2 その 1 行は誰か ― 観察単位とコーディング
記述統計の最初の一歩は、平均や割合を出すことではありません。 「このデータの 1 行は何を表しているのか」と「各列の値は何を意味するのか」 を確かめることです。
2.1 Framingham データを開く
11627 行あります。
このデータで「追跡期間中に亡くなった人の割合」を出すと、何 % になるでしょうか? 次のコードは正しいでしょうか?
死亡 3527 人(30.3%)、平均年齢 54.8 歳 …… これらはどれも 間違い です。
2.2 1 行 = 1 人 とは限らない
ID の数を数えてみます。
参加者は 4434 人 です。1 人につき最大 3 回の診察があり、診察ごとに 1 行が 縦に 並んでいる(いわゆる long 形式の)データでした。 1 人の行を取り出してみます。
AGE,SYSBPは 診察ごとに変わる(その時点の値)DEATH,TIMEDTHは 全行で同じ(その人が 24 年の追跡期間中に亡くなったか)
つまり、全行の DEATH を合計すると、同じ人の死亡を 2 回、3 回と数えて しまいます。 しかも、診察に 3 回来た人ほど多く数えられます。
2.2.1 解析の単位をそろえる
「参加者の特性」を記述するなら、1 人 1 行 にそろえます。ここでは初回の診察(PERIOD == 1、ベースライン)を使います。
死亡は 1550 人(35.0%)、ベースラインの平均年齢は 49.9 歳 でした。
- 同じ人の 複数回の受診・健診・検査(縦断データ)
- レセプトの 傷病名・処方 の行(1 回の受診で何行にもなる)
- 別のテーブルとの 結合(join) で、キーが 1 対多になっていた
- データの 二重登録(転院・ID の振り直し)
n_distinct(ID) == nrow(data) の確認は、どんなデータでも最初にやる価値があります。
2.3 コード値を数値として扱わない
次は列の意味です。性別の平均を取ってみます。
SEX は「1 = 男性, 2 = 女性」という コード です。平均 1.56 という数字には意味がありません。 学歴 educ(1〜4 の区分)の平均や中央値も同じです。 R は数字が入っていれば数値として計算してしまうので、コードブック(変数の定義表)を見て、型を直す 必要があります。
CURSMOKE(0/1)のような変数は、平均を取ると「1 の割合」になるので、そのまま使えます。 mean(base$CURSMOKE) は喫煙者の割合です。ただし、1 が何を意味するか(喫煙あり? なし?)はコードブックで確認しましょう。
2.4 単位と時間の尺度を確認する
TIMEDTH は 日数 です。最大値 8766 日 = 24 年。年単位だと思って解析すると、率やハザード比の単位を間違えます。
2.5 変数どうしの矛盾を確認する
関係のある変数どうしを クロス集計 すると、定義の違いや入力ミスに気づけます。
非喫煙者の本数はすべて 0 で、矛盾はありません。ただし 喫煙者のうち 32 人は本数が欠測(NA)です。
- 糖尿病「なし」なのに血糖 126 以上:24 人
- 糖尿病「あり」なのに血糖 125 以下:47 人
これはデータの誤りとは限りません。糖尿病の 定義(診断基準・治療中かどうか・空腹時の採血か)が、1 回の血糖値と一致しないのは普通です。 大事なのは、「糖尿病」という変数が何に基づいているかを確認し、論文の方法にそれを書く ことです。
- 最初に 1 行が何を表すか(人? 受診? 処方?)と ID の重複 を確認する
- 縦断データでは、目的に合わせて 1 人 1 行(ベースライン) などに単位をそろえてから記述する
- コード値(性別・学歴)は 因子(カテゴリ) にする。平均を取らない
- 単位(日・年、mg/dL・mmol/L)と、変数どうしの矛盾 を確認する