---
webr:
packages: [dplyr, ggplot2]
resources: [R/setup.R, data/framingham.rds]
cell-options:
autorun: true
---
{{< include ./_extensions/r-wasm/live/_knitr.qmd >}}
# オッズ比を読む:リスク比・標準化・非併合性 {#sec-odds-ratio}
```{webr}
#| include: false
source("R/setup.R")
```
ロジスティック回帰で調整すると、結果は **オッズ比** で出てきます。
第 1 章では、年齢・性別で調整した喫煙のオッズ比が 1.63 でした。これは「喫煙者は死亡リスクが 1.63 倍」という意味でしょうか?
## オッズ比はリスク比ではない
**リスク**(割合)とオッズの違いを確認します。
- リスク = 死亡した人数 / 全員
- オッズ = 死亡した人数 / 死亡しなかった人数 = リスク / (1 − リスク)
```{webr}
risk <- c(0.01, 0.05, 0.10, 0.30, 0.50)
data.frame(リスク = risk, オッズ = round(risk / (1 - risk), 3))
```
リスクが小さいとき(10% 未満くらい)は、オッズとリスクはほぼ同じです。しかし、リスクが大きいと、オッズはリスクよりずっと大きくなります。
そのため、**よくある結果**(このデータの 24 年間の死亡は 35%)では、**オッズ比はリスク比より 1 から遠く** なります。
```{webr}
mean(fram$DEATH) # 24 年間の死亡割合
```
## 標準化:調整したリスク比・リスク差を求める
調整したモデルから、リスク比やリスク差を求める方法が **標準化**(g 計算)です。考え方は単純です。
1. 調整したモデルを作る
2. **全員が喫煙者だったら** として、1 人ひとりの死亡確率を予測し、平均する
3. **全員が非喫煙者だったら** として、同じように予測して平均する
4. 2 つの平均の比・差をとる
```{webr}
fit <- glm(DEATH ~ CURSMOKE + AGE + SEX, family = binomial, data = fram)
all_smoke <- fram |> mutate(CURSMOKE = 1)
no_smoke <- fram |> mutate(CURSMOKE = 0)
p1 <- mean(predict(fit, newdata = all_smoke, type = "response"))
p0 <- mean(predict(fit, newdata = no_smoke, type = "response"))
round(c(全員喫煙 = p1, 全員非喫煙 = p0, リスク差 = p1 - p0, リスク比 = p1 / p0,
オッズ比 = exp(coef(fit)["CURSMOKE"])), 3)
```
年齢と性別を調整した結果は、
- オッズ比:**1.63**
- リスク比:**1.28**(24 年間の死亡リスクが 1.28 倍)
- リスク差:**8.6 ポイント**(100 人あたり約 9 人多く亡くなる)
です。「1.63 倍」と「1.28 倍」では、受け取る印象がかなり違います。
### 信頼区間はブートストラップで
標準化したリスク比・リスク差の信頼区間は、**ブートストラップ**(データから重複を許して同じ人数を選び直し、全体の計算をくり返す)で求めるのが簡単です。少し時間がかかります。
```{webr}
std_rr <- function(d) {
m <- glm(DEATH ~ CURSMOKE + AGE + SEX, family = binomial, data = d)
q1 <- mean(predict(m, mutate(d, CURSMOKE = 1), type = "response"))
q0 <- mean(predict(m, mutate(d, CURSMOKE = 0), type = "response"))
c(リスク差 = q1 - q0, リスク比 = q1 / q0)
}
set.seed(1)
boot <- replicate(200, std_rr(fram[sample(nrow(fram), replace = TRUE), ]))
round(apply(boot, 1, quantile, c(0.025, 0.975)), 3)
```
リスク差 8.6 ポイント(95% CI 6.1〜11.1)、リスク比 1.28(1.19〜1.37)です。本番の解析では、ブートストラップの回数を 1000〜2000 回程度に増やします。
### 結果がまれなら、オッズ比 ≒ リスク比
24 年間の **脳卒中**(約 9%)なら、オッズ比とリスク比の差は小さくなります。
```{webr}
mean(fram$STROKE)
fit_s <- glm(STROKE ~ CURSMOKE + AGE + SEX, family = binomial, data = fram)
q1 <- mean(predict(fit_s, mutate(fram, CURSMOKE = 1), type = "response"))
q0 <- mean(predict(fit_s, mutate(fram, CURSMOKE = 0), type = "response"))
round(c(オッズ比 = unname(exp(coef(fit_s)["CURSMOKE"])), リスク比 = q1 / q0), 3)
```
## 非併合性:交絡がなくても、オッズ比は調整で変わる
オッズ比には、もうひとつ直感に反する性質があります。
**交絡がまったくなくても**、結果に強く影響する変数を加えるだけで、オッズ比が変わるのです。
ランダム化比較試験をシミュレーションします。治療 X はランダムに割り付けるので、重症度 Z とは **無関係**(交絡なし)です。
```{webr}
set.seed(1)
n <- 100000
Z <- rbinom(n, 1, 0.5) # 重症度(結果に強く影響)
X <- rbinom(n, 1, 0.5) # ランダムに割り付けた治療(Z と無関係)
Y <- rbinom(n, 1, plogis(-1 + 1 * X + 2.5 * Z)) # どの層でもオッズ比 exp(1) = 2.72
c(調整なし = exp(coef(glm(Y ~ X, family = binomial))["X"]),
Zで調整 = exp(coef(glm(Y ~ X + Z, family = binomial))["X"]))
```
交絡がないのに、調整なしのオッズ比は 2.06、Z で調整すると 2.70(本当の層ごとのオッズ比 2.72)になります。
これは **非併合性**(non-collapsibility)と呼ばれる、オッズ比(とハザード比)の数学的な性質で、バイアスではありません。
**全体のオッズ比** と **条件つき(層ごとの)オッズ比** は、別のものを測っているのです。
::: {.callout-warning}
## 第 1 章の注意とつながる
「調整の前後でオッズ比が変わったから交絡がある」とは限りません。オッズ比は、交絡がなくても変わります。
リスク差・リスク比(標準化したもの)は、この性質を持たないので、「集団全体で、喫煙をやめたら死亡がどれだけ減るか」のような問いには、標準化したリスク差・リスク比のほうが向いています。
:::
::: {.callout-important}
## この章のまとめ
- オッズ比はリスク比ではない。**結果がよくある(10% 以上)と、オッズ比は 1 から遠くなる**
- **標準化**(全員を曝露あり・なしにして予測し平均)で、調整したリスク比・リスク差を求められる。信頼区間はブートストラップで
- オッズ比は **非併合性** を持つ:交絡がなくても、調整で値が変わる
- 報告では、オッズ比だけでなく、**絶対的な差(リスク差)** も示すと、効果の大きさが伝わる
:::