術語表

統計術語的中英對照。搜尋框中英文都吃——輸入「風險比」或 hazard ratio 都找得到同一條。

沒有符合的術語。

絕對風險下降absolute risk reductionARR

兩組風險相減，單位是百分點。只報相對風險下降（RRR）不報 ARR 是誇大獲益的常見手法——基準風險低的族群，同樣的 RRR 換算出的 ARR 可能小到沒有臨床意義。出現在:D3-rct

Baujat plotBaujat plot

統合分析的影響診斷圖，兩軸分別是「該研究對異質性（Q）的貢獻」與「該研究對合併估計的影響」。落在右上角的研究最需要解釋——但「影響大」從來不是排除它的理由，那個發現要求的是去看它的人群、介入與偏誤風險哪裡不同。出現在:B7-07-influence-diagnostics

Brier scoreBrier score

預測機率與實際結果的均方誤差。它同時混了鑑別力與校準，所以單一數值沒有可解讀的尺度——必須跟一個基準比（例如「全部人都預測族群事件率」），或改看 scaled Brier（Brier skill score）。有設限的存活資料直接計算是錯的：只用追蹤滿期的人，等於把基準換成了「有追蹤到的人的事件率」，結論可能整個反過來。正確做法是以設限機率加權（IPCW）的時間相依版本。出現在:B5-10-brier-nri-idiB4-04-roc-auc

校準calibration

預測模型給出的機率與實際發生比例是否吻合。一個 AUC 很高的模型仍可能校準很差（例如系統性高估所有人的風險），而臨床決策用的是絕對機率，所以校準常比鑑別力更重要。出現在:B5-06-calibration

病例對照研究case-control study

先找已發生結果的人（cases）與未發生的人（controls），回頭比較暴露史。方向與世代研究相反，因此算不出發生率，只能報 OR。擅長罕見疾病與長潛伏期疾病。出現在:D2-case-control

設限censoring

追蹤結束時事件尚未發生，只知道存活時間的下界。右設限最常見（研究結束、失聯、退出）。設限資料不能刪也不能當成沒事件，兩種做法都會系統性偏掉。出現在:B3-01-censoring

Cohen's kappaCohen's kappaκ

兩位判讀者的一致性，扣掉光靠機率就會達成的那部分。分子是「超出期望的一致」，分母是「還有多少一致可以達成」。它最反直覺的性質是 kappa paradox：觀察一致率完全相同的兩張表，只因為異常判讀的盛行率不同，kappa 可以差好幾倍。常見的判讀切點只是慣例，背後沒有檢定。出現在:B9-01-kappaD4-diagnostic-accuracyD7-systematic-review

世代研究cohort study

從暴露走向結果：挑一群尚未發生事件的人，記錄暴露狀態後往前追蹤。因為分母已知，可以直接估計發生率。前瞻與回溯的差別在研究開始時事件是否已發生，不在追蹤方向。出現在:D1-cohort

競爭風險competing risk

當某個事件的發生會讓目標事件不再可能發生（例如死於他因就不可能再進展），這個事件即為競爭風險。此時 1 − KM 會高估累積發生率，應改用累積發生函數（CIF）。出現在:B3-05-competing-risk

條件式邏輯迴歸conditional logistic regression

配對病例對照研究的正確分析方法：在每個配對組內部比較，再合併各組資訊。用普通邏輯迴歸會打散配對結構。代價是配對變項本身的效應無法估計。出現在:D2-case-control

信賴區間confidence intervalCI

在相同方法重複抽樣下，有 95% 的區間會涵蓋真值。它描述估計的精確度，不是「真值有 95% 機率落在此區間」。區間跨過無效值（HR/OR/RR 的 1、差值的 0）即未達統計顯著。

干擾confounding

第三個變項同時影響暴露與結果，使觀察到的關聯不等於因果效應。統計校正只能處理已測量到的干擾因子；沒測到的（殘餘干擾）原封不動留在估計值裡。出現在:B6-01-dagD1-cohort

依適應症的干擾confounding by indication

醫師把藥開給看起來需要的人，於是「有用藥」同時帶著「病情較重」的訊息，兩者混在一起。這是觀察性藥物研究最難處理的偏誤，也是隨機化存在的理由。出現在:D1-cohortD3-rct

一致性consistency

觀察到接受某治療的人，其結果就等於該治療下的反事實結果。這要求治療被定義得夠明確——「運動」或「減重」這類暴露有太多版本，不同版本效果不同時，估出來的東西沒有單一意義。出現在:B6-03-iptw

等高線漏斗圖contour-enhanced funnel plot

在漏斗圖上把統計顯著性的區域塗色。它的用途只有一個，但很關鍵：分辨缺口落在不顯著區（暗示發表偏誤——不顯著的研究沒被發表）還是落在顯著區以外的小型研究區（暗示小研究效應的其他來源，例如方法品質或真實的異質性）。不對稱本身有五種解釋，這張圖幫忙排除其中幾種。出現在:B7-04-forest-funnel

累積統合分析cumulative meta-analysis

依時間順序每加入一篇研究就重算一次合併估計。它最有力的用途是顯示「答案在哪一年就已經穩定了，而其後又收了多少人」。但它本身就是「每收一篇就把同一個問題重測一次」的那個程序——與多重比較是同一件事的時間版，所以合併估計的顯著性在收斂之前掉出去再回來是常見的，不是資料有問題。處理這種重複檢視的是所需資訊量（required information size）與 TSA 邊界，不是累積圖本身（見 B7-06）。出現在:B7-06-cumulative-meta

差異中的差異difference-in-differencesDiD

用一個未受介入影響的對照序列，把「介入組前後的變化」減去「對照組前後的變化」。反事實不是延伸出來的而是借來的，代價是必須假設平行趨勢。出現在:B6-10-its-did

E 值E-value

要讓一個觀察到的關聯完全被未測量干擾解釋掉，該干擾與暴露、與結果的關聯各自至少要多強（以相對風險表示）。點估計與信賴區間界限各算一個，後者才回答「這個結果會不會被推翻」。E 值大只代表需要很強的干擾，不代表沒有未測量干擾。出現在:B6-07-e-value

因療效提前中止early stopping for efficacy

期中分析看到明顯效益而依事先規則終止試驗。代價是效果量被系統性高估——試驗會在估計值剛好偏向有利那一端時被停。讀到提前中止的試驗，對效果量要打折。出現在:D3-rct

經驗校正empirical calibration

用一批真值已知為零的負對照估計出的分布當作虛無分布。該分布若不以 1 為中心，那段偏移就是殘餘偏誤的估計；據此校正後信賴區間會變寬，p 值會變保守。出現在:B6-10-its-did

可交換性exchangeability

在校正過的共變項下，治療分派與反事實結果無關——也就是沒有未測量干擾。隨機化直接買到它；觀察性研究只能假設條件可交換性，而這條假設無法用資料檢驗。出現在:B6-03-iptwB6-06-target-trial

Fleiss kappaFleiss kappa

三位以上判讀者時的一致性指標。它不是所有兩兩 kappa 的平均，而是直接從「每個受試者被歸到各類別的人數」算出來的。逐類別拆開通常比單一總值有用——分歧往往集中在某一兩個類別上。出現在:B9-01-kappa

Gray 檢定Gray's test

競爭風險下比較各組累積發生函數（CIF）的檢定。log-rank 檢定比較的是 cause-specific hazard、且把競爭事件當成設限，在有競爭風險時會給出不同甚至方向相反的結論——兩者回答的是不同的問題（負擔 vs 機轉），不是一個對一個錯。出現在:B3-05-competing-risk

風險比hazard ratioHR

兩組在任一瞬間發生事件的風險比值。HR = 1 表示兩組風險相同；HR < 1 表示該組風險較低。它是比值不是機率，也不等於「存活時間縮短幾倍」。出現在:B3-03-cox

異質性heterogeneity

統合分析中各研究真實效果的差異。I² 是比例（研究間變異佔總變異的百分比），不是量——各研究都很精確時 I² 會很高，即使實際差異微不足道。要看絕對大小該用 τ² 或預測區間。出現在:B7-04-forest-funnel

Hodges-Lehmann 位移估計Hodges-Lehmann estimator

無母數檢定該報的效果量：所有跨組配對差值的中位數，帶信賴區間，單位與原始資料相同。只報 Wilcoxon 的 p 值等於只說「有差」而不說差多少——而後者才是臨床上要的。它與「取對數後比較幾何平均」估的是不同的量（位移 vs 比值），兩條路的臨床可解釋性完全不同。出現在:B1-04-nonparametric

不死時間偏誤immortal time bias

當暴露的定義需要病人活到某個時間點才可能被歸入暴露組時，那段「依定義不可能死亡」的時間被算進暴露組的追蹤時間，讓暴露看起來有保護效果。處理方式是把暴露當時間相依變項。出現在:B3-01-censoringD1-cohort

不一致性inconsistency

網絡統合分析裡直接證據與間接證據互相矛盾的程度。⚠️ 常見陷阱：套件預設印出的不一致性檢定可能是固定效應分解，而論文配的是隨機效應模型——同一份資料上兩者可以一個顯著、一個完全沒有訊號。引用之前要確認那個數字對應的是哪一個模型。出現在:B7-05-network-meta

意向治療分析intention-to-treatITT

依隨機分配的組別分析每一位受試者，不論他實際接受了什麼治療、有沒有中途退出。它保護隨機化帶來的可比性，代價是效果估計偏向保守。出現在:D3-rct

期中分析interim analysis

試驗進行中對累積資料做的分析，由資料安全監測委員會執行。每多看一次資料就多一次型一錯誤機會，所以要用 alpha 消耗函數分配整體 0.05 的預算，最終顯著門檻因此略小於 0.05。出現在:D3-rct

中斷時間序列interrupted time seriesITS

在一個時間序列上比較介入前後的水準（level）與斜率（slope）變化，反事實由介入前趨勢向後延伸得到。不需要對照組，但長期趨勢與季節性沒先扣掉時會把別的東西算成介入的效果。出現在:B6-10-its-did

組內相關係數intraclass correlation coefficientICC

同一條變異拆解、兩種用途。集群結構的 ICC 問「一個群裡的兩個人有多像」；量測信度的 ICC 問「同一個對象被量兩次有多像」。信度那一側有六種型式（單次 vs 平均量測、consistency vs absolute agreement、rater 視為隨機 vs 固定），論文只寫「ICC = 0.85」而不指明是哪一種時無法解讀。它是無單位的比例，因此依賴受試者之間的離散度：同一台儀器換一群比較同質的人量，ICC 會掉。出現在:B9-02-iccB2-07-clusteredB8-04-measurement-error

Kaplan-Meier 估計Kaplan-Meier estimatorKM

在每個事件時點把條件存活機率連乘，估計存活函數。曲線呈階梯狀，只在事件發生時下降；越往右風險人數越少，尾端越不可靠。出現在:B3-02-kaplan-meier

左截切left truncation

研究對象要活到某個時間點才可能被納入，因此在該時間點之前他不屬於風險集合。與設限不同——設限是人在資料裡但時間不完整，左截切是人在進入之前根本不該被計入分母。忽略它會系統性地高估存活。出現在:B3-08-left-truncationB3-01-censoring

概似比likelihood ratioLR

檢驗結果在有病與無病者之間出現機率的比值。LR+ = 敏感度/(1−特異度)。它的價值在於能直接把檢驗前勝算換算成檢驗後勝算，且不受盛行率影響。出現在:B4-03-likelihood-ratio

一致性界限limits of agreementLoA

Bland-Altman 分析的產物：兩種量測方法的差值平均加減 1.96 個差值標準差，單位是原始單位，所以可以直接問「這麼寬在臨床上能接受嗎」。它與相關係數回答的不是同一件事——r 高只代表兩者一起變動，不代表可以互相取代。每位受試者有重複量測時，界限的算法不同，把重複當成獨立觀察會讓界限的信賴區間嚴重偏窄。出現在:B9-03-bland-altman

對數等級檢定log-rank test

比較兩條完整存活曲線的檢定。它只給 p 值不給效果量，且在曲線交叉時檢定力很差——前後段相反的差異會互相抵消。出現在:B3-02-kaplan-meier

邊際結構模型marginal structural modelMSM

處理時間相依干擾的加權模型。當某個變項同時是後續治療的干擾因子、又是先前治療的後果時，把它放進迴歸會擋掉真實路徑並可能開啟碰撞路；改用逆機率加權建構一個假想族群，在其中治療與干擾無關，再對加權資料配一個結構模型。出現在:B6-08-msm

中位存活時間median survival

存活曲線第一次降到 0.5 的時間點。不是平均存活時間（分布右偏，平均通常大得多）。曲線降不到 0.5 時記為 NR（not reached），意思是超過追蹤期，不是無限大。出現在:B3-02-kaplan-meier

統合分析meta-analysisMA

用統計方法把多篇研究的效果量合併。它是系統性回顧流程裡的一個步驟，不是替代品——沒有可重現的檢索就無法回答「這個合併數字是什麼母體的估計」。研究之間不可比時，不合併才是正確決定。出現在:B7-04-forest-funnelD7-systematic-review

特定時點存活率milestone survival

在一個事先指定的時點比較各組的存活率，例如「三年存活率相差 14 個百分點」。它不需要比例風險假設，但時點必須事先訂定，且信賴區間採直接（Greenwood）或 log-log 轉換會得到不同結果。出現在:B3-09-weighted-logrank

自然直接效果natural direct effectNDE

把中介變項固定在「未暴露時它自然會有的值」，暴露對結果的效果。與自然間接效果相加等於總效果。出現在:B6-09-mediation

自然間接效果natural indirect effectNIE

暴露透過改變中介變項而傳遞到結果的那一部分效果。信賴區間跨過虛無值時只能寫「未偵測到中介效果」，不可寫成「不透過該路徑」。出現在:B6-09-mediation

負對照negative control

一個依照既有知識不應該與暴露有因果關係的結果（negative control outcome），或一個不應該影響該結果的暴露（negative control exposure）。它若仍呈現關聯，代表分析裡還有殘餘偏誤。出現在:B6-04-ivB6-10-its-did

淨重分類改善net reclassification improvementNRI

加了一個新標記之後，有多少人被移到「對的」風險分組。它有三個結構性的問題：沒有虛無值的保護；校準不良的新模型也能拿到正的 NRI；而分類 NRI 完全取決於切點放在哪裡，換一組切點就換一個結論。最根本的一點是，它把事件組與非事件組的兩個比例直接相加，而兩組人數通常差很多——於是「少數幾位會出事的人被害、多幾位不會出事的人受益」可以被報成一個漂亮的正數。該問的仍然是淨效益。出現在:B5-10-brier-nri-idi

網絡統合分析network meta-analysisNMA

同時合併多種治療的統合分析，把直接比較與經由共同對照推出的間接比較放在一個模型裡。因此 league table 會印出從來沒有被隨機分派互相比較過的配對。判讀順序應該是：先看 network plot 哪些配對有直接證據、再看合併估計、再檢查直接與間接是否一致（net-splitting），最後才看排名。出現在:B7-05-network-meta

nomogramnomogram

⚠️ 這個字在站上指兩個不同的東西。預測模型的 nomogram（rms::nomogram）把線性預測值畫成一把分數尺，逐項讀分、加總、換算成風險——它沒有增加任何資訊，該問的是它背後的模型有沒有做過內部驗證、外部驗證與校準。Fagan nomogram 是另一回事：那是把檢驗前機率乘上概似比得到檢驗後機率的計算尺，屬於診斷推理。出現在:B5-09-nomogramB4-03-likelihood-ratio

非劣性界值non-inferiority margin

非劣性試驗事先宣告的「還可以接受的最大劣勢」。結論完全取決於它落在哪裡——同一份資料換一個 margin 就換一個結論，而 margin 的來源與正當性是判讀的一部分，不是形式要求。兩件常被誤讀的事：非劣性成立不等於兩者效果相同（那需要等效性設計）；而且結果可以同時是「非劣」與「統計上比參照差」。非劣性設計裡 per-protocol 不是次要分析——ITT 的稀釋方向對非劣性是有利的。出現在:B8-06-non-inferiorityD3-rct

非資訊性設限non-informative censoring

設限的發生與該時點的風險高低無關。「研究結束大家一起收工」成立；「病情惡化所以退出」不成立，後者會讓 KM 高估存活率，而且資料本身看不出來。出現在:B3-01-censoring

益一需治數number needed to treatNNT

絕對風險下降的倒數：平均要治療多少人才能避免一次事件。它把效果量翻譯成臨床可感的單位，且與基準風險綁在一起。出現在:D3-rct

勝算比odds ratioOR

兩組勝算的比值。病例對照研究只能算 OR，因為分母是研究者選的。疾病罕見（< 10%）時 OR 近似 RR；疾病常見時 OR 會系統性放大效果。出現在:B2-02-logisticD2-case-control

平行趨勢parallel trends

差異中的差異的識別假設：若沒有介入，兩組的結果會沿著平行的軌跡前進。這是關於反事實的假設，介入前資料只能否定它、無法證明它成立。出現在:B6-10-its-did

部分 AUCpartial AUCpAUC

只取 ROC 曲線上某一段特異度（或敏感度）區間下的面積。用它的理由是實際運作只落在那一段——篩檢與影像研究通常只在高特異度端運作，整條 AUC 把用不到的區段也算了進去，因此兩條 ROC 交叉時整條 AUC 會掩蓋差異。⚠️ 未標準化的部分 AUC 不可跨區段比較，因為不同區段的面積上限不同；標準化（McClish）把它線性映回 0.5 到 1。出現在:B4-05-cutoff

遵從方案分析per-protocol analysisPP

只分析完整遵從方案的受試者。它回答「照著做會怎樣」，但因為排除是在隨機化之後發生，排除本身可能與預後有關，比較性不再由隨機化保證。出現在:D3-rct

正性positivity

每一種共變項組合下，接受各種治療的機率都必須大於零。違反時的臨床外衣就是極端權重與缺乏重疊——沒有可比較的對照，模型只能外插。結構性違反（該族群依定義不可能接受該治療）無法用統計方法補救。出現在:B6-03-iptw

傾向分數propensity score

在給定觀察到的共變項下，接受該暴露的條件機率。用來配對或加權，讓兩組在已測量的變項上平衡。平衡與否用 SMD 判斷，不用 p 值。它只能處理已測量的干擾因子。出現在:B6-02-psm

中介比例proportion mediated

間接效果佔總效果的比例。總效果接近零時這個比值極不穩定（分母趨近零），可能超過 100% 或變成負值，此時不該報告。出現在:B6-09-mediation

比例風險假設proportional hazards assumptionPH

Cox 模型假設兩組的風險比在追蹤期間維持固定。若 KM 曲線交叉、或 Schoenfeld residual 對時間有趨勢，這個假設就不成立，此時單一 HR 會掩蓋隨時間變化的效果。出現在:B3-04-ph-assumption

發表偏誤publication bias

結果不顯著的研究較不容易被發表，使可見的文獻整體偏向有效果的一端。漏斗圖不對稱是其訊號之一，但不對稱另有異質性、小研究品質、數學相依、偶然等其他解釋，不可直接歸因。出現在:B7-04-forest-funnel

隨機效應模型random-effects model

假設每篇研究有各自的真實效果，這些效果來自一個分布，合併估計的是該分布的平均。與固定效應的差別是假設不同，不是保守程度不同。它的權重分配較平均，小研究相對權重較高。出現在:B7-04-forest-funnel

隨機分配randomisation

以隨機數決定分組，與病人任何特徵無關。它讓兩組在所有特徵上期望相同——包括未知與測不到的——這正是統計校正做不到的部分。它保證的是期望值相同，不是這一次分配剛好相同。出現在:D3-rct

回憶偏誤recall bias

病人比健康人更努力回想暴露史（「我為什麼會得這個病」），使 cases 的暴露報告較完整，製造出人工的關聯。減輕方式是用客觀紀錄，並讓訪員不知道受訪者身分。出現在:D2-case-control

殘餘干擾residual confounding

校正之後仍然存在的干擾，來自未測量、測量不準、或分類太粗的變項。它不會出現在任何統計檢定裡，只會出現在 limitation 段落。出現在:D1-cohort

限制平均存活時間restricted mean survival timeRMST

Kaplan-Meier 曲線在 0 到 τ 之間的面積，可讀成「在前 τ 這段期間平均活了多久」。它不需要比例風險假設，單位是時間，因此在 PH 明顯違反時可取代 HR；代價是 τ 必須事先指定，且結論只涵蓋 τ 以內。出現在:B3-07-rmstB3-04-ph-assumption

相對風險risk ratioRR

兩組風險的比值。與絕對風險下降（ARR）搭配才完整——相對指標不受基準風險影響，所以看起來永遠比較大，但病人實際拿到多少好處取決於他原本的風險。出現在:D3-rct

ROC 曲線與曲線下面積ROC curve and AUC

把所有可能的切點畫成敏感度對 1−特異度的曲線；AUC 是隨機取一個有病者與一個無病者、前者分數較高的機率。AUC 只衡量鑑別力（discrimination），不衡量校準（calibration）。出現在:B4-04-roc-auc

選擇偏誤selection bias

納入研究的人與目標母體在與研究問題相關的方面系統性不同。病例對照研究裡最常見的形式是 control 的來源母體與 case 不同（例如醫院型 control 的住院原因與暴露有關）。出現在:D2-case-control

敏感度分析sensitivity analysis

把一個本來就可以合理選擇的分析決定換掉、重跑，看結論會不會翻。它動的是分析決定，不是資料點（那是影響分析）、不是族群（那是次族群分析）、也不是顯著性門檻（那是多重比較調整）。因此它不需要多重比較調整——問的是穩定性不是顯著性。「敏感度分析顯示結果穩健」這句話本身沒有資訊：該報的是做了哪些擾動、每一個擾動後的效果估計是多少、有沒有哪一個讓結論改變。它只能排除實際擾動過的東西，所有設定共有的偏誤不會因為換設定而消失。出現在:B8-07-sensitivity-analysis

敏感度與特異度sensitivity and specificity

敏感度是有病者被檢出的比例，特異度是無病者被排除的比例。兩者是檢驗本身的性質，不隨盛行率改變；但陽性預測值（PPV）會隨盛行率大幅改變，這是臨床上最常被搞混的一點。出現在:B4-01-sens-spec

標準化平均差standardised mean differenceSMD

組間差異除以合併標準差。用於 Table 1 與傾向分數平衡檢查時不受樣本數影響，慣例上 |SMD| < 0.1 視為平衡；相對地 p 值會隨樣本數變大而顯著，不適合用來判斷平衡。出現在:B1-01-table1B6-02-psm

統計顯著性statistical significance

未達統計顯著只代表這項研究沒有偵測到差異，不能反推兩組實際相同。要主張「相當」需要非劣性試驗與事先設定的 margin。

隨機優勢stochastic ordering

Wilcoxon rank-sum（Mann-Whitney）檢定實際上在檢定的東西：P(X > Y) 是不是 1/2，也就是「隨機抽一個 A 組的人，他比隨機抽一個 B 組的人大」的機率。它檢定的不是中位數。所以「兩組中位數相同但檢定顯著」不是矛盾——分布形狀不同就足以讓 P(X > Y) 偏離 1/2。出現在:B1-04-nonparametric

SUCRA／P-scoreSUCRA / P-score

網絡統合分析裡把每種治療的排名機率壓成一個 0 到 1 的數字。它不含效果大小：排名第一的可能只贏第二名一點點，而兩者的頭對頭區間跨過零。排名的不確定性通常遠大於排名本身暗示的，所以它不該被讀成「哪個藥最好」，也不該在檢查不一致性之前就採信。出現在:B7-05-network-meta

綜合 ROC 曲線summary ROC curveSROC

診斷準確度統合分析的核心圖：各研究的敏感度／特異度散點加上一條摘要曲線。它存在的理由是各研究的切點不同，因此敏感度與特異度在研究之間呈負相關——把兩者各自單獨合併會說錯聯合的不確定性。圖上的信賴橢圓是「合併點在哪裡」的不確定性，預測橢圓是「下一個研究的真值可能落在哪裡」，兩者常被混為一談而大小可以差一個數量級。出現在:B7-08-diagnostic-metaD4-diagnostic-accuracy

系統性回顧systematic reviewSR

事先訂好檢索式與納入排除條件，可重現地找出並評讀所有符合條件的研究。SR 是流程，MA 是流程裡可選的統計步驟；有 MA 沒有 SR 是紅旗。出現在:D7-systematic-review

隨時間變動的 AUCtime-dependent AUCAUC(t)

存活模型在特定時點 t 的區辨力，由 time-dependent ROC 曲線下面積得到。Harrell's C 把所有時點的區辨力壓成單一數字，而臨床決策發生在特定時點；估計時需以反機率設限加權處理設限。出現在:B5-08-time-dependent-aucB5-05-external-validation

時間相依變項time-varying covariate

數值在追蹤期間會改變的共變項（開始用藥、換腎、檢驗值變化）。資料要展開成 (start, stop] 的長表格式，每個人多列。用它處理暴露狀態改變的情境，也是 immortal time bias 的正解。出現在:B3-06-time-varying

trim-and-filltrim-and-fill

偵測漏斗圖不對稱後，用演算法在缺口那一側「補」上鏡像研究，再重算合併值。補上的研究是生成出來的，不是找回來的，所以它是一種敏感度分析——回答「合併估計最多可能移動多少」——不是對合併估計的修正。沒有任何方法能把從未發表的研究找回來。出現在:B7-04-forest-funnel

小提琴圖violin plot

把核密度估計鏡像成對稱形狀來顯示分布，通常疊上箱形或個別資料點（raincloud）。它存在的理由是對照組：長條圖加誤差線（dynamite plot）把樣本數、分布形狀、雙峰與離群值全部藏起來，而那根誤差線可能是 SD、SE 或 95% CI——三者長度差很多、外觀卻一樣，所以圖說必須註明是哪一種。出現在:B1-05-distribution-plotsB1-02-t-test-anova

加權 kappaweighted kappa

給「差一級」與「差三級」不同罰則的 kappa，用於序位判讀量表（BI-RADS、Gleason、腫瘤分級）。權重通常取線性或二次。用在名目類別上是算術而不是分析——那裡的類別之間沒有距離，給部分分數只會讓期望一致率漲得比觀察一致率快，結果可能比不加權還低。出現在:B9-01-kappa

加權 log-rank 檢定weighted log-rank test

把 log-rank 統計量中每個事件時間的觀察減期望值乘上一個隨時間變動的權重。Fleming-Harrington 族以 ρ、γ 兩個參數決定權重偏重早期或晚期；免疫治療的延遲效果需要偏重晚期的權重。權重必須事先指定。出現在:B3-09-weighted-logrankB3-02-kaplan-meier