---
webr:
packages: [dplyr, ggplot2]
resources: [R/setup.R, data/whickham.rds, data/framingham.rds, data/nhanes.rds]
cell-options:
autorun: true
---
{{< include ./_extensions/r-wasm/live/_knitr.qmd >}}
# χ² 分布はどこから来るか {#sec-distribution}
```{webr}
#| include: false
source("R/setup.R")
tab <- table(喫煙 = whickham$smoker, 転帰 = whickham$outcome)
x2 <- function(m) { # ピアソンの χ² 値(第 1 章)
E <- outer(rowSums(m), colSums(m)) / sum(m)
sum((m - E)^2 / E)
}
```
第 1 章では、χ² 値 9.12 を「自由度 1 の χ² 分布」と比べて p 値を出しました。
この章では、**本当に関係がない世界をコンピュータの中に作って**、χ² 値がどう分布するかを確かめます。
## 関係がない世界を作る:ラベルのシャッフル
喫煙と死亡に関係がないなら、「誰が亡くなったか」のラベルを、喫煙と無関係にシャッフルしても同じことです。
シャッフルした表は、行の合計(喫煙者 582 人、非喫煙者 732 人)も列の合計(死亡 369 人)も元と同じで、**中身だけが偶然で決まった表** になります。
```{webr}
set.seed(1)
shuffled <- table(喫煙 = whickham$smoker, 転帰 = sample(whickham$outcome))
shuffled
x2(shuffled)
```
何回か実行してみてください(`set.seed(1)` を消すと、毎回違う結果になります)。χ² 値はたいてい 0〜数の小さな値です。
これを 1 万回くり返します。2×2 表は、周辺の合計が決まっていると **「喫煙者で死亡」の 1 セルだけで全体が決まる** ので、その人数だけを数えて高速に計算します。
```{webr}
set.seed(2026)
smoker_yes <- whickham$smoker == "Yes"
dead <- whickham$outcome == "Dead"
a <- replicate(10000, sum(smoker_yes & sample(dead))) # シャッフル後の「喫煙者で死亡」
sim_x2 <- sapply(a, function(k) {
x2(matrix(c(k, sum(smoker_yes) - k,
sum(dead) - k, sum(!smoker_yes) - sum(dead) + k), 2, byrow = TRUE))
})
summary(sim_x2)
```
```{webr}
#| fig-height: 3.8
ggplot(data.frame(x2 = sim_x2), aes(x2)) +
geom_histogram(aes(y = after_stat(density)), binwidth = 0.25, boundary = 0,
fill = "grey75", colour = "white") +
stat_function(fun = dchisq, args = list(df = 1), colour = "steelblue", linewidth = 1,
xlim = c(0.08, 12), n = 400) +
geom_vline(xintercept = 9.12, colour = "firebrick", linewidth = 1) +
coord_cartesian(ylim = c(0, 1.2)) +
labs(x = "シャッフルした表の χ² 値", y = "密度",
title = "シャッフル 1 万回(灰)と自由度 1 の χ² 分布(青)",
subtitle = "赤線:実際の χ² 値 9.12")
```
シャッフルで作った χ² 値の分布(灰色)は、自由度 1 の χ² 分布(青)とよく重なります。
```{webr}
mean(sim_x2 >= 9.1209) # シャッフルで 9.12 以上が出た割合
pchisq(9.1209, df = 1, lower.tail = FALSE) # χ² 分布で計算した p 値
```
1 万回中、実際の値(9.12)以上になったのは **0.40%**(40 回)でした。χ² 分布で計算した p 値 0.25% と、どちらも「1% よりずっと小さい」という点で一致します(シャッフルの回数を増やすと、さらに近づきます)。
**χ² 分布は、「シャッフルしたらどうなるか」の近似** だと考えられます。
::: {.callout-note}
## `chisq.test()` でも同じことができる
`simulate.p.value = TRUE` を付けると、周辺の合計を固定したランダムな表(`r2dtable()`)で p 値を計算します。期待度数が小さく、χ² 分布の近似が怪しいときに使えます(第 5 章)。
:::
```{webr}
set.seed(2026)
chisq.test(tab, simulate.p.value = TRUE, B = 10000)
```
## 2×2 表の χ² 検定 = 2 つの割合の差の z 検定
2×2 表の χ² 検定は、「喫煙者と非喫煙者で、死亡割合が同じか」の検定と同じです。
割合の差を、その標準誤差で割った **z 値** を計算してみます。
```{webr}
p1 <- 230 / 732 # 非喫煙者の死亡割合
p2 <- 139 / 582 # 喫煙者の死亡割合
p <- 369 / 1314 # 全体の死亡割合(関係がないならこの値)
se <- sqrt(p * (1 - p) * (1 / 732 + 1 / 582))
z <- (p1 - p2) / se
c(z = z, z2 = z^2)
```
**z² = 9.12** で、χ² 値と一致します。
z は(関係がなければ)標準正規分布に従い、**標準正規分布に従う値の 2 乗が、自由度 1 の χ² 分布** です。
```{webr}
2 * pnorm(-abs(z)) # z 検定の両側 p 値
prop.test(tab, correct = FALSE)
```
`prop.test()` は割合の差の検定で、χ² 値・p 値は `chisq.test()` と同じです。そのうえ、**割合の差の 95% 信頼区間** も出してくれます(死亡割合の差 7.5 ポイント、95% CI 2.7〜12.4 ポイント)。
## 自由度:自由に決められるセルの数
一般に、**互いに独立な標準正規分布の値を k 個、2 乗して足したもの** が、自由度 k の χ² 分布です。
χ² 値は表のセルの数だけ (O − E)²/E を足しますが、周辺の合計が決まっているため、すべてのセルが自由に動けるわけではありません。
- 2×2 表:行と列の合計が決まっていると、1 つのセルを決めれば残りの 3 つは決まる → **自由度 1**
- r 行 × c 列の表:最後の行と最後の列は、合計から引き算で決まる → **自由度 (r − 1)(c − 1)**
```{webr}
# 3 行 × 4 列の表なら
(3 - 1) * (4 - 1)
```
### シミュレーションで確かめる
NHANES の成人で、**人種(5 区分)× 主観的健康(5 段階)** の周辺の合計を使って、関係がない表をランダムに作ります。自由度は (5 − 1)(5 − 1) = 16 のはずです。
```{webr}
adults <- nhanes |> filter(Age >= 20, !is.na(HealthGen))
tab_rh <- table(adults$Race1, adults$HealthGen)
tab_rh
set.seed(1)
sim16 <- sapply(r2dtable(5000, rowSums(tab_rh), colSums(tab_rh)), x2)
mean(sim16) # χ² 分布の平均は自由度に等しい
```
```{webr}
#| fig-height: 3.6
ggplot(data.frame(x2 = sim16), aes(x2)) +
geom_histogram(aes(y = after_stat(density)), binwidth = 1, fill = "grey75", colour = "white") +
stat_function(fun = dchisq, args = list(df = 16), colour = "steelblue", linewidth = 1) +
labs(x = "関係がない表の χ² 値", y = "密度", title = "青:自由度 16 の χ² 分布")
```
関係がない表の χ² 値は、平均が約 16 の分布になり、自由度 16 の χ² 分布と重なります。
**χ² 値の大きさは、自由度と比べて判断** します。χ² 値 9 は、自由度 1 なら非常に大きく(p = 0.003)、自由度 16 ならむしろ小さい値です。
```{webr}
pchisq(9, df = c(1, 4, 16), lower.tail = FALSE)
```
## 近似が崩れるとき
χ² 分布は、度数が **十分に大きい** ときの近似です。人数が少ない表では、χ² 値はとびとびの値しか取れず、χ² 分布とずれます。
Whickham から 20 人だけを選んだ、という状況をシミュレーションします(喫煙者 10 人・非喫煙者 10 人、死亡 6 人)。
```{webr}
#| fig-height: 3.6
set.seed(1)
small <- sapply(r2dtable(10000, c(10, 10), c(6, 14)), x2)
table(round(small, 2)) # 取りうる値は 4 種類だけ
mean(small >= qchisq(0.95, 1)) # 「5% で有意」になる割合
```
χ² 値は 0, 0.95, 3.81, 8.57 の 4 種類しか取らず、χ² 分布の 5% 点(3.84)を超えるのは約 1% です(本来は 5% のはず)。
この場合は、χ² 分布で計算した p 値が実際とずれます。どう対処するかは第 5 章で扱います。
::: {.callout-important}
## この章のまとめ
- χ² 分布は、「関係がなかったら(ラベルをシャッフルしたら)χ² 値がどう分布するか」の **近似**
- 2×2 表の χ² 検定 = 2 つの割合の差の z 検定(**z² = χ²**)。`prop.test()` なら差の信頼区間も出る
- 自由度は、周辺の合計を固定したときに自由に決められるセルの数 = **(r − 1)(c − 1)**。χ² 値は自由度と比べて判断する
- 人数が少ないと χ² 値はとびとびになり、近似がずれる
:::