2010年, LHID2010 (2011年發行 100萬人)
  2005年, LHID2005 (2007年發行 100萬人)
  2000年, LHID2000 (2002年發行 20萬人, 2009年發行 80萬人)
   
目的
  全民健保資料庫的資料量相當龐大，若要提供所有的資料來做研究分析，則需相當大型的電腦系統，處理耗時且困難，容易造成錯誤偏差，並且十分不利隱私保護。解決的方式之一即是提供具代表性的抽樣資料，給使用者做研究分析。因此，建立以保險對象為基本抽樣單位的抽樣檔，收錄其歷年所有的就醫資料，並且持續追蹤，所成之歸人抽樣檔，將可供研究學者進行多類研究工作。

自2002年（91年）起本計畫提供20萬人承保抽樣歸人檔(LHID2000)供學界使用，研究人員取得承保抽樣歸人檔之後，可依其個別研究計畫需求，進行長期追蹤研究(longitudinal study)及任何時間點之橫斷面研究(cross-sectional study)。此LHID2000並於2009年增加提供80萬樣本人數資料(第5~20組)，共發行100萬人之資料

由於LHID2000不包括2000年以後出生或新納保之保險對象，因此學者專家建議每間隔五年進行新一世代資料之抽樣，故我們在發行2005、2010年承保檔之時，再做一次歸人抽樣；惟因健保資料研究日見推廣，研究主題更為廣泛，研究學者提出抽樣歸人檔樣本數增加之需求，於是除重新抽樣外，更擴大抽樣人數為100萬人，擷取其所有就醫申報資料製作歸人檔。100萬人之承保抽樣歸人檔（LHID2005、LHID2010）可大幅提升進行具有統計檢定力(statistical power)之前瞻性研究(Prospective study)及回溯性研究(Retrospective study)之可能性。
   
2010年承保抽樣歸人檔，LHID2010
1. 資料內容：以2010年承保資料檔中「2010年在保者」隨機取100萬人，擷取其各年度就醫資料建置而成，並以每4萬人擷取一年度的就醫資料為一單位發行，每年更新。
   
2. 抽樣母群體
  由中央健保局所提供的2010年承保資料檔以「身份證字號加上生日加上性別」歸人，可得27,378,403人之資料，作為資料母檔。在資料母檔中，剔除性別不詳者，選取在保者23,251,700人之資料為抽樣母群體。由於2010年承保資料檔所登錄的最後加保日為2010年12月31日，我們定義「2010在保者」為「2011年以前出生，2010年1月1日至2010年12月31日任何一日曾在保者」，並剔除年齡非0-120歲者
   
3. 抽樣方法：
  自抽樣母群體隨機抽樣，取得100萬人樣本。隨機抽樣方法為將抽樣母群體23,251,700人賦予流水號，利用隨機值產生器(random number generator)產生至少100萬個隨機值(random number, 實得1,074,263個隨機值)，取與100萬個隨機值相同的流水號，來隨機抽取所需的保險對象樣本，接著剔除身份證字號重複者（共24個），再補抽至得到100萬人樣本為止。
 

關於隨機值產生作業，我們係採用Oracle的DBMS_RANDOM套件來執行。DBMS_RANDOM套件提供一個內建的隨機值產生器(Oracle’s internal random number generator)，可產生八位整數的隨機值。我們在1與23,251,700之間產生110萬個隨機值，剔除重複出現的隨機值(共25,346個)後，共得到1,074,263筆隨機值。
   
4. 承保抽樣歸人檔之構建
  將隨機抽出的100萬人樣本，利用身份證字號(已加密)每4萬人為一組共25組，與健保資料庫串聯，擷取1996-2010年該100萬人在全民健保研究資料庫中所有就醫資料，即得100萬人承保抽樣歸人檔LHID2010，日後每年更新，加入這100萬人樣本新一年度的就醫資料。
  所串接的就醫資料包含：門診處方及治療明細檔(CD)、門診處方醫令明細檔(OO)、住院醫療費用清單明細檔(DD)、住院醫療費用醫令明細檔(DO)、特約藥局處方及調劑明細檔(GD)、特約藥局處方調劑醫令明細檔(GO)，以及原始承保資料。
   
5. 承保抽樣歸人檔代表性測試：統計資料中年齡、性別、每年出生人數分佈，以及平均投保金額，比較100萬樣本與抽樣母群體之間是否有差異，同時並與內政部公佈之資料值比較，以分析100萬人樣本對抽樣母群體之代表性。由於承保抽樣歸人檔可以每四萬人為一組使用，我們亦選取其中一組四萬人之樣本，進行代表性分析，分析方式包括圖、表及統計假設檢定，詳如下列說明。
 

5-1.以每5歲(例:0-4歲)為一個年齡層分組，另80歲以上合併為一年齡層，統計各年齡層人數占人口總數 的百分比。比較100萬人樣本及其第1抽樣小組4萬人資料，與抽樣母群體，及內政部公佈之資料，各年齡層人數占人口總數的百分比之分布大致吻合。詳如圖一。
 

5-2.性別分布- 統計100萬人樣本得性別男：女比例為97:100，與抽樣母群體性別男：女比例相同；其第1抽樣小組4萬人資料性別男：女比例為96:100，比值亦極為接近，以卡方檢定100萬人樣本與抽樣母群體性別男：女比例無差異(χ2=0.067, df=1, p-value=0.796)。內政部公告之99年人口資料，性別男：女比例為101:100，與抽樣母群體不同(註)。詳如表一

表一、性別分佈表

資料別

性別比例

2010年人口數

男:女

總計

男

女

抽樣母群體

97:100

23,251,700

11,452,740

11,798,960

100萬抽樣

97:100

1,000,000

492,423

507,577

第1組四萬人

96:100

40,000

19,627

20,373

內政部人口統計

101:100

23,162,123

11,635,225

11,526,898

   
 


5-3.每年出生人數分布--統計100萬人樣本及其第1抽樣小組4萬人資料的每年出生人數分布，以卡方分析，其與抽樣母群體之差異均在5%顯著水準以下。
 

5-4.投保費用--統計100萬人樣本及其第1抽樣小組4萬人資料平均投保金額，以normal test分析，其與抽樣母群體之差異均在5%顯著水準以下。
 

註: 全民健康保險研究資料庫不含在軍方單位投保者之資料(見100-9版譯碼簿A-58頁之承保檔說明)。
6. 隨機值產生作業的程式如下：

declare

  lv_seed_num    number := 1585131;

  lv_random_num  number ;

  lv_loop_num    number;

  ct             number := 1;

  samp_num      number := 1100000;

BEGIN

   DBMS_RANDOM.INITIALIZE(lv_seed_num);

   FOR  lv_loop_num  IN 1..1500000000 LOOP

     lv_random_num := DBMS_RANDOM.RANDOM;

     if ((lv_random_num < 23251701) and (lv_random_num > 0) ) then

         INSERT INTO &&1 (RND, SEQ) VALUES (lv_random_num, ct);

         commit;

         ct := ct + 1;

     end if;

     exit when ct = samp_num + 1;

    END LOOP;

    DBMS_RANDOM.TERMINATE;

END;

 
 
   
   
2005年承保抽樣歸人檔，LHID2005
1. 資料內容：以2005年承保資料檔中「2005年在保者」隨機取100萬人，擷取其各年度就醫資料建置而成，並以每4萬人擷取一年度的就醫資料為一單位發行，每年更新。
   
2. 抽樣母群體
  由中央健保局所提供的2005年承保資料檔以「身份證字號加上生日加上性別」歸人，可得25,678,998人之資料，作為資料母檔。在資料母檔中，選取在保者22,717,053人之資料為抽樣母群體。由於2005年承保資料檔所登錄的最後異動日為2006年1月1日，我們定義「在保者」為「2006年以前出生，2005年1月1日至2006年1月1日任何一日曾在保者」，並剔除年齡非0-120歲者。
   
3. 抽樣方法：
  自抽樣母群體隨機抽樣，取得100萬人樣本。隨機抽樣方法為將抽樣母群體22,717,053人賦予流水號，利用亂數產生器(random number generator)產生至少100萬個亂數(random number, 實得1,073,891個亂數)，取與100萬個亂數值相同的流水號，來隨機抽取所需的保險對象樣本，接著剔除身份證字號重複者（共64個），再補抽至得到100萬人樣本為止。
 

關於亂數產生作業，我們係採用Oracle的DBMS_RANDOM套件來執行。DBMS_RANDOM套件提供一個內建的亂數產生器(Oracle’s internal random number generator)，可產生八位整數的亂數。我們在1與22,717,053之間產生110萬個亂數，剔除重複出現的亂數(共25677個)後，共得到1,073,891筆亂數。
   
4. 承保抽樣歸人檔之構建
  將隨機抽出的100萬人樣本，利用身份證字號(已加密)每4萬人為一組共25組，與健保資料庫串聯，擷取1996-2006年該100萬人在全民健保研究資料庫中所有就醫資料，即得100萬人承保抽樣歸人檔LHID2005，日後每年更新，加入這100萬人樣本新一年度的就醫資料。
  所串接的就醫資料包含：門診處方及治療明細檔(CD)、門診處方醫令明細檔(OO)、住院醫療費用清單明細檔(DD)、住院醫療費用醫令明細檔(DO)、特約藥局處方及調劑明細檔(GD)、特約藥局處方調劑醫令明細檔(GO)，以及原始承保資料。
   
5. 承保抽樣歸人檔代表性測試：統計資料中年齡、性別、每年出生人數分佈，以及平均投保金額，比較100萬樣本與抽樣母群體之間是否有差異，同時並與內政部公佈之資料值比較，以分析100萬人樣本對抽樣母群體之代表性。由於承保抽樣歸人檔可以每四萬人為一組使用，我們亦選取其中一組四萬人之樣本，進行代表性分析，分析方式包括圖、表及統計假設檢定，詳如下列說明。
 

5-1.年齡分布-以每5歲(例:0-4歲)為一個年齡層分組，另80歲以上合併為一年齡層，統計各年齡層人數占人口總數 的百分比。比較100萬人樣本及其第1抽樣小組4萬人資料，與抽樣母群體，及內政部公佈之資料，各年齡層人數占人口總數的百分比之分布大致吻合。詳如圖一。
 

5-2.性別分布- 統計100萬人樣本得性別男：女比例為98:100，與抽樣母群體性別男：女比例相同；其第1抽樣小組4萬人資料性別男：女比例為99:100，比值亦極為接近，以卡方檢定100萬人樣本與抽樣母群體性別男：女比例無差異(χ2=0.008, df=1,p-value=0.931)。內政部公告之94年人口資料，性別男：女比例為103:100，與抽樣母群體不同。詳如表一。

表一、性別分佈表

資料別

性別比例

2005年人口數

 男 : 女

總計

男

女

性別不詳

抽樣母群體

 98 : 100

22,717,053

11,262,470

11,454,582

1

100萬抽樣

 98 : 100

1,000,000

495,816

504,184

0

第1組四萬人

 99 : 100

40,000

19,877

20,123

0

內政部人口統計

103 : 100

22,770,383

11,562,440

11,207,943

0

 

 

5-3.每年出生人數分布--統計100萬人樣本及其第1抽樣小組4萬人資料每年出生人數分布，以卡方分析，其與抽樣母群體之差異均在5%顯著水準以下。
 

5-4.投保費用--統計100萬人樣本及其第1抽樣小組4萬人資料平均投保金額，以normal test分析，其與抽樣母群體之差異均在5%顯著水準以下。
6. 隨機值產生作業的程式如下：

declare

lv_seed_num number := 1449604;

lv_random_num number ;

lv_loop_num number;

ct number := 1;

samp_num number := 1100000;

BEGIN

DBMS_RANDOM.INITIALIZE(lv_seed_num);

FOR lv_loop_num IN 1..1500000000 LOOP

lv_random_num := DBMS_RANDOM.RANDOM;

if ((lv_random_num < 22717054) and (lv_random_num > 0) ) then

INSERT INTO &&1 (RND, SEQ) VALUES (lv_random_num, ct);

commit;

ct := ct + 1;

end if;

exit when ct = samp_num + 1;

END LOOP;

DBMS_RANDOM.TERMINATE;

END;

/
 
   
   
2000年承保抽樣歸人檔，LHID2000
1.  資料內容：自2000年承保資料檔中隨機選取100萬人，擷取其各年度所有就醫資料建置而成，並以每5萬人擷取一年度的就醫資料為一單位發行，每年更新。
   
2. 抽樣母群體
  以中央健保局所提供的2000年承保資料檔保險對象為抽樣母群體。2000年承保資料檔包含中央健保局開辦起至89年12月底止，約共有5,806萬筆保險對象累積性的歷史資料，隨著保險對象不同身份別或工作單位的異動而有轉出、轉入的紀錄，皆保存於承保檔之中。將重複的「身份證字號」去除後，約有2,372萬筆資料。
   
3. 抽樣方法：以2000年承保檔的保險對象為母群體，進行隨機抽樣。
  我們根據承保檔的「身份證號(已加密)加上生日加上性別」來定義一個保險對象的身份，而得23,753,407人，作為母群體。觀察母群體，存在有相同的身份證號(簡稱ID)被不同的兩人共同持有之情形 (即ID同、但對應之「生日加上性別」不同)。2000年母群體中，此類共用ID比率約千分之一，詳見附表一。
   
  抽樣方法為將母群體的每個保險對象賦予流水號，再從這些不同保險對象隨機抽樣。隨機抽樣是以亂數產生函數(random number function)產生隨機亂數(random number)，將不重複的亂數與承保檔母群體保險對象的流水號進行聯結，來隨機抽取所需的保險對象樣本。
   
  關於亂數產生作業，我們採用Sun Work Shop C 5.0的函數功能a來產生亂數。該函數是根據Knuth(1981)及Park and Miller(1998)的方法(詳見參考文獻)，採用linear congruential random number generation的技巧撰寫而成b。該產生方式可以取出數值在1與2,147,483,646之間的亂數。我們運用程式從設定的取值範圍1與23,753,407之間取出110萬筆亂數值，再從這110萬筆亂數值中剔除重複出現的亂數值(約2~3萬筆)後，最後從剩下的值中分20次，每次依序取出5萬筆資料為一組，一共得到100萬筆亂數，自母群體中選取與100萬個亂數值相同的流水號，來隨機抽取所需的保險對象樣本。檢測100萬人及各抽樣組樣本之共用ID比率均約千分之二，詳見附表二。
   
4. 承保歸人抽樣檔之構建：承保資料檔保險對象與健保資料庫串聯。
  將隨機抽出的100萬保險對象ID與健保資料庫串聯，擷取該100萬人所有就醫資料，即得100萬人承保抽樣歸人檔。利用保險對象的身份證字號每五萬人為一組共二十組，與健保資料庫進行歷年所有就醫資料的聯結，所串接的資料包含：門診處方及治療明細檔(CD)、門診處方醫令明細檔(OO)、住院醫療費用清單明細檔(DD)、住院醫療費用醫令明細檔(DO)、特約藥局處方及調劑明細檔(GD)、特約藥局處方調劑醫令明細檔(GO)，以及這些保險對象的原始承保資料，並每年更新。其中第1~4組20萬人的資料於2002年發行，其餘80萬人(第5~20組)的資料於2009年發行。
   
5. 承保抽樣歸人檔代表性測試：統計資料中年齡、性別、每年出生人數分佈，以及平均投保金額，比較100萬樣本ID與抽樣母群體之間是否有差異，同時並與內政部公佈之資料值比較，以分析100萬人樣本對母群體之代表性。由於承保抽樣歸人檔可以每五萬人為一組使用，我們亦選取其中一組五萬人之樣本，進行代表性分析，分析方式包括圖、表及統計假設檢定，詳如下列說明。
 

5-1年齡分布-以每5歲(例:0-4歲)為一個年齡層分組，另100歲以上合併為一年齡層，統計各年齡層人數占人口總數 的百分比。比較100萬人樣本及其第1抽樣小組5萬人資料，與抽樣母群體，及內政部公佈之資料，各年齡層人數占人口總數的百分比之分布大致吻合。
 

5-2性別分布- 統計100萬人樣本得性別男：女比例為106:100，與抽樣母群體性別男：女比例相同(以前四組20萬人進行卡方檢定結果亦同:χ2=1.74, df=1, p-value=0.187)；其第1抽樣小組5萬人資料性別男：女比例為105:100，比值亦極為接近。內政部公告之89年人口資料，性別男：女比例為105:100，與第1組比值相同，與抽樣母群體、100萬人樣本之性別比值亦極為接近。若比較男、女人數占人口總數的百分比，則100萬人及其第1組樣本、抽樣母群體，及內政部公佈之資料，均為女性占49%、男性占51%。

 

5-3 每年出生人數分布--統計100萬人樣本及其第1抽樣小組5萬人資料的每年出生人數分布，以卡方分析，其與抽樣母群體之差異均在5%顯著水準以下。
 

5-4.投保費用--統計100萬人樣本及其第1抽樣小組5萬人資料平均投保金額，以normal test分析，其與抽樣母群體之差異均在5%顯著水準以下。
參考文獻
 
1. Donald E. Knuth, Seminumerical Algorithms, 1981, Addison-Wesley。
2.

S.K. Park and Miller, “Random Number Generators: Good Ones are Hard to Find”, Communications of the ACM, October 1988, pp.1192-1201。

   
程式說明
 
   
a. lcran_last = (LCRAN_MULTIPLIER * lcran_last) % LCRAN_MODULUS;
return scale * (lcran_last + offset) ;
b.

程式如下：
#include <sunmath.h>
#define LCRAN_MULTIPLIER 16807
#define LCRAN_MODULUS 2147483647L
main() {
int x[1],n=1,lb=1,ub=23753407;
int i;
for (i=0;i<110000;i++) {
i_lcrans_(x,&n,&lb,&ub); //從1到23,753,407取出1,100,000個數值
printf("%d\n",x[0]);
}
}

 
   
 

附表一：2000年承保檔之共用ID比率:

資料檔

總ID數

以「ID+生日+性別」

共用ID

共用ID (%)

 

(A)

歸人數  (B)

(B) - (A)

(B-A)/B

2000年承保檔

23,725,083

23,753,407

28,324

0.12%

 
 

附表二：2000年承保抽樣歸人檔之共用ID比率:

資料檔

總ID數

以「ID+生日+性別」

共用ID

共用ID (%)

 

(A)

歸人數  (B)

(B) - (A)

(B-A)/B

100萬抽樣ID

1,000,000

1,002,420

2,420

0.24%

第 1組 (2002年發行)

50,000

50,109

109

0.22%

第 2組 (2002年發行)

50,000

50,143

143

0.29%

第 3組 (2002年發行)

50,000

50,122

122

0.24%

第 4組 (2002年發行)

50,000

50,147

147

0.29%

第 5組 (2009年發行)

50,000

50,108

108

0.22%

第 6組 (2009年發行)

50,000

50,147

147

0.29%

第 7組 (2009年發行)

50,000

50,099

99

0.20%

第 8組 (2009年發行)

50,000

50,119

119

0.24%

第 9組 (2009年發行)

50,000

50,111

111

0.22%

第10組 (2009年發行)

50,000

50,103

103

0.21%

第11組 (2009年發行)

50,000

50,116

116

0.23%

第12組 (2009年發行)

50,000

50,121

121

0.24%

第13組 (2009年發行)

50,000

50,127

127

0.25%

第14組 (2009年發行)

50,000

50,141

141

0.28%

第15組 (2009年發行)

50,000

50,127

127

0.25%

第16組 (2009年發行)

50,000

50,112

112

0.22%

第17組 (2009年發行)

50,000

50,113

113

0.23%

第18組 (2009年發行)

50,000

50,106

106

0.21%

第19組 (2009年發行)

50,000

50,134

134

0.27%

第20組 (2009年發行)

50,000

50,115

115

0.23%