▼▼▼▼▼▼▼▼
チャンネル登録はこちら

統計上の灯火管制

二分法の大きな欠陥として，情報を捨て去るということがある。

この手法は，患者あるいは観察ごとに精確な数値を使うのではなく，観察されたものをグループに分けることで数値を捨て去ってしまうのだ。

これによって研究の検定力が下がってしまう。

多くの研究がもとから検定力が足りていない状況において，これは大きな問題となる。

測定しようとしている相関の推定の精確さが失われるし，多くの場合，効果量を小さく見積もることにもなる。

一般的に言えば，検定力と精確さがこのように失われることは，データの３分の１を捨て去るのと同じようなことになる。

肥満の健康への影響を測定する研究について考えてみよう。

例えば，患者をBMIに基づいて「正常」と「過体重」のグループに分けるとしよう。

BMIが25であるところを正常の範囲の最大値であるとするにれは臨床上の実践で用いられている標準的な分割点だ。

しかし，こうすると，この分割点より大きいすべてのBMIについて，違いが失われてしまう。

ここで，もし心臓病の割合が体重とともに増加するのであれば，割合がどれだけ増加するかを知ることがとても難しくなる。

というのも，わずかに過体重である患者と病的な肥満である患者の間の違いが記録されていないからだ。

他の見方から説明してみよう。「正常」なグループがBMIがちょうど24である患者から構成されていて，「過体重」のグループはBMIが26だったとしよう。

これら２つのグループの間に大きな違いがあれば. BMIがさして違わないのだから，驚くべきことになる。

逆に，「過体重」のグループのBMIがみな36だったとしたら，大きな違いでも，あまり意外なものではなくなる。

そして、BMIの１単位あたりの違いがずっと小さくなっていることが示唆されることになる。

二分法はこの違いを消してしまい，有用な情報と検定力を失わせてしまう。

もしかしたら，２つのグループしか使わなかったのが馬鹿げた選択だったのかもしれない（例えば，低体重の患者はどうだろうか）。

だが，グループの数を増やせば，個々のグループの患者の数が減ることになる。

グループを増やすことでより詳細な分析ができるかもしれないが，各グループの心臓病の割合の推定量が少数のデータに基づくものとなってしまって，信頼区間は広くなる。

そして，データを多くのグループに分けようとすればするほど，どこでデータを分けるのかという判断が増えることになる。

そして，このことは，異なった研究を比較することを一層困難にし，研究者が偽陽性を作り出すことを一層容易にするのだ。

二分法は統計分析において頻繁に使用される手法であり、観察データを複数のカテゴリーに分けて分析を簡略化する方法として用いられることが多い。しかし、この手法には情報を捨て去るという重大な欠点が存在する。具体的に言うと、各患者や観察において得られた精確な数値を使用する代わりに、その数値を単純なカテゴリーに分けてしまうことで、その精確な情報が失われてしまうのだ。これにより、研究の検定力が下がり、結果として分析の信頼性が低下してしまう。特に、多くの研究が元々十分な検定力を持たずに行われている状況において、この情報の損失は研究の結果に重大な影響を及ぼす。検定力が不足することで、測定しようとしている相関の精確な推定が困難になり、しばしば効果量を小さく見積もる結果となる。つまり、二分法の使用により研究者は精確なデータを得るための可能性を自ら狭めてしまっているのだ。これは、データの3分の1を廃棄するのと同じような行為に等しいと言える。例えば、肥満が健康に及ぼす影響を調べる研究を考えてみると、患者をBMIに基づいて「正常」と「過体重」に分けることがよく行われる。BMI25を正常範囲の最大値とするのは臨床の現場で一般的に用いられている標準的な区切りだ。しかし、このように分割することで、BMI25を超える全ての患者のBMIに関する違いが見逃されてしまうという問題が生じる。たとえば、心臓病の割合が体重の増加に伴って増加すると仮定した場合、BMIがわずかに過体重である患者と、病的肥満である患者との間の違いがデータに記録されていなければ、その割合の増加がどれほどかを正確に知ることは非常に困難になる。これにより、過体重の影響を正確に評価することが難しくなり、データの解釈が歪む可能性がある。異なる視点から説明すると、「正常」なグループをBMIがちょうど24の患者で構成し、「過体重」のグループをBMI26の患者で構成した場合を考えてみよう。これらの2つのグループの間に統計的に大きな違いが見られたとしても、BMIのわずかな違いに過ぎないため、それが非常に驚くべきことであるように思われることがある。逆に、「過体重」のグループのBMIがすべて36だったと仮定した場合、大きな違いが見られてもそれはあまり驚きにはならないだろう。こうした場合、研究者はBMIの1単位あたりの違いが小さくなっていることを示唆されるかもしれないが、実際には、二分法はこの違いをデータから消し去ってしまい、有用な情報を奪い去り、検定力を失わせる原因となっている。このような問題が生じると、研究者は結果を誤解したり、過小評価したりするリスクが高まる。また、単に2つのグループに分けたこと自体が不適切な選択だったのかもしれないという反省を迫られる場合もある。例えば、低体重の患者を含めるべきだったかもしれないと考え直すこともあるだろう。しかし、グループの数を増やした場合、今度は各グループの患者数が減るために、結果として各グループで得られるデータが少なくなり、心臓病の割合の推定値が少数のデータに基づくことになり、信頼区間が広くなってしまう。このように、データを細かく分割して詳細な分析を試みることは確かに情報の精度を向上させる可能性があるものの、その一方で、各グループのデータ量が減少し信頼区間が拡大するという新たな問題が生まれるのである。さらに、多くのグループに分割することは、それだけ多くの判断を必要とすることになる。どこでデータを分割すべきかという問題は研究者にとって大きな課題となり、異なる研究の比較を一層困難にする要因となる。異なる研究で異なる基準でデータを分割することで、比較可能性が失われ、結果として一貫性を欠く研究結果が生まれやすくなる。このような状況は、偽陽性が発生しやすくなる原因ともなる。研究者が望ましくない結果を得た場合、分割の基準を調整して結果を変える誘惑に駆られることもあるため、このような状況は研究の信頼性を損なう要因にもなり得るのである。データの二分法は簡単で直感的な手法として魅力的に見えるかもしれないが、その裏に潜むデータの損失や検定力の低下、効果量の過小評価などの問題を十分に理解する必要がある。実際、二分法は研究を効率的に進める方法というよりも、情報を単純化しすぎたために本来の複雑な情報を見逃してしまう危険性を孕んでいる。統計分析の場では、データの正確性や効果量の正当な評価が極めて重要であり、簡易的な分析方法によってそれが損なわれると、研究全体の価値が低下してしまう。研究においては、どのようにデータを取り扱い、分析するかについて慎重な検討が必要であり、データを二分化するかどうかの判断も含めた統計的手法の選択は、研究の成功と失敗を分ける重要な要素となるのである。