▼▼▼▼▼▼▼▼
チャンネル登録はこちら

過誤率の選択

マイクロアレイやその他の高速大量データ処理が必要な，大量に検査を行う試験で生じるもう１つの問題は，サンプルサイズの計算のための過誤率の選択である．

この計算は，多重比較の影響とその重大性についての考察を必要する．

多くの研究者は，偽発見率(false discovery rate. ＦＤＲ）を制御するために0.001という有意水準と0.95かそれ以上の検出力を用いて，追跡すべき候補プールを選択する.

とりわけ大量のデータ処理が必要なデザインにおいて, Bonferroni型の修正はサンプルサイズの小さな試験ではいかなる統計的に有意な項目も見出すことを不可能にする．

偽陽性率（ＦＤＲ）を制限する目的でいくつかの方法が適用されるだろうし．また頻繁に新しい方法が学術論文誌で発表されている.

技術操作上な繰り返しが検査のばらつきを低減するために有用であることを記憶にとどめておくこともまた大切であるが，生物学的に独立な繰り返し（すなわち，多くの異なる人々からの標本の採取）も重要である．

以前に示したサンプルサイズの計算方法が特別な注意を払って選択した有意水準と検出力とともに用いられるだろうが，どの標本を採取して用いるかという選択をする際において，サンプルサイズの計算が独立な標本の数を求めていることに留意しておくことが大切である．

マイクロアレイとGWAS (genome wide association studies.ゲノムワイド関連研究）を含めた統計遺伝学とfMRIは，個々の標本それぞれが大量のデータをもち，そのためしばしば独立な標本がそこにはわずかしかないことがあり得るという事実が隠されてしまうようないくつかの領域のほんの一部の分野である.

データマイニングはよく行われるが，それはまた相関関係や多重比較など，以前に述べたようなその他の多くの問題を考慮しなければならない.

また，我々は遺伝子のクラスタリングやＳＮＰなどを調べるためにデザインされる試験のサンプルサイズの計算を行うことができる．

現在のところ，潜在的に複雑な生物学的構造を明らかにするために，大部分の方法は独立サンプルがあまりに少ないデータに対して試みられているという見解が一致していることは別にして，手法に関して厳格なルールは存在しない．

結局のところ，母集団に関して妥当な推論を行うためには，どれだけの独立なサンプルを我々は必要とするだろうか．

ぜひあなたが行おうとしている試験のデータのタイプの詳細や新しい情報，そしてガイダンスに精通しているあなたの側の統計家に相談して欲しい．

それらは計算方法の問題ではない．

実際，各々の検査標本から得た大量のデータを用いてたくさんの数字がうなりをあげてコンピュータからはき出されてくるが，これらが検討しようとしている科学的な疑問への答えであること．そしてその試験と解析が再現可能であることを我々は確保する必要がある．

マイクロアレイやその他の高速大量データ処理が必要な試験において、サンプルサイズの計算は非常に重要な要素であり、適切な過誤率の選択が求められます。特に、大量のデータを処理する試験では、複数の比較を行う際に発生する多重比較の影響を考慮する必要があります。これにより、統計解析においてどのようにして偽陽性を抑えるかが課題となり、多くの研究者がこの問題に取り組んできました。例えば、統計的な有意水準を0.001に設定し、検出力を0.95以上に保つことで、誤検出を最小限に抑える努力がされています。このような設定は、多数の候補から追跡すべき有望な項目を選び出す際の指針となり、実験設計の信頼性を高めるための重要な一歩です。しかしながら、大量のデータ処理を伴う実験においてBonferroni型の修正を適用すると、サンプルサイズが小さい試験においては統計的に有意な結果を得ることが極めて難しくなることが指摘されています。Bonferroni修正は厳密な多重比較補正法ですが、データ数が少ない場合に有意性を見つけにくくし、研究者にとって統計的検出力の低下を招くことがあります。そこで、多重比較を処理する方法として、偽発見率（False Discovery Rate, FDR）を制御する手法が頻繁に採用されています。FDRは特に、検出した有意な結果のうちどれだけが真の発見であるかを考慮した指標であり、研究成果の信頼性を向上させるために重要な役割を果たしています。この制御方法は、近年の学術研究において主流となりつつあり、特に統計的な遺伝学や脳機能イメージング研究など、多くの変数を一度に検討する必要がある分野で有用です。こうした分野においては、サンプルサイズの計算も偽発見率を踏まえて行われることが多く、試験設計の段階で誤検出を減らすための適切な方法を選ぶことが成功の鍵となります。加えて、検査のばらつきを低減するためには、技術的な操作の繰り返しや、生物学的に独立した繰り返し（例えば、多数の異なる個人からの標本採取）が求められます。標本の独立性は統計的な検出力を高め、信頼性の高いデータを得るための基本的な要素であり、サンプルサイズの計算時にも考慮されるべき重要な要因です。さらに、先述したように、多重比較の影響を考慮してサンプルサイズを計算する際には、設定した有意水準と検出力が慎重に選ばれている必要があります。データ数の多い実験では、サンプルサイズの計算が独立した標本数を基に行われることが必要不可欠であり、どの標本を用いるかの選択が研究成果に大きな影響を与えるためです。たとえば、マイクロアレイやゲノムワイド関連研究（Genome-Wide Association Studies, GWAS）に代表されるように、統計遺伝学および脳機能イメージング（fMRI）は個々の標本に多くのデータが含まれているため、しばしば独立した標本が非常に少ない状況に置かれることがあります。これは、各標本が持つデータの多さが独立性に対する認識を曇らせる原因ともなり、サンプルサイズの計算において特別な配慮が必要です。また、データマイニングが一般的に行われるようになった現在、相関関係や多重比較の問題を無視することはできません。多重比較の影響はデータマイニングにおける課題のひとつであり、データから有用な情報を抽出する際には、これらの問題を考慮することが求められます。例えば、遺伝子のクラスタリングや単一ヌクレオチド多型（Single Nucleotide Polymorphism, SNP）を調査するための試験では、慎重にサンプルサイズの計算が行われ、誤発見を避けるための設計が必要です。このような試験設計においては、統計学的なアプローチに関する知識を持った専門家の意見が不可欠であり、データの種類や試験の目的に応じて適切な手法を選択するために、統計家との連携が重要です。さらに、現在のところ、潜在的に複雑な生物学的構造を解明するために、多くの方法が限られた独立サンプルを用いて試みられていますが、この領域には厳格なルールが存在せず、分野ごとに最適な手法が模索されています。これにより、さまざまな研究において異なるアプローチが採用され、方法論の柔軟性が求められています。最終的に、母集団について妥当な推論を行うためには、どれだけの独立したサンプルが必要かを検討することが重要であり、試験の目的やデータの特性に応じて適切なサンプルサイズを設定することが求められます。したがって、試験の設計においては、統計家と連携してデータのタイプや最新のガイドラインを考慮し、信頼性の高い結論を得るための設計が重要です。また、計算上の問題を超えて、科学的な疑問に対して実際に答えを出すためのデータ収集が試験設計の根幹であることを忘れてはなりません。