量的データの統計量を数式からイメージ化：重回帰分析・ロジスティック回帰分析の読み方

この章の要点最初に押さえる結論は、統計解析の数字を単独で読まないことです。まず「何を結果として説明したいのか」という目的変数を確認し、次に係数やオッズ比がどの単位の変化を示すか、95％信頼区間でどれほど不確実か、最後にその解釈を支える前提が満たされているかを見ます。

たとえば「年齢の係数が−2.0」だけでは意味が決まりません。目的変数が点数なのか血圧なのか、年齢が1歳単位か10歳単位か、ほかにどの変数を調整したかで、同じ−2.0でも文章は変わります。さらに、横断研究で得た関連を「年齢が原因で点数が下がった」と言い換えることはできません。

読む順序は次の5段階です。

1. 対象、研究デザイン、目的変数、測定時点を確認する。
2. 目的変数が連続値、二値、件数、時間のどれかを確認する。
3. 係数の向き、大きさ、単位、基準群、調整因子を文章に直す。
4. 95％信頼区間で推定の幅を見て、p値は補助的に読む。
5. 欠測、外れ値、残差、交絡、反復測定、モデル検証を確認し、どこまで臨床へ一般化できるかを判断する。

この順序なら、数式は難しい記号の集まりではなく、比較条件を固定した地図として読めます。

この章の要点量的データは、中心と散らばりをセットで読みます。平均だけでは、同じ平均でも値が密集している集団と大きく散らばる集団を区別できないからです。

平均は次の式です。

x̄ = Σxᵢ / n

Σは「すべて足す」、nは人数、xᵢは一人ひとりの値です。つまり平均は、全員の値を一度まとめてから等しく分け直した中心とイメージできます。ただし、少数の非常に大きい値や小さい値に引っ張られます。分布が左右非対称なら、値を小さい順に並べた中央の値である中央値も確認します。

標本標準偏差は、一般に次の式で表します。

s = √{Σ(xᵢ − x̄)² / (n − 1)}

各値と平均の差を求め、正負が打ち消し合わないよう二乗し、まとめて平均的な散らばりを求め、最後に平方根で元の単位へ戻しています。したがって、身長の標準偏差はcm、得点の標準偏差は点で読めます。母集団全体を記述する分散では分母にnを使う定義もあり、標本から母分散を推定する式のn−1とは目的が異なります。

標準偏差が大きいほど値は広く散らばりますが、「平均±1SDに必ず何％入る」とは限りません。その割合は分布の形に依存します。歪みや長い裾がある場合は、中央値と、中央50％の範囲を示す四分位範囲（IQR＝第3四分位数−第1四分位数）が適しています。ヒストグラムや箱ひげ図を併用すると、外れ値や歪みを数字だけより見つけやすくなります。

SDとSEは別物です。SDは個人データの散らばり、標準誤差（SE）は平均や係数などの推定値が標本ごとにどれほど揺れるかの尺度です。平均のSEは単純無作為標本などの条件下で概ねs/√nとなり、nが増えると小さくなります。個人差を示す箇所でSEをSDの代わりに使うと、集団のばらつきを実際より小さく見せるおそれがあります。

この章の要点相関係数rは、2つの量が直線的に一緒に動く向きと強さを、−1から1で表します。正なら一方が大きいほど他方も大きい傾向、負なら一方が大きいほど他方は小さい傾向、0に近ければ直線的な関係が弱いことを示します。

r = Σ(xᵢ−x̄)(yᵢ−ȳ) / √{Σ(xᵢ−x̄)² Σ(yᵢ−ȳ)²}

分子は、xとyが平均から同じ向きにずれるか反対向きにずれるかを足し合わせています。分母は両方の散らばりで尺度をそろえます。そのため、単位が違う2変数でも−1から1の同じ物差しで示せます。

ただし、r＝0は「関係がない」ではなく「直線的な関係を捉えられない」という意味です。U字型の関係や一つの外れ値による見かけの相関は、rだけでは見抜けません。必ず散布図で、直線性、外れ値、群ごとの違い、ばらつきの変化を確認します。

また、相関は因果を証明しません。たとえば業務量とインシデントが相関しても、患者重症度、勤務帯、人員配置などが両方に関係している可能性があります。相関は「次に何を確かめるか」を示す観察所見であり、原因の確定ではありません。

この章の要点回帰分析を見分ける最初の手掛かりは、目的変数がどの型かです。説明変数には連続値とカテゴリーが混在できますが、目的変数の取り得る値によって適切なモデルの候補が変わります。

「重回帰分析だから高度」「ロジスティック回帰だから二群比較」と名前だけで判断せず、何を予測・説明している式かを確認します。同じ研究でも、退院時得点を目的変数にすれば重回帰、30日以内の再入院の有無を目的変数にすれば二項ロジスティック回帰が候補になります。

反復測定や病棟内に患者がまとまるデータでは、同じ人・同じ施設の観測が互いに似るため、通常の回帰が置く独立性を満たさないことがあります。その場合は混合効果モデルや一般化推定方程式など、まとまりを考慮する方法が必要になり得ます。解析名だけでなく、データの単位を誰に置いたかも確認します。

この章の要点重回帰分析は、連続する目的変数を複数の説明変数で表す方法です。基本形は次のとおりです。

ŷ = β₀ + β₁x₁ + β₂x₂ + … + βₖxₖ

ŷはモデルが推定する目的変数、β₀は切片、β₁〜βₖは偏回帰係数です。β₁は「モデルに入ったほかの説明変数を同じ値としたとき、x₁が1単位高い人では、目的変数の平均が何単位違うか」と読みます。同じ条件にそろえるとは、実際に同一人物の年齢を変えることではなく、モデルの中でほかの変数が同じ場合を比べるという意味です。

カテゴリー変数は、基準群を0、比較群を1とするダミー変数などに変換します。この係数は比較群と基準群の調整後平均差です。3群以上なら複数のダミー変数が必要で、どの群が基準かを確認しないと正負を逆に読みます。

切片β₀は、すべての説明変数が0のときの推定値です。年齢0歳など、0が観察範囲外なら臨床的意味は乏しいことがあります。年齢から50を引くように中心化すると、切片を「50歳で基準群の推定値」のように読みやすくできます。中心化は傾きの本質を変えず、基準点を移す操作です。

係数の大きさは単位に依存します。1歳あたり−0.2点と10歳あたり−2.0点は同じ傾きです。mg/dLとmmol/Lのように尺度が異なる係数を、絶対値だけで「影響が強い」と比較してはいけません。標準化係数は単位をそろえた比較に使えますが、臨床単位での意味が薄れるため、元の係数と目的に応じて読み分けます。

この章の要点重回帰の結果表では、係数が変化量、95％信頼区間がその推定の幅、R²がモデル全体で目的変数のばらつきをどれほど説明したかを表します。これらは同じ問いへの答えではありません。

以下は仕組みを学ぶための架空の学習例です。退院時セルフケア尺度（0〜100点、高いほど良好）を目的変数とし、教育プログラム参加、入院時得点、年齢を説明変数にしたとします。数値は実在患者や実研究の結果ではありません。

この章の要点ロジスティック回帰は、「再入院あり＝1、なし＝0」のような二値の目的変数を扱います。直線をそのまま確率にすると0未満や1超になり得るため、いったん確率をオッズと対数オッズに変換し、最後に0〜1へ戻します。

確率pのオッズは次の式です。

odds = p / (1−p)

p＝0.20なら、オッズは0.20/0.80＝0.25です。「起こる確率20％」と「オッズ0.25」は同じ状況を別の尺度で表しますが、数値は同じではありません。

ロジスティック回帰の基本形は次のとおりです。

log{p/(1−p)} = β₀ + β₁x₁ + … + βₖxₖ

p = 1 / [1 + exp{−(β₀ + β₁x₁ + … + βₖxₖ)}]

右辺が大きくなるほどpは上がりますが、0付近と1付近では確率の変化が緩やかになり、中央付近で大きく変わるS字型になります。回帰係数βを指数変換したexp(β)が、説明変数1単位増加あたりのオッズ比（OR）です。β＝0ならOR＝1、βが正ならOR＞1、負ならOR＜1です。

ORはリスク比ではありません。OR＝1.5は「確率が1.5倍」ではなく「オッズが1.5倍」です。もとの確率が高いほど、ORとリスク比の差は大きくなります。したがって、患者や多職種へ伝えるときは、可能なら比較する2群の予測確率や絶対差も示します。

たとえばOR＝0.75でも、基準確率40％ならオッズ0.40/0.60＝0.667、これを0.75倍したオッズ0.500は確率33.3％に相当し、差は約6.7ポイントです。基準確率10％なら、同じ計算で確率は約7.7％となり、差は約2.3ポイントです。同じORでも、基準リスクで絶対的な意味が変わることが分かります。

この章の要点ロジスティック回帰のORを読む前に、何を1としたか、連続変数の1単位が何か、カテゴリーの基準群はどこかを確認します。ORの向きはイベントの符号を逆にすると反転するためです。

以下も架空の学習例です。30日以内の予定外再入院を「あり＝1」とし、420人中78人にイベントがあったとします。数値は実在の研究結果ではありません。

この章の要点「調整済み」とは、モデルに入れた変数の範囲で条件をそろえたという意味です。測定していない要因、測定誤差、誤った関数形、選択バイアスまで消えるわけではありません。

交絡とは、第3の要因が説明変数と目的変数の両方に関係し、観察された関連を歪めることです。教育プログラム参加者の得点が高くても、もともとの学習意欲が参加と得点の両方に関係していれば、単純な群間差はプログラムだけの関連を表しません。入院時得点などを調整する理由は、p値を小さくするためではなく、研究目的に沿って比較条件を近づけるためです。

論文では、粗い推定値と調整後の推定値を比べ、何を交絡因子として入れ、なぜ選んだかを確認します。単変量解析でp＜0.05だった変数だけを機械的に選ぶと、臨床的に重要な交絡因子を落とすことがあります。逆に、因果経路の途中にある変数や、結果の影響を受ける変数を無造作に調整すると、別の偏りを生むことがあります。変数選択には研究仮説と時間順序が必要です。

交互作用は、ある変数の関連が別の変数の値によって変わることです。式にβ₃(x₁×x₂)があれば、x₁の傾きはβ₁だけでなくx₂の値にも依存します。このとき主効果だけを「全員に共通の効果」と読めません。年齢群別などの結果を見ても、各群で片方だけp＜0.05だったこと自体は群間差の証明ではなく、交互作用項の推定値と信頼区間を確認します。

この章の要点回帰結果が読めるかどうかは、係数表だけでなく、モデルの前提とデータ処理が報告されているかで決まります。p値が小さくても、前提が大きく崩れていれば標準誤差や信頼区間が不適切なことがあります。

線形回帰では、説明変数と目的変数の平均的関係がモデル化した形に合うか、残差が予測値の全域で0付近にランダムに散るか、残差のばらつきが大きく変化しないか、観測が独立かを確認します。正規性は主に誤差・残差に関する推測上の条件であり、「目的変数とすべての説明変数がそれぞれ正規分布しなければ重回帰できない」という意味ではありません。残差対予測値の図やQ-Qプロットは、曲線、漏斗形、外れ値などを見つける手掛かりです。

ロジスティック回帰では、連続説明変数と対数オッズの関係をどの形で置いたか、カテゴリー化や非線形項の根拠、イベント数に対してモデルが複雑すぎないか、同じデータだけに過度に合わせていないかを確認します。標本数を「説明変数1個につき一律何人」とだけ判断せず、推定するパラメータ数、イベント割合、欠測、目的、検証方法を見ます。

複数の説明変数がほぼ同じ情報を持つと、多重共線性により係数と標準誤差が不安定になります。係数の符号がモデルごとに大きく変わる、信頼区間が広い、VIFなどの診断で問題が示される場合は、変数の定義と選択を再確認します。ただし、単一のVIF閾値だけで自動的に変数を除外するのではなく、研究目的と変数の役割を考えます。

外れ値は入力ミスか、測定上の問題か、まれでも実在する患者像かを区別します。理由なく削除せず、除外前後の感度分析があるかを見ます。欠測も「欠測者を除外した」で終わらせず、各変数の欠測数、欠測が起きた理由、補完法、完全例と除外例の違いを確認します。

患者ごとの反復測定、病棟・施設ごとのまとまり、マッチングを無視すると、観測数を実質以上に多く扱い、信頼区間を狭く見積もることがあります。解析単位と独立性が研究デザインに合っているかを確認します。

p値は、指定した統計モデルと帰無仮説の下でデータがどれほど両立しにくいかを示す指標です。仮説が正しい確率、偶然だけで起きた確率、効果の大きさ、臨床的重要性を直接示しません。「p＜0.05／それ以外」だけで二分せず、推定値、95％信頼区間、臨床的に意味のある差、解析の透明性を合わせて読みます。

この章の要点統計結果を看護へ生かすときは、係数をそのまま患者個人の予言にせず、研究集団と目の前の患者の違いを確認します。研究の平均的な関連と、個人の観察・判断は同じではありません。

まず対象を見ます。年齢、疾患、重症度、療養場所、除外基準、追跡期間が自分の患者や施設に近いかを確認します。次に目的変数の定義と測定時点を見ます。「再入院」が予定外のみか、何日以内か、他院入院を含むかで意味が変わります。尺度得点なら、範囲、方向、測定者、臨床的に重要な差が示されているかを確認します。

観察では、モデルに含まれた因子だけでなく、含まれていない症状、生活背景、本人の価値観、支援体制、時間的変化も合わせます。たとえばモデルが再入院確率を高く推定しても、それは診断や再入院の確定ではありません。呼吸状態、循環、認知、服薬状況、セルフケア能力、家族支援など、疾患と場面に応じた通常の看護アセスメントを置き換えません。

経時変化は1回の値より重要なことがあります。研究で用いた測定条件と臨床の測定条件が違えば、その値を式へ入れても同じ意味になりません。患者の状態が変化した場合は、変化した項目、測定時点、関連する症状・所見、実施した確認、未確認点を整理して、施設の手順と職種の役割に従って担当医・看護師・多職種へ共有します。研究モデルの数値だけを根拠に緊急度や処置を決めません。

院内研究を読む・報告する場合は、「対象」「イベント定義」「粗い推定値と調整後推定値」「調整因子」「絶対数」「欠測」「信頼区間」「限界」をセットで伝えます。「OR＝1.8で有意でした」ではなく、「対象集団では、年齢などを調整後もオッズは1.8倍だったが、絶対リスクと未測定交絡は別に確認が必要」と伝えるほうが、次の判断につながります。

この章の要点患者への説明では、相対的な数字だけでなく、可能なら絶対的な頻度へ戻します。「オッズが半分」より「この研究と同程度の人では、100人中およそ何人から何人へ変わる推定だった」と示すほうが伝わりやすいからです。

ただし、その確率は研究集団、測定時点、治療環境、調整した変数に基づく平均的推定です。目の前の患者にそのまま当てはまる保証はありません。95％信頼区間が広い場合は「効果の大きさには幅がある」、観察研究なら「関連はあるが、この要因だけが原因とは言えない」と説明します。

最後に、論文を読むときの短い確認文は次の形にできます。

「この研究は、［対象］で、［目的変数と測定時点］を、［解析法］で調べた。［説明変数の単位・基準］あたり、ほかの［調整因子］が同じ場合に、［係数またはORと95％信頼区間］という関連があった。ただし、［研究デザイン、欠測、未測定交絡、モデル前提、一般化可能性］に限界がある。」

この一文を作れれば、数式と結果表を、結論・理由・観察の意味へつなげて読めています。