當台灣一旦進行較大型的公職人員或民意代表選舉時，各個新聞媒體都會報導出其所獲得的民意調查結果，可見得媒體、民眾、政黨以及候選人，都會將民調當成很好的指標工具。 當我們獲知所公佈的民意調查資料時，都會看到報導幾乎抽樣樣本都在1000個左右，來說明其抽樣誤差約在3%。但是本文所探討的是，我們是否需要每次固定在1000個左右的樣本數，或許我們可以更快就可以看出結果，早一點讓決策者多一些時間做出決策，不但省下了多餘的時間，也可以節省相當多的金錢。 在本文中以民國八十七年的由全國意向民意調查中心所做的台北市長選舉意向調查為例，分別在五月和六月的兩次的訪問中，我們可以很清楚明顯的看出，當我們進行到六百個樣本數時，我們所訪問的資料已經出現相當穩定的結果，即使訪問更多的樣本數的樣本，對於結果的差異幾乎沒有影響，所以在此兩個例子中，我們可以在訪問過程中，就有足夠很好的證據去停止再抽樣訪問，可以和訪問完成一千多個樣本時才作決策時比較，我們可以省下三、四百個樣本數的訪問時間來思考做決策，也省下了三、四百個樣本數的成本來做其他的工作；若是並無法能夠獲得明確的結果，也是會做到原先設定的固定樣本數訪問法，一樣無法獲得相當好的結論，也是必須再繼續抽樣，才能夠看出更明顯的結果。 本文所探討的內容，並非每次訪問過程都是只要像例子中，只需六百個樣本左右即可，這是需視各個不同訪問的個案，也許訪問中各問項變動性太大，那麼就需要更多的樣本數來做觀測。

檢測某些地區是否有較高的疾病發生率，亦即群集(Cluster)現象，是近年來空間統計(Spatial Statistics)在流行病學的主要應用之一，常見的偵測方法包括SaTScan (Kulldorff, 1995)及Spatial Scan Statistic (Li et al., 2011)。這些方法多半大都採用一次性偵測，也就是比較疑似群集之內外相對風險(Relative Risk)，如此確實可提高計算效率，同時檢視所有疑似群集。然而，一次性偵測會受到群集外其他發生率較高群集的影響，對於相對風險較小群集的偵測能力過於保守(Zhang et al., 2010)。 本文以多重群集偵測為研究目標，以逐次分析的方式修正SaTScan等群集偵測方法，逐一篩選出發生率較高的顯著群集，並探討逐次分析在使用上的時機及限制。除了透過電腦模擬，測試逐次群集分析的改進效果，我們也分析臺灣地區的癌症死亡率，比較偵測結果的差異。研究發現，逐次群集偵測確實能提高相對風險較小群集的偵測能力，像是在相對風險不大於1.6的群集時尤其有效，但若相對風險大於1.6時，SaTScan的偵測能力不受多重群集的影響。 / Cluster detection, one of the major research topics in spatial statistics, has been applied to identify areas with higher incidence rates and is very popular in many fields such as epidemiology. Many famous cluster detection methods are proposed, such as SaTScan (Kulldorff, 1995) and Spatial Scan Statistic (Li et al., 2011). Most of these methods adapt the idea for comparing the relative risk inside and outside the suspected clusters. Although these methods are efficient computationally, clusters with smaller relative risk are not easy to be detected (Zhang et al, 2010). The goal of this study is to apply the idea of sequential search into SaTScan, in order to improve the power of detecting clusters with smaller relative risk, and to explore the limitation of sequential method. The computer simulation and empirical study (Taiwan cancer mortality data) are used to evaluate the sequential SaTScan. We found that the Sequential method can improve the power of cluster detection, especially effective for the cases where the clusters with relative risk not greater than 1.6. However, the sequential method also suffers from identifying false clusters.