群組中隨機抽出足夠的個體來組成樣本。比如我們將500家醫院依北區、中區、南區與東區分為四個群組，再隨機抽出其中一區，最後從這一區的醫院中隨機抽出一定數量的醫院做為調查樣本。
群集抽樣的分類經常是用地理條件來分群組，當我們抽選出特定的群集時，我們也就縮小了樣本的範圍，這對於面對面的訪查工作非常有幫助，因為可以大幅節省調查工作中交通的時間與成本。不過群集抽樣若要得到正確的結果，每一個群集中的個體最好差異化越大越好，而且每一個群集之間個體的組成型態愈一致愈好。這是因為我們要用某一個或某些群集中的個體來代表母群體，所以理論上每一個群集中所含的個體最好就是母群體的縮影。前面的例子用北、中、南、東四區來畫分醫院群集其實對研究醫院的自費服務並不是很理想的方式，理由是這四區之間的社會經濟形態、人口密度、醫院分布與屬性都有很明顯的差異，這些因素都會影響醫院的自費服務發展，所以只用其中某一區的醫院來探討全國醫院的自費服務發展情況是會產生嚴重偏差的。
回過頭來看分層抽樣，所需要的理想條件正好與群集抽樣的相反。對分層抽樣來說，理想的狀況是層別中的個體相似性愈高愈好，而不同層別之間的個體相似性愈低愈好。因為在分層抽樣中，我們希望各主要類別的醫院都能被包含到樣本裡，使樣本有廣泛的代表性，所以如果我們能夠找到會直接影響研究主題的因素，根據這些因素來區分層別，便能夠確保樣本中不會漏掉重要的層別。
這四種機率抽樣的方法各有優缺，沒有哪一個絕對優於其他方式，而且可以適用任何的狀況。各種抽樣方法總是在效率/容易執行(efficiency)與精確(precision)這兩個目標之間做拉鋸戰，研究人員必須視實際狀況做取捨，選擇最適合的抽樣策略。
SRS好處是容易明瞭及估算，缺點是可能缺乏效率，費工費時，甚至有時候是不可行的，即使抽樣作業可行，所得到的樣本可能在後續的資料收集上無法執行。系統抽樣一般來說比SRS容易執行，不過有潛在的偏差可能性，有時候後續資料收集有實際困難。分層抽樣的好處是其樣本的代表性與所得到的結果的精確度比其他方法來得理想，但問題在於有時候研究人員缺乏相關的資訊去將母群體畫分為不同的層別，同時，分層抽樣調查一般來說執行成本相當高。最後，群集抽樣可能是這些方法中花費成本最低的調查方式，可是研究人員必須冒著某種程度的偏差風險，有時候我們連到底其中的誤差風險有多大都不完全能夠掌握。
當然，這四種方法也可以視需要與狀況互相結合，比如在系統抽樣、分層抽樣與群集抽樣中也都有部分用到SRS。對於大規模的調查計畫，也可以先採用分層抽樣或群集抽樣，然後再用系統抽樣決定最後樣本。好處是，只要是用機率抽樣方法，統計理論便可以派得上用場，讓我們獲得有一定準確程度的結果。
[1]這是單單比較所需樣本數的多寡，並沒有考慮對全國抽樣與對花蓮縣抽樣以及後續樣本的調查方面所需投入的技術難易度、成本、時間的差別。
2009年4月2日 星期四
Obama總統的醫療改革策略
Obama總統上任後，一如其競選期間所提出的政見，在醫療改革上著力不小，甚至在面臨金融危機所帶來的經濟不景氣中，Obama仍然執著於健保的改革，並將醫療與健保改革緊扣其整體改革施政，強調在愈困難的經濟環境中，醫療與健保改革更加重要，不可忽略。我覺得這樣的策略應該是會有效的。如果我們去看美國的歷史，其最重要的社會安全法案是在1930年代經濟大蕭條時代通過實施的，因為在困難的時代，民眾普遍會寄望政府多做一點事情，也會使得社會安全相關的政策獲得較多的正當性。
此外是目前的美國總統與參、眾兩院都是民主黨主導，類似1965年強森(Lyndon B. Johnson)總統主政時，當時參、眾兩院的多數黨是民主黨，Johnson也是民主黨，美國兩大公營健保體制Medicare和Medicaid之所以能夠順利通過實施，有一部分也是拜這樣的政治氛圍所賜，。
我們系上的一位老師Dr. Kelly Devers前一陣子被邀請擔任Obama總統交接小組的醫療改革小組的義務顧問，這個小組在去年12月期間在全美各地舉辦了四千場醫療改革社區民眾討論會。該小組邀請了12位健康領域中質性研究方法的學者協助討論會的策畫，並規劃民眾意見的收集與彙整方法。從這個小組所規劃的討論議題可以稍微看出Obama政府對醫療改革的關切角度：
1.甚麼是民眾認為目前醫療系統最大的問題？民眾如何選擇醫師與醫院？
2.民眾認為公共政策可以如何促進醫療品質？
3.這些民眾是否曾經有困難負擔醫療費用？或他們知道親友中有遇過這樣的問題？他們認為政策制定者可以怎麼做來解決這些問題？
4.在現行的由雇主提供健保的管道之外，民眾是否期待有其他的健保方式？比如是某種民營的健保方案，但可以透過健保公司之間進行交流與轉換，使得涵蓋面可以擴大；或者是民眾屬意像Medicare這樣的公辦健保方案？
5.雇主在醫療體系改革當中所扮演的角色是甚麼？
6.民眾對於獲得預防保健的服務，如乳房攝影篩檢、流感疫苗注射或膽固醇檢測的看法是如何？
7.民眾認為公共政策可以怎樣促進健康的生活形態？
最近Obama總統也陸續透過與民眾面對面的會議(Town Hall Meeting)，與民眾交換對各種重大議題的意見，其中當然包括醫療體系的改革問題，並透過網站收集民眾對這些議題的建議，更重要的是他可以藉由這些機會並透過媒體的轉播直接向全國民眾說明其政策方向，繼續為其改革方案加溫。
還有，Dr. Devers跟我們說Obama政府也記取柯林頓政府在推動醫療與健保改革時失敗的經驗，採用與以往不太一樣的策略。柯林頓政府在1990年代推動醫療與健保改革方案時過於強勢，想要由行政部門主導方案的推動，結果造成國會的反彈。這次Obama政府並沒有藉著民主黨在參、眾議院席次的優勢，去強勢促銷行政部門的醫療改革方案，而是採取模糊策略，只是去強調所主張的改革原則與方向，守住這些大原則，然後將改革具體方案的研擬任務交給國會去進行。如果國會擬出一個與行政部門原則相同的方案，那就應該可以順利通過實施；如果國會折衝出來的方案偏離大原則太遠，總統還是有否決權，可以退回國會重新制定。
目前看來Obama政府同時也將其改革理念直接訴諸民眾，希望藉此對國會產生一定的壓力。這些策略是否能夠達成預期的結果尚不得而知，不過我覺得在美國的政治制度中，這樣的方法所帶來的成功機會應該是比較大。
不過由於目前美國壟罩在不景氣的低氣壓中，社會關注的焦點在於經濟改革與失業率，相較之下，醫療改革議題的迫切性便弱了一些。如果Obama政府挽救經濟方面出現大問題，也會連帶影響其他的改革措施；如果經濟與財政方面還算平順的話，醫療改革便有機會。
原本要擔任美國衛生部部長的Tom Daschle因個人報稅瑕疵問題(有些該報稅的收入沒有報而引起爭議)，而請Obama總統撤回其提名，多少對Obama政府推動醫療健保改革有一些影響。Daschle是曾經資深參議員以及參議院多數黨領袖，對國會運作非常了解，他本身對醫療健保的改革也有一整套看法，是Obama從競選期間開始重要的醫療政見的幕僚。
Daschle對醫療健保改革有兩個核心思想，首先是設立一個聯邦健康儲備委員會(Federal Health Reserve Board)，這是仿照聯邦儲備金委員會(Federal Reserve Board)的設計，在聯邦政府層級來統籌全國醫療與健保的政策單位。就如同聯邦儲備金委員會透過央行利息的調節來控制貨幣的流通，進而調節經濟的脈動，Daschle希望藉由聯邦健康儲備委員會來調節全國醫療的價格與品質，並負責將目前零碎複雜的健保機制加以統合。這個委員會主席的任命方式也與聯邦儲備金委員會類似，因此可以較不受政治運作與政權更迭的影響，保有較大的自主性與專業性，以較長遠的角度來調整醫療與健保的發展環境。
此外，Daschle第二個重要的構想，是賦予聯邦健康儲備委員會進行醫療成效比較分析(Health care effectiveness analysis)的功能。簡單來說，他要對各種醫療處置、藥品、醫療儀器的療效與成本進行深入的分析比較，並加以公布。聯邦的健保方案(如Medicare、Medicaid、聯邦政府雇員健保、榮民體系醫療等)則根據這些評估的結果，只給付或採用具有一定成本效益的醫療處置、藥品與儀器。由於聯邦政府相關的醫療或健保體系在全國醫療與健保中佔有很大的比重，因此這些政策可以對民營的醫療與健保產生很大的滲透力，藉此對全國的醫療與健保進行間接改革。
不過因為Tom Daschle並未如規劃的去接衛生部長，這些構想是否會被推動，則不得而知。我猜測Daschle應該還是會扮演一個Obama政府重要的衛生政策幕僚的角色。
Obama政府目前在健保改革方面比較像是採用漸進式(incremental)策略，一點一點擴大健保在全國的涵蓋面，最終希望人人都被納入保險。今年一月底參議院通過最不具爭議性，各界共識最高的各州兒童健保方案的擴大涵蓋範圍的修正案，隨即眾議院也通過，Obama總統在二月四日簽署實施。如果未來美國在健保方面有所進展的話，可以預見的應該比較像是這樣的漸進式的擴大，而不是大幅度的變革。
2009年3月29日 星期日
用DEA研究台灣國內醫院的效率
資料包絡分析(Data Envelopment Analysis, DEA)的學理是由美國的學者Charnes, Cooper, & Rhodes在1978年所提出的，之後DEA開始被運用到各個產業去研究或分析各類組織或機構的經營效率。一直到1984年，DEA才首度由Sherman用來研究醫院的效率；從此之後，有許多美國的學者使用DEA進行不少與醫院效率有關的比較分析，所發表的研究論文數量在1990年代初期達到高峰。然而從1990年代下半期之後，由歐洲的學者用DEA所發表的醫院效率研究的論文篇數超過美國，而且其他國家(如台灣、南非、約旦)也陸續有學者用DEA研究醫院效率並發表在國際的學術期刊上面。此外，國內也有不少篇用DEA研究各類醫院經營效率的文章發表在相關的期刊。
台灣國立醫院效率的DEA分析
最近我讀到一篇用DEA研究台灣國立醫院效率的研究論文[1]，我覺得相當有代表性。這篇文章是研究六間直屬中央政府的國立醫院[2]在全民健保開辦前，從1990年到1994年之間的經營效率的變化，以及影響這些醫院經營效率的因素。
這篇論文有幾個研究假設：
1.服務或營運複雜度會降低醫院的效率(服務類別/科別較多的醫院效率較低，因為管理較困難)
2.佔床率與經營效率有正相關(佔床愈高的醫院經營效率愈好)
3.榮民病人所佔比例與經營效率呈負相關(榮民病人比例愈高的醫院效率愈低)
4.受到預期全民健保開辦的影響，這些醫院的效率會逐年上升(因為公立醫院預期全民健保開辦之後、公立醫院有健保給付收入，政府預算會遞減，因此有提升經營效率的壓力)
作者提到台灣的醫院絕大多數是非營利醫院，用傳統的財務指標來比較非營利醫院的效率並不是很恰當，因為非營利醫院講求的是使命與資源運用的效率，而財務指標比較偏重由成本與收入的角度去衡量效率，無法很貼切衡量非營利醫院的運作與目標。作者認為DEA能夠較靈活且廣泛地考量各種適當的經營投入與產出指標，因此很適合用來研究非營利性質的醫院。
這份研究先使用DEA去比較醫院在各個年度的效率，然後用效率分數做為應變數，用迴歸分析去探討影響醫院效率的因素。由於有6家醫院以及5年的資料，因此這份研究所用的資料是panel data(同樣的6家醫院進行跨年度的追蹤)，照理說應該會有6x5=30個DMUs或observations(研究樣本是30筆資料)，不過其中有一家醫院是在1991年才開辦，缺1990年的資料，所以總樣本數(或DMUs)是29。由於作者認為在追求經營效率方面，醫院比較能夠努力的是投入因素，而產出因素(服務量)並非醫院經營者所能直接掌控的，因此作者使用投入取向的DEA分析模式。
這篇文章所用來衡量醫院經營服務投入的變數主要是人力，包括三種人力項目：每間醫院的醫師人數、護理人員與醫技人員數，以及行政與後勤人員數，並分別都以全時或全職等值人力單位(full time equivalent, FTE)來衡量。作者並沒有將醫院的營運支出放入考慮，因為他認為公立醫院經費來自政府預算編列，並非由各醫院自行決定。我覺得這項假設見仁見智，因為這些國立醫院還是會根據其年度服務計畫提出預算計畫，再往上呈報，因此某種程度上它們的經費也是由醫院的經營者所決定的。我認為這份研究應該要包含營運支出這項因素，因為經費是很重要的一項資源投入，而國立醫院都有類似的預算制度，因此使用經費的多寡應該是各醫院經營的差別。如果這份研究是比較公立醫院與民營醫院的效率，若將經營支出納入考慮很可能會造成偏差。
這份研究的DEA所用到的醫院產出變數是醫院的服務量，包括門診與急診人次、一般住院人日、急重症住院人日與慢性住院人日。作者用兩種不同的模式來處理產出變數，一種是將這四種產出變數都帶入DEA分析中；另一種是用其中三種住院人日不同的權重(weights)去計算一個經過加權的整體住院人日數[3]，此模式的產出變數則只有兩個(急門診人次與加權總住院人日數)。不過作者用這兩種模式的DEA所計算出來的兩組DMU(6家醫院x5個年度-1)的效率分數情況相當一致，關聯值(correlation)達到0.9952，這代表由這兩種模式所計算的29個效率分數的排名順序幾乎是完全一致的，也就是說，這兩種模式所得到的相對效率分數結果是幾乎一樣的。
在這份研究的第二階段，作者用前面DEA所得到的效率分數當作應變數，去進行迴歸分析。這種結合DEA與迴歸分析的二階段分析方法在DEA的研究中越來越普遍。不過由於投入取向的DEA所得到的效率分數的數值是界於0與1之間，違背OLS線性迴歸分析的基本假設(應變數必須是呈常態分布的連續變數)，而屬於一種受限應變數(limited dependent variable, LDV)的情況。就我所知，目前學者已經建議幾種方式來處理這個LDV的問題。最常用的方式是將效率分數轉換成二元應變數(標竿DMU的效率=1，其他非標竿DMU的效率=0)，然後用logit或probit模式來分析。第二種方式是用一個簡單的公式將效率分數轉變成一個有單邊界限的連續變數，然後用tobit迴歸模式去分析。新的應變數=(1/效率分數)-1；當效率分數=1.000，此應變數的值是0，當效率分數=0.000，此應變數=∞(無窮大)。
這篇文章所用的是第三種方式，也就是用「最小絕對值和」的迴歸分析原理(least absolute value regression, LAV)，這種迴歸分析不須假設應變數呈常態分布。一般的OLS(一般最小平方和)迴歸分析在計算時是取應變數的條件平均值(conditional mean)，而LAV是取應變數的條件中間值(conditional median)；OLS所得到的參數值會使得每一筆資料的變異值平方總和(e12+ e22+ e32+ e42+…en2)達到最小，而LAV會使得每一筆資料的變異值絕對值總和(e1+ e2+ e3+ e4+…en)達到最小。不過作者同時呈現用OLS與LAV這兩種迴歸模式的分析結果。
分析結果發現，如作者所預期的，佔床率與這些國立醫院經營效率有正相關，榮民病人比例與醫院經營效率有負相關，而且這些醫院的經營效率呈現逐年上升的走勢；這些結果都達到統計學上的顯著水準。雖然分析結果顯示服務科別或類別較多的醫院，經營效率也比較低，這個結果與研究假設是一致的，但是只有OLS模式得到顯著的結果，LAV所得到的結果在這點上面未達統計學的顯著程度。
我覺得這篇論文寫得相當好，很精簡且很明瞭，所用的方法並不複雜，並且盡可能用幾種不同的分析途徑去比較結果，以增加結果的可信度(這是一種敏感度分析的做法)。雖然這份研究分析的醫院家數不多，樣本數也不大，卻仍然能夠得到相當精準的估算。只是，由於其樣本數很有限，因此這篇文章的結果的運用性(generalizability)也相當有限，我們無法由這篇文章去推測國內其他的公立醫院或民營醫院是否也有類似的情況。
發表在國內期刊的醫院效率DEA論文
近年來使用DEA探討台灣醫院效率的研究其實也不少，我在網路上找到八篇2000年之後發表的相關文章摘要，並將這八篇文章的摘要重點整理如下。由此來看近年來國內醫院經營效率的DEA研究多半偏重在公立醫院的探討，絕大多數是跨年(時間縱向)的資料分析，且普遍關切總額預算制度對醫院經營效率的影響；所使用方式以一階段(單純DEA分析)居多，主要探討的效率類別包括技術效率與規模效率。
[1] Chang, Hsi-Hui. (1998). Determinants of hospital efficiency: The case of central government-owned hospitals in Taiwan. Omega. The International Journal of Management Science, 26 (2): 307-317.
[2]由於作者沒有明講是哪些醫院，我猜是以榮民體系為主的醫院，如台北榮總、台中榮總與高雄榮總，以及台大與成大等國立大學附設醫院等，應該沒有包括國軍醫院與後來才改制的署立醫院在內。衛生署署立醫院是在精省後，在1999年由原來的省立醫院改制後歸屬行政院衛生署。
[3] 由於不同性質的住院服務所用到的資源數量不同，比如每人日的急重症住院所用到的資源是慢性住院的2倍，而一般住院所消耗的資源是慢性住院的1.5倍，因此我們可以設定慢性住院的權重是1，一般住院的權重是1.5，而急重症住院的權重是2。如果某家醫院有100人日的急重症住院，500人日的一般住院，300人日的慢性住院，則其整體的加權總住院人日為100x2+500x1.5+300x1=200+750+300=1,250人日。
台灣國立醫院效率的DEA分析
最近我讀到一篇用DEA研究台灣國立醫院效率的研究論文[1]，我覺得相當有代表性。這篇文章是研究六間直屬中央政府的國立醫院[2]在全民健保開辦前，從1990年到1994年之間的經營效率的變化，以及影響這些醫院經營效率的因素。
這篇論文有幾個研究假設：
1.服務或營運複雜度會降低醫院的效率(服務類別/科別較多的醫院效率較低，因為管理較困難)
2.佔床率與經營效率有正相關(佔床愈高的醫院經營效率愈好)
3.榮民病人所佔比例與經營效率呈負相關(榮民病人比例愈高的醫院效率愈低)
4.受到預期全民健保開辦的影響，這些醫院的效率會逐年上升(因為公立醫院預期全民健保開辦之後、公立醫院有健保給付收入，政府預算會遞減，因此有提升經營效率的壓力)
作者提到台灣的醫院絕大多數是非營利醫院，用傳統的財務指標來比較非營利醫院的效率並不是很恰當，因為非營利醫院講求的是使命與資源運用的效率，而財務指標比較偏重由成本與收入的角度去衡量效率，無法很貼切衡量非營利醫院的運作與目標。作者認為DEA能夠較靈活且廣泛地考量各種適當的經營投入與產出指標，因此很適合用來研究非營利性質的醫院。
這份研究先使用DEA去比較醫院在各個年度的效率，然後用效率分數做為應變數，用迴歸分析去探討影響醫院效率的因素。由於有6家醫院以及5年的資料，因此這份研究所用的資料是panel data(同樣的6家醫院進行跨年度的追蹤)，照理說應該會有6x5=30個DMUs或observations(研究樣本是30筆資料)，不過其中有一家醫院是在1991年才開辦，缺1990年的資料，所以總樣本數(或DMUs)是29。由於作者認為在追求經營效率方面，醫院比較能夠努力的是投入因素，而產出因素(服務量)並非醫院經營者所能直接掌控的，因此作者使用投入取向的DEA分析模式。
這篇文章所用來衡量醫院經營服務投入的變數主要是人力，包括三種人力項目：每間醫院的醫師人數、護理人員與醫技人員數，以及行政與後勤人員數，並分別都以全時或全職等值人力單位(full time equivalent, FTE)來衡量。作者並沒有將醫院的營運支出放入考慮，因為他認為公立醫院經費來自政府預算編列，並非由各醫院自行決定。我覺得這項假設見仁見智，因為這些國立醫院還是會根據其年度服務計畫提出預算計畫，再往上呈報，因此某種程度上它們的經費也是由醫院的經營者所決定的。我認為這份研究應該要包含營運支出這項因素，因為經費是很重要的一項資源投入，而國立醫院都有類似的預算制度，因此使用經費的多寡應該是各醫院經營的差別。如果這份研究是比較公立醫院與民營醫院的效率，若將經營支出納入考慮很可能會造成偏差。
這份研究的DEA所用到的醫院產出變數是醫院的服務量，包括門診與急診人次、一般住院人日、急重症住院人日與慢性住院人日。作者用兩種不同的模式來處理產出變數，一種是將這四種產出變數都帶入DEA分析中；另一種是用其中三種住院人日不同的權重(weights)去計算一個經過加權的整體住院人日數[3]，此模式的產出變數則只有兩個(急門診人次與加權總住院人日數)。不過作者用這兩種模式的DEA所計算出來的兩組DMU(6家醫院x5個年度-1)的效率分數情況相當一致，關聯值(correlation)達到0.9952，這代表由這兩種模式所計算的29個效率分數的排名順序幾乎是完全一致的，也就是說，這兩種模式所得到的相對效率分數結果是幾乎一樣的。
在這份研究的第二階段，作者用前面DEA所得到的效率分數當作應變數，去進行迴歸分析。這種結合DEA與迴歸分析的二階段分析方法在DEA的研究中越來越普遍。不過由於投入取向的DEA所得到的效率分數的數值是界於0與1之間，違背OLS線性迴歸分析的基本假設(應變數必須是呈常態分布的連續變數)，而屬於一種受限應變數(limited dependent variable, LDV)的情況。就我所知，目前學者已經建議幾種方式來處理這個LDV的問題。最常用的方式是將效率分數轉換成二元應變數(標竿DMU的效率=1，其他非標竿DMU的效率=0)，然後用logit或probit模式來分析。第二種方式是用一個簡單的公式將效率分數轉變成一個有單邊界限的連續變數，然後用tobit迴歸模式去分析。新的應變數=(1/效率分數)-1；當效率分數=1.000，此應變數的值是0，當效率分數=0.000，此應變數=∞(無窮大)。
這篇文章所用的是第三種方式，也就是用「最小絕對值和」的迴歸分析原理(least absolute value regression, LAV)，這種迴歸分析不須假設應變數呈常態分布。一般的OLS(一般最小平方和)迴歸分析在計算時是取應變數的條件平均值(conditional mean)，而LAV是取應變數的條件中間值(conditional median)；OLS所得到的參數值會使得每一筆資料的變異值平方總和(e12+ e22+ e32+ e42+…en2)達到最小，而LAV會使得每一筆資料的變異值絕對值總和(e1+ e2+ e3+ e4+…en)達到最小。不過作者同時呈現用OLS與LAV這兩種迴歸模式的分析結果。
分析結果發現，如作者所預期的，佔床率與這些國立醫院經營效率有正相關，榮民病人比例與醫院經營效率有負相關，而且這些醫院的經營效率呈現逐年上升的走勢；這些結果都達到統計學上的顯著水準。雖然分析結果顯示服務科別或類別較多的醫院，經營效率也比較低，這個結果與研究假設是一致的，但是只有OLS模式得到顯著的結果，LAV所得到的結果在這點上面未達統計學的顯著程度。
我覺得這篇論文寫得相當好，很精簡且很明瞭，所用的方法並不複雜，並且盡可能用幾種不同的分析途徑去比較結果，以增加結果的可信度(這是一種敏感度分析的做法)。雖然這份研究分析的醫院家數不多，樣本數也不大，卻仍然能夠得到相當精準的估算。只是，由於其樣本數很有限，因此這篇文章的結果的運用性(generalizability)也相當有限，我們無法由這篇文章去推測國內其他的公立醫院或民營醫院是否也有類似的情況。
發表在國內期刊的醫院效率DEA論文
近年來使用DEA探討台灣醫院效率的研究其實也不少，我在網路上找到八篇2000年之後發表的相關文章摘要，並將這八篇文章的摘要重點整理如下。由此來看近年來國內醫院經營效率的DEA研究多半偏重在公立醫院的探討，絕大多數是跨年(時間縱向)的資料分析，且普遍關切總額預算制度對醫院經營效率的影響；所使用方式以一階段(單純DEA分析)居多，主要探討的效率類別包括技術效率與規模效率。
[1] Chang, Hsi-Hui. (1998). Determinants of hospital efficiency: The case of central government-owned hospitals in Taiwan. Omega. The International Journal of Management Science, 26 (2): 307-317.
[2]由於作者沒有明講是哪些醫院，我猜是以榮民體系為主的醫院，如台北榮總、台中榮總與高雄榮總，以及台大與成大等國立大學附設醫院等，應該沒有包括國軍醫院與後來才改制的署立醫院在內。衛生署署立醫院是在精省後，在1999年由原來的省立醫院改制後歸屬行政院衛生署。
[3] 由於不同性質的住院服務所用到的資源數量不同，比如每人日的急重症住院所用到的資源是慢性住院的2倍，而一般住院所消耗的資源是慢性住院的1.5倍，因此我們可以設定慢性住院的權重是1，一般住院的權重是1.5，而急重症住院的權重是2。如果某家醫院有100人日的急重症住院，500人日的一般住院，300人日的慢性住院，則其整體的加權總住院人日為100x2+500x1.5+300x1=200+750+300=1,250人日。
2009年3月26日 星期四
中維州食物銀行(Central Virginia Food Bank)
我在Richmond所參加的Ginter Park Presbyterian Church(GPPC)成人主日學的「平安論壇組」(Peace Forum)這一季的主題是「食物與飢餓」(Food and Hunger)。原來我以為我們是要討論較貧窮國家中的饑荒與食物供給的問題，沒想到絕大多數的講員與課程所討論的卻是美國的飢餓與食物相關的議題[1]，甚至就是在我們所處的維吉尼亞州中部地區所看得到的問題。也因為所討論的問題不是眼在天邊，而是近在眼前，所以讓人感觸更深。飲食與食物的信仰意涵
GPPC教會的平安論壇每季都會選定一個社會、環境、人權、國際政治(和平)、或經濟的議題，邀請相關的講員做專題演講，或者從聖經的教導去思考應該如何看待這些問題，以及我們如何在行動或行為上去回應與參與這些問題。這次以「食物與飢餓」為主題，其實是出於一個非常單純的信念。耶穌教門徒的禱告文中有一句話：「賜給我們今日所需的飲食」(give us this day our daily bread)，耶穌教導門徒向上帝祈求日用所需的食物，表示食物是一項極其重要的需要，這當中有兩層意義，第一是讓我們知道食物是上帝所賞賜的，當我們獲得日用的飲食無缺時，我們必須知道珍惜與感謝，不能浪費。第二層意義是我們必須確保每一個人也能夠獲得日用的飲食，當人有欠缺時，我們必須設法餵養他們，使他們都同樣得到每日所需的飲食。這是一種社會公平(equity)的理念。
在Richmond的一間長老教會神學院Union Theological Seminary and Presbyterian School of Christian Education的聖經學者Dr. Andreas Schuele更進一步指出，在聖經四福音書的記載裡，耶穌不僅在禱告文中強調飲食的重要，他也很喜歡參與各種餐會或飲食的場合[2]；耶穌有許多次重要的教訓都是透過飲食的場合去表達，比如在宴會中實行第一次的神蹟，至少兩次在曠野使跟隨他的數千群眾吃飽，透過與朋友的用餐去強調朋友之間彼此的關懷與分享，在與門徒最後的晚餐中表明自己即將受難並塑立犧牲與服事的典範；在他復活之後也用吃一片烤魚來向門徒證明自己真正的復活。Dr. Schuele強調對耶穌來說，飲食不只是食物或生理上的飽足而已，更代表人與人，以及人與上帝之間的分享與交通，因此，提供飲食與食物其實是「分享生命」的一種象徵。
中維州的飢餓問題與食物銀行的成立
很難想像當今全球第一大經濟國內有許多人面臨三餐不繼的問題，但這是事實。單單是中維州地區大概就有將近四十萬個低收入民眾，其中有飢餓問題或營養不良的兒童人數高達25,000人。雖然美國的社會福利救助有提供食物券 (food stamp programs[3])給中低收入家庭的兒童、老人、身心障礙者及孕婦購買食物，但還是有不少人未達領取食物券的資格，而事實上處於三餐不繼的狀態。
出於類似的信仰理念，中維州地區有許多教會在個別的社區中關心有飢餓問題的民眾，他們當時都不約而同找上一家當地由基督徒家族所經營的連鎖超市Ukrop’s[4]勸募食物，因此Ukrop’s建議這些教會為什麼不考慮組織起來，一起來幫助這個地區中需要食物的民眾。於是這六十家教會在1980年共同成立「中維州食物銀行」(Central Virginia Food Bank, CVFB)此一非營利機構，統籌食物的勸募與分配，以滿足各社區的需要。
中維州食物銀行的運作與服務
剛開始CVFB主要是扮演一個食物資源整合與分配的角色，它所採用的方式是向這個地區中的超市、賣場、團體與個人勸募以罐裝食品為主的食物，這些食物進到中央倉庫後由志工與員工加以妥善分類、儲藏，由各社區與CVFB合作的相關慈善團體(如教會)依照社區中的需要領取物資，再轉供應給需要的民眾。比如我去的GPPC教會每季有一次會在禮拜中奉獻時同時收集會友奉獻的罐頭，再送到CVFB；每年四月初這間教會有一個禮拜是Caritas(仁慈)週，會接待並提供社區中的遊民食宿的招待，其中有一部分的食物便是從CVFB領取而來。
後來CVFB所收集到的捐贈食物中，生鮮食物的比例越來越高，這些食物必須馬上處理、烹煮並食用，無法長期儲藏。因此CVFB開始與此地區另一個已經有40年之久的慈善團體「中維州送餐到家」(Meals on Wheels, MOW)合作，供應這些生食給MOW為居家年長者與中低收入家庭(主要是兒童)準備三餐。這些餐食與服務是完全免費的，而且可以根據個案的特殊健康需要配餐(如糖尿病餐食)；很有趣的是MOW也募集並購買寵物食物，每月配送一次給有養寵物的年長個案，理由是對這些年長者來說，寵物等於就是家人，甚至是唯一的陪伴者。
最近CVFB與MOW合作在Richmond蓋了一個大型的中央廚房，稱為Community Kitchen，使整個生鮮食物的收集、處理、烹煮、配送作業與流程更為一貫化。很讓人驚訝的是這些工作大多由眾多的志工分工完成。
此外，CVFB也開辦Kids Café(兒童餐坊)服務，把在community kitchen中準備的兒童餐點送到由慈善機構所經營，在照顧中低收入家庭兒童的安親班、暑期弱勢兒童輔導班共50個據點，讓這些兒童有營養均衡的餐點。
由於這些餐食服務的開辦與擴大，CVFB對各類食物的需求量也更大，因此更積極去接洽與勸募食物，特別是各個超市當天沒賣完所剩下的生鮮、即將過期的罐裝食品，以及各級學校餐廳與廚房當天未用完的食物，都能迅速送到CVFB處理。比如CVFB與我的學校VCU的學生自助餐廳合作推出請學生珍惜食物的方案與活動，學生餐廳提醒學生取用剛好夠用的食物，不要拿過多的食物，結果吃不完而倒進垃圾桶；餐廳承諾將藉此省下來的錢或食物全數捐到CVFB。因此這些超市與餐廳與CVFB的合作也等於是一種珍惜食物的行動，減少很多食物被丟進垃圾場，平白被浪費掉。
單純的使命感，不凡的行動與任務
這幾年來CVFB每年大概都收集並分配了600萬公斤的食物給各類服務的對象，參與服務的合作機構約在600間左右。目前community kitchen每天可以準備2,000份的餐點，透過送餐服務或Kids Café送給約800位的年長者與將近1000位的弱勢兒童。隨著不景氣的擴大，這些需要在可見的未來會愈形加重。
事實上收集、處理、準備、配送食物與餐點是相當不容易的工作，須要有很周詳的流程規劃與有效的分工執行才能做到。我相當佩服CVFB、合作機構與眾多志工可以基於這麼單純的信念，採取如此紮實的行動，去完成這麼高難度的且有意義的任務。
現在每當我搭公車要到學校，從高速公路經過CVFB看到它外表磚紅色的大倉庫時，想到的是這些建築物裡面一群用具體行動展現單純愛心的人，以及他們所完成的不平凡的服事—不讓任何人空著肚子度過漫長的夜晚。
[1] 包括美國的農業(補貼)政策、農耕形態(傳統小農場、有機耕作、現代化大量生產的農耕)、農產配銷體系、食品產業的運作、聯合國的糧食方案等。
[2] Schuele說他經常跟神學院學生開玩笑說耶穌是一個social person，如果他生在今天，一定經常出現在各類的宴會或各種party場合。
[3] Food stamp曾經在1930年代開始試辦，後來在1962年正式成為法律與聯邦政府的政策。主要構想是由聯邦政府出面，透過政策架起一座橋樑，以同時解決美國內中低收入口的飢餓與農產品生產過剩的問題。食物券可以用來買生鮮食物與加工食品，但不能買已經烹煮好(pre-cooked)的食物(也不能用食物券去餐廳用餐)。對有些年長者來說，煮飯是一件困難的事，因此光是領取食物券並不表示就解決飢餓的問題。此外，有許多研究發現使用食物券的民眾有偏高的比例有肥胖的問題(或說食物券與民眾肥胖有正相關)，這也顯示光是食物券政策還是無法確保這些民眾能夠獲得均衡的營養與健康。
[4] Ukrop’s是一家在1937年從Richmond開始的超市，後來發展成連鎖超市，但仍只有在維吉尼亞州的幾個主要都會區才看得到。創辦人是一位虔誠的基督徒，並強調根據基督教信仰的原則經營公司。比如70年來秉持禮拜天公休，店中不賣酒(但賣菸，不過是放在特區的房間，不是在開放的區域)，強調慈善與回饋社區。這家超市以品質著稱，並有相當受家庭主婦或上班族群歡迎的熟食或熱食產品，在這個地區擁有相當高的顧客忠誠度。
2009年3月22日 星期日
調查研究的誤差(Survey Error)
在進行調查研究時不能不知道調查研究有哪些潛在的誤差，雖然沒有任何一份調查研究是完全沒有誤差的，但是一份好的調查研究必須設法克服導致誤差出現的因素，盡可能降低其誤差，以提高其準確度。此外，瞭解調查研究有哪些誤差也可以幫助我們在解讀一份調查研究的結果時，做出比較中肯的判斷與結論；也可以讓我們知道一份調查研究結果的限制所在，避免被結果誤導。調查可以分兩類，一類是普查(census)，另一類是抽樣調查，前者是指針對研究的所有對象(又稱母群體，population)直接做調查，即母群體中的每一分子都被納入調查的對象；後者是從母群體中抽出一部分的對象(也稱為樣本，sample)來進行調查，希望從有限的樣本來了解母群體的真正情況。比如我們想要了解醫院所有病人對醫院服務的滿意度，如果我們對每一位病人都做調查，便是普查；如果我們只抽某一天的病人來進行調查，便是抽樣調查。
照理說普查是比抽樣調查來得理想，因為這樣我們可以直接去瞭解母群體的情況，不需要藉由樣本來推論母群體(其中隱藏抽樣誤差的風險)。不過，普查的成本高、且費事費時，有時候甚至是不可行的，因此勢必藉由抽樣調查。其實，若從調查誤差的角度來看，普查不見得一定比抽樣調查來得好，普查本身也有誤差存在，有些研究人員發現，由於普查必須花費大量的時間與精力去執行，有時反而無法面面俱到，照顧到基本的調查品質，因此如果將大部分的資源省下來，好好去設計問卷與規劃抽樣調查與執行，藉由抽樣調查所得到的結果反而比普查還來得正確。
調查誤差是由四種主要的誤差所構成的：(1)涵蓋誤差(coverage error)、(2)抽樣誤差(sampling error)、(3)無回覆誤差(non-response error)、(4)測量誤差(measurement error)。
涵蓋誤差(coverage error)
當我們要進行抽樣調查時，手上必須有一份涵蓋母群體中所有個體的名單或籤牌(sampling frame)，然後才能從中抽出ㄧ些個體來組成樣本。比如要用電話訪問調查某家醫院的病人滿意度，我們必須有一份這家醫院所有病人的電話號碼表，才能抽出一定數量的病人電話號碼，來進行電訪。可是如果其中有些病人沒有電話，那麼使用電訪的方式便會發生「涵蓋誤差」，也就是我們所用的母群體名單並未涵蓋母群體中所有的個體。
涵蓋誤差在調查研究中經常存在，即使是普查，也可能有漏網之魚。在抽樣調查中，研究人員所使用的調查工具經常無法涵蓋母群體的每一個體。近年來由於網路的發達與普遍，網路線上調查有愈來愈多的趨勢，可是並不是每一個人都能夠上網，這些人變成了網路調查的「死角」與涵蓋誤差的來源。不過理論上如果沒有被涵蓋到的這一群個體與母群體中的其他個體的特徵或組成沒有差別的話，即使有調查死角，涵蓋誤差就不存在。可是當被涵蓋與未被涵蓋的個體有顯著的差別時，就會造成涵蓋誤差。
這禮拜遠見雜誌公布一份在今年三月中旬所進行的馬總統施政滿意度調查結果[1]，這份調查是在3月15日至17日晚上6點20分至10點進行，以隨機跳號抽樣及電腦輔助電話訪問方式，成功完訪1005位台灣地區20歲以上的民眾。用隨機跳號抽樣的電話訪問在國內外都很普遍，主要好處是容易進行且涵蓋面相當廣。不過，隨著手機的普及，美國已經有愈來愈多的民眾只用手機，而不再使用家中線路電話；然而，全國的手機電話號碼隨機撥號的機制尚未發展出來，因此這些人便沒有機會被涵蓋到樣本裡面，研究發現這一群只用手機的族群比較年輕，傾向居無定所，與其他民眾有明顯的不同，因此使用這種方式的抽樣調查有愈來愈嚴重的涵蓋誤差。
此外，使用隨機跳號抽樣的電話訪問主要訪問的對象是家戶，並非每位民眾，而每戶住家中的人口組成也有差異，或者家中的電話傾向由男主人或女主人、由年長者或年輕人接聽，這當中的差距也可能造成涵蓋誤差。還有，利用晚上電訪的好處是大部分的人可能都已回到家，但是，上夜班或尚在通勤中的民眾便成了漏網之魚。
抽樣誤差(sampling error)
抽樣誤差是指當我們是透過樣本去瞭解母群體時，所必然出現的誤差。如果我們是進行普查，則可以避免這項誤差。由於樣本只是母群體的一部分，當我們要用這部分的個體去描述整個母群體的某些特徵時，必然會有失真，因此我們不敢根據一份或有限數量的樣本就斬釘截鐵地說由樣本所得到的結果絕對跟母群體的情況完全一樣。不過如果我們所使用的樣本相當有代表性的話，則失真的程度可以控制到一定的範圍，通常，當我們是用隨機抽樣的方式去抽取樣本中的個體，並且所用的樣本中的個體數越大時，樣本能夠代表母群體的程度就越大。
統計學對抽樣誤差的探討與計算有直接的貢獻，我們可以根據統計學原理，估算出一個給我們一定程度信心的結果區間值。比如這次遠見雜誌的民意調查指出所得到的結果在95%信賴水準時的抽樣誤差理論值為±3.1%，而結果指出馬總統的施政滿意度是28.6%，較完整的陳述應該是：如果我們用同樣的方法進行100次的隨機抽樣調查，大約有95次的結果會落在28.6%±3.1%之間(也就是25.5%與31.7%之間)[2]。[25.5%,31.7%]便是這次調查所得到的95%信賴水準區間值。
這裡必須要提到一點，統計學對抽樣誤差的估算是建立在機率抽樣上面，對非機率抽樣則是幫不上忙的。機率抽樣(probability sampling)的意思是母群體中的每一個體都有某種已知的機會或機率被選進樣本中，我們才能用這些機率來估算誤差的範圍。如果我們沒有這些機率的訊息，就無法去估計抽樣誤差程度。如果我們為方便起見，去找某一家公司的員工進行對馬總統的施政滿意度調查，我們完全不知道這一群樣本與母群體(國內20歲以上的民眾)之間有甚麼機率的關係，因此無法提供我們有關抽樣誤差的程度。
無回覆誤差(non-response error)
假如我們有一份涵蓋母群體中所有個體的名單，從中抽出具有能夠代表母群體的樣本，並對樣本中的個體進行調查，可是在實際的狀況中，經常是樣本中的一部分對象願意接受調查或回填問卷，另一部分的對象不願回覆，因此我們所收到的實際調查回覆數並不齊全，與樣本數有落差。在這種情況下，如果未回覆的對象與樣本中其他對象有不同的特徵或組成，便會導致無回覆誤差。
一般來說，調查的回覆率是越高越好，因為可以提高回收資料對母群體的代表性，降低無回覆誤差。不過，這也不是絕對的，有些研究發現，有時候若是硬要將回覆率拉高，卻造成回覆樣本的某種扭曲或偏差，可能適得其反。此處的關鍵點在於回覆樣本必須對母群體有高程度的代表性，不論是無回覆與高回覆率，若導致最終樣本的代表性流失，都是問題。
測量誤差(measurement error)
測量誤差是所有研究都會遇到的問題，不只是調查才有的。在調查研究中，測量誤差與有否抽樣無關，不僅抽樣調查有測量誤差，普查也同樣有測量誤差。測量誤差是指調查的回覆者所提供的回答錯誤或不準確所造成的誤差。測量誤差有可能是故意或非故意的，比如病人在住院期間填寫醫院服務的滿意度調查時，擔心負面的意見會被醫療人員知道，因此故意只提供正面的評價。有時候問卷的填寫人或調查的受訪者不了解問題的意思，於是隨便找個答案回答，或者對問題理解錯誤，而填入錯誤的答案。這些都是屬於調查的測量錯誤。一個經過良好設計的調查或問卷，以及妥善的執行方法與過程，可以減少測量錯誤的程度，但是沒有辦法完全避免。如果測量錯誤的發生是隨機的，問題比較小，我們所得到的估算值仍然有一定的準確度；如果測量錯誤的發生是有某種特定的形態或方向的，則對估算值會產生偏差。
調查誤差的處理
一份調查研究的整體誤差，是由上述這四類的誤差所累計起來的。調查研究學者與統計學家針對每一種誤差都設法發展能夠降低或評估誤差的方式。通常完善的調查設計與規劃有助於降低誤差的程度，而統計模式則可以幫助研究人員瞭解誤差的程度。
前三種誤差還可以透過加權處理(weighting)的技術稍予以較正，由於前三種調查誤差(涵蓋誤差、抽樣誤差與無回覆誤差)其實都是關於取樣的代表性問題，而加權處理就是某種程度上，根據我們所用的取樣名單、所得到樣本以及最終回收的樣本，其中每一分子從母群體中被選擇到的機率，去還原其對母群體的代表性。基本上最終回收的樣本中，有可能每一個體到達此最後階段樣本的機率都不一樣。假設有一個體A從母群體進入此最後階段的樣本的機率是0.002，另一個體B的機率是0.004，這時的加權處理是給個體A放大500 (=1/0.002)倍，給個體B放大250 (=1/0.004)倍，也就是用個體A代表母群體中與其類似的500個個體，並用個體B代表母群體中與其類似的250個個體。透過加權處理，我們建立了一份模擬的母群體，用此來估算母群體的特徵值。
但是要進行加權處理前，研究人員必須對取樣的各個階段的每一類個體被選擇到的機率有所掌握，才能夠計算每一個樣本個體的加權值。
四種調查誤差的關係
我覺得這四類調查誤差的關係可以用上面的圖形來了解。首先，我們有一群想探討的母群體對象(target population)，但是很可能我們並沒有一份涵蓋這群對象的所有個體的名單，而只有其中一部分的個體名單可讓我們做為取樣的對象(sampling frame)，target population與sampling frame之間的差距(藍色環帶)便是潛在的涵蓋誤差所在。第二，當我們從這份母群體名單中選出一部分的個體來組成樣本(selected sample)，並藉由樣本去描述名單中的母群體的某個特徵時，這當中的差距便有抽樣誤差存在(黃色環帶)。第三，由於完成調查的樣本(completed sample)或回覆者(respondents)與我們所選擇的樣本並不完全一樣，經常是指有一部分的樣本中個體完成調查，沒有完成調查的個體(綠色環帶)便是無回覆誤差的來源。最後，回覆者在提供調查的訊息時，多多少少會有不準確或錯誤的情況，這便會形成測量誤差(粉紅色部分)。
這四種調查誤差提供我們一個對學習調查研究方法很有幫助的架構，因為調查研究若要得到準確的結果，不外乎要設法減少這些誤差。對這些誤差的概念有所掌握之後，讓我知道各種有關調查研究的議題，主要是在探討或處理哪一種誤差。透過這個架構，我們可以將調查研究的各個面向整合起來。
[1] 遠見民調／馬英九滿意度降至28.6% 不滿意度攀升至58.3%
更新日期：2009/03/19 22:36
根據遠見雜誌所發布的最新民調顯示，民眾對馬英九總統執政10個月的整體表現，有28.6%滿意、58.3%不滿意，滿意度較上個月下降5.9個百分點，不滿意的比率則上升3.5個百分點，可能是受到經濟負成長、失業率攀升，以及消費券的短期效應褪去，使得民眾對馬英九明顯不滿。
至於另一項民眾對馬英九總統的信任度調查結果，有45.0%的民眾表示信任，40.2%表示不信任，與上個月相較，對馬總統信任的比率下降3.7個百分點，不信任的比率則是上升3.7個百分點，顯示多數民眾對馬總統執政的整體評價，維持在傾向信任但明顯不滿的狀況。
遠見民調中心主任戴立安分析，民眾對馬總統的滿意度與信任度幾乎皆回到今年1月的數值，研判主要是因為消費券的短期效果盡褪所致，再加上行政院主計處2月公布的各項指標，包括今年經濟成長率為-2.97%，失業率攀升，以及出口持續負成長等，也使民眾對馬總統執政的滿意度、信任度，回復至去（97）年11月至今年1月之間的穩定評價區間。
這項調查是由遠見雜誌民意調查中心在3月15日至17日晚上6點20分至10點進行，以隨機跳號抽樣及電腦輔助電話訪問方式，成功完訪1005位台灣地區20歲以上的民眾，在95%信賴水準時的抽樣誤差理論值為±3.1%。調查結果已對受訪者性別、居住地、年齡、教育程度等項進行樣本代表性檢定，並進行加權處理。
[2] 剛好TVBS也在同一期間進行另一份20歲以上民眾的電話訪調，所得到的對馬總統的施政滿意度是29%。http://tw.news.yahoo.com/article/url/d/a/090321/8/1gg0a.html。這兩份調查所得到的結果相當接近，也印證統計學的理論有可信之處。
學術會議論文發表
上禮拜是這學期的春假週，我除了協助系上同仁接待高雄醫學院醫務管理研究所來進行短期學程進修的碩士班與在職專班同學之外，也在一個學術會議中口頭報告一篇研究論文。
上禮拜四到禮拜五，維吉尼亞州經濟學人協會(Virginia Association of Economists, VAE)在我們學校的商學院大樓舉辦年度學術會議，我利用這個機會去口頭報告我上學期修計量經濟學所寫的期末報告。這是我第一次在學術會議中做論文的口頭發表，感覺獲益良多。
上學期修Panel and Nonlinear Methods in Econometrics這門課，期末必須完成一份實證研究的書面報告，課程的最後一天同學們在課堂上報告自己所做的研究與結果。授課老師Dr. Leslie Stratton聽完，跟我們說今年三月VAE要在VCU舉辦年會，目前在徵求論文，其中有特別安排學生報告的單元，她覺得我們這學期所寫的研究報告相當不錯，鼓勵我們利用這個機會去VAE會議中發表研究的成果。後來她看完我的期末報告，在寄給我分數時還再次提醒與建議我去報名學生論文口頭報告，因此我就將文章投給VAE，想利用這次機會嘗試學術會議的論文發表。
原本我的期末報告文章題目是”Differential impacts of the Balanced Budget Act of 1997 on hospital provision of nursing home services among public, nonprofit, and for-profit hospitals”(請參考http://thchou.blogspot.com/2008/12/blog-post.html)，後來我將這篇文章寄給我的指導教授Dr. Ken White，他看過之後建議我既然我已經有比較在BBA實施前後，醫院開辦護理之家與居家護理的變化情況，不妨將題目與內容修改，將居家照護納入文章裡面，後來題目變成”Initial impacts of the Balanced Budget Act of 1997 on hospital provision of long-term care services: Does ownership matter?”，這當中Dr. White與Dr. Stratton繼續提供我許多很好的意見，因此我先針對可以立即修改的部分對文章內容進行了一些改善，並在VAE的會議中報告。
由於我之前完全沒有在這樣的場合報告研究論文的經驗，會前一個禮拜我特別去請教Dr. Stratton有哪些重點要報告，必須注意什麼事項，她很詳細且熱心地跟我分享經驗，提醒我要注意哪些重點，讓我對這次的報告具備基本的概念。
我報告的單元主題是”The economic impacts of public policy”，時間是在禮拜五上午10:45到12:15，這個單元包括三篇論文的發表，我是被排在第一位的報告人。
在準備這次的口頭報告時，剛好另一門課「研究計畫提案的規劃」最近有一節課是在討論研究計畫提案與研究論文的口頭報告，因此我就現學現賣，將從這門課所得到的一些建議加以運用，比如準備大字的報告大綱給自己參考，在投影片的內容方面力求簡潔易讀(不要使用花俏的設計與複雜的內容)，以輔助自己口頭的報告，並在事前實際演練。我發現這些方法真的很有幫助，二十分鐘的報告其實很快就結束了，下台時發現整個過程還都很順利，並不會太緊張，時間的掌握也還可以。
接下來是由另一位經濟學者Aileen Watson對我的論文進行討論，她是美國聯邦儲備金銀行Richmond分行的資深分析員，她很客氣地提出幾點文章中的問題，並且給我很有用的建議。會後我向她道謝所提供的幫助與建議，她跟我說健康照護機構與衛生政策比較不是她研究的主要對象，不過在看我的論文時，瞭解到一些以往不知道的事情，讓她感到相當有趣。
這個單元的第二篇論文發表題目是”Economics analysis of dilemmas and disposal of electronic waste in the U.S.”。報告人是Virginia Union University (VUU)商學院的院長Dr. Adelaja O. Odutola與另一位副教授Dr. H.P. Singh-Sandhu。VUU是在美國內戰結束那年(1865)為黑人高等教育所成立的一間民營學府，至今仍以黑人高等教育為職志。他們的論文主要是在探討電子產品廢棄物所帶來的可能問題，描述目前這些廢棄物的處理情況，以及預估未來的可能發展，並提出一些建議。聽完這篇論文發表，才知道電子產品廢棄物這個問題的嚴重性與急迫性，看到他們所呈現的數字，會讓人觸目驚心。這些淘汰率極高，不斷推陳出新的電子產品所造成的廢棄物處理與汙染的問題，以及目前回收處理機制的缺乏，相信對美國以及各先進國家，都是一大挑戰。
第三篇論文的題目很有趣，叫做”What does not kill me makes me thinner?”，中文翻譯意思大致是「那害不死我的反而讓我更苗條?」。這個題目是從尼采的一句名言” What does not kill me makes me stronger”改寫來的。台語中有一句意思類似的話說：「打斷手骨顛倒勇」(越挫越勇的意思)。剛開始我實在是想不懂這篇論文的主題是在講什麼，但是經過發表人、Roanoke College企管與經濟系的助理教授Alice Kassens的報告，就豁然開朗了。原來她研究的是疾病診斷的訊息是否會影響過重病人的體重變化，也就是體重過重的病人，當被告知罹患某種與肥胖的危險因子有關的疾病之後，是否會對病人產生想要控制或降低體重的誘因與效果？因此，題目中”what does not kill me”所指的是這些與肥胖有關的疾病，如糖尿病、心血管疾病、高血壓等。這篇研究屬於健康經濟學的範疇，Dr. Kassens發現只有糖尿病的診斷訊息對過重病人的體重下降有影響，也就是當過重病人被診斷出有糖尿病時，對病人的體重降低有所影響，其他的疾病診斷訊息以及病人的特質都沒有顯著的效果。在討論這篇論文時有與會的學者認為可能是因為糖尿病人每天必須自己測血糖，因此會不斷提醒自己是一個糖尿病人，為了對病情有幫助，必須設法控制會降低體重，所以產生實質的效果。其他的疾病比較沒有這樣的持續自我提醒機制，於是所發揮的影響就很有限。這些討論相當有意思。
Dr. Stratton特別跑來參加這個單元，給我加油。會後她將一份自己聽我報告以及討論人的建議所做的筆記送給我參考，提供許多寶貴的意見。最後她還不忘讚美說我報告得很好，而且特別跟我說大會將我的論文安排在一般學者的發表單元，而不是排在學生報告單元，就表示我的研究論文已經有一定的水準，並跟我表達恭喜。
由於VAE的學術會議算是規模較小的學術會議，很適合像我這種新手的初次嘗試；經過這次經驗，讓我對學術會議的研究論文發表有進一步的概念與經驗，也對類似的活動不再覺得那麼遙遠或困難，希望未來還有機會參與這類的活動。
上禮拜四到禮拜五，維吉尼亞州經濟學人協會(Virginia Association of Economists, VAE)在我們學校的商學院大樓舉辦年度學術會議，我利用這個機會去口頭報告我上學期修計量經濟學所寫的期末報告。這是我第一次在學術會議中做論文的口頭發表，感覺獲益良多。
上學期修Panel and Nonlinear Methods in Econometrics這門課，期末必須完成一份實證研究的書面報告，課程的最後一天同學們在課堂上報告自己所做的研究與結果。授課老師Dr. Leslie Stratton聽完，跟我們說今年三月VAE要在VCU舉辦年會，目前在徵求論文，其中有特別安排學生報告的單元，她覺得我們這學期所寫的研究報告相當不錯，鼓勵我們利用這個機會去VAE會議中發表研究的成果。後來她看完我的期末報告，在寄給我分數時還再次提醒與建議我去報名學生論文口頭報告，因此我就將文章投給VAE，想利用這次機會嘗試學術會議的論文發表。
原本我的期末報告文章題目是”Differential impacts of the Balanced Budget Act of 1997 on hospital provision of nursing home services among public, nonprofit, and for-profit hospitals”(請參考http://thchou.blogspot.com/2008/12/blog-post.html)，後來我將這篇文章寄給我的指導教授Dr. Ken White，他看過之後建議我既然我已經有比較在BBA實施前後，醫院開辦護理之家與居家護理的變化情況，不妨將題目與內容修改，將居家照護納入文章裡面，後來題目變成”Initial impacts of the Balanced Budget Act of 1997 on hospital provision of long-term care services: Does ownership matter?”，這當中Dr. White與Dr. Stratton繼續提供我許多很好的意見，因此我先針對可以立即修改的部分對文章內容進行了一些改善，並在VAE的會議中報告。
由於我之前完全沒有在這樣的場合報告研究論文的經驗，會前一個禮拜我特別去請教Dr. Stratton有哪些重點要報告，必須注意什麼事項，她很詳細且熱心地跟我分享經驗，提醒我要注意哪些重點，讓我對這次的報告具備基本的概念。
我報告的單元主題是”The economic impacts of public policy”，時間是在禮拜五上午10:45到12:15，這個單元包括三篇論文的發表，我是被排在第一位的報告人。
在準備這次的口頭報告時，剛好另一門課「研究計畫提案的規劃」最近有一節課是在討論研究計畫提案與研究論文的口頭報告，因此我就現學現賣，將從這門課所得到的一些建議加以運用，比如準備大字的報告大綱給自己參考，在投影片的內容方面力求簡潔易讀(不要使用花俏的設計與複雜的內容)，以輔助自己口頭的報告，並在事前實際演練。我發現這些方法真的很有幫助，二十分鐘的報告其實很快就結束了，下台時發現整個過程還都很順利，並不會太緊張，時間的掌握也還可以。
接下來是由另一位經濟學者Aileen Watson對我的論文進行討論，她是美國聯邦儲備金銀行Richmond分行的資深分析員，她很客氣地提出幾點文章中的問題，並且給我很有用的建議。會後我向她道謝所提供的幫助與建議，她跟我說健康照護機構與衛生政策比較不是她研究的主要對象，不過在看我的論文時，瞭解到一些以往不知道的事情，讓她感到相當有趣。
這個單元的第二篇論文發表題目是”Economics analysis of dilemmas and disposal of electronic waste in the U.S.”。報告人是Virginia Union University (VUU)商學院的院長Dr. Adelaja O. Odutola與另一位副教授Dr. H.P. Singh-Sandhu。VUU是在美國內戰結束那年(1865)為黑人高等教育所成立的一間民營學府，至今仍以黑人高等教育為職志。他們的論文主要是在探討電子產品廢棄物所帶來的可能問題，描述目前這些廢棄物的處理情況，以及預估未來的可能發展，並提出一些建議。聽完這篇論文發表，才知道電子產品廢棄物這個問題的嚴重性與急迫性，看到他們所呈現的數字，會讓人觸目驚心。這些淘汰率極高，不斷推陳出新的電子產品所造成的廢棄物處理與汙染的問題，以及目前回收處理機制的缺乏，相信對美國以及各先進國家，都是一大挑戰。
第三篇論文的題目很有趣，叫做”What does not kill me makes me thinner?”，中文翻譯意思大致是「那害不死我的反而讓我更苗條?」。這個題目是從尼采的一句名言” What does not kill me makes me stronger”改寫來的。台語中有一句意思類似的話說：「打斷手骨顛倒勇」(越挫越勇的意思)。剛開始我實在是想不懂這篇論文的主題是在講什麼，但是經過發表人、Roanoke College企管與經濟系的助理教授Alice Kassens的報告，就豁然開朗了。原來她研究的是疾病診斷的訊息是否會影響過重病人的體重變化，也就是體重過重的病人，當被告知罹患某種與肥胖的危險因子有關的疾病之後，是否會對病人產生想要控制或降低體重的誘因與效果？因此，題目中”what does not kill me”所指的是這些與肥胖有關的疾病，如糖尿病、心血管疾病、高血壓等。這篇研究屬於健康經濟學的範疇，Dr. Kassens發現只有糖尿病的診斷訊息對過重病人的體重下降有影響，也就是當過重病人被診斷出有糖尿病時，對病人的體重降低有所影響，其他的疾病診斷訊息以及病人的特質都沒有顯著的效果。在討論這篇論文時有與會的學者認為可能是因為糖尿病人每天必須自己測血糖，因此會不斷提醒自己是一個糖尿病人，為了對病情有幫助，必須設法控制會降低體重，所以產生實質的效果。其他的疾病比較沒有這樣的持續自我提醒機制，於是所發揮的影響就很有限。這些討論相當有意思。
Dr. Stratton特別跑來參加這個單元，給我加油。會後她將一份自己聽我報告以及討論人的建議所做的筆記送給我參考，提供許多寶貴的意見。最後她還不忘讚美說我報告得很好，而且特別跟我說大會將我的論文安排在一般學者的發表單元，而不是排在學生報告單元，就表示我的研究論文已經有一定的水準，並跟我表達恭喜。
由於VAE的學術會議算是規模較小的學術會議，很適合像我這種新手的初次嘗試；經過這次經驗，讓我對學術會議的研究論文發表有進一步的概念與經驗，也對類似的活動不再覺得那麼遙遠或困難，希望未來還有機會參與這類的活動。
高醫醫管所VCU進修學程
高雄醫學大學醫管所醫務管理碩士班與在職專班一年級的研究生來我們系上做短期進修已經進入第九年，這個國際學程是他們核心課程的一部分，幾乎都由我們系上畢業的校友邱亨嘉教授帶隊，千里迢迢來此上課一個禮拜，並由前所長萬德和教授安排內容與師資，由我們系上的老師為主、並搭配附近著名的醫院或醫療體系的主管授課。這一個禮拜中除了上課外，還有安排醫院與醫療系統的實地參訪，課程可以說是相當緊湊。
我很欽佩這些台灣的同學們的學習精神，不僅要克服時差所造成的身體不適，還有語言上的隔閡，更具挑戰性的是要在很短的時間去弄懂美國極端複雜、迷宮式的健康照護體系，實在是不容易。不過這些醫管同好所表現出來的認真積極、敬業、熱切的態度，讓我沒有話說，也讓系上的老師印象深刻。
往年來進修的同學中，多半都是在職專班的研究生，他們都是在高屏縣市醫療院所服務的醫師、護理人員與行政管理者，讓我驚訝的是，醫師所佔的比例相當高，像屏東基督教醫院的卓德松院長是去年的團員之一，高雄榮民總醫院耳鼻喉部的侯友益主任是今年學員，他們雖然在臨床與行政方面都有豐富的經驗與專精的學識，仍然好學不倦，謙虛追求知識與進步。我覺得可以從這裡看到台灣醫界的”打拼”精神與向上提升的動力。
據我所知，高醫醫管所每年的進修學員團都很貼心地準備很有台灣特色的小禮物，送給授課的老師與參訪的機構主管；而且學員們積極求知的精神與親切有禮的態度，讓接觸的師資與機構主管留下很好的印象，所以每年都願意一再地參與和接待他們的參訪，無形中也為台灣做了很好的國民外交。
在這次的接待機會中，我還很幸運地與兩位高中同學重逢，目前在高雄健仁醫院服務的林士欽醫師與在東港輔英附設醫院服務的古明崑醫師是我高中同屆的同學，但從高中畢業後就不曾再見過面。能夠在他鄉與多年沒有謀面的故知相遇，實在是很高興。我發現我高中的同學中當醫師或在醫界服務的人還真不少，回台灣後應該好好與他們聯繫，看怎樣「利用」他們的學識與資源。
2009年3月15日 星期日
邏輯迴歸分析(Logistic regression)
迴歸的基本原理
迴歸分析是一個大家族，裡面包含很多不同的分析模式，最基本的模式是線性迴歸模式(linear regression)，有時候又被稱為ordinary least square (OLS)模式。線性迴歸是假設應變數的
各個數值是自變數所構成的某種直線函數值，再加上一個誤差值所得到的數值，比如下面的數學公式：
Logistic迴歸分析結果的解讀
至於logistic regression結果的係數或勝算比值要如何解讀，這裡用一個簡例來說明：探討年齡與性別與冠心病發的關係，自變數分別是年齡(1-100，連續變數)與性別(男與女，二元變數，女=1，男=0)。如果年齡與性別的係數分別是0.1與-0.5，若直接從係數值來看，我們應該說冠心病發機率與年齡呈正相關，年紀愈大，冠心病發的機率愈大；冠心病發機率與女性的性別呈負相關，女性冠心病發機率要比男性來得小。
如果將係數轉換成勝算比值(odds ratio)，年齡與性別的odds ratio分別為1.105與0.6065(odds ratio=exp(係數值))。解釋的方式是：年齡每增加1歲，冠心病發的勝算值(病發機率/未病發機率的比值)是未增加前的1.105倍(On average, one year increase in age results in 1.105 times the ratio of getting versus not getting CHD)。在二變數方面，會更容易解釋：女性冠心病發的勝算值(病發機率/未病發機率的比值)只有男性的0.6065倍(The ratio of getting versus not getting CHD for female is only 0.61 times the ratio for male)。
此外，我們也可以說男性冠心病發的勝算值為女性的1.648(1/.6065)倍。(exp(-0.5)=0.6065)。其實，如果我們將性別變數的男性改設定為1，女性為0，再跑一次logistic regression，所得到的係數會是0.5(從-0.5變成0.5)，而odds ratio = exp(0.5) = 1.648，意義完全一樣，只是比較的基礎不同而已。
如果要解釋logit model中乘積項或互動項(interaction term)的係數或勝算比值的意義，就比較複雜了，不過大體上的相關性說明原則應該是跟前面所說的一樣。比如有一個乘積項是性別x抽菸與否(抽菸=1,未抽菸=0)，如果此乘積項的係數是0.2 (正值，exp(0.2)=1.22)，可以解讀為：女性抽菸後得到冠心病的勝算率為男性的1.22倍(the odds ratio or the probability of getting versus not getting CHD was higher (1.22 times) for female as compared to male in relation to smoking (or the difference between smoking and nonsmoking)；此即意謂：與男性相較之下，抽菸對女性(性別：女=1,男=0)得到冠心病發的影響要比抽菸對男性的影響來得大；或是：女性從不抽菸變成抽菸所帶來冠心病發的風險，要比男性從不抽菸變成抽菸所帶來冠心病發的風險來的高；也就是：女性性別與抽菸互動之下，與冠心病發機率有正相關。(乘積項的勝算比率是女性抽菸得到冠心病的勝算比率/男性抽菸得到冠心病的勝算比率)
迴歸分析是一個大家族，裡面包含很多不同的分析模式，最基本的模式是線性迴歸模式(linear regression)，有時候又被稱為ordinary least square (OLS)模式。線性迴歸是假設應變數的
各個數值是自變數所構成的某種直線函數值，再加上一個誤差值所得到的數值，比如下面的數學公式：yi = β0 + β1x1i + β2x2i + β3x3i + ei
其中y (如體重)是應變數，x1(如身高), x2(如性別), x3(如年紀)是與y有關的自變數，e是誤差值。β0 + β1x1 + β2x2 + β3x3就是y與此三個自變數之間的直線函數。線性迴歸分析是要去找出應變數與自變數之間的直線函數是什麼。如果我們已經知道哪些自變數會影響應變數，剩下來的工作便是去估算β0~β3這四個係數的值，以知道y與這些自變數之間的關係函數。
線性迴歸在估算關係函數中的係數值時，所使用的原理叫做「最小平方和」least sum of square的原理，這也是為什麼線性迴歸被稱為ordinary least square的原因。假設我們要探討體重與身高之間的關係，想去了解身高(自變數x)會不會影響體重(應變數y)，因此去測量10個人的身高與體重的數值，將這10個人的數值畫在身高與體重的座標軸圖形上，如同下面圖中的各個數據點。然後我們用線性迴歸分析，找出其迴歸線y(體重) = -83.091 + 0.9164x(身高)。如果我們從每一點畫一條垂直線去與接觸這條迴歸線，這段垂直線的距離就是這條迴歸線所預測的每一個人的體重與其測量體重之間的誤差(ei)的絕對值，由於這10個ei有正值(如e6，第6個人的數值點在迴歸線之上)也有負值(如e5，第5個人的數值點在迴歸線之下)，直接相加會互相抵消；因此我們對每一個ei取平方值，然後去找出一條會使誤差值的平方值總和(e12+ e22+ e32+ e42+…e102)達到最小的迴歸線。因此，這條迴歸線不見得符合此10個人當中每一個人的身高與體重的情況，但卻是一條最能夠整體描述這十個人身高與體重關係的代表線。
受限應變數的問題
線性迴歸(以下稱OLS)是所有迴歸分析的入門與基礎。可是OLS有許多前提與假設，只有當這些前提與假設都存在時，OLS所估算的線性函數參數值才會準確。其中有一個條件是應變數必須是呈常態分布的連續變數(如某個小學二年級學生第一次月考的數學成績、某一個國家的國民體重、台灣國內所有護理之家的住民跌倒率等等)，可是有很多時候我們研究或分析的應變數並非這種型態的變數，這時OLS便派不上用場。這些不符合OLS應變數條件要求的情況很多，計量經濟學通稱這些為「受限的應變數」(limited dependent variables, LDV)，針對不同的LDV，統計學家與計量經濟學家大多已經發展出不同的模式去處理，上學期我修「計量經濟學的群組追蹤與非線性模式」這門課的一大半就是在介紹這些模式，讓人眼花撩亂，我更是被其中的矩陣運算弄得「霧煞煞」。
在研究上經常遇到的一種LDV情況，就是應變數是二元變數(binary variable)，這類的變數的數值只有兩種可能，常見的例子比如市民罹患冠心病(coronary heart disease, CHD)的狀態(有罹患或者沒有罹患)、應屆畢業大學生應徵職務的結果(被錄取或者沒被錄取)、醫院開辦放射腫瘤科(有開辦或者沒有開辦)等等。以下用冠心病的相關資料做說明。
我有一組包括100個人的年紀與罹患CHD的資料，想去探討罹患CHD是否與年紀有相關性。如果用散布圖去畫出這100個人的年紀與CHD(1=有CHD，0=沒有CHD)的關係，會得到下面的圖形。
事實上這個圖不太能夠讓我們看出來年紀(age)與CHD之間有甚麼關係。可是如果我們將這100個人依照年齡分成八組，並去計算每一組裡面的人得到CHD的比例，便可以將這組資料整理成下面的表格。
年齡組別-----個數--------CHD=0-----CHD=1------得到CHD的比例
20-29---------10------------9------------1------------1/10=10%
30-34---------15-----------13------------2------------2/15=13%
35-39---------12------------9------------3-------------3/12=25%
40-44---------15-----------10------------5------------5/15=33%
45-49---------13------------7------------6-------------6/13=46%
50-54---------8-------------3------------5-------------5/8=63%
55-59---------17------------4------------13------------13/17=76%
60-69---------10------------2------------8-------------8/10=80%
合計---------100-----------57-----------43------------43/100=43%
根據上面的表格，我們可以畫出另外一個呈現這八組年齡層的人(取中間年齡為代表)與得到CHD比例的關係圖形。從這個圖形中，我們可以清楚地看出年紀與罹患CHD確實有關係，年紀越大的年齡層中的人得到CHD的比例就越高。
如果我們直接將這100個人的原始資料用OLS做迴歸分析，或者將表一中的各年齡層的中間年紀與得到CHD的比例用OLS分析，就會各別得到其迴歸線，也就是在圖二與圖三中加上線性迴歸線，分別呈現在下面的圖四與圖五裡面。
實際上這兩條迴歸線相當接近，而且都告訴我們：當年紀增加一歲，得到CHD的比例就會增加0.02(2%)。但是這兩條迴歸線都有一個相同的問題，當年紀超過70歲時，得到CHD的比例會大於100%；或者當年紀低於20歲時，得到CHD的比例會低於0%。當然我們知道得到CHD的比例不可能超過100%或低於0%。這向我們透露出一個訊息：顯然線性迴歸分析所提供給我們的分析結果有嚴重的問題。
處理二元應變數的模式—Logit模式與Probit模式
解決這個問題的方法有好幾個，最常用的有兩種，第一種是「邏輯迴歸分析」(logistic regression，或稱為logit model)，另一種是probit model。這兩種方式都是透過非線性的函數去估算我們所感興趣的參數值，前者是使用logit函數，後者是使用常態分布的累積函數。這兩種非線性函數的共同點是它們的數值永遠界於0與1之間，因此我們所得到的迴歸預測值不會像線性迴歸所得到預測值有超過1或低於0的情況。其實這兩種函數值的分布情況很相似，不注意的話還看不出來它們的區別。圖六是logit函數值的分布圖，圖七是probit函數值的分布圖(使用標準常態分布的累積函數)。
Logistic迴歸的基本原理
如果用π(x)代表logit函數，其數學式為
當x=0時，exp(-x)=exp(0)=1，因此π(0)=1/(1+1)=0.5
當x=∞(無限大)時，exp(-x)=exp(-∞)=0，因此π(∞)=1/(1+0)=1
當x=-∞(負無限大)時，exp(-x)=exp(∞)=∞，因此π(-∞)=1/(1+∞)=0
在剛剛探討年齡與CHD關係的例子中，OLS所用的線性函數是CHD=β0+β1*Age，logit model則是透過π(β0+β1*Age)來描述Age與CHD的關係，分析公式為：CHDi=π(β0+β1*Agei)+ei (i=1~100)。我們的目的是要去估算或找到β0與β1這兩個值，使π(β0+β1*Agei)的100個數值最接近資料中這100個CHDi的值。
非線性迴歸分析(如logistic regression)在估算或尋找參數值(β0與β1)時，所用的數學原理不再是「最小平方和」，而是「最大可能性」(maximum likelihood)，意思是說所找到的這一組參數值，會使得所預測到的100個π(β0+β1*Agei)數值(因為有100個年齡的值)分別符合資料中100個CHDi值的整體可能性達到最大。有趣的是，線性迴歸的「最小平方和」恰好也符合非線性迴歸的「最大可能性」的原理，事實上「最小平方和」是「最大可能性」一種特殊情況。因此，線性關係中，使用「最小平方和」與「最大可能性」所估算的參數值會是一致的。不過「最大可能性」可以適用的不僅在線性關係，連非線性關係也可以運用，而「最小平方和」只適用於線性關係的分析。
OLS在運用「最小平方和」估算參數值時有公式可以直接去計算，但是非線性模式在運用「最大可能性」原理時，並非直接去計算參數值，而是由電腦一再嘗試重複運算(iteration)，直到所找到的參數值達到最大可能性。所以一般電腦統計軟體在非線性迴歸模式的結果中都會呈現經過了幾次的重複運算，才找到這組最理想(最具代表性)的參數值。
當我們找到參數值(β0與β1)時，便可以去計算π(β0+β1*Agei)的值，所得到的這100個數值其實就是代表各個年齡的人得到CHD的可能性。因此，logit函數的好處就是將原本是有或無CHD(0,1)的結果轉變成每一個年齡得到CHD的發生機率。針對上面的100位民眾的年齡與CHD的資料，我用logit model去分析，得到的結果是β0=-5.310，β1=0.111，我將此組(β0, β1)帶入π(-5.310+0.111*Agei)去計算各個年齡的人預期得到CHD的可能性。顯示在下圖：
我們可以來比較用logit model所預估的各年紀的人得到CHD的可能性與前面用年紀分組所得到的結果，我將圖三與圖八裡面的數值點畫在同一個散布圖(圖九)上面，可以看到這兩種方式所得到的結果幾乎重疊在一起，表示用logit model所得到的結果與實際的情況相當吻合。
Logistic迴歸的好處
在面對二元應變數的情況，logit model可能是被運用得最廣的，特別是在生物統計、醫學與流行病學的研究方面，logit model有其優勢存在，因為logit model所得到的自變數的係數值透過簡單的換算，就可以得到生物醫學上常用到的一個指標值—「勝算比值」(odds ratio)。在logit model中，如果我們使用的自變數也是二元變數，更能夠凸顯在結果解讀上的方便。
我們在將上述100筆資料根據年齡分成兩組(如下表)，第一組是年齡大於或等於40歲的人，另一組包含年齡小於40歲的人。我用一個新變數(group)來代表這兩組，第一組是group=1，第二組是group=0。第一組中有58.7%的人得到CHD，41.3%的人沒有得到CHD，其得到CHD的勝算(odds，也就是這一組的人得到CHD的機會與沒得到CHD的機會的相對值)=58.7%/41.3%=1.423。較年輕組中有16.2%的人得到CHD，83.8%的人沒有得到CHD，其得到CHD的勝算=16.2%/83.8% =0.194。如果我們將第一組的勝算除以的二組的勝算，便可以得到這兩組得到CHD的勝算比值(odds ratio)。此處所得到的結果告訴我們，年長組的人罹患CHD相較於沒有罹患CHD的情況，是年輕組的7.353倍。
----------------Group=1--------------Group=0
----------------Age>=40--------------Age<40>
chd="1----------58.7%-----------------16.2%"
chd="0----------41.3%-----------------83.8%"
Odds------------1.423------------------0.194
Odds ratio-------1.423/0.194=7.353
現在我們用logit model去分析CHD與這兩組的關係(將自變數由Age改成group)，所得到的group的參數是1.995049。很有趣的是，當我們去取這個值的指數時，exp(1.995049)=7.35256，剛好是等於前面計算出來的odds ratio。
需要強調的是，odds ratio並不是指這兩組人罹患CHD的平均可能性的比值。這兩組人的罹患CHD的平均可能性分別是58.73%與16.22%，其比值是3.62。下面的圖是用logit model所估算的參數值去計算的這兩組人罹患CHD的可能性，分別是58.66%與16.25%，與直接從資料所計算得到的結果非常幾乎完全一樣。
Logistic迴歸分析結果的解讀
至於logistic regression結果的係數或勝算比值要如何解讀，這裡用一個簡例來說明：探討年齡與性別與冠心病發的關係，自變數分別是年齡(1-100，連續變數)與性別(男與女，二元變數，女=1，男=0)。如果年齡與性別的係數分別是0.1與-0.5，若直接從係數值來看，我們應該說冠心病發機率與年齡呈正相關，年紀愈大，冠心病發的機率愈大；冠心病發機率與女性的性別呈負相關，女性冠心病發機率要比男性來得小。
如果將係數轉換成勝算比值(odds ratio)，年齡與性別的odds ratio分別為1.105與0.6065(odds ratio=exp(係數值))。解釋的方式是：年齡每增加1歲，冠心病發的勝算值(病發機率/未病發機率的比值)是未增加前的1.105倍(On average, one year increase in age results in 1.105 times the ratio of getting versus not getting CHD)。在二變數方面，會更容易解釋：女性冠心病發的勝算值(病發機率/未病發機率的比值)只有男性的0.6065倍(The ratio of getting versus not getting CHD for female is only 0.61 times the ratio for male)。
此外，我們也可以說男性冠心病發的勝算值為女性的1.648(1/.6065)倍。(exp(-0.5)=0.6065)。其實，如果我們將性別變數的男性改設定為1，女性為0，再跑一次logistic regression，所得到的係數會是0.5(從-0.5變成0.5)，而odds ratio = exp(0.5) = 1.648，意義完全一樣，只是比較的基礎不同而已。
如果要解釋logit model中乘積項或互動項(interaction term)的係數或勝算比值的意義，就比較複雜了，不過大體上的相關性說明原則應該是跟前面所說的一樣。比如有一個乘積項是性別x抽菸與否(抽菸=1,未抽菸=0)，如果此乘積項的係數是0.2 (正值，exp(0.2)=1.22)，可以解讀為：女性抽菸後得到冠心病的勝算率為男性的1.22倍(the odds ratio or the probability of getting versus not getting CHD was higher (1.22 times) for female as compared to male in relation to smoking (or the difference between smoking and nonsmoking)；此即意謂：與男性相較之下，抽菸對女性(性別：女=1,男=0)得到冠心病發的影響要比抽菸對男性的影響來得大；或是：女性從不抽菸變成抽菸所帶來冠心病發的風險，要比男性從不抽菸變成抽菸所帶來冠心病發的風險來的高；也就是：女性性別與抽菸互動之下，與冠心病發機率有正相關。(乘積項的勝算比率是女性抽菸得到冠心病的勝算比率/男性抽菸得到冠心病的勝算比率)
2009年3月8日 星期日
資料包絡分析(Data Envelopment Analysis, DEA)
這學期「健康照護機構成效的計量分析」這門課的前半段是在介紹Data envelopment analysis(DEA)這種分析方法。台灣學界一般將DEA翻譯成「資料包絡分析」，這是一種使用非參數的分析技術(non-parametric technique)，可以同時考慮多個變數的成效評估方法。傳統的效率分析方法的限制
舉一個例子來說，如果我們要研究或比較十間醫院的效率，通常先要找出可以比較的效率指標，比如每床平均住院人數、每位員工平均門診量、或佔床率(總住院人日除以總床數再除以365天)，然後從這十家醫院的資料去計算這些指標值，最後再就某一個指標去做比較，看哪一家醫院的效率最高。問題是不同的效率指標所得到的比較結果可能不一樣，某些醫院在指標A方面效率較高，可能在指標B方面所表現的效率也許不那麼理想。那到底這十家醫院中，誰的整體效率最好呢？我們無法從傳統的指標分析中得到很明確的結論。
有一個辦法可以幫助我們比較這十家醫院的整體效率，是將這十家醫院的指標A (x軸)與指標B數值(y軸)的關係用二度座標軸的散布圖描述出來。落在圖中越右邊且越上面的醫院代表這兩種指標的數值都越大，因此整體效率愈高。散布圖讓我們從直覺與視覺上去瞭解這些醫院在兩種效率指標的整體表現情況，可是當要比較的效率指標越多時，散布圖的幫助就愈有限了，因為一般人無法在頭腦中去勾勒超過三度空間的景象。當有超過三個指標要同時做比較時，這個方法就有困難了。
另外我們可能還可以用這些數值的迴歸線來看，迴歸線[1]主要是代表這些醫院這兩種效率指標關係走勢，其目的是要找出這些資料點的中間趨向，而我們的目的是要找出這些資料的區隔或差異(將效率高與效率低的醫院區隔出來)，兩者的目標剛好是相反的；這使得迴歸分析在這個問題的分析上所提供的幫助有限。
DEA在整體成效比較分析的功效
DEA在這個問題上是最能夠派上用場的，如果用DEA，我們可以同時考慮多個效率指標，只要將能夠衡量醫院效率的資源投入(如醫院員工人數)與成果產出(住院服務量與門診服務量)的變數資料用DEA去分析，我們便可以得到的一個可以同時考量這些投入與產出變數的整體效率比較的結果，這個結果裡面最重要的的一個指標稱為效率分數(efficiency score)。在投入取向的DEA模式中(後面介紹)，1.000代表最高的效率，因此效率分數等於1.000的醫院(至少會有一家，也有可能同時好幾家醫院的效率分數=1.000)是這十間醫院中整體效率表現最理想的醫院，稱為標竿(benchmark)，其他效率分數低於1.000的醫院則是在與標竿醫院相較之下，效率方面都還有努力的空間。如果我們將所有標竿醫院的代表點用一條線連起來，這條線就稱為「效率前緣」(efficiency frontier)，代表這十間醫院效率的最前端，所有落在此條線以外的醫院的效率相較於這條線上面的醫院都還未達理想。效率前緣這條線將這些醫院的效率程度包圍出一個可能區域，或者將此區域封包起來，這是data envelopment analysis名稱的由來。
必須特別說明的是，DEA所得到的效率分數並非某家醫院的絕對效率，而是相較於其標竿醫院的相對效率，如果我們將另外十間醫院的資料放進去一起分析(20間醫院一起比較)，當有新的效率標竿醫院出現時，原來的每一家醫院的效率分數都會改變。
在DEA分析中，DMU是decision making unit的簡寫，所代表的是分析或比較的基本單位，在上面的醫院例子中，就是每一家醫院，總共有10個DMUs。由於此處我們所關心的是去比較醫院的效率，而醫院的效率是由各個醫院所決定的，因此醫院是一個決策單位(DMU)。DMU會隨著我們所分析的主題的不同而改變。如果要分析或比較護理之家的效率，每間護理之家就是一個DMU；如果要比較好幾家醫院婦產科的接生品質，每個婦產科便是一個DMU；如果我們要比較不同國家的生產力，DMU便是每一個比較的國家。
DEA另一個優點，是可以告訴我們每一家醫院為了達到與標竿醫院同樣程度的效率，應該努力的目標與方向。比如某家醫院如果想到達到與標竿醫院同樣的效率，必須減少員工144位(目標距離值)，使員工總數成為1,019位(目標值)；除此之外，還得增加門診人次30,203人次(目標距離值)，使之達到185,692人次(目標值)。由於標竿醫院在這群醫院中已經達到效率前緣(效率標竿)，因此其目標與現狀的數值一樣，不需要再做額外的努力。
DEA的基本原理
DEA基本上是運用線性規劃(linear programming)的原理，最單純的DEA模式的運算模式可以用下面的例子說明。
假設我們使用兩種資源投入(x1, x2)與兩種成果產出(y1, y2)去比較3間醫院的效率，其情況如下：
--------------------資源投入----------------------成果產出
--------------x1(人力)--x2(醫材)---------y1(門診量)--y2(住院量)
A醫院-------- 50----------60----------------40-------------30
B醫院---------75----------95-----------------55-------------65
C醫院--------100--------120----------------150------------130
A醫院效率分數的估算方式：
求解某一組u1, u2, v1, v2的數值，使得 (u1*40+u2*30)/(v1*50+v2*60) 此產出/投入比值極大化;
但受限於以下的條件：
1.A醫院的效率比值不得大於1：(u1*40+u2*30)/(v1*50+v2*60) ≤ 1
2.B醫院的效率比值不得大於1：(u1*55+u2*65)/(v1*75+v2*95) ≤ 1
3.C醫院的效率比值不得大於1：(u1*150+u2*130)/(v1*100+v2*120) ≤ 1
4.u1, u2, v1, v2 ≥ 0
當我們計算出u1, u2, v1, v2的數值時，再帶入 (u1*40+u2*30)/(v1*50+v2*60) 去計算所得到的數值便是醫院A的效率分數。
使用同樣的方法，我們可以去計算B醫院的效率分數：
求解另一組u1, u2, v1, v2，使得 (u1*55+u2*65)/(v1*75+v2*95) 此產出/投入比值極大化;
但受限於以下的條件：
1.A醫院的效率比值不得大於1：(u1*40+u2*30)/(v1*50+v2*60) ≤ 1
2.B醫院的效率比值不得大於1：(u1*55+u2*65)/(v1*75+v2*95) ≤ 1
3.C醫院的效率比值不得大於1：(u1*150+u2*130)/(v1*100+v2*120) ≤ 1
4.u1, u2, v1, v2 ≥ 0
當我們計算出這一組u1, u2, v1, v2的數值時，
B醫院的效率分數= (u1*55+u2*65)/(v1*75+v2*95)
最後，我們也可以去求得第三組u1, u2, v1, v2，並計算C醫院的效率分數，其中至少有一家醫院的效率分數會是1.0000(標竿)。
當然，叫人去執行這些線性規劃的計算程序並不容易，但是對電腦來說就輕而易舉了。Excel中有一個「規劃求解」(solver)的分析功能，就是在進行線性規劃的分析，我們可以將上面的運算式輸入Excel規劃求解的輸入欄位，便可以一一去計算這三家醫院的效率分數。不過對我們來說，這還是太麻煩，因此目前市面上有發展出ㄧ些DEA的軟體，便是「寄生」在Excel上面，成為Excel的增益程式(add-in program)，利用Excel規劃求解的演算功能，去做資料分析，計算所有DMU的效率分數，並且計算每一個DMU的努力目標，再將結果統整呈現出來。前面的例子的結果便是利用某種DEA增益程式軟體所得到的。
理論上DEA分析中的投入與產出變數項目數目並沒有限制，不過當投入與產出變數項目越多時，DMU的數量也必須相對增加，分析結果才有效度。DEA的發明者Charns等學者提出一個很簡便的原則幫助我們決定DMU的個數(n)：
n ≥ Max{a*b ; 3*(a+b)}；a代表投入變數的個數，b代表產出變數的個數
這也就是說，n必須大於a*b與3*(a+b)這兩個數值中較大的數值。所以如果我們有兩種投入變數(a=2)以及兩種產出變數(b=2)，3*(2+2)=12大於2+2=4，Max{2*2 ; 3*(2+2)} =12，因此n必須大於12。
DEA的優點與缺點
從上面的醫院實例可以看得出來，DEA對實務管理很有幫助，一來它可以化繁為簡，將眾多成效指標統合分析，並用效率分數呈現出來，讓決策者一目了然，而且DEA更提供了明確的標竿對象與經營或改善努力的目標與方向，這是其它很多計量分析方法所沒有的優點。
前面提過，DEA是屬於一種非參數分析技術，顧名思義，就是我們在進行資料分析以前，不須先假設或構思計量分析的參數模式，而完全由手上所掌握的資料去進行估算。如果我們將DEA與古典迴歸分析(典型的參數分析方法)拿來做比較，便能更清楚比較出這兩者的差別。當研究分析人員使用迴歸分析時，必須先建構參數關係模式(描述變數之間關係的數學公式，比如y=β0+β1x1+β2x2+β3x3，此處β就是參數)，再去進行資料分析。我們在進行DEA時，並不須要先提出任何模式，而是由資料的運算來告訴我們結果。古典迴歸分析的結果則會受到我們所使用的關係模式的影響，當我們使用不同的關係模式時，即使是同樣的資料，也會得到不一樣的結果。
此外，由於非參數分析技術不必像參數分析方法要去假設變數的分布狀況，也少了很多相關的分析前提與假設，因此受限程度也比較低。比如一般的迴歸分析多半必須假設應變數的分布是呈常態分布。DEA分析完全不需要這些假設，而是忠實地照我們所給的資料去做分析。
話說如此，其實DEA在分析之前還是須要考慮分析模式(model)的問題，我們必須針對我們所研究或比較的對象、主題、目的等因素，選擇最適合的DEA模式來進行分析。最基本的模式選擇考量，是要使用哪些投入與產出變數，才能適切衡量我們所要比較的對象(如醫院、護理之家、醫療科別、診所等)的效率或品質。每一種健康照護機構或單位的運作/服務方式與目的都不相同，投入的資源與產出的成果也不一樣，只有當我們選擇到正確的投入與產出變數時，我們所衡量到的效率或品質分數才會正確。這與我們在使用迴歸分析時必須考慮使用甚麼應變數與包含哪些自變數的情形相當類似。
此外，我覺得DEA還有ㄧ些缺點或限制，首先，由於DEA所得到的效率分數是相對的數值，不是絕對的數值，因此DEA的結果敏感度可能很高，萬一我們的資料中有一個錯誤的異常的偏離值(outlier)，就可能對結果產生很明顯的影響；相較之下，迴歸分析就比較穩定，因為迴歸分析是根據變數的平均值去做計算，若有outliers存在的話，其影響程度也會被減弱一些。此外，當我們用DEA時，倘若比較的對象或範圍改變時，每一家醫院的效率分數可能會很不一樣。迴歸分析基本上是根據隨機抽樣的樣本資料去做分析，只要抽樣沒有嚴重誤差，每一次分析所得到的結果應該會是相當接近才對。而且迴歸分析可以告訴我們估計值正確預測真正參數值的信心程度，DEA就完全沒有這種資訊。還有，DEA無法像迴歸分析一樣納入控制變數，去控制可能的干擾因素，因此DEA無法單獨進行假設檢定，我覺得這是為什麼DEA在學術界不像迴歸分析那麼被普遍運用的主要原因，因為科學研究主要是要透過各種變數關係的假設檢定，去釐清變數間可能的關係。不過DEA可以結合其他的計量分析(如迴歸分析)，去做假設檢定。主要的做法是拿DEA所得到效率分數做為應變數，再考慮可能影響效率的因素(自變數)，提出分析模式，用迴歸分析去探討。
DEA的主要模式
DEA針對不同的情況已經發展出很多不同的分析模式，最基本的DEA模式的選擇牽涉到兩個面向，第一個是投入取向或產出取向，第二個是考慮固定回報還是變動回報，由這兩種考量會形成四種DEA的基本模式。投入-產出取向的考量主要是在分析中所使用的投入與產出變數中，DMU可以掌控的是投入還是產出因素，下面有一個實例會針對這點做進一步說明。
固定-變動回報是指我們所用的投入與產出變數之間的關係是固定、遞增、還是遞減的關係。如果我們知道當增加一分的資源投入便會帶來一分的成果產出時，這時投入與產出變數之間的關係是固定回報(constant return to scale, CRS)。相反地，如果一分投入產生大於一分的成果，或者一分投入換不到一分的成果，這時的情況稱為變動回報(variable return to scale, VRS)，而前者稱為遞增回報(increasing return to scale)，後者稱為遞減回報(decreasing return to scale)。
CRS模式在比較所有的DMU時，是假設每一個DMU都存在固定回報的條件；而VRS模式則假設有些DMU是固定回報，有些是遞增回報，有些是遞減回報。因此CRS是用同樣的條件去比較所有的DMUs，而VRS會考量個別DMUs的情況，因此VRS的比較條件比較寬鬆，一般來說，在CRS的DEA分析中，效率分數=1.000的DMU比例比較低，這個比例在採用VRS的分析中會提高。
此外，有些DEA模式可以對變數之間的相對條件設定限制(weight-restricted models)；有些模式可以讓我們分析不同時期的資料，以便找出效率的變化。
我自己覺得DEA實在是不錯的方析工具，不僅在研究上面能夠派上用場，在醫院實務管理方面可以運用的地方應該也很多。DEA不僅可以用來作同儕比較，還可以用來探討或追蹤自己機構或部門成效變化或改善的情況。比如我們可以分析比較某家醫院(或某一個部門)過去十年(或過去40季)來的效率或服務品質的變化情況(DMU是各個年度或各個季節)。
只是天下沒有一種十全十美的分析方法，每一種計量分析技術的目的與應用情況都不太一樣，研究人員必須視研究目的與條件去決定要採用哪種方式，或搭配哪些方式，使研究的信度與效度達到最大。同時必須知道所使用的分析方式的限制與缺點，以便在判讀結果時有所注意，做出正確的結論。
[1] 直覺上我們可以將迴歸線理解成最能夠代表這些點的中間線，也就是兩度象限的平均線。
2009年3月1日 星期日
推行長期照護保險須要思考的相關議題
最近行政院長宣布計畫在明年實施長期照護保險，引發正反兩面的討論，我覺得這是很好的現象，能夠喚起社會大眾開始思考相關的問題，及早做準備。然而長期照護保險是一個相當複雜的政策，牽涉範圍很廣且很深遠，有許多問題須要考量，並在長照保險制度中規劃進去，才能使此政策的美意能夠發揮，同時減少不必要的副作用。以下是我自己的ㄧ些看法：
公辦的長期照護保險應有必要
我在密西根大學醫務管理研究所修「健康保險」這門課時，曾與其他兩位同學組成一個小組，探討美國商業長期照護保險的現況與問題。我們針對商業長期照護保險未能普遍的現象進行分析，發現時間延遲(time delay)及很少透過團體購買商業長照保險(lack of a strong group market)是兩個最主要的原因。時間延遲是指大部分的被保險在投保之後須經過很久的時間(等年紀大了或失能)，才能受到長照保險實質的保障，使得投保的意願大為降低。集體投保可以降低納保的行政成本，並擴大風險分攤的功能；目前美國大部分的公司有為員工投保健康保險做為員工福利(請參考<美國健保制度(2)-雇主提供的健保>)，但未包括長期照護保險。因此，購買商業長照保險的民眾，絕大多數都是個別覺得有需要才去購買或納保。我們的結論是長期照護保險必須透過政策去推行，才能減少這些問題。
在美國，與健康(醫療)保險比起來，有購買長期照護商業保險的人約只佔成年人口的1/5，其中應該有不少部分的人購買的不是純粹的長期照護保險，而是有給付部分長照費用的人壽險。2003年美國長期照護總支出近2000億美金(不包括由家人所提供的照護成本)之中，公營的Medicaid及Medicare約佔2/3，商業長照保險的給付僅佔約9%，剩下的是自掏腰包的費用。
任何的保險都有兩個基本問題，一個是道德危害(moral hazard)，另一個是逆選擇(adverse selection)。逆選擇是指保險公司可以篩選對自己較有利的保戶，而將高危險群的保戶排除在外，或者高危險群民眾可以隱瞞自己的風險，使得保險公司承擔過度的風險；問題的起因主要在於保險公司與保戶之間的資訊不對等(前者是保險公司擁有比保戶更多的風險相關資訊，使得保險的美意無法落實，後者的情況是保戶擁有比保險公司更多的風險資訊，造成保險無法永續)。
道德危害是指被保險人由於加入保險後，增加不必要的資源使用，造成浪費的問題，這是因為保險降低消費者所須支付的價格，使其需求上升所導致的。比如在全民健保實施前，我若有輕微的感冒，去看醫生雖然可能會比較快好，但是必須自付醫藥費，因此我通常是採取休息一下，讓感冒自然好；然而全民健保實施後，我會覺得看醫生只要付一兩百元的掛號費與部分負擔，而且保費既然已經繳了，不用白不用，或覺得不用就是損失，去拿個藥也好，因此激發就醫的需求；這兩者之間所多出來的就醫使用，就是全民健保道德危害的程度。
長期照護保險在道德危害與逆選擇這兩個問題上都比一般的健康(醫療)保險來得明顯，程度也更嚴重。長照保險道德危害的主要原因是個案依賴程度及需求的認定標準比較模糊，健康保險是給付疾病的診療，而長照保險是給付身心機能的退化所引發的照顧服務。一般來說，各種疾病的認定在醫學上比較有通用的標準，而且疾病診療過程本身並不是一件舒服或享受的事情，一般人不會沒事去醫院或診所拿苦藥或做抽血檢查，自討苦吃；因此消費者會去就醫，一般應該就是真的有生病或症狀。長期照護的情況相當不同，首先，個案身心功能在認定上有較大的模糊地帶，疾病還可以透過檢驗或檢查儀器與各種指標去研判，而身心功能的認定大多是透過生活行為的表現去評估(如使用Activities of daily living, ADLs指標)，不同的評估者對同一個案的情況可能做出很不一樣的判斷；而且個案比較可以且有誘因去左右評估者的認定，特別是當評估者無法實際接觸與了解個案的日常生活狀況時，所根據的評估資訊大多是來自個案或家人的描述。這個問題可以從過去經常發生勞保黃牛教唆個案誤導評估者開出殘障證明，詐領殘障給付的事件可以看得出來。也有不少案例是有人為了申請外勞或幫傭，由家中的年長者去取得申請外籍看護的資格，而事實上個案尚未到需要到專人照顧的地步。長期照護中有一大塊是社會照顧(居家看護、送餐、居家環境打掃、簡易的復健等)，這部分的服務在納入長照保險後特別容易誘發大幅的需求。
長照保險在逆選擇問題上與健康醫療保險的情況也不太相同，健康保險中，通常是(在剛納保階段)被保險比較清楚自己的健康狀況與風險，而保險公司較缺乏這些資料；但在長照保險中，保險公司很容易知道個案的失能或照護風險，因為年紀與失能的可能性與程度有很直接的關係，也就是年紀越大，失能的可能性與依賴程度也就愈大，對保險公司來說，年紀越大的人風險越高，因此投保的保費越高，甚至有些年長者想投保卻被拒保；保險公司可以根據年紀很容易去篩選保戶，或排除高風險的保戶，使得真正需要的個案得不到保險的保障。
另外一個造成商業長照保險不普遍的重要因素是目前很少公司或團體有為員工或會員集體提供長照保險，購買長照保險的人大多是個人投保，這會增加投保作業的行政成本及保費，並使得保險公司可以針對個人的情況去做投保前的風險評估，造成更多需要的人被拒保的可能性。當納保人數不高，風險不能有效被分散，保險公司的風險比較高，保費偏高，投保人數越少，如此形成一個惡性循環。
不過，我們也想到，絕大多數的人壽險也都是透過個人投保，並未經由團體投保，為什麼長照保險的投保不像一般人壽險那麼普遍。這便牽涉到另一個長照保險的特色—時間延遲。大部分的保險都是為了立即的可能風險，比如健康保險的出發點是每個人隨時都有生病就醫的需要；可是，基本上對長照保險來說，大部分所考量的是年老之後因為身心機能退化可能造成的失能與對照護的需求。雖然年紀越輕投保的保費較便宜，可是青壯年通常不會為他們認為二、三十年之後才會需要的長照購買保險；而且消費者會擔心保險公司在二、三十年之後是否還在經營；對保險公司來說，未來二、三十年的照護費用的上漲情形某種程度上很難加以預測(這也與道德危害程度與保險公司所承擔的風險有關)，因此保險公司對長照的風險會用較高的標準去認定，保費也會訂得比較高。如此一來，就更使得長照保險的保費偏高，年輕人更不願投保，也使得年長者負擔不起保費。而且不少美國人誤以為Medicare有包括所有的長照費用(事實上只有部分)，所以就不曾去考慮購買商業長照保險。
基於以上的瞭解，我們覺得長照保險比較難用市場商業保險機制去處理，而比較適合用政策或法令去規範及實施，才能有效分散相關的風險，由整個社會去分擔長照的風險與費用。像美國就是一個明顯的例子，雖然美國社會很依賴商業保險機制，但是公辦的Medicare及Medicaid自然而然地還是承擔大約2/3的全國長期照護費用，而且比例應該會越來越高。我相信長期照護保險最終還是得透過政策及法令，由全民共同承擔。其他許多已開發國家也已經推動長期照護的社會保險(如德國與日本)，或納入國家的健康照護體系之內(如英國、荷蘭、加拿大等)。
長期照護保險政策須要慎重規劃
由於長期照護保險本身有其特殊性與複雜性，政府要推動公辦的長期照護保險實有必要格外謹慎，若規劃不夠齊全，或匆促實施，所造成的副作用將會非常深遠。
在道德危害的問題方面，須要透過部分負擔或自付額的設計，以及訂定適當給付範圍或對象來降低。我個人覺得現階段長照保險應該採取「保重不保輕」的原則，用於高失能程度的對象，如全時間臥床或失智症個案，以減輕家屬在照顧這些個案的沉重負擔，而且這些對象的認定標準比較明確，較不會誘發出許多額外的需求與資源的耗用。其他輕中度失能的個案如要納入給付範圍內的話，需要相當高比例的部分負擔配套。
逆選擇的問題可以透過全民納保的社會保險機制來克服，目前行政院長期照護保險規劃小組也是朝這個方向在設計。只是在全民納保的制度下，更會凸顯時間延遲與代間公平的問題，因為一般來說，強制全民納入長期照護保險，對越年輕的被保險人基本上是越不公平的，因為年輕被保險人所貢獻的累積保費較多，可是現階段被保障到的機會很低，未來會使用到長照的機會也是要經過很長的一段時間之後，才會逐漸增加。
時間延遲的問題可能要透過社會教育以及社會大眾對長期照護廣泛深入的討論後，才能慢慢消除。德國是全世界最早實施公辦健康保險的國家(1883年開始實施)，但也是經過了一百多年，才在1995開辦長期照護社會保險，這當中經過很多的討論。全世界高齡化程度最高的日本也是經過長期的討論，並充實長期照護服務體系之後才在2000年實施公辦長照保險。當然台灣因為少子化趨勢以及生育率快速下降，高齡化速度在全球數一數二，長期照護需求會增加得很快，我們可能沒有太長的時間可以慢慢討論，不過就目前的情況來看，仍有需要更多的討論，讓社會大眾體會到長照是整個社會迫切的需求。日前長照保險規劃小組成員楊志良教授接受媒體採訪時表示：「長照照顧的不僅是老人，而是家庭。」我很認同這樣的觀點，但需要社會上更多的民眾接受這樣的觀念，才是實施的成熟時間。此外其實我覺得雖然老人需求長照的機會與程度較高，青壯年或每一個人也都有潛在的失能風險與長照需求，所以我覺得應該像德國所採用的制度，將長照保險定位為失能保險，是以失能做為給付條件，而不限定年齡層或侷限於老人。這樣才有讓全民納保的正當性。
代間公平或代間正義(generational justice)的問題所牽涉到的是長照保險是否能夠永續經營，由於長照保險實施後，青壯年開始貢獻其保費，可是當二、三十年之後他們年老時需要長期照護時，是否能夠獲得與他們的貢獻相當的照護保障。每一種社會保險都多少有世代不公平(上一代的人享受福利，卻由下一代的人付代價)的潛在問題(請參考前淡江大學保險系柯木興教授的短文討論[1])，不過在長照保險中這個問題特別突出，我覺得這是長照保險最嚴肅也最重要的課題，也是最近的討論尚未著墨太多的地方。
日前行政院長期照護保險規劃小組成員透露長照保險的初步規劃內容，似乎在強調保費不高(約佔民眾收入所得的1%)，且可以擴大內需與就業[2]。對於政府想要推動這項政策的動機來看，這樣的說法是可以理解的，因為在現階段經濟不景氣的大環境之下，這種切入點比較能夠獲得民眾的支持。但是我認為規劃小組有必要再做更詳細的經濟效益評估，以及更審慎的規劃，詳實向人民報告，經由廣泛討論後再決定實施與否。
我想到的問題至少有三個：(1)規劃小組所說的低保費是根據現在的長照使用率、還是未來的使用率去計算的？(2)這樣的低保費可以維持多久？(3)當保費不足而須要提高保費時，要經由甚麼機制？
由於前面提到，長照保險有較明顯的道德危害可能，長照保險實施後，長照服務的需求與使用率有可能快速增加(這也是規劃小組所預測的，因為他們希望藉由長照服務的擴大來帶動內需與就業)，如果初期保費是根據現有的使用率去計算的，那應該很快地就會不足以支應照護的支出，到時財務透支的問題會比健保更快。如果規劃小組是依照未來的使用率去計算初期保費，則有必要向社會大眾說明所依據的假設是什麼？而且這樣的保費可以維持長照保險損益兩平到甚麼時候？當保費不足或長照保險財務透支時，保費要不要漲？要如何漲？會不會像現在全民健保面臨巨額透支卻騎虎難下的類似問題？這些問題直接牽涉到長照保險是否能夠以良好的財務體質永續經營。
此外，我對長照保險所可能帶來的實質經濟效益(擴大內需與提升就業)有ㄧ些保留。目前規劃小組對外透露的長照保險內容只讓我們看到長照保險可能的好處(保費低又可以帶動內需、擴大就業)，卻沒有提到可能的問題或兩難的地方，我在想這個政策真的如此兩全其美嗎？道理很簡單，如果要維持低保費，長照保險對照護的給付應該不會很理想，那願意投入長期照護服務的機構與人士就不會太多，長照服務市場的擴大也會有限，這也是為什麼目前長期照護很依賴外勞的原因。
其實就我所知，長照用到的專業照護人員比例並不算高，主要照護人力結構是基層的照顧員，目前這些工作的薪水低，負擔重，勞力程度高，願意從事這個工作的國人並不多，大多依靠外勞或外籍配偶。除非政府規劃的長期照護保險願意付比現在的照護費明顯更高的給付，否則我相信願意從事這個工作的國人還是不多，對提升國人的就業率並沒有太多實質的貢獻。相反地，如果給付要比現在的費用來得好，對擴大就業的確是有幫助，但是保費也許就沒辦法那麼低了，或者初期可以，但是不久之後就可能要出現財務透支了。
我想要指出的是，在長期照護保險這件事上，強調保費低與帶動內需或擴大國人就業是不太能夠兼顧的方向，至少長期來看是沒有辦法的，這就類似「又要馬兒好，又要馬兒不吃草」的情況。政策規劃小組的成員提出這些論述，讓人不免感覺到規劃小組是否已經真正做好審慎的評估與規劃？或者有讓全民意識到必須共同來承擔整個社會長期照護的體認與決心。
這些討論也讓我們看到，健康照護體系的相關問題實在是環環相扣，難怪以前有一門課的教授提醒我們，有關健康照護制度的改善，如果有人提出一個自認很容易的解決方案或政策，我們必須要特別小心，因為情況及後果可能沒有我們想像的那麼單純。
尤其當今天全民健保已經面臨許多尚無法解決的問題時，我們不應該對長照保險的實施看得過於簡單，我覺得長照保險政策規劃應該要就全面性以及長期性去做深入考量，謹慎規劃，有具體方案後多方廣納意見後，再作實施的決定還是有必要的。
[1] http://old.npf.org.tw/PUBLICATION/SS/094/SS-B-094-007.htm [2] http://udn.com/NEWS/HEALTH/HEA1/4749928.shtml
公辦的長期照護保險應有必要
我在密西根大學醫務管理研究所修「健康保險」這門課時，曾與其他兩位同學組成一個小組，探討美國商業長期照護保險的現況與問題。我們針對商業長期照護保險未能普遍的現象進行分析，發現時間延遲(time delay)及很少透過團體購買商業長照保險(lack of a strong group market)是兩個最主要的原因。時間延遲是指大部分的被保險在投保之後須經過很久的時間(等年紀大了或失能)，才能受到長照保險實質的保障，使得投保的意願大為降低。集體投保可以降低納保的行政成本，並擴大風險分攤的功能；目前美國大部分的公司有為員工投保健康保險做為員工福利(請參考<美國健保制度(2)-雇主提供的健保>)，但未包括長期照護保險。因此，購買商業長照保險的民眾，絕大多數都是個別覺得有需要才去購買或納保。我們的結論是長期照護保險必須透過政策去推行，才能減少這些問題。
在美國，與健康(醫療)保險比起來，有購買長期照護商業保險的人約只佔成年人口的1/5，其中應該有不少部分的人購買的不是純粹的長期照護保險，而是有給付部分長照費用的人壽險。2003年美國長期照護總支出近2000億美金(不包括由家人所提供的照護成本)之中，公營的Medicaid及Medicare約佔2/3，商業長照保險的給付僅佔約9%，剩下的是自掏腰包的費用。
任何的保險都有兩個基本問題，一個是道德危害(moral hazard)，另一個是逆選擇(adverse selection)。逆選擇是指保險公司可以篩選對自己較有利的保戶，而將高危險群的保戶排除在外，或者高危險群民眾可以隱瞞自己的風險，使得保險公司承擔過度的風險；問題的起因主要在於保險公司與保戶之間的資訊不對等(前者是保險公司擁有比保戶更多的風險相關資訊，使得保險的美意無法落實，後者的情況是保戶擁有比保險公司更多的風險資訊，造成保險無法永續)。
道德危害是指被保險人由於加入保險後，增加不必要的資源使用，造成浪費的問題，這是因為保險降低消費者所須支付的價格，使其需求上升所導致的。比如在全民健保實施前，我若有輕微的感冒，去看醫生雖然可能會比較快好，但是必須自付醫藥費，因此我通常是採取休息一下，讓感冒自然好；然而全民健保實施後，我會覺得看醫生只要付一兩百元的掛號費與部分負擔，而且保費既然已經繳了，不用白不用，或覺得不用就是損失，去拿個藥也好，因此激發就醫的需求；這兩者之間所多出來的就醫使用，就是全民健保道德危害的程度。
長期照護保險在道德危害與逆選擇這兩個問題上都比一般的健康(醫療)保險來得明顯，程度也更嚴重。長照保險道德危害的主要原因是個案依賴程度及需求的認定標準比較模糊，健康保險是給付疾病的診療，而長照保險是給付身心機能的退化所引發的照顧服務。一般來說，各種疾病的認定在醫學上比較有通用的標準，而且疾病診療過程本身並不是一件舒服或享受的事情，一般人不會沒事去醫院或診所拿苦藥或做抽血檢查，自討苦吃；因此消費者會去就醫，一般應該就是真的有生病或症狀。長期照護的情況相當不同，首先，個案身心功能在認定上有較大的模糊地帶，疾病還可以透過檢驗或檢查儀器與各種指標去研判，而身心功能的認定大多是透過生活行為的表現去評估(如使用Activities of daily living, ADLs指標)，不同的評估者對同一個案的情況可能做出很不一樣的判斷；而且個案比較可以且有誘因去左右評估者的認定，特別是當評估者無法實際接觸與了解個案的日常生活狀況時，所根據的評估資訊大多是來自個案或家人的描述。這個問題可以從過去經常發生勞保黃牛教唆個案誤導評估者開出殘障證明，詐領殘障給付的事件可以看得出來。也有不少案例是有人為了申請外勞或幫傭，由家中的年長者去取得申請外籍看護的資格，而事實上個案尚未到需要到專人照顧的地步。長期照護中有一大塊是社會照顧(居家看護、送餐、居家環境打掃、簡易的復健等)，這部分的服務在納入長照保險後特別容易誘發大幅的需求。
長照保險在逆選擇問題上與健康醫療保險的情況也不太相同，健康保險中，通常是(在剛納保階段)被保險比較清楚自己的健康狀況與風險，而保險公司較缺乏這些資料；但在長照保險中，保險公司很容易知道個案的失能或照護風險，因為年紀與失能的可能性與程度有很直接的關係，也就是年紀越大，失能的可能性與依賴程度也就愈大，對保險公司來說，年紀越大的人風險越高，因此投保的保費越高，甚至有些年長者想投保卻被拒保；保險公司可以根據年紀很容易去篩選保戶，或排除高風險的保戶，使得真正需要的個案得不到保險的保障。
另外一個造成商業長照保險不普遍的重要因素是目前很少公司或團體有為員工或會員集體提供長照保險，購買長照保險的人大多是個人投保，這會增加投保作業的行政成本及保費，並使得保險公司可以針對個人的情況去做投保前的風險評估，造成更多需要的人被拒保的可能性。當納保人數不高，風險不能有效被分散，保險公司的風險比較高，保費偏高，投保人數越少，如此形成一個惡性循環。
不過，我們也想到，絕大多數的人壽險也都是透過個人投保，並未經由團體投保，為什麼長照保險的投保不像一般人壽險那麼普遍。這便牽涉到另一個長照保險的特色—時間延遲。大部分的保險都是為了立即的可能風險，比如健康保險的出發點是每個人隨時都有生病就醫的需要；可是，基本上對長照保險來說，大部分所考量的是年老之後因為身心機能退化可能造成的失能與對照護的需求。雖然年紀越輕投保的保費較便宜，可是青壯年通常不會為他們認為二、三十年之後才會需要的長照購買保險；而且消費者會擔心保險公司在二、三十年之後是否還在經營；對保險公司來說，未來二、三十年的照護費用的上漲情形某種程度上很難加以預測(這也與道德危害程度與保險公司所承擔的風險有關)，因此保險公司對長照的風險會用較高的標準去認定，保費也會訂得比較高。如此一來，就更使得長照保險的保費偏高，年輕人更不願投保，也使得年長者負擔不起保費。而且不少美國人誤以為Medicare有包括所有的長照費用(事實上只有部分)，所以就不曾去考慮購買商業長照保險。
基於以上的瞭解，我們覺得長照保險比較難用市場商業保險機制去處理，而比較適合用政策或法令去規範及實施，才能有效分散相關的風險，由整個社會去分擔長照的風險與費用。像美國就是一個明顯的例子，雖然美國社會很依賴商業保險機制，但是公辦的Medicare及Medicaid自然而然地還是承擔大約2/3的全國長期照護費用，而且比例應該會越來越高。我相信長期照護保險最終還是得透過政策及法令，由全民共同承擔。其他許多已開發國家也已經推動長期照護的社會保險(如德國與日本)，或納入國家的健康照護體系之內(如英國、荷蘭、加拿大等)。
長期照護保險政策須要慎重規劃
由於長期照護保險本身有其特殊性與複雜性，政府要推動公辦的長期照護保險實有必要格外謹慎，若規劃不夠齊全，或匆促實施，所造成的副作用將會非常深遠。
在道德危害的問題方面，須要透過部分負擔或自付額的設計，以及訂定適當給付範圍或對象來降低。我個人覺得現階段長照保險應該採取「保重不保輕」的原則，用於高失能程度的對象，如全時間臥床或失智症個案，以減輕家屬在照顧這些個案的沉重負擔，而且這些對象的認定標準比較明確，較不會誘發出許多額外的需求與資源的耗用。其他輕中度失能的個案如要納入給付範圍內的話，需要相當高比例的部分負擔配套。
逆選擇的問題可以透過全民納保的社會保險機制來克服，目前行政院長期照護保險規劃小組也是朝這個方向在設計。只是在全民納保的制度下，更會凸顯時間延遲與代間公平的問題，因為一般來說，強制全民納入長期照護保險，對越年輕的被保險人基本上是越不公平的，因為年輕被保險人所貢獻的累積保費較多，可是現階段被保障到的機會很低，未來會使用到長照的機會也是要經過很長的一段時間之後，才會逐漸增加。
時間延遲的問題可能要透過社會教育以及社會大眾對長期照護廣泛深入的討論後，才能慢慢消除。德國是全世界最早實施公辦健康保險的國家(1883年開始實施)，但也是經過了一百多年，才在1995開辦長期照護社會保險，這當中經過很多的討論。全世界高齡化程度最高的日本也是經過長期的討論，並充實長期照護服務體系之後才在2000年實施公辦長照保險。當然台灣因為少子化趨勢以及生育率快速下降，高齡化速度在全球數一數二，長期照護需求會增加得很快，我們可能沒有太長的時間可以慢慢討論，不過就目前的情況來看，仍有需要更多的討論，讓社會大眾體會到長照是整個社會迫切的需求。日前長照保險規劃小組成員楊志良教授接受媒體採訪時表示：「長照照顧的不僅是老人，而是家庭。」我很認同這樣的觀點，但需要社會上更多的民眾接受這樣的觀念，才是實施的成熟時間。此外其實我覺得雖然老人需求長照的機會與程度較高，青壯年或每一個人也都有潛在的失能風險與長照需求，所以我覺得應該像德國所採用的制度，將長照保險定位為失能保險，是以失能做為給付條件，而不限定年齡層或侷限於老人。這樣才有讓全民納保的正當性。
代間公平或代間正義(generational justice)的問題所牽涉到的是長照保險是否能夠永續經營，由於長照保險實施後，青壯年開始貢獻其保費，可是當二、三十年之後他們年老時需要長期照護時，是否能夠獲得與他們的貢獻相當的照護保障。每一種社會保險都多少有世代不公平(上一代的人享受福利，卻由下一代的人付代價)的潛在問題(請參考前淡江大學保險系柯木興教授的短文討論[1])，不過在長照保險中這個問題特別突出，我覺得這是長照保險最嚴肅也最重要的課題，也是最近的討論尚未著墨太多的地方。
日前行政院長期照護保險規劃小組成員透露長照保險的初步規劃內容，似乎在強調保費不高(約佔民眾收入所得的1%)，且可以擴大內需與就業[2]。對於政府想要推動這項政策的動機來看，這樣的說法是可以理解的，因為在現階段經濟不景氣的大環境之下，這種切入點比較能夠獲得民眾的支持。但是我認為規劃小組有必要再做更詳細的經濟效益評估，以及更審慎的規劃，詳實向人民報告，經由廣泛討論後再決定實施與否。
我想到的問題至少有三個：(1)規劃小組所說的低保費是根據現在的長照使用率、還是未來的使用率去計算的？(2)這樣的低保費可以維持多久？(3)當保費不足而須要提高保費時，要經由甚麼機制？
由於前面提到，長照保險有較明顯的道德危害可能，長照保險實施後，長照服務的需求與使用率有可能快速增加(這也是規劃小組所預測的，因為他們希望藉由長照服務的擴大來帶動內需與就業)，如果初期保費是根據現有的使用率去計算的，那應該很快地就會不足以支應照護的支出，到時財務透支的問題會比健保更快。如果規劃小組是依照未來的使用率去計算初期保費，則有必要向社會大眾說明所依據的假設是什麼？而且這樣的保費可以維持長照保險損益兩平到甚麼時候？當保費不足或長照保險財務透支時，保費要不要漲？要如何漲？會不會像現在全民健保面臨巨額透支卻騎虎難下的類似問題？這些問題直接牽涉到長照保險是否能夠以良好的財務體質永續經營。
此外，我對長照保險所可能帶來的實質經濟效益(擴大內需與提升就業)有ㄧ些保留。目前規劃小組對外透露的長照保險內容只讓我們看到長照保險可能的好處(保費低又可以帶動內需、擴大就業)，卻沒有提到可能的問題或兩難的地方，我在想這個政策真的如此兩全其美嗎？道理很簡單，如果要維持低保費，長照保險對照護的給付應該不會很理想，那願意投入長期照護服務的機構與人士就不會太多，長照服務市場的擴大也會有限，這也是為什麼目前長期照護很依賴外勞的原因。
其實就我所知，長照用到的專業照護人員比例並不算高，主要照護人力結構是基層的照顧員，目前這些工作的薪水低，負擔重，勞力程度高，願意從事這個工作的國人並不多，大多依靠外勞或外籍配偶。除非政府規劃的長期照護保險願意付比現在的照護費明顯更高的給付，否則我相信願意從事這個工作的國人還是不多，對提升國人的就業率並沒有太多實質的貢獻。相反地，如果給付要比現在的費用來得好，對擴大就業的確是有幫助，但是保費也許就沒辦法那麼低了，或者初期可以，但是不久之後就可能要出現財務透支了。
我想要指出的是，在長期照護保險這件事上，強調保費低與帶動內需或擴大國人就業是不太能夠兼顧的方向，至少長期來看是沒有辦法的，這就類似「又要馬兒好，又要馬兒不吃草」的情況。政策規劃小組的成員提出這些論述，讓人不免感覺到規劃小組是否已經真正做好審慎的評估與規劃？或者有讓全民意識到必須共同來承擔整個社會長期照護的體認與決心。
這些討論也讓我們看到，健康照護體系的相關問題實在是環環相扣，難怪以前有一門課的教授提醒我們，有關健康照護制度的改善，如果有人提出一個自認很容易的解決方案或政策，我們必須要特別小心，因為情況及後果可能沒有我們想像的那麼單純。
尤其當今天全民健保已經面臨許多尚無法解決的問題時，我們不應該對長照保險的實施看得過於簡單，我覺得長照保險政策規劃應該要就全面性以及長期性去做深入考量，謹慎規劃，有具體方案後多方廣納意見後，再作實施的決定還是有必要的。
[1] http://old.npf.org.tw/PUBLICATION/SS/094/SS-B-094-007.htm [2] http://udn.com/NEWS/HEALTH/HEA1/4749928.shtml
2009年2月27日 星期五
Obama的國會演說讀後感
在網路上看了Obama總統前天的Address to Joint Session of Congress(http://www.whitehouse.gov/the_press_office/Remarks-of-President-Barack-Obama-Address-to-Joint-Session-of-Congress/)。整體來說，他的核心理念是相當清晰，也相當有特色，對美國的前景提出了與以往很不同的論述，至少很多年來幾任的美國總統很少同時觸及這麼多核心的問題，而能夠跳脫陳腐的角度去加以剖析並提出全盤性的對策的。難怪有九成的美國人對Obama這次的演說表示認同。
這篇演說，我覺得重點是在經濟與預算案，但讓我印象最深刻的是他對美國教育的反省與願景，他也強調家庭與家長在教育方面的責任，對他們提出挑戰，這是讓人相當佩服的。
對這波的經濟不景氣，目前似乎還看不到有具體的經濟理論可以有效挽救，各國都是走一步算一步，能夠保有政局成為最主要的考量。就我來看，美國新政府所嘗試的方法是對企業的援助與想辦法讓資金能夠流通，以帶動經濟活動，這些做法都是可以理解的。不過我覺得過去由美國的過度消費來帶動世界經濟的模式已經行不通，美國的政府赤字與國家債務已經高到危險的地步，我認為如果Obama政府真的要在美國歷史上塑立一個永恆的執政典範，並對全世界有根本性正面影響的話，應該改變整個思考模式，以漸進的方式將經濟導向可以永續發展的方向去走，並透過教育或社會教育去改變美國人浪費的生活習慣。如果這樣來想，這次的經濟不景氣不見得完全是危機，反而可能是轉機。我覺得Obama在競選時有點到ㄧ些美國的問題癥結，不過當他開始執政時是否能夠落實這些改變的理念，是一大挑戰。
不過在健康與醫療的問題與改革上面，我覺得Obama還沒真正抓到癥結，也有點太過樂觀。此外是他多次提到健保/醫療成本太高是導致美國企業缺乏競爭力的主要原因，我覺得這也是沒針對到問題焦點。美國三大汽車公司也是講同樣的話，將汽車賣不出去歸咎於他們需要幫員工負擔健保費，而日本車廠不用，因此每部日本汽車的生產成本比美國車低，導致美國車廠將市場拱手讓人。美國車廠沒有看到日本車廠也是要幫員工分擔各種社會保險的保費，而且美國車廠直到最近要跟政府請求援助之前，都不去提日本車比美國車能源效率高，維護費與故障率低。
其實我從一個外國人的角度來看，Obama所提到這些問題都有一個共同的原因，就是美國人的待遇太好，生活太過優渥了。有些學者探討美國醫療費用高漲的原因，發現最能解釋的因素就是收入，由於美國人收入高，因此醫療上都要追求最先進的，不在乎成本，這也是多年來試過這麼多不同的制度或政策改革，對於健保或醫療費用的管控始終不見具體成效的原因。 缺乏競爭力與產業外移也是跟收入高有關，我相信各種產業的成本中，人力成本都是最主要的，薪資是人力成本中的大宗，健保福利成本只是其中的一部分而已，如果只看到健保成本比其他國家高，卻沒看到薪資的部分，則是有點駝鳥心態。就算有一天美國實施全民健保，企業不須幫員工買健保，這些成本還是會用其他的方式去支付。
最近我會將美國與中國拿來做一些對比與思考，目前的想法是美國是民間很富有，政府(國家)欠一堆債務，而中國是民間普遍很窮，政府(國家)卻有錢的不得了，拿巨額的外匯存底來買美國政府的債券，支持美國的繁榮。這使我覺得美國現在高度物質化的生活某種程度上是建立在外債的基礎上。像前一陣子投資銀行出事之後，或大企業經營不善之後，還不是將爛攤子丟給政府舉債來收拾，可是這些企業的主管早就已經吃飽賺足。
而且，通常人在物質條件很好的生活環境下，工作上就不比較會那麼積極認真，勤奮程度降低，工作效率減少。像台灣國內生活條件變好之後，現在台灣年輕人大多已經逐漸喪失上一輩台灣人那種勤勞與敬業的精神。在美國，我覺得也是有這個問題，一般來說，我感覺美國人的工作效率或敬業態度甚至比台灣人還低。我覺得這才是競爭力差的主要原因，也是醫療成本高漲(醫療人員收入高，效率卻不彰)的主要因素。美國政治人物(如Bush與Obama)經常說美國人是世界上最hard working people，這點我一直不認同。那是美國人沒有看到其他國家的人勤勞的程度。
我覺得如果美國人無法反省到這個層面，回到清教徒那種追求理想，勤奮工作的特質，那現在的各種問題可能不容易徹底解決，甚至會一再發生。用同樣地觀點看台灣，我相信應該也適用才對。
當然美國個角落還是有不少傑出、有理想且勤奮敬業的人(Obama在這篇演說後面提到了幾位人物)。在美國教會我也接觸到ㄧ些不僅關心美國，也真正關心世界各地方的人，並願意實際奉獻付出的朋友，他們是真正讓我感動的美國。如果有機會，我會建議Obama總統除了立即性的政策與經濟問題之外，應該思考如何透過他的影響力，將這些人凝聚起來，而且感動更多人效法，重新塑造美國的理想與價值觀。做這些事的成效也許無法馬上看得出來，但是這樣的貢獻卻可能是更深遠的。
這篇演說，我覺得重點是在經濟與預算案，但讓我印象最深刻的是他對美國教育的反省與願景，他也強調家庭與家長在教育方面的責任，對他們提出挑戰，這是讓人相當佩服的。
對這波的經濟不景氣，目前似乎還看不到有具體的經濟理論可以有效挽救，各國都是走一步算一步，能夠保有政局成為最主要的考量。就我來看，美國新政府所嘗試的方法是對企業的援助與想辦法讓資金能夠流通，以帶動經濟活動，這些做法都是可以理解的。不過我覺得過去由美國的過度消費來帶動世界經濟的模式已經行不通，美國的政府赤字與國家債務已經高到危險的地步，我認為如果Obama政府真的要在美國歷史上塑立一個永恆的執政典範，並對全世界有根本性正面影響的話，應該改變整個思考模式，以漸進的方式將經濟導向可以永續發展的方向去走，並透過教育或社會教育去改變美國人浪費的生活習慣。如果這樣來想，這次的經濟不景氣不見得完全是危機，反而可能是轉機。我覺得Obama在競選時有點到ㄧ些美國的問題癥結，不過當他開始執政時是否能夠落實這些改變的理念，是一大挑戰。
不過在健康與醫療的問題與改革上面，我覺得Obama還沒真正抓到癥結，也有點太過樂觀。此外是他多次提到健保/醫療成本太高是導致美國企業缺乏競爭力的主要原因，我覺得這也是沒針對到問題焦點。美國三大汽車公司也是講同樣的話，將汽車賣不出去歸咎於他們需要幫員工負擔健保費，而日本車廠不用，因此每部日本汽車的生產成本比美國車低，導致美國車廠將市場拱手讓人。美國車廠沒有看到日本車廠也是要幫員工分擔各種社會保險的保費，而且美國車廠直到最近要跟政府請求援助之前，都不去提日本車比美國車能源效率高，維護費與故障率低。
其實我從一個外國人的角度來看，Obama所提到這些問題都有一個共同的原因，就是美國人的待遇太好，生活太過優渥了。有些學者探討美國醫療費用高漲的原因，發現最能解釋的因素就是收入，由於美國人收入高，因此醫療上都要追求最先進的，不在乎成本，這也是多年來試過這麼多不同的制度或政策改革，對於健保或醫療費用的管控始終不見具體成效的原因。 缺乏競爭力與產業外移也是跟收入高有關，我相信各種產業的成本中，人力成本都是最主要的，薪資是人力成本中的大宗，健保福利成本只是其中的一部分而已，如果只看到健保成本比其他國家高，卻沒看到薪資的部分，則是有點駝鳥心態。就算有一天美國實施全民健保，企業不須幫員工買健保，這些成本還是會用其他的方式去支付。
最近我會將美國與中國拿來做一些對比與思考，目前的想法是美國是民間很富有，政府(國家)欠一堆債務，而中國是民間普遍很窮，政府(國家)卻有錢的不得了，拿巨額的外匯存底來買美國政府的債券，支持美國的繁榮。這使我覺得美國現在高度物質化的生活某種程度上是建立在外債的基礎上。像前一陣子投資銀行出事之後，或大企業經營不善之後，還不是將爛攤子丟給政府舉債來收拾，可是這些企業的主管早就已經吃飽賺足。
而且，通常人在物質條件很好的生活環境下，工作上就不比較會那麼積極認真，勤奮程度降低，工作效率減少。像台灣國內生活條件變好之後，現在台灣年輕人大多已經逐漸喪失上一輩台灣人那種勤勞與敬業的精神。在美國，我覺得也是有這個問題，一般來說，我感覺美國人的工作效率或敬業態度甚至比台灣人還低。我覺得這才是競爭力差的主要原因，也是醫療成本高漲(醫療人員收入高，效率卻不彰)的主要因素。美國政治人物(如Bush與Obama)經常說美國人是世界上最hard working people，這點我一直不認同。那是美國人沒有看到其他國家的人勤勞的程度。
我覺得如果美國人無法反省到這個層面，回到清教徒那種追求理想，勤奮工作的特質，那現在的各種問題可能不容易徹底解決，甚至會一再發生。用同樣地觀點看台灣，我相信應該也適用才對。
當然美國個角落還是有不少傑出、有理想且勤奮敬業的人(Obama在這篇演說後面提到了幾位人物)。在美國教會我也接觸到ㄧ些不僅關心美國，也真正關心世界各地方的人，並願意實際奉獻付出的朋友，他們是真正讓我感動的美國。如果有機會，我會建議Obama總統除了立即性的政策與經濟問題之外，應該思考如何透過他的影響力，將這些人凝聚起來，而且感動更多人效法，重新塑造美國的理想與價值觀。做這些事的成效也許無法馬上看得出來，但是這樣的貢獻卻可能是更深遠的。
2009年2月22日 星期日
美國營利與宗教屬性的安寧照護(hospice)機構的差異
長久以來，健康經濟學家對不同所有權屬性的健康照護機構的經營目的與行為是否有所差異深感興趣，較常被拿來研究的是醫院與護理之家，這禮拜讀到一篇論文[1]則是用營利與宗教屬性的安寧照護機構(hospice)來探討相關的問題。
在台灣，安寧照護都是附屬在醫院或由醫院提供的服務(包括住院或居家安寧照護)，並沒有單獨提供安寧照護的機構。在美國有專門提供安寧照護的機構，有些是醫院附屬的(約佔32%)，有些是居家照護機構附屬的(22%)，有些是護理之家附屬的(5%)，其餘是獨立經營的機構(41%)。其中，大約72%的安寧照護機構是非營利屬性，24%是營利屬性，4%是公營的機構。我記得在台灣曾聽趙可式博士強調安寧照護是急性醫療，不是長期照護，不過在美國，hospice是被歸入長期照護的一環。
美國hospice的主要付費者是Medicare，其Part A的受益人若符合以下三個條件，所受到的hospice都可以得到Medicare的給付：(1)經過病人的醫師與安寧照護機構的主任醫師認定在一般的病程發展下，該病人所罹患的是預期存餘生命不超過6個月的末期病症(不一定是癌症)；(2)病人必須同意採用hospice，而不再接受一般的醫療處置；(3)hospice服務必須是由經過Medicare認證簽約的安寧照護機構所提供的。
在2007年有經過Medicare認證簽約的安寧照護機構共有3,257間，這些機構提供hospice給Medicare的受益人時，Medicare是採用論日給付的方式，但是有依照服務的程度分成四個層級的日給付額：(1)例行性的居家安寧照護；(2)特殊情況的居家安寧照護，這是指若病人若有特殊症狀時，安寧照護機構須要派遣護理人員至病人家中穩定病人的症狀，避免病人住院；(3)一般住院安寧照護，由安寧照護機構將病人送到所委託的醫院、護理之家或可以短期照顧病人的住院安寧照顧設施、(4)住院喘息安寧照護，這是病人短期(不超過5天)住院接受照顧，讓家人或平常的照顧者能夠有幾天的休息。
Medicare的hospice給付總費用當中，95%是用在第一類的給付，不到1%用在第二類的給付，用在住院安寧照護的費用也只有4%左右。由此可見，美國的安寧照護是以居家安寧照護為主。
此外，Medicare規定當病人接受安寧照顧滿90天時，機構必須提出延長服務申請，如果再滿第二個90天，則Medicare會比較嚴格審查該病人是否可以繼續接受hospice，而且之後每60天必須再申請/審查一次。
這篇論文的研究背景，即是利用Medicare的論日給付對安寧照護機構造成的財務誘因，去探討不同所有權屬性的安寧照護機構在追求利潤方面有沒有不同的行為取向。由於Medicare的論日給付並沒有因為病人的接受照顧期間長短而有所不同，也就是只要安寧照護機構照顧安寧病人一天，就能得到同樣的日給付。不過安寧照護機構照顧病人的實際成本，卻是呈現U字型的關係，也就是新病人剛開始接受安寧照顧的前四天與病人過世的前四天的每日照顧實質成本要比之間的照顧期間的每日照顧成本來得高，因此若病人能接受照顧的天數越多，對安寧照護機構來說可以得到的利潤越高。
這篇論文的核心問題，在於營利與宗教屬性(非營利)的安寧照護機構是否會在利潤的追求上面有不同的表現或行為，如果有，那表示營利與宗教屬性的安寧照護機構在經營目的方面的確有不同。問題是，我們要從什麼地方看出他們的利潤追求行為呢？通常這很不容易被觀察出來。作者最具創意的地方，就是利用營利與宗教屬性的安寧照護機構病人的平均照顧日數的長短(這是可以具體客觀去衡量的)，來反應他們追求利潤的行為，因為如果要增加利潤，就必須要提高病人的照顧日數，因此我們可以去比較他們追求利潤的程度。
在這裡，作者有幾個重要的假設。首先，作者假設安寧照護機構無法影響或改變病人的存活天數，因為Medicare不給付安寧照護機構進行積極治療的費用，因此安寧照護機構應該不會提供症狀緩解之外的療護服務給病人。此外，作者假定安寧照護機構有辦法根據病人的某些條件去篩選預期存活日數較多的病人，或能夠去讓末期病人盡早接受由自己所提供的安寧照護；而且假設在這兩個因素之外其它會影響病人存活天數的因素都不是這些機構所能掌握的。由於依照法律以及Medicare的規定，安寧照護機構不得刻意挑選對自己有利的病人，因此作者也假定這些機構有特別的手段可以避開法律的監督。還有，作者基於有將近70%的安寧病人是由Medicare所給付，因此假定基本上每一個安寧照護機構的收入來源結構都是相似的，或是說這些機構主要的收入都是來自Medicare，因此都有共同的財務誘因程度。最後，作者也假定Medicare給付額足以涵蓋安寧照護機構的照護成本，至少在照顧期間的中間段應該是有足夠的利潤，因此可以激發照顧機構去追求利潤。
這篇文章用三種不同的經濟學觀點去解釋或預測營利與非營利機構的異同。第一種觀點認為非營利機構是「披著非營利外衣的營利機構」(nonprofits are “for-profits in disguise”)，也就是營利與非營利機構雖然外表不同，其實本質都是一樣是利潤導向。雖然法令對非營利機構有許多約束，比如盈餘不得分配給特定的人，或要求非營利機構要提供較多對社區整體有利的服務，但是由於執法不徹底或有漏洞，還是讓非營利機構有機可趁，也以追求利潤為主要目標，然後再將利潤轉換成其他形式(如較高的薪資或車馬費)，分配給董事或特定的主管或員工。
第二種觀點是認為非營利機構同時在追求兩個目的，一個是使命(Mission good)，另一個是收入(Revenue good)，因為非營利機構有其社會導向的使命，可是一方面又面臨損益兩平的底線，因此非營利機構對於可獲利的服務，必須像營利機構一樣去追求與經營，以便將左手所賺得的利潤，去幫助右手實踐使命，提供不具利潤的服務給需要的人。
第三種觀點是認為非營利機構是不具效率的利潤追求者(inefficient profit maximizers)，這是因為非營利機構受限於營於不得分配的限制，因此對於利潤的敏感度比較低，雖然還是以追求利潤為出發點，可是經營上卻比較不像營利機構那麼精打細算，所以導致經營效率較低。
這三種觀點中，第一種觀點預測非營利與營利性的安寧照護機構都同樣是以追求最大利潤為考量，因此對於Medicare的給付方式的財務誘因與反應應該都是一樣的，也就是這兩種安寧照護機構的病人平均照顧天數不會有明顯的差別。根據第三種觀點，非營利與營利性的安寧照護機構對Medicare的給付方式的財務誘因與基本反應也會是一樣，可是表現上會有所不同，相對於營利機構，非營利安寧照護機構由於管理效率的不足，在挑選病人上面會比較鬆散，因此其病人平均照顧天數會明顯少於營利安寧照護機構的病人平均照護日數。第二種觀點所預測的也是如此，即這非營利與營利性安寧照護機構的病人平均照顧天數會有明顯的差別，且後者多於前者的，不過這是因為非營利機構還有使命的考量，因此也願意照顧預期照顧(存活)天數較短的病人，只要整體經營損益兩平即可。
由於不同的經濟學觀點所得到的預測不同，這篇文章並沒有提出明確的研究假設，但分析結果發現，營利安寧照護機構的病人平均照顧天數比非營利安寧照護機構的病人平均照顧天數多出14天，其中造成此差別的主要原因是營利安寧照護機構的病人當中，非罹患癌症的末期病人的比例要明顯高於非營利安寧照護機構中的比例，而非罹患癌症的末期病人的存活天數要明顯多於罹患癌症的末期病人的存活天數。這個因素造成營利安寧照護機構的病人平均照顧天數比非營利安寧照護機構的病人平均照顧天數多出約17天。此外，這篇文章並沒有發現這兩種安寧照護機構的病人在開始接受照顧的時機上面有明顯差別之處，作者是去衡量病人從醫院出院至開始接受安寧照顧之間的時間，這兩類的安寧照護機構的病人在這段時間的長短相差不多。
這份研究的主要發現是，營利的安寧照護機構確實比非營利的安寧照護機構在對財務誘因的反應以及追求利潤上面有更積極的行為表現，從非營利安寧照護機構對挑選預期照顧天數較多的病人(透過照顧較高比例的非罹患癌症的末期病人)上面可以看得出來。
這篇文章所用的研究設計與計量分析方法都相當嚴謹，考慮得很周到，因此所得到的證據或結論很有說服力，也讓人找不到有嚴重的限制或缺點。唯一可以挑毛病的就是去質疑作者的假設是否合理而已，特別是會不會有其它會影響病人存活天數的因素跟安寧照顧機構是有關的。比如，絕大多數的hospice都是透過居家服務方式提供的，病人大多是住在家裡，因此家裡的支持環境(家人的關係、物質或照顧條件等等)可能是影響病人存活天數的重要因素之一。如果安寧照顧機構所在的地區與病人居家環境好壞有關連性的話，那這個因素就會成為一個干擾因素。
更具體地說，如果大部分的營利性安寧照顧機構都在社經條件比較好的社區當中，那這個安寧照顧機構自然會照顧到比較多居家環境比較好的末期病人，由於這些病人的居家支持系統較好，因而存活天數較長，並不是因為這些營利安寧照顧機構選擇病人的結果。當然，如果真是這樣的話，我們也可以說營利安寧照顧機構選擇在這些社經條件比較好的社區中經營，本身也是一種經營策略的考量，是透過服務地點來間接篩選病人，以使自己的利潤達到最高。
[1] Lindrooth, R. C., & Weisbrod, B. A. (2007). Do religious nonprofit and for-profit organizations respond differently to financial incentives? The hospice industry. Journal of Health Economics, 26(2), 342-357.
在台灣，安寧照護都是附屬在醫院或由醫院提供的服務(包括住院或居家安寧照護)，並沒有單獨提供安寧照護的機構。在美國有專門提供安寧照護的機構，有些是醫院附屬的(約佔32%)，有些是居家照護機構附屬的(22%)，有些是護理之家附屬的(5%)，其餘是獨立經營的機構(41%)。其中，大約72%的安寧照護機構是非營利屬性，24%是營利屬性，4%是公營的機構。我記得在台灣曾聽趙可式博士強調安寧照護是急性醫療，不是長期照護，不過在美國，hospice是被歸入長期照護的一環。
美國hospice的主要付費者是Medicare，其Part A的受益人若符合以下三個條件，所受到的hospice都可以得到Medicare的給付：(1)經過病人的醫師與安寧照護機構的主任醫師認定在一般的病程發展下，該病人所罹患的是預期存餘生命不超過6個月的末期病症(不一定是癌症)；(2)病人必須同意採用hospice，而不再接受一般的醫療處置；(3)hospice服務必須是由經過Medicare認證簽約的安寧照護機構所提供的。
在2007年有經過Medicare認證簽約的安寧照護機構共有3,257間，這些機構提供hospice給Medicare的受益人時，Medicare是採用論日給付的方式，但是有依照服務的程度分成四個層級的日給付額：(1)例行性的居家安寧照護；(2)特殊情況的居家安寧照護，這是指若病人若有特殊症狀時，安寧照護機構須要派遣護理人員至病人家中穩定病人的症狀，避免病人住院；(3)一般住院安寧照護，由安寧照護機構將病人送到所委託的醫院、護理之家或可以短期照顧病人的住院安寧照顧設施、(4)住院喘息安寧照護，這是病人短期(不超過5天)住院接受照顧，讓家人或平常的照顧者能夠有幾天的休息。
Medicare的hospice給付總費用當中，95%是用在第一類的給付，不到1%用在第二類的給付，用在住院安寧照護的費用也只有4%左右。由此可見，美國的安寧照護是以居家安寧照護為主。
此外，Medicare規定當病人接受安寧照顧滿90天時，機構必須提出延長服務申請，如果再滿第二個90天，則Medicare會比較嚴格審查該病人是否可以繼續接受hospice，而且之後每60天必須再申請/審查一次。
這篇論文的研究背景，即是利用Medicare的論日給付對安寧照護機構造成的財務誘因，去探討不同所有權屬性的安寧照護機構在追求利潤方面有沒有不同的行為取向。由於Medicare的論日給付並沒有因為病人的接受照顧期間長短而有所不同，也就是只要安寧照護機構照顧安寧病人一天，就能得到同樣的日給付。不過安寧照護機構照顧病人的實際成本，卻是呈現U字型的關係，也就是新病人剛開始接受安寧照顧的前四天與病人過世的前四天的每日照顧實質成本要比之間的照顧期間的每日照顧成本來得高，因此若病人能接受照顧的天數越多，對安寧照護機構來說可以得到的利潤越高。
這篇論文的核心問題，在於營利與宗教屬性(非營利)的安寧照護機構是否會在利潤的追求上面有不同的表現或行為，如果有，那表示營利與宗教屬性的安寧照護機構在經營目的方面的確有不同。問題是，我們要從什麼地方看出他們的利潤追求行為呢？通常這很不容易被觀察出來。作者最具創意的地方，就是利用營利與宗教屬性的安寧照護機構病人的平均照顧日數的長短(這是可以具體客觀去衡量的)，來反應他們追求利潤的行為，因為如果要增加利潤，就必須要提高病人的照顧日數，因此我們可以去比較他們追求利潤的程度。
在這裡，作者有幾個重要的假設。首先，作者假設安寧照護機構無法影響或改變病人的存活天數，因為Medicare不給付安寧照護機構進行積極治療的費用，因此安寧照護機構應該不會提供症狀緩解之外的療護服務給病人。此外，作者假定安寧照護機構有辦法根據病人的某些條件去篩選預期存活日數較多的病人，或能夠去讓末期病人盡早接受由自己所提供的安寧照護；而且假設在這兩個因素之外其它會影響病人存活天數的因素都不是這些機構所能掌握的。由於依照法律以及Medicare的規定，安寧照護機構不得刻意挑選對自己有利的病人，因此作者也假定這些機構有特別的手段可以避開法律的監督。還有，作者基於有將近70%的安寧病人是由Medicare所給付，因此假定基本上每一個安寧照護機構的收入來源結構都是相似的，或是說這些機構主要的收入都是來自Medicare，因此都有共同的財務誘因程度。最後，作者也假定Medicare給付額足以涵蓋安寧照護機構的照護成本，至少在照顧期間的中間段應該是有足夠的利潤，因此可以激發照顧機構去追求利潤。
這篇文章用三種不同的經濟學觀點去解釋或預測營利與非營利機構的異同。第一種觀點認為非營利機構是「披著非營利外衣的營利機構」(nonprofits are “for-profits in disguise”)，也就是營利與非營利機構雖然外表不同，其實本質都是一樣是利潤導向。雖然法令對非營利機構有許多約束，比如盈餘不得分配給特定的人，或要求非營利機構要提供較多對社區整體有利的服務，但是由於執法不徹底或有漏洞，還是讓非營利機構有機可趁，也以追求利潤為主要目標，然後再將利潤轉換成其他形式(如較高的薪資或車馬費)，分配給董事或特定的主管或員工。
第二種觀點是認為非營利機構同時在追求兩個目的，一個是使命(Mission good)，另一個是收入(Revenue good)，因為非營利機構有其社會導向的使命，可是一方面又面臨損益兩平的底線，因此非營利機構對於可獲利的服務，必須像營利機構一樣去追求與經營，以便將左手所賺得的利潤，去幫助右手實踐使命，提供不具利潤的服務給需要的人。
第三種觀點是認為非營利機構是不具效率的利潤追求者(inefficient profit maximizers)，這是因為非營利機構受限於營於不得分配的限制，因此對於利潤的敏感度比較低，雖然還是以追求利潤為出發點，可是經營上卻比較不像營利機構那麼精打細算，所以導致經營效率較低。
這三種觀點中，第一種觀點預測非營利與營利性的安寧照護機構都同樣是以追求最大利潤為考量，因此對於Medicare的給付方式的財務誘因與反應應該都是一樣的，也就是這兩種安寧照護機構的病人平均照顧天數不會有明顯的差別。根據第三種觀點，非營利與營利性的安寧照護機構對Medicare的給付方式的財務誘因與基本反應也會是一樣，可是表現上會有所不同，相對於營利機構，非營利安寧照護機構由於管理效率的不足，在挑選病人上面會比較鬆散，因此其病人平均照顧天數會明顯少於營利安寧照護機構的病人平均照護日數。第二種觀點所預測的也是如此，即這非營利與營利性安寧照護機構的病人平均照顧天數會有明顯的差別，且後者多於前者的，不過這是因為非營利機構還有使命的考量，因此也願意照顧預期照顧(存活)天數較短的病人，只要整體經營損益兩平即可。
由於不同的經濟學觀點所得到的預測不同，這篇文章並沒有提出明確的研究假設，但分析結果發現，營利安寧照護機構的病人平均照顧天數比非營利安寧照護機構的病人平均照顧天數多出14天，其中造成此差別的主要原因是營利安寧照護機構的病人當中，非罹患癌症的末期病人的比例要明顯高於非營利安寧照護機構中的比例，而非罹患癌症的末期病人的存活天數要明顯多於罹患癌症的末期病人的存活天數。這個因素造成營利安寧照護機構的病人平均照顧天數比非營利安寧照護機構的病人平均照顧天數多出約17天。此外，這篇文章並沒有發現這兩種安寧照護機構的病人在開始接受照顧的時機上面有明顯差別之處，作者是去衡量病人從醫院出院至開始接受安寧照顧之間的時間，這兩類的安寧照護機構的病人在這段時間的長短相差不多。
這份研究的主要發現是，營利的安寧照護機構確實比非營利的安寧照護機構在對財務誘因的反應以及追求利潤上面有更積極的行為表現，從非營利安寧照護機構對挑選預期照顧天數較多的病人(透過照顧較高比例的非罹患癌症的末期病人)上面可以看得出來。
這篇文章所用的研究設計與計量分析方法都相當嚴謹，考慮得很周到，因此所得到的證據或結論很有說服力，也讓人找不到有嚴重的限制或缺點。唯一可以挑毛病的就是去質疑作者的假設是否合理而已，特別是會不會有其它會影響病人存活天數的因素跟安寧照顧機構是有關的。比如，絕大多數的hospice都是透過居家服務方式提供的，病人大多是住在家裡，因此家裡的支持環境(家人的關係、物質或照顧條件等等)可能是影響病人存活天數的重要因素之一。如果安寧照顧機構所在的地區與病人居家環境好壞有關連性的話，那這個因素就會成為一個干擾因素。
更具體地說，如果大部分的營利性安寧照顧機構都在社經條件比較好的社區當中，那這個安寧照顧機構自然會照顧到比較多居家環境比較好的末期病人，由於這些病人的居家支持系統較好，因而存活天數較長，並不是因為這些營利安寧照顧機構選擇病人的結果。當然，如果真是這樣的話，我們也可以說營利安寧照顧機構選擇在這些社經條件比較好的社區中經營，本身也是一種經營策略的考量，是透過服務地點來間接篩選病人，以使自己的利潤達到最高。
[1] Lindrooth, R. C., & Weisbrod, B. A. (2007). Do religious nonprofit and for-profit organizations respond differently to financial incentives? The hospice industry. Journal of Health Economics, 26(2), 342-357.
2009年2月16日 星期一
研究倫理
這禮拜的「研究提案規劃」課討論到與研究相關的學術倫理。這門課的教科書”Proposals that work”的第二章[1]提到了幾點相當重要，有時卻很容易被忽略的研究倫理議題，從這裡也讓我想到行政管理中的相關問題。
這一章用「誠實」為中心軸來貫穿研究的倫理。首先，作者認為科學的基礎與目標是「真實」或事實(truth)。科學的終極目的在追求或瞭解真理或真相，而所使用的手段也是「有一分證據說一分話」。科學家或研究人員的最基本要求是對自己、科學精神、被研究對象與研究社群誠實，絕對不能有絲毫的造假與扭曲，否則是對科學與對自己最大的殘害與踐踏。
誠實的原則對任何人都絕對不是陌生的道理，我們從小就被教導誠實的重要性，受過高等教育的研究人員或科學家會不懂這些原則嗎？事實上研究工作中有許多的試探，會引誘研究人員做出違背誠實的行為。首先，學術界的激烈競爭有時候會使得研究人員不擇手段，在有些科學領域的最前端，最先獲得成果的是「英雄」，僅一步之差的人變成為「狗熊」；有些領域則是有好幾個研究團隊同時在競逐研究成果，以便爭取專利權。這些競爭都有可能誘發研究人員去造假研究的動機。像幾年前南韓的一位教授宣稱完成全球複製牛的首例，後來被揭穿這項成果是造假的。在社會科學的領域，不同研究團隊之間的競爭比較不像自然科學那麼白熱化，不過有時為了爭取大型的研究獎助計畫，在研究上動手腳也不是沒有發生過。此外，在大學任教的教師，特別是資淺的老師面臨升等或發表論文的壓力，有時也會激發出「抄捷徑」的動機，而違反誠實的基本原則。當然，研究生在面臨畢業與完成論文的壓力下，陷入試探而對資料或結果造假也是可能的。
在此章節中，作者針對三個方面，對研究相關的倫理提出相當具體的建議與提醒，我覺得是蠻值得參考的。
一、研究過程方面—對被研究對象或研究參與者的坦誠
這方面主要的重點在於保護被研究對象或研究參與者，並且在徵得其同意參與研究之前，必須提供充分且正確的研究相關資訊，包括目的、方法、過程、各種可能的利益與風險、參與者的權利(包括隨時可以退出且不必受到任何懲罰的權利)，在完全的坦承與資訊透明下，讓被研究對象自由決定參加與否，不能有任何的強迫。其實這也就是「告知後同意」(informed consent)的原則。美國法律目前規定所有領取聯邦政府研究補助的機構都必須設置機構內研究審查委員會(Internal Review Board, IRB)，就研究過程中如何確保被研究對象的安全與權益進行把關。
作者指出這些要求乍看之下好像對研究會產生干擾並製造不必要的效應，其實是有助於科學的進展與確保後續研究能夠順利進行。有時候研究人員會擔心如果被研究對象知道研究的真正目的或進行方式，會產生預期心裡，而影響結果，因此選擇保留部分的資訊不給參與者知道。作者認為這種做法其實會導致被研究對象感覺被欺騙而不再信任研究人員，退出研究或採取投訴。最好的做法是對被研究對象坦白，包括若有些內容基於研究的準確性而無法事先告知，也必須事前讓他們瞭解有這樣的考量與做法，並確保事後一定會讓他們知道。在這樣的前提上讓他們在充分考慮後決定參加與否。
作者提到，現在學術界在許多與被研究對象安全與福祉明顯有關的研究(像臨床試驗)上面，研究機構與研究人員的警覺性大多比較高，因此真正出問題的情況不多，反而是在ㄧ些危害模糊不清的研究較容易被忽略。因此，像我們學校就規定所有使用到個人資料的研究都要送到VCU的IRB審查，再由IRB視研究內容決定給予免審、快速審查或全審。
此外，作者特別提醒要注意避免被研究對象是在某種「不得不」的感覺下而參與研究。以前經常發生老師以自己的學生為研究對象，學生無法完全自由地決定參加與否。另外，過去也曾有犯罪研究人員透過監獄對受刑人進行研究，在此種情況下，受刑人也會覺得是在受到脅迫下不得不參與。有時候職務關係也會造成這種脅迫感，如上司請屬員協助參與研究或填寫問卷。我則是想到有時候醫院請病人填寫就醫滿意度調查會不會也對病人造成某種程度的脅迫感，即使調查的結果只做為醫院內部改善醫療作業的參考。我覺得醫院在實施病人滿意度調查時，必須想辦法避免病人有這樣的脅迫感，讓病人或家屬完全是出於自願的參與或填寫問卷。問卷上應該要將目的與處理方法充分告知病人，讓病人自由填寫，再自己投入收集箱，以確保病人的匿名性。
我還想到醫院經常會接到大學研究所的研究生或學術機構申請到院內進行病人的訪談，或寄來研究調查問卷，請醫院協助填寫或發給院內人員填寫。如果依照目前美國學術界的要求，研究人員必須先通過自己學校或機構的IRB審查，同時經過研究進行地點或機構(在此例子中為醫院)的IRB或相關機制的審查這兩道關卡，才能在醫院進行研究。
還有，在醫院行政管理或品質管理方面有時會用病人資料做分析，雖然這不完全是學術研究的目的，也只是醫院內部的管理改善參考，不過我在想這是否也需要有相關的機制去把關，確保病人資料的安全與病人的權益？其實美國的「健康保險攜帶與責任法案」(HIPAA)已經要求美國的醫療機構在行政上必須採取明確的措施去保護病人的健康資訊。
二、研究成果發表方面—對科學社群與讀者的誠實
在這方面，作者提到幾項重點：
1.不可剽竊，或將別人的論點據為己有。若有引用別人的論點，必須忠實地註明，將功勞歸給原著者。對於著作權的尊重，若有使用，必須取得著作權者的同意授權。
2.誠實寫出所有發現的事實，而且是所有的事實，不能只講符合自己觀點的事實，也要忠實且清楚交代與自己觀點或預期不符的事實與發現。讓事實或資料分析的證據來引導結論，而不是由自己預期的結果或信念來左右研究的結論。
3.不可捏造事實以及在資料上動手腳。有一分證據講一分話，不能過度推論。在資料處理上一定要交代清楚整個處理過程，並且依照所處理的方式的限制去討論結果。授課的老師說有時候研究人員遇到部分資料不齊全時(missing data)，會設法填入ㄧ些合理的數值去彌補，她認為在這種情況下，我們不能拿有改變過資料的變數做為重要的預測因素或解釋因素，這些變數頂多只能做為控制變數。此外，有時候計量研究人員為了要得到符合自己預期的分析結果，會去嘗試各種關係模式，也就是用各種不同的變數組合去重覆跑資料，這也是一種嚴重的捏造事實的行為。
4.絕對不能一稿多投，同一篇文章同時投給好幾家期刊是學術禁忌。
5.在研究成果還未真正出來前，不宜呈現任何的結論。經常有研究人員為了趕學術會議的論文發表摘要截止收件日期，在研究結果尚未底定前，就先寫好摘要給學術會議，這本身不僅是不實在的做法，而且可能引發後續的不誠實，如果研究結果與預期的不一樣，研究人員可能會編更大的謊言來圓前面的謊，或在資料上動手腳。
6.研究人員的履歷與自傳中有關學術著作或成果的記錄也必須忠實呈現，不要膨風或設法加以混淆，為使自己的履歷或自傳更好看。比如將一個自己是搭配角色的研究計畫寫成自己好像是計畫主持人一樣。作者建議在自傳中應該就各種不同屬性或程度的學術成果分門別類呈現，讓閱讀自傳的人一目了然，不會有任何的誤導。這樣做也可以兼顧誠實與學術成果的呈現。
三、研究者之間的關係方面—對同儕的誠實與尊重
學術界發生過很多這方面的問題，比如透過職務上權力的不對等去不當利用同儕(例如教授要求研究生替其個人做非研究相關的差事)、性騷擾、論文的掛名順序不當(比如不是依照每位參予者對研究的實際貢獻程度去決定順序，而是用職務高低去排名，或是研究生在研究中執行很重要的部分，卻無法掛名)。有時候研究者之間由於個性、學術觀點或利益的不同或衝突、甚至彼此之間的權力角力，也會對研究者的關係產生非常破壞性的影響。學術以及研究機構必須就這些問題設立適當的處理機制與規範，以有效預防問題的發生，或能夠公正做出處理因應，使學術關係運作上軌道。
[1] Locke, L.F., Spirduso, W.W., & Silverman, S.J. 2007. Doing the right things: “The habit of truth”, in Proposals that work: A guide for planning dissertations and grant proposals. Sage: Thousand Oaks, CA, pp.25-40.
這一章用「誠實」為中心軸來貫穿研究的倫理。首先，作者認為科學的基礎與目標是「真實」或事實(truth)。科學的終極目的在追求或瞭解真理或真相，而所使用的手段也是「有一分證據說一分話」。科學家或研究人員的最基本要求是對自己、科學精神、被研究對象與研究社群誠實，絕對不能有絲毫的造假與扭曲，否則是對科學與對自己最大的殘害與踐踏。
誠實的原則對任何人都絕對不是陌生的道理，我們從小就被教導誠實的重要性，受過高等教育的研究人員或科學家會不懂這些原則嗎？事實上研究工作中有許多的試探，會引誘研究人員做出違背誠實的行為。首先，學術界的激烈競爭有時候會使得研究人員不擇手段，在有些科學領域的最前端，最先獲得成果的是「英雄」，僅一步之差的人變成為「狗熊」；有些領域則是有好幾個研究團隊同時在競逐研究成果，以便爭取專利權。這些競爭都有可能誘發研究人員去造假研究的動機。像幾年前南韓的一位教授宣稱完成全球複製牛的首例，後來被揭穿這項成果是造假的。在社會科學的領域，不同研究團隊之間的競爭比較不像自然科學那麼白熱化，不過有時為了爭取大型的研究獎助計畫，在研究上動手腳也不是沒有發生過。此外，在大學任教的教師，特別是資淺的老師面臨升等或發表論文的壓力，有時也會激發出「抄捷徑」的動機，而違反誠實的基本原則。當然，研究生在面臨畢業與完成論文的壓力下，陷入試探而對資料或結果造假也是可能的。
在此章節中，作者針對三個方面，對研究相關的倫理提出相當具體的建議與提醒，我覺得是蠻值得參考的。
一、研究過程方面—對被研究對象或研究參與者的坦誠
這方面主要的重點在於保護被研究對象或研究參與者，並且在徵得其同意參與研究之前，必須提供充分且正確的研究相關資訊，包括目的、方法、過程、各種可能的利益與風險、參與者的權利(包括隨時可以退出且不必受到任何懲罰的權利)，在完全的坦承與資訊透明下，讓被研究對象自由決定參加與否，不能有任何的強迫。其實這也就是「告知後同意」(informed consent)的原則。美國法律目前規定所有領取聯邦政府研究補助的機構都必須設置機構內研究審查委員會(Internal Review Board, IRB)，就研究過程中如何確保被研究對象的安全與權益進行把關。
作者指出這些要求乍看之下好像對研究會產生干擾並製造不必要的效應，其實是有助於科學的進展與確保後續研究能夠順利進行。有時候研究人員會擔心如果被研究對象知道研究的真正目的或進行方式，會產生預期心裡，而影響結果，因此選擇保留部分的資訊不給參與者知道。作者認為這種做法其實會導致被研究對象感覺被欺騙而不再信任研究人員，退出研究或採取投訴。最好的做法是對被研究對象坦白，包括若有些內容基於研究的準確性而無法事先告知，也必須事前讓他們瞭解有這樣的考量與做法，並確保事後一定會讓他們知道。在這樣的前提上讓他們在充分考慮後決定參加與否。
作者提到，現在學術界在許多與被研究對象安全與福祉明顯有關的研究(像臨床試驗)上面，研究機構與研究人員的警覺性大多比較高，因此真正出問題的情況不多，反而是在ㄧ些危害模糊不清的研究較容易被忽略。因此，像我們學校就規定所有使用到個人資料的研究都要送到VCU的IRB審查，再由IRB視研究內容決定給予免審、快速審查或全審。
此外，作者特別提醒要注意避免被研究對象是在某種「不得不」的感覺下而參與研究。以前經常發生老師以自己的學生為研究對象，學生無法完全自由地決定參加與否。另外，過去也曾有犯罪研究人員透過監獄對受刑人進行研究，在此種情況下，受刑人也會覺得是在受到脅迫下不得不參與。有時候職務關係也會造成這種脅迫感，如上司請屬員協助參與研究或填寫問卷。我則是想到有時候醫院請病人填寫就醫滿意度調查會不會也對病人造成某種程度的脅迫感，即使調查的結果只做為醫院內部改善醫療作業的參考。我覺得醫院在實施病人滿意度調查時，必須想辦法避免病人有這樣的脅迫感，讓病人或家屬完全是出於自願的參與或填寫問卷。問卷上應該要將目的與處理方法充分告知病人，讓病人自由填寫，再自己投入收集箱，以確保病人的匿名性。
我還想到醫院經常會接到大學研究所的研究生或學術機構申請到院內進行病人的訪談，或寄來研究調查問卷，請醫院協助填寫或發給院內人員填寫。如果依照目前美國學術界的要求，研究人員必須先通過自己學校或機構的IRB審查，同時經過研究進行地點或機構(在此例子中為醫院)的IRB或相關機制的審查這兩道關卡，才能在醫院進行研究。
還有，在醫院行政管理或品質管理方面有時會用病人資料做分析，雖然這不完全是學術研究的目的，也只是醫院內部的管理改善參考，不過我在想這是否也需要有相關的機制去把關，確保病人資料的安全與病人的權益？其實美國的「健康保險攜帶與責任法案」(HIPAA)已經要求美國的醫療機構在行政上必須採取明確的措施去保護病人的健康資訊。
二、研究成果發表方面—對科學社群與讀者的誠實
在這方面，作者提到幾項重點：
1.不可剽竊，或將別人的論點據為己有。若有引用別人的論點，必須忠實地註明，將功勞歸給原著者。對於著作權的尊重，若有使用，必須取得著作權者的同意授權。
2.誠實寫出所有發現的事實，而且是所有的事實，不能只講符合自己觀點的事實，也要忠實且清楚交代與自己觀點或預期不符的事實與發現。讓事實或資料分析的證據來引導結論，而不是由自己預期的結果或信念來左右研究的結論。
3.不可捏造事實以及在資料上動手腳。有一分證據講一分話，不能過度推論。在資料處理上一定要交代清楚整個處理過程，並且依照所處理的方式的限制去討論結果。授課的老師說有時候研究人員遇到部分資料不齊全時(missing data)，會設法填入ㄧ些合理的數值去彌補，她認為在這種情況下，我們不能拿有改變過資料的變數做為重要的預測因素或解釋因素，這些變數頂多只能做為控制變數。此外，有時候計量研究人員為了要得到符合自己預期的分析結果，會去嘗試各種關係模式，也就是用各種不同的變數組合去重覆跑資料，這也是一種嚴重的捏造事實的行為。
4.絕對不能一稿多投，同一篇文章同時投給好幾家期刊是學術禁忌。
5.在研究成果還未真正出來前，不宜呈現任何的結論。經常有研究人員為了趕學術會議的論文發表摘要截止收件日期，在研究結果尚未底定前，就先寫好摘要給學術會議，這本身不僅是不實在的做法，而且可能引發後續的不誠實，如果研究結果與預期的不一樣，研究人員可能會編更大的謊言來圓前面的謊，或在資料上動手腳。
6.研究人員的履歷與自傳中有關學術著作或成果的記錄也必須忠實呈現，不要膨風或設法加以混淆，為使自己的履歷或自傳更好看。比如將一個自己是搭配角色的研究計畫寫成自己好像是計畫主持人一樣。作者建議在自傳中應該就各種不同屬性或程度的學術成果分門別類呈現，讓閱讀自傳的人一目了然，不會有任何的誤導。這樣做也可以兼顧誠實與學術成果的呈現。
三、研究者之間的關係方面—對同儕的誠實與尊重
學術界發生過很多這方面的問題，比如透過職務上權力的不對等去不當利用同儕(例如教授要求研究生替其個人做非研究相關的差事)、性騷擾、論文的掛名順序不當(比如不是依照每位參予者對研究的實際貢獻程度去決定順序，而是用職務高低去排名，或是研究生在研究中執行很重要的部分，卻無法掛名)。有時候研究者之間由於個性、學術觀點或利益的不同或衝突、甚至彼此之間的權力角力，也會對研究者的關係產生非常破壞性的影響。學術以及研究機構必須就這些問題設立適當的處理機制與規範，以有效預防問題的發生，或能夠公正做出處理因應，使學術關係運作上軌道。
[1] Locke, L.F., Spirduso, W.W., & Silverman, S.J. 2007. Doing the right things: “The habit of truth”, in Proposals that work: A guide for planning dissertations and grant proposals. Sage: Thousand Oaks, CA, pp.25-40.
調查研究(survey research)的幾個迷思
調查研究有ㄧ些過去被廣泛遵循或接受的看法與做法，比如認為調查回覆率越高越好、前測所用的方法、制式化的訪談進行方式、封閉式回答選項、以及社會讚許的反應偏誤(social desirability response bias)對調查影響程度等。後來由於調查方法的實證研究發現這些看法或做法本身也有ㄧ些限制或迷思存在，使得學者開始對這些傳統的看法或做法做必要的修正，並導致調查研究在新的世紀產生新的方向與趨勢。這禮拜讀到的一篇文章[1]，就討論到幾個以往調查研究的迷思，並指出新的努力方向。
第一個迷思，是研究人員一般認為調查回覆率越高越好，因為在隨機抽樣的前提下，調查回覆率(如問卷回收率)越高，所得到的樣本也越有代表性，因此所得到的結果也更為準確。不過有研究發現回覆率與結果的準確性並沒有絕對的正相關，回覆率高不保證就較準確，而回覆率低也不一定就不準確。有一個實例是在預測15年來俄亥俄州的選舉結果，出乎意料之外的是通常回收率僅有20%的郵寄問卷所預測的結果反而比回覆率高達60%的電話訪問來得準確。其中主要的原因是通常不願意填寫選前調查問卷或拒絕受訪的人真正去投票的可能性較低，因此刻意將回覆率提高反而是將這些不太可能去投票的人拉進來，使得所得到的樣本的代表性降低，而無法準確反應真正會去投票的這一群人的意向，使得所得到的預測與選舉的結果產生明顯的差距。
第二個是有關於前測(pretest)的方法。以往當調查工具(如問卷)草稿設計好之後，多半會先請與調查對象有關的15-25人先試填或受訪，再請這些受訪或填寫問卷的人報告或反應他們在受訪或填寫問卷中所遇到的問題或經驗，根據這些意見去對問卷內容進行必要的修正，然後再正式實施調查。這種前測方式的問題由於方法比較鬆散，所得到的資訊也比較散漫，不一定對問卷的改善有幫助，而且所收集到的意見也比較停留在表面，無法真正獲知當受訪者或試填者在看到這些調查內容或問題時心中所想到的景象是什麼。近年來有其它前測的新方式陸續被提出，其中一種稱為行為紀錄(behavior coding)，這是去觀察訪問者或受訪者在調查進行的互動中是否有出現預期以外的行為舉止或情況，比如訪問者是否有未照所設計的問題詞句去進行訪問？是否需要特別去探詢受訪者的地方？以及受訪者在過程中是否有詢問任何的問題？照理說如果一份調查問題設計得很好，這些情況應該都不會出現，所以這些異常可能就可以反應出調查工具設計不良的地方。另外一種越來越普遍的方式是認知訪談(cognitive interviewing)，這是用事先規劃好的步驟，比較深入去從前測的首訪者口中取得對調查問題內容的看法，以及他們在了解與回答這些問題時的認知反應。透過這種方式可以收集到對調查問題與設計的改良比較深入且有直接幫助的意見。
第三，過去調查進行時有一個原則是必須確保每一位受訪者被問的問題與方式都完全一樣，這是為了避免因為訪問者的進行方式的差異，對結果造成額外的影響。在此原則下，對於調查實施的方式與過程都會嚴格要求一致化，而且不希望訪問者在問題本身以外多講任何的話或提供額外的訊息給受訪者，以免造成不同的受訪者得到不同的問題內容，因此訪問者都被訓練出制式的訪問操作方式。比如當受訪者對問題有疑問或不確定而請問訪問者時，通常訪問者都會簡單回答：「你想的是怎樣，問題的意思就是那樣。」最近有研究人員開始在質疑這種方式，指出如果受訪者不是真正了解問題的含意，他們只能隨便回答，而造成測量錯誤。研究也發現，當訪問者能夠針對受訪者的問題給予澄清，幫助其瞭解問題的意思時，調查回答的效度會提高。現在有越來越多的調查為了減少人為的因素影響，而透過電腦協助進行，若從這樣的角度看，用電腦取代訪問者其實會帶來ㄧ些負面的影響，因為電腦實施訪問的方式是機械性的，無法對個別受訪者所遇到的問題給予正確且必要的澄清。
第四點是有關封閉式問題與開放式問題的優劣，前者是只請受訪者就調查中所提供的選項去回答問題；後者則是開放給受訪者用自己的話回答。雖然這兩種調查方式各有擁護群，但過去幾十年來封閉式的調查設計是主流，開放式調查越來越不普遍。不過有研究發現封閉式調查有一些明顯的缺點，比如受訪者有時候會放棄自己真正的想法，而去牽就問卷中所提供的回答選項，造成偏差的結果。如果封閉式問題的回答選項能夠涵蓋所有受訪者可能提供的回答，最理想的，不過這很難做到或確保。還有，封閉式問題必須設計回答選項給受訪者勾選，很多研究已經證實，不光是選項的內容，連選項的設計(例如標示數字、文字與否，所使用的尺度等等)本身都會對受訪者的回答造成研究人員沒有預料到的影響。
此外，以往認為開放式調查的缺點(比如擔心受訪者在開放式問題中僅就當時想到的，而不是自己最核心的看法去回答；或者有些人不擅於表達自己的想法，開放式調查會使得他們有困難回答問題)則被發現沒有一般想像的那麼嚴重。而且，有研究發現有些問題使用開放式調查比封閉式調查更能獲得準確的結果。老師說開放式問題與封閉式問題各有利弊，要看我們調查的問題、對象、目的、資料分析方式而定。如果是問題本身比較複雜(比如族群背景)，為了初步或廣泛探索別人對某個問題的想法，而且是用質性的分析方式，那開放式問題可能比較理想。如果問題本身很具體(例如：有沒有去投票)，目的是要做假設檢定或尋找不同因素的關連性，且是使用計量分析的情況，那封閉式問題會比較好用。
第五個迷思是以前學界認為「社會讚許的反應偏誤」(social desirability bias, SDB)是影響很多調查準確性的一個重要因素。SDB是指受訪者在回答問題時，會朝向他們所認為較受到社會認可或讚許的方向去回答，即使這與他們內心的想法並不一樣。比如當我被問到政府應不應該擴大救濟範圍，雖然我真正的想法是不應該，可是由於我為了不想讓訪問者覺得我沒有關心別人的美德，而回答應該擴大救濟。此外，很多研究都發現在ㄧ些行為的調查所得到的結果與實際的情形有很大的落差，比如通常投票或擔任志工的調查所得到的結果都比實際的情況來得高，以往都認為這是受到SDB的影響，也就是當受訪者被問到是否有去投票或在社區擔任志工，有些受訪者可能會認為投票或擔任志工是社會所讚許的行為，因此雖然自己並沒有做，卻回答有，造成調查的高估。
最近的研究指出SDB的影響可能沒有以往所認為的那麼大或直接，或者說其實這些現象背後還有其他的因素影響，SDB並不是主因。研究人員發現當在投票行為調查中讓訪問者對受訪者強調投不投票並沒有好壞，以降低SDB，但對調查結果的正確性並沒有改善。經過近一步的對照，研究人員還發現回答某次選舉有去投票，但事實上並沒有去投票的這些人，過去大多確實有很頻繁的投票紀錄與習慣，因此研究人員認為他們回答的偏差並不是由於SDB，而是臨時性的回想錯誤，也就是他們將之前的投票的記憶用在最近一次的選舉，由於以前他們都有去投票，使得他們記成這次選舉中也有去投票，雖然事實上沒有。當研究人員請受訪者在回答問題前再仔細多想一下時(提高回想的正確性)，發現這些錯誤便可以大幅減少。
最後，以往調查研究人員大多假設問卷設計好，去問受訪者時，受訪者就會很努力與用心，盡最大的能力去回想與回答，目前這個假設有很多問題已經受到很多的挑戰，研究發現受訪在許多情況下並不是用最大的心力去回答問題(optimizing)，而是想辦法應付了事(satisficing)。有三種情況特別會鼓勵受訪者採取應付了事的方式去回答問題：(1)當回答問題的難度很高時；(2)當受訪者認知問題的能力不足時；(3)當受訪者缺乏回答問題的動機時。在這些情況下，受訪者很可能在問題的理解、想法的擷取、判斷與回答這四個步驟上面都草率帶過，甚至直接跳過擷取與判斷這兩個步驟，在理解問題之後隨便選擇一個選項去回答，用抄捷徑的方式去達成回答問題的任務，草草交差了事。
用satisficing的觀念，研究人員可以解釋不少調查研究中的現象與問題，像前述的封閉式問題設計，就提供受訪者走捷徑回答問題的機會；臨時性的回想錯誤，也是satisficing的一個結果；受訪者若對問題有困惑而無法得到即時的澄清，也會導致他們採取satisficing的方式去回答調查。
因此，如果我們想要從調查中得到比較準確的答案，必須設法降低受訪者的satisficing的取向，在問卷的設計上務必做到使受訪者認知能力有辦法清楚了解與回答問題，內容對受訪者來說不能太難或太簡單，並且想辦法提高受訪者回答問題的動機與意願。由此看來，要設計一份理想的問卷，實在是一門相當具有挑戰性的藝術與科學。
[1] Krosnick, J.A. 1999. Survey Research. Annual Review of Psychology, 50: 537-567.
第一個迷思，是研究人員一般認為調查回覆率越高越好，因為在隨機抽樣的前提下，調查回覆率(如問卷回收率)越高，所得到的樣本也越有代表性，因此所得到的結果也更為準確。不過有研究發現回覆率與結果的準確性並沒有絕對的正相關，回覆率高不保證就較準確，而回覆率低也不一定就不準確。有一個實例是在預測15年來俄亥俄州的選舉結果，出乎意料之外的是通常回收率僅有20%的郵寄問卷所預測的結果反而比回覆率高達60%的電話訪問來得準確。其中主要的原因是通常不願意填寫選前調查問卷或拒絕受訪的人真正去投票的可能性較低，因此刻意將回覆率提高反而是將這些不太可能去投票的人拉進來，使得所得到的樣本的代表性降低，而無法準確反應真正會去投票的這一群人的意向，使得所得到的預測與選舉的結果產生明顯的差距。
第二個是有關於前測(pretest)的方法。以往當調查工具(如問卷)草稿設計好之後，多半會先請與調查對象有關的15-25人先試填或受訪，再請這些受訪或填寫問卷的人報告或反應他們在受訪或填寫問卷中所遇到的問題或經驗，根據這些意見去對問卷內容進行必要的修正，然後再正式實施調查。這種前測方式的問題由於方法比較鬆散，所得到的資訊也比較散漫，不一定對問卷的改善有幫助，而且所收集到的意見也比較停留在表面，無法真正獲知當受訪者或試填者在看到這些調查內容或問題時心中所想到的景象是什麼。近年來有其它前測的新方式陸續被提出，其中一種稱為行為紀錄(behavior coding)，這是去觀察訪問者或受訪者在調查進行的互動中是否有出現預期以外的行為舉止或情況，比如訪問者是否有未照所設計的問題詞句去進行訪問？是否需要特別去探詢受訪者的地方？以及受訪者在過程中是否有詢問任何的問題？照理說如果一份調查問題設計得很好，這些情況應該都不會出現，所以這些異常可能就可以反應出調查工具設計不良的地方。另外一種越來越普遍的方式是認知訪談(cognitive interviewing)，這是用事先規劃好的步驟，比較深入去從前測的首訪者口中取得對調查問題內容的看法，以及他們在了解與回答這些問題時的認知反應。透過這種方式可以收集到對調查問題與設計的改良比較深入且有直接幫助的意見。
第三，過去調查進行時有一個原則是必須確保每一位受訪者被問的問題與方式都完全一樣，這是為了避免因為訪問者的進行方式的差異，對結果造成額外的影響。在此原則下，對於調查實施的方式與過程都會嚴格要求一致化，而且不希望訪問者在問題本身以外多講任何的話或提供額外的訊息給受訪者，以免造成不同的受訪者得到不同的問題內容，因此訪問者都被訓練出制式的訪問操作方式。比如當受訪者對問題有疑問或不確定而請問訪問者時，通常訪問者都會簡單回答：「你想的是怎樣，問題的意思就是那樣。」最近有研究人員開始在質疑這種方式，指出如果受訪者不是真正了解問題的含意，他們只能隨便回答，而造成測量錯誤。研究也發現，當訪問者能夠針對受訪者的問題給予澄清，幫助其瞭解問題的意思時，調查回答的效度會提高。現在有越來越多的調查為了減少人為的因素影響，而透過電腦協助進行，若從這樣的角度看，用電腦取代訪問者其實會帶來ㄧ些負面的影響，因為電腦實施訪問的方式是機械性的，無法對個別受訪者所遇到的問題給予正確且必要的澄清。
第四點是有關封閉式問題與開放式問題的優劣，前者是只請受訪者就調查中所提供的選項去回答問題；後者則是開放給受訪者用自己的話回答。雖然這兩種調查方式各有擁護群，但過去幾十年來封閉式的調查設計是主流，開放式調查越來越不普遍。不過有研究發現封閉式調查有一些明顯的缺點，比如受訪者有時候會放棄自己真正的想法，而去牽就問卷中所提供的回答選項，造成偏差的結果。如果封閉式問題的回答選項能夠涵蓋所有受訪者可能提供的回答，最理想的，不過這很難做到或確保。還有，封閉式問題必須設計回答選項給受訪者勾選，很多研究已經證實，不光是選項的內容，連選項的設計(例如標示數字、文字與否，所使用的尺度等等)本身都會對受訪者的回答造成研究人員沒有預料到的影響。
此外，以往認為開放式調查的缺點(比如擔心受訪者在開放式問題中僅就當時想到的，而不是自己最核心的看法去回答；或者有些人不擅於表達自己的想法，開放式調查會使得他們有困難回答問題)則被發現沒有一般想像的那麼嚴重。而且，有研究發現有些問題使用開放式調查比封閉式調查更能獲得準確的結果。老師說開放式問題與封閉式問題各有利弊，要看我們調查的問題、對象、目的、資料分析方式而定。如果是問題本身比較複雜(比如族群背景)，為了初步或廣泛探索別人對某個問題的想法，而且是用質性的分析方式，那開放式問題可能比較理想。如果問題本身很具體(例如：有沒有去投票)，目的是要做假設檢定或尋找不同因素的關連性，且是使用計量分析的情況，那封閉式問題會比較好用。
第五個迷思是以前學界認為「社會讚許的反應偏誤」(social desirability bias, SDB)是影響很多調查準確性的一個重要因素。SDB是指受訪者在回答問題時，會朝向他們所認為較受到社會認可或讚許的方向去回答，即使這與他們內心的想法並不一樣。比如當我被問到政府應不應該擴大救濟範圍，雖然我真正的想法是不應該，可是由於我為了不想讓訪問者覺得我沒有關心別人的美德，而回答應該擴大救濟。此外，很多研究都發現在ㄧ些行為的調查所得到的結果與實際的情形有很大的落差，比如通常投票或擔任志工的調查所得到的結果都比實際的情況來得高，以往都認為這是受到SDB的影響，也就是當受訪者被問到是否有去投票或在社區擔任志工，有些受訪者可能會認為投票或擔任志工是社會所讚許的行為，因此雖然自己並沒有做，卻回答有，造成調查的高估。
最近的研究指出SDB的影響可能沒有以往所認為的那麼大或直接，或者說其實這些現象背後還有其他的因素影響，SDB並不是主因。研究人員發現當在投票行為調查中讓訪問者對受訪者強調投不投票並沒有好壞，以降低SDB，但對調查結果的正確性並沒有改善。經過近一步的對照，研究人員還發現回答某次選舉有去投票，但事實上並沒有去投票的這些人，過去大多確實有很頻繁的投票紀錄與習慣，因此研究人員認為他們回答的偏差並不是由於SDB，而是臨時性的回想錯誤，也就是他們將之前的投票的記憶用在最近一次的選舉，由於以前他們都有去投票，使得他們記成這次選舉中也有去投票，雖然事實上沒有。當研究人員請受訪者在回答問題前再仔細多想一下時(提高回想的正確性)，發現這些錯誤便可以大幅減少。
最後，以往調查研究人員大多假設問卷設計好，去問受訪者時，受訪者就會很努力與用心，盡最大的能力去回想與回答，目前這個假設有很多問題已經受到很多的挑戰，研究發現受訪在許多情況下並不是用最大的心力去回答問題(optimizing)，而是想辦法應付了事(satisficing)。有三種情況特別會鼓勵受訪者採取應付了事的方式去回答問題：(1)當回答問題的難度很高時；(2)當受訪者認知問題的能力不足時；(3)當受訪者缺乏回答問題的動機時。在這些情況下，受訪者很可能在問題的理解、想法的擷取、判斷與回答這四個步驟上面都草率帶過，甚至直接跳過擷取與判斷這兩個步驟，在理解問題之後隨便選擇一個選項去回答，用抄捷徑的方式去達成回答問題的任務，草草交差了事。
用satisficing的觀念，研究人員可以解釋不少調查研究中的現象與問題，像前述的封閉式問題設計，就提供受訪者走捷徑回答問題的機會；臨時性的回想錯誤，也是satisficing的一個結果；受訪者若對問題有困惑而無法得到即時的澄清，也會導致他們採取satisficing的方式去回答調查。
因此，如果我們想要從調查中得到比較準確的答案，必須設法降低受訪者的satisficing的取向，在問卷的設計上務必做到使受訪者認知能力有辦法清楚了解與回答問題，內容對受訪者來說不能太難或太簡單，並且想辦法提高受訪者回答問題的動機與意願。由此看來，要設計一份理想的問卷，實在是一門相當具有挑戰性的藝術與科學。
[1] Krosnick, J.A. 1999. Survey Research. Annual Review of Psychology, 50: 537-567.
2009年2月14日 星期六
對台灣實施長期照護保險的想法
去年底在網路新聞看到行政院有計畫在近年內實施長期照護保險，那時候心裡面就在想有可能這麼快嗎？今年一月底有新聞報導劉院長親口宣布將在明年(99年)實施長期照護保險。我內心還是蠻懷疑台灣能在明年將公辦的長期照護保險推上線，不知道劉院長是說真的，還是拋出政策風向球試探民意？若從報導上來看，馬政府的劉內閣已經是確定要執行這個政策，可是若依照新聞局長蘇俊賓對媒體的回覆，衛生署的相關精算應該是尚未出爐，劉內閣號稱自己為專業內閣，應該不會宣布或實施一個連評估都還沒出爐的政策才對啊！(請參考以下中時電子報的新聞)
http://tw.news.yahoo.com/article/url/d/a/090130/4/1dogg.html
關於台灣開辦長照保險，由於政府的詳細規劃方案還未公布，我們也無從評論。我個人是覺得長期來看是要往這個方向努力，但是開辦的時機可能值得商榷，如果是明年就要開辦，那可能是太過匆促。第一，社會尚未針對此議題進行討論，更別說已經有共識；第二，長照輸送體系尚未完備(上述中時電子報的報導中林萬億教授所說的不是沒有道理)；第三，目前政府財政不佳，特別是全球經濟不景氣，長照保險財源要從哪裡來，民眾與雇主願意繳交保費嗎？若失業率繼續上升，所收到的保費足夠嗎？
以全民健保的經驗來看，在全民健保實施前，已經有農保、勞保、公保等體系存在，全民健保只是加以整合再擴大，而且健保是每個人都有可能用到，所以民眾繳保費的意願也會比較高。長照保險對主要繳保費的人(目前的工作人口)來說是一二十年以後才用得到，如果不是已經有相當強的社會共識，推展起來會很困難，而且也缺乏社會正義的基礎。
如果能不匆促上路，先做好規劃，並取得社會共識之後再實施長照保險是最好的。目前來看這些條件好像都還不存在，而只是「因為民進黨政府沒做，所以馬政府就要做」(如蘇俊賓所說的)，這在邏輯上是講不通的。因為如果這種說法成立的話，那民進黨政府沒有做的政策是否馬政府都要拿來做？這是不可能，也沒有必要的。一個國家的政府或政策是有延續性的，馬政府或劉內閣如果覺得某個政策應該做卻還沒做，應該是去先去請教前政府沒做的原因，再看這些原因有沒有道理或還存不存在，再做評估與決定。
話說如此，假若馬政府一定要在明年就推出長照保險的話，我會建議採用德國的模式，將長期照護保險定位為失能照護保險，不以年齡為基礎，而以失能做為條件，先針對特定對象(如失能程度高的個案，像臥床個案或失智症個案)做為第一期計畫的內容，未來再視財政與景氣情況逐步擴大。一來是這些高失能程度個案的照顧比較有迫切性，認定上也比較明確，可以降低保險的道德危害程度。
http://tw.news.yahoo.com/article/url/d/a/090130/4/1dogg.html
關於台灣開辦長照保險，由於政府的詳細規劃方案還未公布，我們也無從評論。我個人是覺得長期來看是要往這個方向努力，但是開辦的時機可能值得商榷，如果是明年就要開辦，那可能是太過匆促。第一，社會尚未針對此議題進行討論，更別說已經有共識；第二，長照輸送體系尚未完備(上述中時電子報的報導中林萬億教授所說的不是沒有道理)；第三，目前政府財政不佳，特別是全球經濟不景氣，長照保險財源要從哪裡來，民眾與雇主願意繳交保費嗎？若失業率繼續上升，所收到的保費足夠嗎？
以全民健保的經驗來看，在全民健保實施前，已經有農保、勞保、公保等體系存在，全民健保只是加以整合再擴大，而且健保是每個人都有可能用到，所以民眾繳保費的意願也會比較高。長照保險對主要繳保費的人(目前的工作人口)來說是一二十年以後才用得到，如果不是已經有相當強的社會共識，推展起來會很困難，而且也缺乏社會正義的基礎。
如果能不匆促上路，先做好規劃，並取得社會共識之後再實施長照保險是最好的。目前來看這些條件好像都還不存在，而只是「因為民進黨政府沒做，所以馬政府就要做」(如蘇俊賓所說的)，這在邏輯上是講不通的。因為如果這種說法成立的話，那民進黨政府沒有做的政策是否馬政府都要拿來做？這是不可能，也沒有必要的。一個國家的政府或政策是有延續性的，馬政府或劉內閣如果覺得某個政策應該做卻還沒做，應該是去先去請教前政府沒做的原因，再看這些原因有沒有道理或還存不存在，再做評估與決定。
話說如此，假若馬政府一定要在明年就推出長照保險的話，我會建議採用德國的模式，將長期照護保險定位為失能照護保險，不以年齡為基礎，而以失能做為條件，先針對特定對象(如失能程度高的個案，像臥床個案或失智症個案)做為第一期計畫的內容，未來再視財政與景氣情況逐步擴大。一來是這些高失能程度個案的照顧比較有迫切性，認定上也比較明確，可以降低保險的道德危害程度。
2009年2月8日 星期日
回答調查問題的心理機制(psychology of survey responses)
最近「調查研究」(survey research)這門課都在學問卷內容設計。本來我以為設計問卷內容應該是很單純的ㄧ件事，只要把想要了解的問題問清楚，自然可以收集到很準確的回答或資料。修了這門課之後，才發現事情沒有想像的這麼簡單。
一個問卷內容大致是由三個要素構成的—問題(question stem)、回答選項(response category)與整體編排設計。光是問題要問得明確與恰當這件工作上面，就有許多原則要考慮，不過只要參考這些原則，應該不會有太大的問題才對。挑戰比較大的地方，在於受訪者如何回答，這方面牽涉到很複雜的心理機制，許多並非調查設計者所能完全掌控的。有許多學者已經投入這個領域的研究，使得回答調查問題的心理學(psychology of survey response)成為一門專門的學問，我們最近大多在讀這方面相關的書或文章，由於自己缺乏心理學的底子，一時之間被弄得昏頭轉向，不過漸漸地會覺得是蠻有意思的。
回答問題的心理步驟
受訪者如何回答調查的問題，會影響到問題該如何問，回答欄或選項要採用何種方式，以及問卷的次序與整體編排要如何規劃，因此對調查工作來說，瞭解受訪者的問題回答心理機制是一個非常關鍵的基礎。學者指出，當一個受訪者要回答一份調查(如問卷)中的每一個問題時，都要經過四個步驟：(1)理解(comprehension)、(2)擷取(retrieval)、(3)判斷(judgment)、與(4)回答(response)。首先，受訪者必須先試著去了解問題的意思，然後從腦海中叫出相關的印象、想法或感受，再從中進行判斷與選擇，決定回答的內容，最後才將答案填上去或講出來。通常受訪者在進行這四個心理步驟時，會同時受到問題的本身、相關的提示/說明，回答的方式(開放式或封閉式)與選項，以及同一份調查中其他的問題與訊息的影響，因此其實是相當複雜的心理過程。
在這四個步驟中，第二與第三的步驟是心理學家最感興趣，探討最多而且影響調查回答最大的部分。「截取」的步驟牽涉到記憶，「判斷」的步驟則與訊息刺激、選取和受訪者的處境有直接的關係。
行為調查與態度調查
調查的種類大致可以分為行為調查(behavioral survey)與態度或意見調查(attitude/opinion survey)這兩大類。前者像是收集病人就醫的次數或頻率、中學生吸菸的行為、年長者運動的習慣等等；後者的實例有調查病人對某家醫院門診服務的滿意度、民眾對廢除死刑的贊成與否、或對消費券政策的態度等等。
受訪者在回答行為調查的問題時，所根據的是對實際狀況或數字的判斷，比如若有人問我過去一週做了幾次的運動，我可能會直接去翻行事曆或記事簿，算出運動次數；我也可能去回憶過去一個禮拜內哪一天有去運動，再將運動次數加總；或者我只是憑我過去一般運動的習慣，比如大約兩天一次，去計算這一週內的運動次數。
一般來說，行為調查的回答比較有客觀的基礎，但是也不免受到許多種因素的影響。比如當問題所問的期間愈久遠的話，受訪者要正確回答的困難度也會愈高，也越容易產生誤差。不過行為資料的收集除了透過調查之外，還有其他管道可以進行，比如檔案記錄(病人健保IC卡中的就醫檔案)、或直接去觀察與記錄，因為行為是外顯的而且客觀存在的活動。
相較之下，態度或意見調查的回答依據就比較沒有客觀的基礎，每個人對某件事的意見與態度完全存在一個人的心中或腦海中，這是無法從外表觀察得到的，只能透過詢問與回答來取得。不過這並非說要了解別人的意見或態度，只能藉由進行問卷或調查來獲得。比如我們若要了解民眾對消費券的態度(贊同與否)，可以從親朋好友的交談或對話中略知一二，也可以從各種媒體的報導、評論、或讀者/聽眾的call in反應，網路搜尋，或從相關的研討會或公聽會中去獲得。這些管道與方法都各有優點，只是，它們也都有嚴重的缺點與限制。到目前為止，透過問卷或其他方式的調查仍是一種相當普遍且可以大規模進行的意見或態度收集途徑，這可以讓我們將許多個人的意見統合起來，去了解整體而言民眾對某種議題或政策的態度取向。
回答問題的心理學模式
學者在研究受訪者回答態度調查問題的心理模式方面，提出幾種不同的見解。較早的學者認為每個人對某個議題早都有既定的評價，放在自己腦海中，而且每一個人心中對各種議題的評價或態度是蠻穩定的，不太會隨時間改變。這個見解被稱為「檔案櫃」(file drawer model)模式，比如當一個人被問到對消費券的意見時，他只要從腦中打開「消費券」這個櫃子，將原本就存在裡面的意見單取出來，照實回答，就大功告成。
這個模式很容易理解，但是根據這個理論，當同樣的人在不同的時間或場合被問到同一個問題，照理說都應該做出同樣的回答才對。可是實證研究發現，受訪者對同一個問題的回答經常有不一致的情況，有研究發現同一批美國的受訪者被問到對美國與蘇聯的關係的看法，在相隔半年的調查中，做出相同的回答的人只有一半。
針對這個問題，有學者認為原因主要出在有些受訪者並未對該議題有明確或既定的評價或意見，但基於對訪問者的禮貌，因此隨意提供一個答案給訪問者。另外有些學者認為受訪者的心中確實是有既定且穩定的態度與意見，可是由於調查問題本身的模糊或回答選項與受訪者心中的態度不相符，導致受訪者有困難將自己心中的態度套進回答欄裡面，結果造成調查的「測量誤差」，這也就是調查回答不一致的原因所在。
有的學者提出的見解是：存在受訪者腦海中的不只是對某個議題的評價或看法而已，還包括ㄧ些模糊的印象、受訪者自己的價值觀、其他相關的感覺或信念等等。當受訪者被問到某個問題時，腦海中會浮現某種評價、印象、感覺、價值或信念的組合，受訪者會根據當時所持的考量與回答該問題所需要用到的心思多寡程度，去決定要依照現有的想法去回答，還是將自己的意見再略做調整，或者提出新的看法。這個模式被稱為信念抽樣模式(Belief-sampling model)。
有一篇論文[1]提到另一個類似的見解，作者將其理論分成三個部分，第一個是指出大多數的人對各種議題經常持有各種矛盾或不同的考量，這些不同的考量點會將受訪者對該議題的態度導向不同的回答。第二個部分是說人們在回答調查的問題時，會就心中最容易想到的正反考量點，做快速整體評估，求得其平均值，拿來做為當時回答問題的態度取向。最後一個部分是指出人們在回答問題時，心中所想到的考量點是由某種機率取得的，比如若受訪者在最近曾經想過某個考量點，則這個考量點會有比較大的機會被受訪者使用來決定其態度。
後面所提到的這兩種見解是近年來較被廣泛採用的調查回答心理模式，我覺得是蠻有道理的，而且在這篇文章中有得到實務研究的證實。
比如若有人問我對死刑的看法或態度，我所想到的可能不只是一種意見，讓我可以很容易回答贊成或反對。事實上浮現我心中的，是一組錯縱複雜的想法以及各種不同的考慮，比如我會想到生命的價值與權利、社會成本、以命償命、基督教信仰的主張、誤判或冤獄、被害人與家屬的感受、遏止犯罪等等。這些考慮有些會讓我反對死刑，有些會使我贊成死刑。如果昨天我剛好參加一個由教會舉辦探討廢除死刑的研討會，聽到許多牧者講述為什麼不應該有死刑，今天有人問我這個問題時，我可能會將較多反對死刑的考量點納入評估，而做出反對的回答；不過如果最近我剛好與被害人的家屬有接觸，聽到他們的心聲與感受，受到這些影響，也許我所採取的態度與回答會傾向贊成死刑。
不過這不是說每個人對任何議題都有不明確的態度或考量，每個人應該對某些議題有很清楚的立場，不過應該沒有任何人對所有的議題都已經有斬釘截鐵、恆久不變的意見。大多數人對許多議題應該不是有那麼絕對的態度才對。
影響回答問題的其他狀況作用(context effects)
此外，受訪者回答調查的問題時有時也會受到調查中其他問題的左右。有一份很有名的研究就是在冷戰時期去問美國人贊不贊成讓蘇聯派駐新聞記者進入美國做採訪報導。研究人員將受訪者隨機分成兩組，一組受訪者的問卷中只問這個問題，另一組受訪者在被問到這個問題之前，還有另一個問題問說他們認不認為蘇聯應該接受美國的新聞記者派駐進行採訪報導。研究結果發現，兩組受訪者在對蘇聯記者派駐美國的問題上有很明顯不同的態度，前一組受訪者以反對居多，後一組受訪者當中贊成的比例明顯高於前一組。其實其中的道理不是很難理解，由於後一組受訪者的問卷中的問題，讓他們多了一層「對等」或「平等」對待的考量。
還有，調查方法研究人員也發現，調查中問題的排列順序也是影響受訪者回答的因素之一，特別是當兩個問題之間有關聯性時。比如上一個例子中，第二組受訪者的問卷中，將兩個問題順序對調，也會得到很不一樣的結果。另一個例子是一組受訪者在一份調查中被詢問對整體生活的快樂程度，另一組受訪者在這個問題前還被問到有關婚姻的快樂程度。結果發現第二組與第一組的受訪者對整體生活快樂程度的比例很不一樣，其中主要的關鍵在於第二組受訪者的回答明顯受到其婚姻快樂程度的回答的影響。通常愈籠統的問題(整體生活的快樂程度)的回答較容易受到具體的問題(婚姻生活的快樂程度)的回答的影響，這就是一個實例。
有一個研究是去詢問民眾對好幾個新聞議題或社經事件關切的程度，研究人員發現問題的排列順序會影響每個問題所得到的回答。通常相較於被排在第一個，同樣的問題被排在最後時，所得到受訪者回答密切觀察的程度會較高。這主要是因為當問題排在最先時，受訪者一時回想的印象比較淺，而對於排在後面的問題，之前的問題有勾起受訪者印象或提示的作用，因此受訪者對後面的議題會回答有較密切的關注。
學者也提到問題的問字遣詞也是一個影響回答的狀況因素，比如同樣針對墮胎的議題，一個問題問說是否應該「禁止」(forbid)墮胎？另一個問說是否應該「容許」(allow)讓孕婦決定是否墮胎？兩者所得到的結果是不一樣的，也就是前一個問題贊成的比例與後一個問題反對的比例有不小的差異。
運用
瞭解這些不僅對設計問卷或調查問題很有幫助，也對我們要去解讀或瞭解一個調查的結果或意義很有參考價值。在設計問卷或調查方面，如果調查是有連續性的(比如每季例行的病人滿意度調查)，應該不宜去改變問題的順序，也不宜加入與原本的問題有相關的問題，這樣可以降低相關問題所帶來的效應，使前後的結果比較能夠做對照。現在有些用電腦協助的調查，在問題的排序上可以隨機調換，這樣可以減少排序所帶來的影響。
在調查的解讀與瞭解方面，這些探討與問題提醒我們，影響受訪者回答與調查結果的因素有很多，因此我們在解讀時必須特別小心，必須盡可能將重要的影響因素都考慮進來，才比較不會產生偏差與誤導。調查方法絕對不是十全十美的工具，事實上可以出錯的地方非常多，我們不應該毫無批判或警覺地全盤接受。不過如果慎重使用，將各種可能的影響因素考慮好，加以避免或考量，則調查還是可以提供給我們很重要的資訊。
[1] Zaller, J. & Feldman, S. 1992. A simple theory of the survey response: Answering questions versus revealing preferences. American Journal of Political Science, 36(3):579-616.
訂閱：
文章 (Atom)