3  平均の前に分布を見る

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)。

3.1 要約統計量だけを見る

ノート予想してみよう

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?

3.2 歪んだ分布:血糖

  • 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)

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。

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。

ヒント歪んだ分布の記述
  • 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

3.3 極端な値:入力ミスか、本当の値か

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。

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。

警告「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。

3.4 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。

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 …)

3.5 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。

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。

3.6 誰の値が混ざっているか:NHANES の身長

「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。

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。

重要この章のまとめ
  • 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