4  連続変数の扱い:区切る・直線・スプライン

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。

4.1 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。

  • 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。

ヒント交絡因子は、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 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。

4.2 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。

「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

4.3 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。

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。

警告低い 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。

重要この章のまとめ
  • 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)