5  この標本は誰を代表しているか ― 抽出と重み

記述統計の数字は「このデータに入っている人」の特徴です。 それが「知りたい集団(母集団)」の特徴と同じとは限りません。この章では、その差がどれくらい大きくなりうるかを NHANES で体験します。

5.1 素直に数える:米国成人の糖尿病の割合

NHANES は「米国民の健康状態を知るための調査」です。20 歳以上の 11778 人で、糖尿病の割合と人種の内訳を出してみます。

糖尿病 14.2%、白人 42.6%、黒人 21.9%、メキシコ系 14.3% ……。

ノート予想してみよう

2010 年頃の米国の成人で、白人(ヒスパニック系を除く)の割合はおよそ何 % だと思いますか? このデータの 42.6% は、それに近いでしょうか?

5.2 NHANES は「わざと偏らせて」集めている

NHANES は、全米から無作為に選ぶだけでなく、特定の集団を多めに選んでいます(過剰抽出、oversampling)。 2009–2012 年は、ヒスパニック系(メキシコ系を含む)、黒人、低所得の人、80 歳以上の人など(2011 年からはアジア系も)が多めに選ばれました。 人数の少ない集団でも、その集団の中の推定が十分な精度になるようにするためです。

その代わりに、各参加者には「この人は母集団の何人分を代表しているか」という 重み(WTINT2YR など)が付いています。

白人 1 人は平均で約 5 万 9 千人分、黒人・ヒスパニック系の 1 人は約 2 万人分を代表しています(2 年分の調査あたり)。 同じ 1 人でも、白人は黒人の約 3 倍の人数を代表している ことになります。 重みを使わずに数えると、多めに集めた集団の声が大きくなりすぎる のです。

5.3 重みを使って推定する

R の survey パッケージで、調査の設計(重み・層・クラスター)を指定します。

重みなし(標本) 重みあり(米国成人の推定)
白人の割合 42.6% 67.2%
60 歳以上の割合 32.8% 25.3%
平均年齢 49.3 歳 47.2 歳
糖尿病の割合 14.2% 10.6%

重みなしの糖尿病の割合 14.2% は、糖尿病の多い集団(黒人・ヒスパニック系・高齢者)を多めに集めた結果 でした。 米国成人の推定値は 10.6%(95% 信頼区間 9.8–11.4%)で、重みなしの値はこの区間から大きく外れています。

人種ごとの糖尿病の割合を見ると、なぜずれたのかが分かります。

5.3.1 重みなしと重みありを並べる

カテゴリ変数の割合を、重みなし・重みありで並べる表を作ってみます。

ノートgtsummary を使う場合

gtsummary の tbl_svysummary() を使うと、重みつきの Table 1 を 1 行で作れます(tbl_svysummary(design_adults, include = c(Age, Race1, Diabetes)))。 自分の PC の R で試してください(ブラウザ版の R では、執筆時点でパッケージのバージョンの組み合わせによりエラーになります)。

ヒント重みを使うときの注意
  • 推定の母集団の人数は、重みの合計になる(2 サイクルを合わせるときは重みを 2 で割る。割らないと人口が 2 倍になる)
  • 面接だけの項目は WTINT2YR、検診車での測定(血圧・採血など)は WTMEC2YR を使う
  • 対象の絞り込み(成人だけ、など)は、subset(design, ...) で行う。データを先に filter() すると、標準誤差が正しく計算されない

5.4 重みのないコホートでは

NHANES のように「母集団を代表するように設計され、重みがある」データはむしろ少数派です。 多くのコホート研究や、健診・レセプト・電子カルテのデータには重みがありません。その場合は、誰が入っているのかを記述し、どの集団に当てはまる結果かを考える しかありません。

Framingham 研究の参加者は、

  • 1 つの町(マサチューセッツ州フラミンガム)の住民
  • 30〜62 歳で参加した成人(このデータのベースラインは 32〜70 歳)
  • ほとんどが白人
  • 研究への参加に同意した人(健康意識の高い人が集まりやすい)

です。たとえば「血圧が 10 mmHg 高いと心疾患リスクが何倍」という 関連 は、ほかの集団でも似た値になることが多い一方で、 「心疾患の発症率は何 %」という 頻度 は、そのまま日本の成人などには当てはまりません。

警告大きいデータ = 代表的なデータ ではない

英国の大規模コホート UK Biobank(約 50 万人)は、招待した人のうち 約 5.5% しか参加しておらず、参加者は英国の一般集団より喫煙者・肥満・死亡率が少ないことが報告されています(Fry et al., Am J Epidemiol 2017)。 人数がいくら多くても、選ばれ方の偏りは小さくなりません。むしろ信頼区間が狭くなるぶん、偏った推定値を自信満々に報告してしまう危険があります。

重要この章のまとめ
  • 記述統計は「データに入っている人」の特徴。母集団の特徴とは限らない
  • 抽出確率の違う調査(NHANES など)では、重みを使わないと有病率・平均を大きく誤る
  • 重みのないコホートでは、誰が・どう選ばれて入ったか を記述し、結果を当てはめられる範囲を考える
  • 頻度(有病率・発症率)は選ばれ方の影響を強く受ける。関連(相対リスク)も無関係ではない