---
webr:
packages: [dplyr, ggplot2]
resources: [R/setup.R, data/framingham.rds]
cell-options:
autorun: true
---
{{< include ./_extensions/r-wasm/live/_knitr.qmd >}}
# 交互作用:効果は誰でも同じか {#sec-interaction}
```{webr}
#| include: false
source("R/setup.R")
```
ここまでは、「曝露の効果は、どの人でも同じ」という前提で 1 つのオッズ比を推定してきました。
しかし、効果が **性別や年齢によって違う** こともあります。これを **効果の修飾**(effect modification)、モデルの言葉では **交互作用** といいます。
交絡と交互作用は、まったく別のものです。
- **交絡**:推定を歪めるもの。**取り除く** 対象
- **効果の修飾**:本当に効果が人によって違うこと。**報告する** 対象
## 糖尿病と心血管疾患:男女で違うか
Framingham で、1 回目の診察の糖尿病と 24 年間の CVD の関連を、男女別に見ます。
```{webr}
by_sex <- function(s) {
d <- fram |> filter(SEX == s)
m <- glm(CVD ~ DIABETES + AGE, family = binomial, data = d)
p1 <- mean(predict(m, mutate(d, DIABETES = 1), type = "response")) # 標準化(第 3 章)
p0 <- mean(predict(m, mutate(d, DIABETES = 0), type = "response"))
c(人数 = nrow(d), 糖尿病 = sum(d$DIABETES),
オッズ比 = unname(exp(coef(m)["DIABETES"])),
リスク_糖尿病あり = p1, リスク_なし = p0, リスク差 = p1 - p0, リスク比 = p1 / p0)
}
round(rbind(男性 = by_sex(1), 女性 = by_sex(2)), 3)
```
- オッズ比:男性 2.67、女性 **4.75**
- リスク比:男性 1.65、女性 **2.63**
- リスク差:男性 22.6 ポイント、女性 **29.4** ポイント
どの尺度でも、女性のほうが糖尿病の影響が大きいように見えます。女性では、糖尿病がないときの CVD のリスクが低い(18%)ので、糖尿病による上乗せが相対的に大きく現れます。
### 交互作用項で検定する
男女で効果が違うかは、**交互作用項** を入れたモデルで確かめます。
```{webr}
fit_int <- glm(CVD ~ DIABETES * factor(SEX) + AGE, family = binomial, data = fram)
round(summary(fit_int)$coefficients, 3)
```
`DIABETES:factor(SEX)2` が交互作用項で、女性の糖尿病のオッズ比が男性の何倍か(の対数)を表します。
exp(0.646) = 1.91 倍(4.75 / 2.67 に近い)、p = 0.10 です。糖尿病の人が男女とも 60 人ほどしかいないので、**違いがあるともないとも言い切れません**。
## よくある誤り:「男性では有意、女性では有意でない」
サブグループごとに検定して、「男性では有意だが、女性では有意でなかったので、男性にだけ効果がある」と結論するのは誤りです。
**効果がまったく同じ** でも、人数が違えば、片方だけ有意になることはよくあります。
```{webr}
set.seed(1)
sim_sub <- function() {
n_m <- 1500; n_w <- 300 # 女性が少ない研究
sex <- rep(c("男性", "女性"), c(n_m, n_w))
x <- rbinom(n_m + n_w, 1, 0.3)
y <- rbinom(n_m + n_w, 1, plogis(-1 + 0.4 * x)) # 効果は男女で同じ(OR 1.49)
p <- sapply(c("男性", "女性"), function(s) summary(glm(y ~ x, binomial, subset = sex == s))$coef["x", 4])
p_int <- summary(glm(y ~ x * factor(sex), binomial))$coef[4, 4]
c(男性だけ有意 = unname(p[1] < 0.05 & p[2] >= 0.05), 交互作用が有意 = p_int < 0.05)
}
round(100 * rowMeans(replicate(500, sim_sub())), 1) # 500 回の研究で (%)
```
効果は男女でまったく同じなのに、**約 6 割の研究で「男性だけ有意」** になります。交互作用の検定が有意になるのは、約 5%(偶然の水準)です。
::: {.callout-warning}
## サブグループ解析の注意
- 「片方で有意・片方で有意でない」は、**効果の違いの証拠ではない**。交互作用(効果の差)を直接検定・推定する
- サブグループをたくさん調べると、偶然どこかで差が出る(多重比較)。**事前に計画した** サブグループだけを主張する
- 交互作用の検定は検出力が低い。差がないことの証明にもならない
:::
## 交互作用は「尺度」によって変わる
交互作用があるかないかは、**オッズ比・リスク比(乗法)で見るか、リスク差(加法)で見るか** で答えが変わります。
シミュレーションで、**リスク比はどの年齢層でも 2 倍**(乗法の交互作用なし)の曝露を考えます。
```{webr}
data.frame(年齢層 = c("若年", "高齢"),
曝露なしのリスク = c(0.02, 0.20),
曝露ありのリスク = c(0.04, 0.40)) |>
mutate(リスク比 = 曝露ありのリスク / 曝露なしのリスク,
リスク差 = 曝露ありのリスク - 曝露なしのリスク,
`1000人あたり増える人数` = 1000 * リスク差)
```
リスク比はどちらも 2 倍ですが、リスク差は若年で 2 ポイント、高齢で **20 ポイント** です。
**公衆衛生の観点**(どこに介入すれば、より多くの病気を防げるか)では、加法の尺度(リスク差)での交互作用が重要です。
### 加法の交互作用を測る
2 つの要因(糖尿病・女性)の組み合わせごとのリスクから、**相互作用コントラスト**(IC)を計算できます。
$$
IC = p_{11} - p_{10} - p_{01} + p_{00}
$$
($p_{11}$:両方あり、$p_{10}$, $p_{01}$:片方だけ、$p_{00}$:どちらもなし)
```{webr}
risk4 <- sapply(list(c(1, 1), c(1, 2), c(0, 1), c(0, 2)), function(v) {
d <- mutate(fram, DIABETES = v[1], SEX = v[2]) # 全員の年齢分布で標準化
mean(predict(fit_int, newdata = d, type = "response"))
})
names(risk4) <- c("糖尿病・男性", "糖尿病・女性", "なし・男性", "なし・女性")
round(risk4, 3)
# 女性であることと糖尿病の「両方」による上乗せ
IC <- risk4["糖尿病・女性"] - risk4["なし・女性"] - (risk4["糖尿病・男性"] - risk4["なし・男性"])
round(unname(IC), 3)
```
IC が 0 なら、加法の尺度では交互作用なし(糖尿病によるリスク差が男女で同じ)です。この例では、全員の年齢分布で標準化すると、糖尿病によるリスク差は男性 21 ポイント・女性 31 ポイントで、IC は約 10 ポイントです。信頼区間はブートストラップ(第 3 章)で求めます。
::: {.callout-important}
## この章のまとめ
- **交絡は取り除くもの、効果の修飾は報告するもの**
- 効果が違うかは、**交互作用項** で直接検定・推定する。「片方で有意・片方で有意でない」は証拠にならない
- サブグループ解析は事前に計画したものだけを主張する
- 交互作用の有無は **尺度で変わる**。オッズ比・リスク比(乗法)とリスク差(加法)の両方を示す
:::