記述統計をあなどらない

解析の前に「その集団は誰か」を見る — 疫学・コホートの実データで

今日のゴール

  1. 解析の前に「この 1 行は何か、この集団は誰か」を確認する習慣をつける
  2. 分布・欠測・選ばれ方・追跡・群の違いを 表と図で記述 できる
  3. 記述の結果から、解析結果がどう歪みうるか を説明できる
  4. 記述統計チェックリスト を持ち帰る

ヒント

詳しい解説・ブラウザで動く R・演習は ハンズオンブック にあります

使うデータ(すべて実データ)

データ 内容
Whickham 英国の女性 1314 人。1972–74 年の喫煙と 20 年後の生死
Framingham(教育用) 米国の心臓研究。4434 人、最大 3 回の診察、24 年追跡
NHANES 2009–12 米国の国民健康栄養調査。約 2 万人、調査の重みつき

1. 喫煙者のほうが長生き?

まず素直に比べる

喫煙 人数 死亡 20年後の死亡割合 (%)
No 732 230 31.4
Yes 582 139 23.9


ロジスティック回帰:オッズ比 0.68(95% CI 0.54–0.88)、p = 0.003

→ 「喫煙は死亡リスクを下げる」?

2 群の年齢を見ると

  • 65–84 歳の喫煙者は 21% だけ。その年齢層の 86% が 20 年以内に死亡
  • どの年齢層でも喫煙者のほうが死亡割合が高い(シンプソンのパラドックス)

教訓

計算は間違っていない。間違えたのは 解釈。

原因:比べる前に「それぞれの群はどんな人たちか」を記述しなかった

章 記述しないと起きること
2 同じ人を何度も数える、コード値を平均する
3 歪み・異常値・丸め・上限を見落とす
4 欠測を除いたら違う集団になっていた
5 標本の割合を母集団の割合と思い込む
6 追跡で残った「元気な人」だけで結論する
7 背景の違う群を比べる、巨大 N の p 値に振り回される

2. その 1 行は誰か

Framingham:11627 行

RANDID PERIOD TIME AGE SYSBP DEATH TIMEDTH
6238 1 0 46 121 0 8766
6238 2 2156 52 105 0 8766
6238 3 4344 58 108 0 8766


集計 全行で計算 1 人 1 行で計算
人数 11627 4434
死亡 3527 人(30.3%) 1550 人(35.0%)
平均年齢 54.8 歳 49.9 歳

確認すること

  • 1 行は何か:人? 受診? 処方? → n_distinct(ID) == nrow(data)
  • コード値:SEX(1 = 男性, 2 = 女性)の平均 = 1.56 …… 意味なし → 因子に
  • 単位:TIMEDTH は 日数(最大 8766 日 = 24 年)
  • 変数どうしの矛盾:糖尿病「なし」で血糖 126 以上が 24 人、「あり」で 125 以下が 47 人
    • 誤りとは限らない。定義 を確認して方法に書く

3. 平均の前に分布を見る

血糖:平均 82、SD 24 …… 平均 − 2SD = 34?

右の裾は 糖尿病の 121 人(2.7%)。最小値は 40。→ 中央値 (IQR) で記述し、裾が誰かを見る

丸め(ヒーピング)と上限(トップコーディング)

  • 喫煙者の 35.6% が「ちょうど 20 本」:自己申告はキリのよい数に積み上がる(測定誤差、区切り位置に注意)
  • NHANES の 「80」は 80 歳以上(788 人、79 歳は 87 人):公開データは個人特定を防ぐため上限で打ち切る

極端な値と「誰の値か」

  • 総コレステロール 696 mg/dL → 5 年後も 614 → 入力ミスより 本当の値 らしい
    • 「平均 ± 3SD を除外」は、最もリスクの高い人を消す ことがある
  • NHANES の平均身長 156 cm? → 20 歳未満が 42% 含まれていた(成人は 167 cm)

4. 欠測を記述する

完全ケース解析で、誰が消えるか

NHANES 成人 11778 人。モデルの変数:年齢・性別・人種・学歴・貧困指数・BMI・血圧・コレステロール・現在の喫煙

集団 人数 女性 白人 喫煙歴あり
全員 11778 51.2 42.6 44.5
完全ケース 4138 41.0 52.5 100.0
完全ケース(スキップを修正) 9202 50.7 45.3 45.0

「現在吸っているか」は 100 本以上吸った人にしか聞いていない → 吸ったことのない人は全員 NA → 全員除外

欠測は「誰に」起きているか

  • 構造的な欠測:テストステロンは 2011–12 年だけ、うつは 18 歳以上だけ、HDL は 3 回目の診察だけ
  • 収入の欠測:ヒスパニック系 36% vs 23%、高校中退以下 38% vs 25%
  • まとめて欠測:血圧が欠測の人は、コレステロール 53%・健康状態の質問 76% も欠測(検診車に来ていない)

→ 欠測した人と、していない人を 比べる。除外は 段階ごとに人数を報告

5. この標本は誰を代表しているか

NHANES:重みなし vs 重みあり

指標 重みなし(標本) 重みあり(米国成人)
白人の割合 42.6 67.2
60歳以上の割合 32.8 25.3
糖尿病の割合 14.2 10.6

ヒスパニック系・黒人・低所得・高齢者などを わざと多めに抽出 → 重みなしでは糖尿病が 過大

大きいデータ ≠ 代表的なデータ

  • 重みのないコホート(健診・レセプト・電子カルテ)は、誰が入っているかを記述 するしかない
  • Framingham:1 つの町、ほぼ白人、参加に同意した人
  • UK Biobank(約 50 万人):参加率 約 5.5%、一般集団より健康(Fry et al., 2017)

警告

人数が多くても 選ばれ方の偏りは小さくならない。信頼区間が狭いぶん、偏った値を自信満々に報告してしまう

6. 追跡と脱落

3 回目の診察に来たのは誰か(ベースラインの特徴)

その後 人数 平均年齢 収縮期血圧 糖尿病 (%) 冠動脈疾患の既往 (%)
3回目に参加 3263 48.7 130 1.8 2.4
3回目までに死亡 590 55.7 147 8.0 14.2
生存しているが不参加 581 50.8 134 2.8 5.7

最後まで残るのは 若く健康な人(生存者バイアス)

追跡を記述する

  • 追跡期間・打ち切り・イベント数・人年:4434 人、91116 人年、死亡 1550 人
  • 既往のある人を除く:CHD 既往の 194 人は「発症までの日数 0」→ 含めると発症 28.0%、除くと 24.7%
  • 群ごとのイベント数:糖尿病 109 人で CHD 発症 55 件 → 層別や多変数調整ですぐ不安定に

7. 群を比べる前に

喫煙と死亡(Framingham)

喫煙 人数 平均年齢 男性 (%) 死亡率 /1000人年
非喫煙 2253 51.7 34.1 16.3
喫煙 2181 48.1 53.9 17.7


  • 粗いハザード比 1.09(0.99–1.20)→「関連なし」?
  • 喫煙者は 4 歳若く、男性が多い(年齢の SMD 0.43)
  • 年齢層ごとでは喫煙者の死亡率が 1.4〜1.9 倍、年齢・性別で調整すると 1.40(1.26–1.56)

p 値は差の大きさではない

NHANES 成人の安静時脈拍:女性 74.1、男性 70.9 拍/分(差 約 3、SMD 0.27)

Table 1 の偏りは SMD(目安:|SMD| ≥ 0.1)で見る

まとめ

記述統計チェックリスト

  1. 1 行は何か、ID の重複、解析の単位
  2. コード値・単位・定義
  3. 分布を図で(歪み・極端な値・丸め・上限)
  4. 誰の値か(子ども・既往のある人)
  5. 欠測の数と理由、構造的な欠測
  6. 残った人と除外された人 の比較、除外の流れ
  7. 標本は 誰を代表しているか(抽出・重み・参加の偏り)
  8. 追跡期間・打ち切り・脱落・イベント数・人年
  9. 群の Table 1 と SMD
  10. 記述から、注意すべき解析・解釈 を書き出す

演習(ハンズオンブック 第 8 章)

  • 降圧薬を飲んでいる人は早く亡くなる?(Framingham)
    • 粗いハザード比 2.69 → Table 1 を見ると …… 適応による交絡
  • 米国成人の収縮期血圧 140 以上の割合は?(NHANES)
    • 重みなし 16.1% vs 重みあり 12.9%、定義と除外をどう書くか

ヒント

ブラウザで R が動くので、インストール不要で試せます