8 演習と記述統計チェックリスト
これまでの章の内容を、自分の手で使ってみます。 この章のコードセルは自動では実行されません。空欄(___)を埋めて「Run Code」 を押してください。解答例は各問の下に折りたたんであります。
8.1 記述統計チェックリスト
解析(モデル・検定)に入る前に、少なくとも次のことを確認します。演習でもこのリストを使います。
| # | 確認すること | 章 |
|---|---|---|
| 1 | 1 行は何か(人・受診・処方)。ID の重複はないか。解析の単位にそろえたか | 2 |
| 2 | コード値・単位・定義 をコードブックで確認したか(性別のコード、日数と年数、診断の定義) | 2 |
| 3 | 主要な変数の 分布を図で 見たか(歪み・極端な値・丸め・上限) | 3 |
| 4 | 誰の値か(子ども・既往のある人が混ざっていないか) | 3, 6 |
| 5 | 変数ごとの 欠測の数と理由、構造的な欠測(聞いていない・スキップ) | 4 |
| 6 | 解析に残った人と除外された人 を比べたか。除外の流れを報告できるか | 4 |
| 7 | 標本は 誰を代表しているか(抽出の設計・重み・参加の偏り) | 5 |
| 8 | 追跡期間・打ち切り・脱落・イベント数・人年 を記述したか | 6 |
| 9 | 比べる群の Table 1 を作り、偏りを SMD などの大きさで見たか | 7 |
| 10 | 記述の結果から、どの解析・どの解釈に注意が必要か を書き出したか | 全体 |
8.2 演習 1:降圧薬を飲んでいる人は早く亡くなる?
Framingham のベースラインで、降圧薬(BPMEDS)の服用と 24 年間の死亡の関係を調べます。
8.2.1 1-1. まず素直に比べる
降圧薬の有無ごとに、人数・死亡割合を出してください。
base |>
group_by(降圧薬 = BPMEDS) |>
summarise(人数 = n(), 死亡割合 = pct(DEATH))降圧薬あり 144 人の死亡割合は 66.0%、なし 4229 人は 33.6%。ハザード比も約 2.7 になります。
また、BPMEDS が 欠測(NA)の人が 61 人 います(死亡割合 52.5%)。欠測の人の死亡割合が高いことにも注意してください。
8.2.2 1-2. Table 1 を作る
降圧薬の有無で、年齢・収縮期血圧・高血圧の既往(PREVHYP)・糖尿病・冠動脈疾患の既往を比べる表を、SMD つきで作ってください。
base |>
filter(!is.na(BPMEDS)) |>
tbl_summary(by = BPMEDS, include = c(AGE, SYSBP, PREVHYP, DIABETES, PREVCHD),
statistic = all_continuous() ~ "{mean} ({sd})") |>
add_difference(test = everything() ~ "smd")降圧薬を飲んでいる人は、
- 平均 56 歳(なしは 50 歳)
- 収縮期血圧の平均 165 mmHg(なしは 132)
- 全員が高血圧(なしは 30%)、冠動脈疾患の既往 13.9%(なしは 3.9%)
で、どの SMD も大きい集団です。薬を飲んでいるのは 薬が必要なほど病気の重い人 だからです。 これを 適応による交絡(confounding by indication)と呼びます。薬の効果を観察データで調べるときに、最も注意すべき交絡の 1 つです。
8.2.3 1-3. 調整するとどうなるか
年齢・性別・収縮期血圧で調整した Cox 回帰で、ハザード比がどう変わるかを見てください。
fit2 <- coxph(Surv(TIMEDTH, DEATH) ~ BPMEDS + AGE + SEX + SYSBP, data = base)ハザード比は 2.69 → 1.29 に下がります。それでも 1 より大きいのは、「降圧薬を飲むほどの高血圧の期間・重さ・合併症」を、1 回の血圧の値では調整しきれていない(残差交絡)ためと考えられます。 この結果から「降圧薬は死亡を増やす」とは言えません。降圧薬の効果は、ランダム化比較試験で調べられています。
8.3 演習 2:米国成人の高血圧の割合
NHANES で「米国の成人のうち、収縮期血圧が 140 mmHg 以上の人の割合」を報告します。
8.3.1 2-1. 対象と欠測を確認する
20 歳以上に絞り、収縮期血圧(BPSysAve)の欠測数と、検診車の重み(WTMEC2YR)が 0 の人数を数えてください。
c(人数 = nrow(adults),
血圧の欠測 = sum(is.na(adults$BPSysAve)),
検診車の重みが0 = sum(adults$WTMEC2YR == 0))11778 人のうち、血圧の欠測は 926 人。そのうち 400 人は 検診車に来ていない(面接だけ)ので、検診車の重みが 0 です。 血圧のような検診車での測定項目には、面接の重み(WTINT2YR)ではなく 検診車の重み(WTMEC2YR) を使います。
8.3.2 2-2. 重みなしと重みありで推定する
design <- svydesign(ids = ~SDMVPSU, strata = ~SDMVSTRA, weights = ~WT, nest = TRUE,
data = nhanes |> mutate(WT = WTMEC2YR / 2, htn = BPSysAve >= 140))重みなしは 16.1%、重みありは 12.9%(95% 信頼区間 11.9–13.9%)。 NHANES は高齢者や黒人など、血圧の高い集団を多めに集めているので、重みなしでは過大になります。
8.3.3 2-3. 報告の文章を書く
ここまでの記述をもとに、結果を 2〜3 文で書いてみてください。何を書き添えるべきでしょうか?
NHANES 2009–2012 の 20 歳以上の参加者 11778 人のうち、血圧の測定値がある 10852 人を解析した。調査の重みを用いて推定した、収縮期血圧 140 mmHg 以上の人の割合は 12.9%(95% 信頼区間 11.9–13.9%)であった。
書き添えるとよいこと:
- 定義:1 回の検診での複数回測定の平均で、収縮期血圧だけで判定している(拡張期血圧や降圧薬の服用は考慮していない)。「高血圧の有病率」とは定義が違う
- 除外:血圧の欠測 926 人(うち 400 人は検診車に来ていない)
- 年齢の分布:20–39 歳では約 3%、60 歳以上では約 29%(重みあり)と、年齢で大きく違う
8.4 演習 3:確認問題
健診データ 100 万行で、「受診者の平均 BMI は 23.5」と報告しようとしています。最初に確認すべきことは何ですか?
1 行が何か(1 人 1 行か、受診 1 回 1 行か)。毎年受診する人は何度も数えられ、受診回数の多い人(高齢者・定期受診者)の値に偏ります(第 2 章)。
入院データで「入院日数の平均は 18 日」でした。この数字をそのまま「典型的な入院日数」と言ってよいですか?
入院日数は 右に歪んだ分布(ごく一部の長期入院)になりやすいので、平均は典型的な値より大きくなります。ヒストグラムを見て、中央値(IQR)で記述します(第 3 章)。
回帰モデルの結果に「n = 3,200(元のデータは 10,000 人)」と表示されていました。何を確認しますか?
どの変数の欠測で、誰が除外されたか。構造的な欠測(スキップされた質問)で特定の集団が丸ごと消えていないか、残った人と除外された人の特徴を比べます(第 4 章)。
ある疾患の患者レジストリ(専門病院 5 施設)で、「この疾患の 5 年生存率は 85%」でした。この数字を、一般の患者への説明に使ってよいですか?
専門病院に紹介されて登録された患者は、一般の患者とは重症度や受診行動が違う 可能性があります。登録された人がどんな集団か(年齢・重症度・紹介元・登録の時期)を記述し、当てはまる範囲を考えます(第 5 章)。
10 万人の観察研究で、Table 1 のすべての変数に p < 0.001 が付いていました。2 群は「大きく違う」と言えますか?
言えません。人数が多いと、ごく小さな差でも p 値は小さくなります。SMD などの差の大きさで判断します(第 7 章)。
8.5 おわりに
記述統計は、解析の「前座」ではなく、解析結果を正しく読むための土台 です。
- 第 1 章:粗い比較は、群の背景の違いで 逆転 する
- 第 2 章:1 行が誰か を確かめないと、同じ人を何度も数える
- 第 3 章:平均の前に 分布 を見る
- 第 4 章:欠測を除くと、違う集団 を解析していることがある
- 第 5 章:標本は 母集団そのものではない
- 第 6 章:追跡の最後に残るのは 元気な人
- 第 7 章:群を比べる前に Table 1、偏りは p 値ではなく大きさ で
自分のデータでも、モデルを回す前に、このハンズオンのチェックリストを 1 つずつ確認してみてください。