方法論基礎（Methodology）概要

這個大類別的設計邏輯是：從簡單到複雜、從描述到預測、從單變項到多變項、從統計檢驗到機器學習。
先用統計方法分析基礎現象，逐步引入迴歸、生存分析，再到決策樹、隨機森林、支持向量機等 AI 方法，最後用結構方程模型整合因果與路徑。這樣的設計能讓健康與社會研究兼具可解釋性（explainability）與預測力（predictive power）。

1. 描述統計（Descriptive Statistics）

• 專有名詞解釋：用來呈現資料的基本特徵，如平均數、中位數、標準差、比例。

• 緣由：在健康研究中，先了解受試者的年齡、教育、收入分布，才能掌握研究背景。

• 例子：比較不同教育程度的長者平均 BMI，或呈現婚姻狀態的比例。

2. 推論統計（Inferential Statistics）

• 專有名詞解釋：用抽樣資料來檢驗群體差異，例如 t-test、ANOVA。

• 緣由：檢驗教育程度或收入是否與體適能有顯著差異。

• 例子：用 ANOVA 比較「高收入、中收入、低收入」三組長者的握力差異。

3. 交叉分析（Cross Tabulation）

• 專有名詞解釋：檢視兩個類別變項的交互關係。

• 緣由：婚姻與居住狀態可能交互影響健康行為。

• 例子：單身獨居 vs. 已婚同住 → 規律運動比例的差異。

4. 多元迴歸分析（Multiple Regression）

• 專有名詞解釋：探討多個自變項對一個連續依變項的影響。

• 緣由：教育與收入同時影響體適能，需要控制混雜因子。

• 例子：教育、收入、年齡對 6 分鐘步行測驗距離的影響。

5. 邏輯迴歸（Logistic Regression）

• 專有名詞解釋：用於二元結果（yes/no）的機率預測。

• 緣由：預測長者是否有慢性病風險。

• 例子：以運動習慣、教育收入預測「是否患有高血壓」。

6. Cox 生存分析（Cox Proportional Hazards Model）

• 專有名詞解釋：分析「事件發生時間」與風險因子的關係。

• 緣由：研究居住狀態與長照需求出現的時間差異。

• 例子：獨居長者 vs. 同住長者 → 進入長照機構的平均年限差異。

7. 決策樹（Decision Tree）

• 專有名詞解釋：用樹狀結構依規則分群。

• 緣由：易於解釋，能直觀呈現影響健康的路徑。

• 例子：教育程度 + 運動習慣 → 體適能高低分類。

8. 隨機森林（Random Forest）

• 專有名詞解釋：整合多棵決策樹提升準確率的集成學習方法。

• 緣由：用於辨識體適能影響的關鍵因子，避免單一決策樹的偏差。

• 例子：判斷因子，誰最影響握力。

9. 支持向量機（Support Vector Machine, SVM）

• 專有名詞解釋：一種分類方法，尋找最佳超平面分隔不同群體。

• 緣由：區分婚姻狀態下的健康與不健康群組。

• 例子：輸入 BMI、運動頻率、教育 → 分群「健康 vs. 不健康」。

10. 結構方程模型（Structural Equation Modeling, SEM）

• 專有名詞解釋：結合迴歸與因子分析，探討多重因果路徑。

• 緣由：教育收入可能同時影響體適能，也透過「運動習慣」間接影響。

• 例子：教育 → 運動習慣 → 體適能；收入 → 健康資源 → 體適能。

總結設計邏輯

這個方法論基礎大類別是循序漸進的：

1. 基礎描述（了解現況）

2. 統計檢驗（驗證差異）

3. 迴歸與生存分析（探討因果與時間）

4. 機器學習（分類與預測）

5. 整合模型（建構多重路徑）

它能兼顧「實證研究」與「預測應用」，並對健康與社會變項的交互關係提供清楚分析路徑。