記述統計をあなどらない ハンズオン
解析の前に「その集団は誰か」を見る — 疫学・コホートの実データで
はじめに
English version available — Read in English (machine-assisted translation by generative AI).
疫学研究やコホート研究、健診・レセプトなどの大規模データの解析では、つい 回帰モデルやハザード比 に目が行きます。 しかし、結果の解釈を間違える原因の多くは、モデルの手前にあります。
- 1 行が「1 人」だと思っていたら、同じ人が何度も入っていた
- 平均値を報告したら、ごく一部の極端な値に引っぱられていた
- 欠測を除いて解析したら、元とは違う集団を見ていた
- 「日本人(米国人)の有病率」と書いたら、実は特定の層を多めに集めた標本だった
- 「喫煙は死亡と関係ない」という結果が出たが、喫煙者のほうが若かっただけだった
どれも、記述統計(その集団の特性を数え、並べ、眺めること) をていねいにやれば、解析の前に気づけます。
このハンズオンでは、実際の疫学データ を R で触りながら、記述統計を飛ばすとどう間違えるか、を体験します。 各章は「まず素直に解析する → 結果を予想・解釈する → 記述統計を見る → 解釈が変わる」という流れになっています。
このハンズオンのゴール
- 解析の前に「この 1 行は何か、この集団は誰か」を確認する習慣をつける
- 分布・欠測・選ばれ方・追跡・群の違いを、表と図で記述 できる
- 記述統計の結果から、解析の結果がどう歪みうるか を説明できる
- 自分のデータで使える 記述統計チェックリスト を持ち帰る
対象読者
- 疫学・臨床研究・ヘルスケアデータの解析に関わる方(これから関わる方)
- 平均・中央値・割合・ヒストグラムが分かる方(統計検定3級程度)
- R は「コードを読んで、少し書き換えて実行できる」程度で大丈夫です
ブラウザで R が動きます
各章のコードセルは、あなたのブラウザの中で R が実行されています(webR という技術)。 コードを書き換えて「Run Code」を押せば、すぐに結果が変わります。インストールは不要です。
- 各章を開いた直後は、R とパッケージの読み込みに 数十秒〜1分ほど かかります
- 読み込み中にタブを裏に回すと処理が遅くなるので、表示されるまでそのままお待ちください
- PC での閲覧を推奨します
各章には「予想してみよう」という問いがあります。答えを見る前に、一度自分で予想してみてください。 予想と結果がずれたところが、記述統計の大事さに気づくポイントです。
章構成
| 章 | テーマ | 使うデータ |
|---|---|---|
| 1 | 喫煙者のほうが長生き? ― 記述統計を飛ばすと何が起きるか | Whickham |
| 2 | その 1 行は誰か ― 観察単位とコーディング | Framingham |
| 3 | 平均の前に分布を見る ― 歪み・外れ値・丸め・上限 | Framingham, NHANES |
| 4 | 欠測を記述する ― 誰のデータが無いのか | NHANES, Framingham |
| 5 | この標本は誰を代表しているか ― 抽出と重み | NHANES |
| 6 | 追跡と脱落を記述する ― 誰が最後まで残ったか | Framingham |
| 7 | 群を比べる前に ― Table 1、交絡、p 値の罠 | Framingham, NHANES |
| 8 | 演習と記述統計チェックリスト | Framingham, NHANES |
使うデータ(すべて実データ)
Whickham(英国の喫煙と生存)
1972〜74 年に英国 Whickham で行われた調査の女性 1314 人と、その 20 年後の生死。 smoker(調査時の喫煙 Yes/No)、age(調査時の年齢)、outcome(20 年後 Alive/Dead)の 3 列だけの小さなデータです。 出典:Appleton DR, French JM, Vanderpump MPJ (1996) The American Statistician 50(4): 340–341。R の mosaicData パッケージ収録。
Framingham 心臓研究(教育用データ)
米国マサチューセッツ州フラミンガムで 1948 年に始まった、心血管疾患の代表的なコホート研究です。 ここで使うのは、米国 NHLBI が 教育用に匿名化・一部改変 したデータ(4434 人、最大 3 回の診察、24 年間の追跡)で、R の riskCommunicator パッケージに収録されています。
教育用データは、匿名化のためにデータの一部が改変されています。ここで得られた数値を研究結果として引用することはできません。
主な変数:
| 変数 | 意味 |
|---|---|
RANDID |
参加者 ID |
PERIOD |
診察の回(1, 2, 3) |
TIME |
初回診察からその診察までの日数 |
SEX |
性別(1 = 男性, 2 = 女性) |
AGE |
年齢 |
SYSBP, DIABP |
収縮期・拡張期血圧 (mmHg) |
TOTCHOL |
総コレステロール (mg/dL) |
GLUCOSE |
血糖 (mg/dL) |
BMI |
BMI |
CURSMOKE, CIGPDAY |
現在の喫煙 (0/1)、1 日の喫煙本数 |
DIABETES, BPMEDS |
糖尿病 (0/1)、降圧薬の服用 (0/1) |
PREVCHD |
診察の時点で冠動脈疾患の既往あり (0/1) |
DEATH, TIMEDTH |
追跡期間中の死亡 (0/1)、死亡または追跡終了までの日数 |
ANYCHD, TIMECHD |
冠動脈疾患の発症 (0/1)、発症または追跡終了までの日数 |
NHANES 2009–2012(米国国民健康栄養調査)
米国 CDC が実施している、全米を代表するように設計された健康調査です。 2009–2010 年と 2011–2012 年の 実際の標本(約 2 万人) を使います(R の NHANES パッケージの NHANESraw から列を絞ったもの)。 調査の重み(WTINT2YR など)が付いているのが特徴で、第 5 章で使います。
自分の PC で使う場合
install.packages(c("dplyr", "ggplot2", "survival", "survey", "gtsummary",
"cardx", "smd", "broom", "broom.helpers",
"mosaicData", "NHANES", "riskCommunicator"))ブラウザ版では、上の 3 つのデータを data/*.rds として読み込んでいます。 自分の PC では、mosaicData::Whickham、riskCommunicator::framingham、NHANES::NHANESraw で同じデータを使えます。