導論：為什麼醫師需要懂微積分

「我用 R 或 SPSS 就可以跑統計了，為什麼還要學微積分？」

這大概是每位醫師在聽到要學微積分時，心中浮現的第一個問題。讓我們來認真回答這個問題。

統計軟體做了什麼？

當你在 R 中執行一個簡單的線性迴歸：

Code

# 模擬資料:年齡與血壓的關係
set.seed(42)
age <- 30:70
sbp <- 90 + 1.2 * age + rnorm(length(age), sd = 10)

# 執行線性迴歸
model <- lm(sbp ~ age)
summary(model)


Call:
lm(formula = sbp ~ age)

Residuals:
    Min      1Q  Median      3Q     Max 
-27.113  -4.442  -1.338   8.290  20.550 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 104.3996     7.9319  13.162 6.28e-16 ***
age           0.9053     0.1544   5.864 7.99e-07 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 11.7 on 39 degrees of freedom
Multiple R-squared:  0.4686,    Adjusted R-squared:  0.455 
F-statistic: 34.39 on 1 and 39 DF,  p-value: 7.993e-07

軟體回傳了係數、標準誤、p 值等結果。但這些數字是怎麼算出來的？

答案是：微積分。

係數 1.2（斜率）是透過「讓預測誤差平方和最小」算出來的——這需要微分¹
標準誤的計算涉及積分
p 值是 t 分布曲線下的面積——也是積分²

不懂微積分會怎樣？

1. 無法理解方法的限制

每個統計方法都有假設和限制。如果不理解方法背後的數學原理，你可能會：

在不適當的情況下使用某個方法
無法判斷違反假設的嚴重程度
看不懂方法論文獻中的討論

2. 無法解讀進階結果

許多醫學研究會報告：

Hazard ratio 和 hazard function³
Odds ratio 的 confidence interval（為什麼要取 log？）⁴
Maximum likelihood estimates 的 standard error⁵

這些概念都建立在微積分的基礎上。

3. 無法和統計學家深度溝通

當你需要和統計學家討論研究設計或分析方法時，理解基本的數學語言會讓溝通更順暢。

微積分在統計中扮演什麼角色？

讓我們用一張圖來說明：

這本書的學習路徑

我們會按照以下順序，循序漸進地建立你的微積分基礎：

學習建議

調整心態

微積分不是要讓你變成數學家⁶。我們的目標是：

理解概念：知道微分和積分「在做什麼」
建立直覺：看到統計公式時，能猜到為什麼要這樣寫
讀懂文獻：至少能看懂統計方法論文中的數學符號

善用視覺化

本書強調視覺化學習。當你對某個概念感到困惑時：

回到該概念的圖形
調整程式碼中的參數
觀察圖形如何變化

不要害怕符號

數學符號一開始看起來很嚇人，但它們其實是「簡化版的文字」。例如：

\[\int_a^b f(x) \, dx\]

這段符號的意思就是：「計算函數 $f(x)$ 從 $a$ 到 $b$ 之間，曲線下方的面積」。

我們會在每次引入新符號時，都用白話文解釋一遍。

準備好了嗎？

讓我們從最基本的概念「函數」開始吧。

Armitage P, Berry G, Matthews JNS. Statistical Methods in Medical Research. 4th ed. Blackwell Science; 2001.

Casella G, Berger RL. Statistical Inference. 2nd ed. Duxbury Press; 2002.

Collett D. Modelling Survival Data in Medical Research. 3rd ed. Chapman; Hall/CRC; 2015.

Agresti A. An Introduction to Categorical Data Analysis. 3rd ed. Wiley; 2018.

Pawitan Y. In All Likelihood: Statistical Modelling and Inference Using Likelihood. Oxford University Press; 2013.

Grinstead CM, Snell JL. Introduction to Probability. 2nd ed. American Mathematical Society; 2012.

# 導論：為什麼醫師需要懂微積分 {.unnumbered} ```{r} #| include: false source("R/_common.R") ``` > 「我用 R 或 SPSS 就可以跑統計了，為什麼還要學微積分？」這大概是每位醫師在聽到要學微積分時，心中浮現的第一個問題。讓我們來認真回答這個問題。 ## 統計軟體做了什麼？當你在 R 中執行一個簡單的線性迴歸： ```{r} # 模擬資料:年齡與血壓的關係 set.seed(42) age <- 30:70 sbp <- 90 + 1.2 * age + rnorm(length(age), sd = 10) # 執行線性迴歸 model <- lm(sbp ~ age) summary(model) ``` 軟體回傳了係數、標準誤、p 值等結果。但這些數字是怎麼算出來的？答案是：**微積分**。 - 係數 1.2（斜率）是透過「讓預測誤差平方和最小」算出來的——這需要**微分** [@armitage2001statistical] - 標準誤的計算涉及**積分** - p 值是 t 分布曲線下的面積——也是**積分** [@casella2002statistical] ## 不懂微積分會怎樣？ ### 1. 無法理解方法的限制每個統計方法都有假設和限制。如果不理解方法背後的數學原理，你可能會： - 在不適當的情況下使用某個方法 - 無法判斷違反假設的嚴重程度 - 看不懂方法論文獻中的討論 ### 2. 無法解讀進階結果許多醫學研究會報告： - **Hazard ratio** 和 **hazard function** [@collett2015modelling] - **Odds ratio** 的 confidence interval（為什麼要取 log？）[@agresti2018introduction] - **Maximum likelihood estimates** 的 standard error [@pawitan2013all] 這些概念都建立在微積分的基礎上。 ### 3. 無法和統計學家深度溝通當你需要和統計學家討論研究設計或分析方法時，理解基本的數學語言會讓溝通更順暢。 ## 微積分在統計中扮演什麼角色？讓我們用一張圖來說明： ```{r} #| echo: false #| fig-height: 8 # 機率密度函數 p1 <- ggplot(data.frame(x = c(-4, 4)), aes(x)) + stat_function(fun = dnorm, geom = "area", fill = "#2E86AB", alpha = 0.3) + stat_function(fun = dnorm, linewidth = 1.2, color = "#2E86AB") + geom_segment(aes(x = 1.96, xend = 1.96, y = 0, yend = dnorm(1.96)), linetype = "dashed", color = "#E94F37") + stat_function(fun = dnorm, geom = "area", xlim = c(1.96, 4), fill = "#E94F37", alpha = 0.5) + annotate("text", x = 2.5, y = 0.05, label = "p-value\n(積分)", color = "#E94F37") + labs(title = "統計推論需要積分", subtitle = "p-value = 曲線下的面積", x = "檢定統計量", y = "機率密度") + theme_minimal(base_size = 12) # 最佳化 set.seed(123) data_opt <- rnorm(20, mean = 5, sd = 2) log_lik <- function(mu) sum(dnorm(data_opt, mean = mu, sd = 2, log = TRUE)) mu_range <- seq(2, 8, by = 0.01) ll_values <- sapply(mu_range, log_lik) p2 <- ggplot(data.frame(mu = mu_range, ll = ll_values), aes(mu, ll)) + geom_line(color = "#2E86AB", linewidth = 1.2) + geom_vline(xintercept = mu_range[which.max(ll_values)], color = "#E94F37", linetype = "dashed") + geom_point(aes(x = mu_range[which.max(ll_values)], y = max(ll_values)), color = "#E94F37", size = 3) + annotate("text", x = 5.5, y = max(ll_values) - 2, label = "MLE\n(微分找極值)", color = "#E94F37") + labs(title = "參數估計需要微分", subtitle = "找到 likelihood 最大值", x = expression(mu), y = "Log-Likelihood") + theme_minimal(base_size = 12) # 存活曲線 time <- seq(0, 10, by = 0.1) surv <- exp(-0.3 * time) hazard <- rep(0.3, length(time)) p3 <- ggplot(data.frame(time, surv, hazard)) + geom_line(aes(time, surv), color = "#2E86AB", linewidth = 1.2) + geom_line(aes(time, hazard), color = "#E94F37", linewidth = 1.2, linetype = "dashed") + annotate("text", x = 5, y = 0.75, label = "S(t) 存活函數", color = "#2E86AB", hjust = 0) + annotate("text", x = 5, y = 0.45, label = "h(t) = -S'(t)/S(t) 危險函數", color = "#E94F37", hjust = 0) + labs(title = "存活分析中的導數", subtitle = "Hazard function 與 S(t) 的導數相關", x = "時間", y = "") + theme_minimal(base_size = 12) + theme(plot.margin = margin(5, 15, 5, 5)) # 組合圖 (p1 | p2) / p3 + plot_annotation( title = "微積分在醫學統計中的角色", theme = theme(plot.title = element_text(size = 16, face = "bold")) ) ``` ## 這本書的學習路徑我們會按照以下順序，循序漸進地建立你的微積分基礎： ```{r} #| echo: false #| fig-height: 4 library(dplyr) # 學習路徑圖 path_data <- data.frame( x = c(1, 2, 3, 4, 5), y = c(1, 2, 3, 4, 5), label = c("Part I\n基礎概念", "Part II\n微分", "Part III\n積分", "Part IV\n多變量", "Part V\n統計應用"), desc = c("函數、極限、連續", "導數、微分規則\n指數對數、最佳化", "積分概念、技巧\n瑕積分", "偏微分\n多重積分", "MLE、迴歸\n存活、貝氏") ) ggplot(path_data, aes(x, y)) + geom_segment(aes(x = x, xend = lead(x), y = y, yend = lead(y)), arrow = arrow(length = unit(0.3, "cm")), color = "#2E86AB", linewidth = 1.5, na.rm = TRUE) + geom_point(size = 15, color = "#2E86AB") + geom_text(aes(label = label), color = "white", fontface = "bold", size = 3) + geom_text(aes(y = y - 0.7, label = desc), size = 2.5, color = "gray30") + coord_cartesian(xlim = c(0.5, 5.5), ylim = c(0, 6)) + theme_void() + labs(title = "學習路徑") + theme(plot.title = element_text(hjust = 0.5, size = 14, face = "bold")) ``` ## 學習建議 ### 調整心態微積分不是要讓你變成數學家 [@grinstead2012introduction]。我們的目標是： - **理解概念**：知道微分和積分「在做什麼」 - **建立直覺**：看到統計公式時，能猜到為什麼要這樣寫 - **讀懂文獻**：至少能看懂統計方法論文中的數學符號 ### 善用視覺化本書強調視覺化學習。當你對某個概念感到困惑時： 1. 回到該概念的圖形 2. 調整程式碼中的參數 3. 觀察圖形如何變化 ### 不要害怕符號數學符號一開始看起來很嚇人，但它們其實是「簡化版的文字」。例如： $$\int_a^b f(x) \, dx$$ 這段符號的意思就是：「計算函數 $f(x)$ 從 $a$ 到 $b$ 之間，曲線下方的面積」。我們會在每次引入新符號時，都用白話文解釋一遍。 ## 準備好了嗎？讓我們從最基本的概念「**函數**」開始吧。