1  喫煙者のほうが長生き?

ヒントこの章はブラウザ上で R を実行できます

コードセルは 編集して「Run Code」を押すと再実行 できます(R はあなたのブラウザ内で動いています)。 初回はパッケージの読み込みに数十秒かかります。

最初に、記述統計を飛ばして「いきなり解析」すると何が起きるかを体験します。

1.1 データ:Whickham の女性 1314 人

1972〜74 年に英国の Whickham という町で、女性の喫煙習慣を調べました。20 年後に、その女性たちが生きているかどうかを追跡しています。

  • smoker:調査時に喫煙していたか(Yes / No)
  • age:調査時の年齢
  • outcome:20 年後に生存(Alive)か死亡(Dead)か
ノート予想してみよう

喫煙者と非喫煙者で、20 年後に亡くなっていた人の割合はどちらが高いでしょうか?

1.2 まず素直に比べる

喫煙者の死亡割合 (23.9%) のほうが、非喫煙者 (31.4%) より低い という結果になりました。

「念のため」ロジスティック回帰で検定もしてみます。

オッズ比 0.68(95% 信頼区間 0.54–0.88)、p = 0.003。統計的に有意に、喫煙者のほうが死ににくい ……。

この結果を「喫煙は死亡リスクを下げる」と報告してよいでしょうか?

1.3 解析の前にやるべきだったこと:2 群の特性を見る

比べている 2 つの群が、喫煙以外の点でどう違うのか を、まず見るべきでした。 このデータで手元にある、もう 1 つの変数は年齢です。

平均年齢は 4 歳しか違いませんが、65 歳以上の割合は大きく違います。分布を図で見てみます。

年齢層ごとに、喫煙者の割合と 20 年後の死亡割合を並べます。

  • 65–84 歳の喫煙者は 20.6% しかいない(この世代の女性は喫煙が少なかった)
  • その 65–84 歳の 86% は 20 年後に亡くなっている(年齢が高いので当然)

つまり「非喫煙者」の群には、20 年以内に亡くなる可能性の高い高齢者が多く含まれていた のです。

1.4 年齢をそろえて比べる

同じ年齢層の中で、喫煙者と非喫煙者の死亡割合を比べます。

どの年齢層でも、喫煙者のほうが死亡割合が高い(または同程度)。全体で比べたときと逆の結論です。

このように、全体で見たときと、層に分けて見たときで関係が逆転する現象を シンプソンのパラドックス と呼びます。 ここでは年齢が、喫煙(高齢者は吸わない)と死亡(高齢者は亡くなりやすい)の両方に関係している 交絡因子 です。

年齢をモデルに入れると、オッズ比は 1 を超えます。

警告「年齢を調整すれば解決」ではない

今回は年齢という交絡因子にたまたま手元で気づけました。しかし、何で調整すべきかは、記述統計で 2 群の違いを見て初めて分かります。 2 群の特性を並べる表(Table 1)を作らずにモデルだけを回すと、調整すべき変数の見落としにも気づけません(第 7 章)。

1.5 何を見落としたのか

最初の解析は、計算としては何も間違っていません。間違えたのは 解釈 です。 その原因は、比べる前に「それぞれの群はどんな人たちか」を記述しなかったことでした。

この「記述しないと解釈を誤る」パターンは、交絡だけではありません。次の章からは、実際の疫学データで、

章 記述しないと起きること
2 同じ人を何度も数える、コード値を数値として平均する
3 歪んだ分布や異常値・丸めを見落とし、要約統計量が実態とずれる
4 欠測を除いたら、元とは違う集団を解析していた
5 標本の割合を、そのまま母集団の割合だと思い込む
6 追跡で残った「元気な人」だけで結論を出す
7 背景の違う群を比べる、巨大な N の p 値に振り回される

を、順に体験していきます。

重要この章のまとめ
  • 粗い比較(全体の比較)だけでは、群どうしの 背景の違い が混ざる
  • 比べる前に、群ごとの特性(年齢・性別など)を記述 する
  • 記述統計で背景の違いに気づけば、層別・調整などの対処や、解釈の限界が分かる