---
webr:
packages: [dplyr, ggplot2]
resources: [R/setup.R, data/framingham.rds]
cell-options:
autorun: true
---
{{< include ./_extensions/r-wasm/live/_knitr.qmd >}}
# 連続変数の扱い:区切る・直線・スプライン {#sec-continuous}
```{webr}
#| include: false
source("R/setup.R")
library(splines)
```
年齢・血圧・BMI のような連続変数を、モデルにどう入れるかは、結果を大きく左右します。
よく見かけるのは「50 歳未満 / 以上」のように **区切って** 入れる方法ですが、ここには 2 つの問題があります。
## 交絡因子を粗く区切ると、交絡が残る
喫煙と死亡(第 1 章)で、交絡因子の **年齢** をいろいろな形で入れてみます。
```{webr}
fram <- fram |>
mutate(年齢2区分 = cut(AGE, c(0, 50, 100), right = FALSE),
年齢4区分 = cut(AGE, c(0, 40, 50, 60, 100), right = FALSE))
forms <- list(
`性別のみ(年齢なし)` = DEATH ~ CURSMOKE + SEX,
`年齢2区分(50歳で)` = DEATH ~ CURSMOKE + SEX + 年齢2区分,
`年齢4区分(10歳刻み)` = DEATH ~ CURSMOKE + SEX + 年齢4区分,
`年齢(直線)` = DEATH ~ CURSMOKE + SEX + AGE,
`年齢(スプライン)` = DEATH ~ CURSMOKE + SEX + ns(AGE, df = 4)
)
t(sapply(forms, function(f) {
m <- glm(f, family = binomial, data = fram)
c(or_ci(m, "CURSMOKE"), AIC = round(AIC(m)))
}))
```
- 年齢を 2 区分で入れると、喫煙のオッズ比は **1.39**
- 4 区分で 1.56、直線・スプラインで **1.63**
50 歳未満の中にも、30 代と 40 代の違いがあり、その中で喫煙者が若いことによる交絡が **残って** います(**残余交絡**)。
AIC(小さいほど、データへのあてはまりと単純さのバランスがよい)も、区切ったモデルのほうが大きくなっています。
::: {.callout-tip}
## 交絡因子は、なるべく情報を落とさずに入れる
年齢のような強い交絡因子は、区切らずに連続量のまま(必要ならスプラインで曲線にして)入れます。区切るなら細かく。
[χ² 検定ハンズオン](/study/chisq_hands_on/) 第 7 章の Mantel-Haenszel 検定でも、年齢の層を細かくすると結果が変わりました。
:::
## 曝露を区切ると、情報が失われる
曝露(関心のある変数)を区切ることにも問題があります。収縮期血圧と 24 年間の CVD で見てみます。
```{webr}
m_hi <- glm(CVD ~ I(SYSBP >= 140) + AGE + SEX, family = binomial, data = fram)
fram$血圧区分 <- cut(fram$SYSBP, c(0, 120, 140, 160, 400), right = FALSE)
m_cat <- glm(CVD ~ 血圧区分 + AGE + SEX, family = binomial, data = fram)
m_lin <- glm(CVD ~ I(SYSBP / 20) + AGE + SEX, family = binomial, data = fram)
or_ci(m_hi, "I(SYSBP >= 140)TRUE") # 140 以上 vs 未満
round(exp(coef(m_cat)[2:4]), 2) # 120 未満と比べた各区分
or_ci(m_lin, "I(SYSBP/20)") # 20 mmHg あたり
```
「140 以上 vs 未満」のオッズ比 2.02 は、**141 mmHg の人と 200 mmHg の人を同じに扱い**、139 mmHg と 141 mmHg を別の群にしています。
区分を細かくすると、120 未満と比べて 1.63 → 2.33 → 3.70 と、血圧が高いほどリスクが上がっていく様子が見えます。
区切ることの問題は次のとおりです。
- 区切り目の前後のわずかな違いを大きな差として扱い、区分の中の違いは無視する
- **検出力が下がる**(2 区分にすると、およそ人数を 3 分の 1 減らしたのと同じくらい情報が失われるとされる)
- 区切り目をデータを見て選ぶと、**都合のよい結果を選べてしまう**
## 直線でよいか:スプラインで確かめる
連続量のまま入れると、今度は **「直線的な関係」** を仮定することになります(ロジスティック回帰なら、ログオッズが直線)。
**自然スプライン**(`ns()`)を使うと、なめらかな曲線を当てはめられます。
BMI と 24 年間の死亡の関係で比べます。
```{webr}
fb <- fram |> filter(!is.na(BMI))
m_line <- glm(DEATH ~ BMI + AGE + SEX + CURSMOKE, family = binomial, data = fb)
m_spline <- glm(DEATH ~ ns(BMI, df = 4) + AGE + SEX + CURSMOKE, family = binomial, data = fb)
c(AIC_直線 = AIC(m_line), AIC_スプライン = AIC(m_spline))
anova(m_line, m_spline, test = "Chisq") # 曲線にすると、あてはまりが有意によくなるか
```
```{webr}
#| fig-height: 3.8
nd <- data.frame(BMI = seq(17, 40, by = 0.25), AGE = 50, SEX = 1, CURSMOKE = 0)
bind_rows(mutate(nd, 予測 = predict(m_line, nd, type = "response"), モデル = "直線"),
mutate(nd, 予測 = predict(m_spline, nd, type = "response"), モデル = "スプライン")) |>
ggplot(aes(BMI, 100 * 予測, colour = モデル)) + geom_line(linewidth = 1) +
labs(x = "BMI", y = "24 年間の死亡確率 (%)", colour = NULL,
title = "50 歳・男性・非喫煙者の予測(Framingham)")
```
直線のモデルは「BMI が高いほど死亡が多い」としか言えませんが、スプラインでは **BMI が低い人でも死亡が多い**(J 字・U 字型)ことが分かります。
直線を仮定していたら、やせている人のリスクを見逃していました。
::: {.callout-warning}
## 低い BMI のリスクは、因果とは限らない
BMI が低い人の死亡が多い理由には、**病気のためにやせた**(逆の因果)、**喫煙者がやせている** などが考えられます。
曲線の形が分かっても、それが因果の形かどうかは、第 2 章の考え方で別に検討します。
:::
::: {.callout-important}
## この章のまとめ
- **交絡因子を粗く区切ると、交絡が残る**(年齢 2 区分で喫煙の OR 1.39、連続量で 1.63)
- **曝露を区切ると、情報と検出力が失われ**、区切り目の選び方で結果が変わる
- 連続量のまま入れるときは、**直線の仮定をスプラインで確かめる**(BMI と死亡は J 字型)
:::