▼▼▼▼▼▼▼▼
チャンネル登録はこちら

統計モデルの乱用

回帰は，最も単純な形式においては，直線をデータに当てはめることになる。

つまり，データから結果を最もうまく予測できる直線の方程式を見つけることになるのだ。

この方程式によって, BMIのような測定されたものを使って，血圧や医療費のような結果を予測できる。

通常，回帰では２つ以上の予測変数が用いられる。

BMIだけを用いるのではなく，年齢や性別，普段の運動量などを追加して用いることもあるだろう。

患者の代表的標本から医療に関するデータを一旦集めれば，回帰の手法により，データを使って予測変数と結果との間の関係を表す最も良い方程式を見つけることができる。

複数の変数を含む回帰は，研究中の交絡因子を統制(control)することを可能にする。

例えば，クラスの人数が少ないほどテストの点数が良くなるという仮説のもとで，クラスの人数が標準化テストでの生徒の成績に与える影響について研究したいとしよう。

回帰を使って人数と点数の関係を見つけ，クラスの人数が少なくなるほどテストの点数が上がるかを検定することができるだろう。

だが，交絡変数(confounding variable)がある。

関係を見いだした場合，そこからクラスの人数が原因だと説明するかもしれないが，原因はクラスの人数と点数の両方に影響を与える別種の要因である可能性もある。

もしかしたら，予算が多い学校ほど多くの教員を雇うお金があってクラスの人数が少なくなるのかもしれない。

そういった学校ほど，本を多く買うことができ，教員に高い給料を出すことができ，サポートする職員を多くすることができ，理科室を良くすることができ，その他生徒の学習に役立つものを手に入れることができるような金銭的余裕ができる。

クラスの人数はもしかしたら何の影響も及ぼしていないかもしれない。

この交絡変数を統制するためには，各学校の総予算を記録して，それを回帰方程式に含める必要がある。

そうすれば，予算の効果をクラスの人数から引き離すことができる。

もし似たような予算でクラスの人数が違う学校を調べれば，回帰の手続きによって，「同じ予算の学校について，クラスの人数が１人増えるごとにテストの点数がこれだけたくさん下がる」といった方程式を出すことができる。

交絡変数はこのようにして統制される。

もちろん，気づいていない交絡変数やどうやって測定するのか分からない交絡変数があって，それらが結果に影響することはあるかもしれない。

すべての交絡変数を消し去ることができるのは，真にランダム化された実験だけだ。

ここで紹介した簡単なもののほかに，回帰にはもっとたくさんの種類のものがある。

2つの変数の間の関係が単純な一次方程式で示せないことはしばしばあるし，結果変数が血圧やテストの点数のように量的に測れるものではなく，カテゴリーに分かれるものであることもある。

患者の年齢や血圧，その他の生命徴候から，患者が手術後に合併症を発症するかを予測したい場合があるかもしれない。

こうした可能性を説明する手法にはさまざまなものがある。

ただ，どんな種類の回帰でも，共通した問題をかかえている。

まずは最も単純な問題で，データ分析での過度の熱意によってもたらされる，過剰適合についての話から始めよう。

回帰分析は統計学において非常に重要な手法の一つであり、最も単純な形式ではデータに最適な直線を当てはめることで、予測変数を用いて結果を予測することが可能になる。具体的には、BMI（ボディマス指数）などの測定された変数を使用して、血圧や医療費といった結果を予測するために回帰方程式が利用される。この回帰方程式はデータ内の変数間の関係性を数式で示し、どの変数がどの程度影響を及ぼしているのかを明らかにすることができる。回帰分析は単一の予測変数を用いるシンプルな形態だけでなく、複数の予測変数を組み合わせてより複雑な分析を行うこともある。例えば、BMIだけでなく、年齢、性別、普段の運動量、食生活のパターンなど複数の要素を組み込むことで、分析の精度を向上させることが可能となる。これにより、個々の患者や特定の集団における医療費の増減や疾病リスクをより正確に予測できるようになる。これを実施するためには、患者の代表的なサンプルを用いて医療データを収集し、それを基に回帰の手法を適用することで、データ内の予測変数と結果との間における最適な関係性を表す方程式を見つけることができる。このような手法により、予測の信頼性を高め、特定の結果に対して関連する要因をより深く理解することができる。複数の変数を含む回帰分析の一つの利点は、研究の中で交絡因子を統制することである。交絡因子とは、主たる変数と結果の両方に影響を与える要因であり、分析結果を歪める原因となる。例えば、「クラスの人数が少ないほど生徒のテストの点数が良くなる」という仮説のもとで研究を行うとする。この場合、回帰分析を用いて、クラスの人数と標準化されたテストでの成績との関係を評価し、クラスの人数が減少することで生徒の点数が向上するかどうかを検証することができる。しかし、この関係を見つけただけでは、クラスの人数が直接の原因であるとは断定できない。実際にはクラスの人数と点数の両方に影響を及ぼす他の要因、すなわち交絡因子が存在する可能性があるからである。例えば、学校の予算はそのような交絡因子の一つと考えられる。予算が豊富な学校は、より多くの教員を雇用できるためクラスの人数が少なくなる傾向があり、それが結果的に生徒のテストの点数を向上させる要因になるかもしれない。また、予算が豊富な学校は他にも、本を多く購入したり教員の給与を高めたり、学習をサポートする職員を増員したり、設備の整った理科室を用意することができるなど、教育環境全体を充実させることができる。こういった学校では生徒の学習効果が高まり、テストの点数が良くなる可能性がある。したがって、単純にクラスの人数が少ないことが成績向上の原因であると断定することは難しく、分析において交絡因子を適切に統制しなければならない。交絡因子を統制する方法としては、例えば各学校の総予算をデータとして記録し、それを回帰方程式に組み込むことで、予算の影響をクラスの人数から分離することができる。こうすることで、予算という交絡因子を制御した上で、クラスの人数とテストの点数との純粋な関係を評価することが可能になる。仮に似たような予算を持つ複数の学校を対象にしてクラスの人数の違いを調査すれば、回帰分析によって「同じ予算の学校において、クラスの人数が1人増えるごとにテストの点数がどれだけ下がるか」といった具体的な関係性を示す方程式を導き出すことができる。交絡因子はこのようにして統制されるのである。しかし、全ての交絡因子を完全に消し去ることは非常に難しい。特に気づかれていない交絡因子や、そもそも測定することが困難な交絡因子も存在し、それらが分析結果に影響を及ぼす可能性がある。このため、すべての交絡因子を完全に統制するには、理想的には真にランダム化された実験（Randomized Controlled Trials）が必要である。これにより、すべての交絡因子の影響を均等にし、真の因果関係を明らかにすることができる。しかし、現実には全ての状況でランダム化実験を行うことは難しい。特に倫理的な理由やコスト、時間的な制約などがあるため、観察研究や回帰分析などが多用される。回帰分析は非常に柔軟性があり、複数の変数間の関係を評価するために広く用いられるが、その種類は多岐にわたる。例えば、単回帰分析や重回帰分析、多項式回帰、ロジスティック回帰などがある。これらはそれぞれ異なる目的やデータの性質に応じて使い分けられる。例えば、単回帰分析は2つの変数の間の単純な線形関係を評価するのに使われるが、より複雑な多変数関係を評価する場合は重回帰分析が適用される。また、2つの変数の間の関係が単純な一次方程式で示せない場合には、多項式回帰が適している。さらに、結果変数が数量的に測れるものではなく、カテゴリに分類される場合には、ロジスティック回帰などが使用されることがある。例えば、患者の年齢、血圧、その他の生命徴候を基に手術後に合併症が発生するか否かを予測したいといった場合には、ロジスティック回帰が適している。この手法は、予測変数がカテゴリカルなアウトカムを持つ場合でも効果的であり、医療の診断や疾病リスクの予測に応用されることが多い。しかし、どの種類の回帰手法を用いたとしても、共通の問題が存在する。それは過剰適合（overfitting）である。過剰適合とは、モデルが訓練データに非常によく適合しているものの、新しいデータに対しては予測精度が低くなる状態を指す。これは、モデルがデータのノイズや偶然のパターンまで学習してしまうことで発生する。過剰適合を避けるためには、データを訓練データとテストデータに分けて分析を行い、モデルの汎化性能を評価することが重要である。また、交差検証（cross-validation）を用いることで、より堅牢なモデル評価を行うことができる。過剰適合は単なる理論上の問題ではなく、現実のデータ分析において非常に起こりやすい問題であり、特にデータ分析者が新しい発見を追求する際には注意が必要である。例えば、医療データを用いた分析では、回帰モデルが特定の患者群において非常に高い精度で結果を予測したとしても、別の患者群においてはその精度が著しく低下することがある。