---
webr:
packages: [dplyr, ggplot2]
resources: [R/setup.R, data/whickham.rds, data/framingham.rds, data/nhanes.rds]
cell-options:
autorun: true
---
{{< include ./_extensions/r-wasm/live/_knitr.qmd >}}
# 平均の前に分布を見る {#sec-distribution}
```{webr}
#| include: false
source("R/setup.R")
base <- framingham |> filter(PERIOD == 1)
```
平均値や標準偏差は、分布が **左右対称でひと山** のときにうまく働く要約です。
実際の疫学データは、歪んでいたり、ひと握りの極端な値があったり、人が数字を丸めて答えていたり、上限で打ち切られていたりします。
この章では、**要約統計量を出す前に図を見る** ことで何に気づけるかを体験します。
前章で作ったベースライン(1 人 1 行)のデータ `base` を使います(読み込み済みです)。
## 要約統計量だけを見る
```{webr}
summary(base[, c("SYSBP", "TOTCHOL", "GLUCOSE", "BMI")])
```
::: {.callout-note}
## 予想してみよう
血糖 `GLUCOSE` の平均は 82、標準偏差は約 24 mg/dL です。
「平均 ± 2SD(34〜131)に約 95% の人が入る」と考えてよいでしょうか? 分布はどんな形だと思いますか?
:::
## 歪んだ分布:血糖
```{webr}
base |>
filter(!is.na(GLUCOSE)) |>
ggplot(aes(GLUCOSE)) +
geom_histogram(binwidth = 5, fill = "steelblue", colour = "white") +
geom_vline(xintercept = mean(base$GLUCOSE, na.rm = TRUE), colour = "red") +
geom_vline(xintercept = median(base$GLUCOSE, na.rm = TRUE), colour = "orange", linetype = 2) +
labs(x = "血糖 (mg/dL)", y = "人数", title = "赤:平均、橙:中央値")
```
- ほとんどの人は 60〜110 に集まり、**右に長い裾**(最大 394)がある
- 平均 (82) は裾に引っぱられて、中央値 (78) より大きい
- 平均 − 2SD = 34 mg/dL のような低血糖の人は、実際には 1 人もいない(最小 40)
```{webr}
c(平均 = mean(base$GLUCOSE, na.rm = TRUE), SD = sd(base$GLUCOSE, na.rm = TRUE))
quantile(base$GLUCOSE, c(0.025, 0.25, 0.5, 0.75, 0.975), na.rm = TRUE)
```
**裾にいるのは誰か** を見ると、分布の形の理由が分かります。
```{webr}
base |>
group_by(糖尿病 = DIABETES) |>
summarise(人数 = n(), 平均 = mean(GLUCOSE, na.rm = TRUE), 中央値 = median(GLUCOSE, na.rm = TRUE))
```
```{webr}
base |>
filter(!is.na(GLUCOSE)) |>
mutate(糖尿病 = factor(DIABETES, 0:1, c("糖尿病なし", "糖尿病あり"))) |>
ggplot(aes(GLUCOSE)) +
geom_histogram(binwidth = 5, fill = "steelblue", colour = "white") +
facet_wrap(~ 糖尿病, ncol = 1, scales = "free_y") + # 人数の目盛りは別々
labs(x = "血糖 (mg/dL)", y = "人数")
```
右の裾にいるのは、主に **糖尿病の 121 人(全体の 2.7%)** です(血糖 200 以上の 36 人は全員が糖尿病)。つまり、血糖の分布は「健康な大多数」と「糖尿病の少数」という **性質の違う集団の混ざりもの** でした。
::: {.callout-tip}
## 歪んだ分布の記述
- **中央値(四分位範囲 IQR)** で記述する(論文の Table 1 でもよく使う)
- 裾が特定の集団(ここでは糖尿病)なら、その集団を **分けて記述** する
- 回帰モデルに入れるときは、対数変換や区分化、外れ値の影響を検討する
:::
## 極端な値:入力ミスか、本当の値か
```{webr}
base |>
filter(TOTCHOL >= 450 | SYSBP >= 240) |>
select(RANDID, SEX, AGE, TOTCHOL, SYSBP, DIABP, BPMEDS)
```
総コレステロール 696 mg/dL、収縮期血圧 295 mmHg などがあります。
極端な値を見つけたら、**機械的に消すのではなく、本当にあり得るかを確かめます**。
```{webr}
# 総コレステロール 600 以上の人の、全診察の値
ids <- base |> filter(TOTCHOL >= 600) |> pull(RANDID)
framingham |> filter(RANDID %in% ids) |> select(RANDID, PERIOD, AGE, TOTCHOL)
```
696 mg/dL の人は、5 年後の診察でも 614 mg/dL でした。**繰り返し高い** ので、入力ミスより家族性高コレステロール血症などの本当の値の可能性が高そうです。
一方、1 回だけ桁が 1 つずれたような値(例:身長 1700 cm)なら入力ミスを疑います。
::: {.callout-warning}
## 「外れ値は除外」の落とし穴
疫学では、**極端な値の人ほど病気になりやすい**(高血圧・高コレステロール)ことが多くあります。
「平均 ± 3SD を外れ値として除外」のように機械的に除くと、**最もリスクの高い人を解析から消す** ことになりかねません。
除外するなら、基準(生理的にあり得ない範囲など)を **解析前に決めて、何人除いたかを報告** します。
:::
## 丸められた数字:喫煙本数
自己申告の数字は、人が **キリのよい数字に丸めて** 答えがちです。
```{webr}
smokers <- base |> filter(CURSMOKE == 1, !is.na(CIGPDAY))
ggplot(smokers, aes(CIGPDAY)) +
geom_bar(fill = "steelblue") +
labs(x = "1日の喫煙本数", y = "人数")
```
```{webr}
c(喫煙者 = nrow(smokers),
ちょうど20本 = pct(smokers$CIGPDAY == 20),
`10の倍数` = pct(smokers$CIGPDAY %% 10 == 0),
`5の倍数` = pct(smokers$CIGPDAY %% 5 == 0))
```
喫煙者の **35.6% が「ちょうど 20 本(1 箱)」**、78% が 5 の倍数と答えています。
このような **ヒーピング(heaping、数字の積み上がり)** は、年齢・体重・飲酒量・睡眠時間・症状の持続期間など、自己申告の数値でよく起こります。
- 「20 本」と答えた人の本当の本数は、15〜25 本くらいに散らばっている(**測定誤差**)
- 本数を細かく区切って量反応関係を見ると、20 本のところに不自然な段差が出ることがある
- 区切り(カテゴリ化)は、**積み上がりの山をまたがない位置** に置く(例:1–9, 10–19, 20, 21 以上 …)
## 上限で打ち切られた値:NHANES の年齢
NHANES の年齢の分布を見ます。
```{webr}
ggplot(nhanes, aes(Age)) +
geom_bar(fill = "steelblue") +
labs(x = "年齢", y = "人数")
```
```{webr}
nhanes |> filter(Age >= 75) |> count(Age)
```
79 歳は 87 人なのに、**80 歳は 788 人**。80 歳の人が急に増えたわけではありません。
NHANES では、個人の特定を防ぐために **80 歳以上をすべて「80」として記録** しています(トップコーディング)。
- 「80」は「80 歳以上」という意味。80 歳以上の平均年齢や、90 代の特徴はこのデータでは分からない
- 年齢を連続変数としてモデルに入れると、80 歳以上の人を全員 80 歳として扱うことになる
同じことは、所得(「○○ドル以上」)、検査値の **測定範囲の上限・下限**(「検出限界未満」)、自己申告の上限(「10 回以上」)などでも起こります。
## 誰の値が混ざっているか:NHANES の身長
```{webr}
mean(nhanes$Height, na.rm = TRUE)
```
「米国人の平均身長は 156 cm」? 分布を見ると理由が分かります。
```{webr}
nhanes |>
filter(!is.na(Height)) |>
ggplot(aes(Height)) +
geom_histogram(binwidth = 2, fill = "steelblue", colour = "white") +
labs(x = "身長 (cm)", y = "人数")
```
```{webr}
c(`20歳未満の割合` = pct(nhanes$Age < 20),
`20歳以上の平均身長` = round(mean(nhanes$Height[nhanes$Age >= 20], na.rm = TRUE), 1))
```
NHANES には **子ども(0 歳〜)も含まれていて、20 歳未満が 42%** です。左の長い裾は子どもでした。
平均値そのものに間違いはありませんが、**「誰の平均か」を確かめずに解釈すると間違えます**。成人の身長を知りたければ、成人に絞ってから記述します。
::: {.callout-important}
## この章のまとめ
- 要約統計量の前に **ヒストグラム・棒グラフ** を見る
- **歪んだ分布** は中央値 (IQR) で記述し、裾にいる人が誰かを確認する
- **極端な値** は機械的に消さず、本当にあり得るかを確かめる。除外基準は事前に決めて報告する
- 自己申告の数値には **丸め(ヒーピング)**、公開データには **上限の打ち切り** がある
- 平均を出す前に、**その中に誰が含まれているか**(子ども・病人)を確認する
:::