生物統計学
回帰モデルと一般化線形モデル — アウトカムと要因を結ぶ枠組み
回帰分析は、アウトカムと複数の説明変数の関連を定量化し、交絡を調整し、予測を行うための中心的な統計手法である。一般化線形モデル(GLM)は、線形回帰・ロジスティック回帰・ポアソン回帰を、確率分布族とリンク関数という共通の枠組みで統一する。本稿ではその理論的構造と、関連・予測・交絡調整という用途ごとの論点を整理する。
この記事の要点
- 一般化線形モデルは分布族とリンク関数により多様なアウトカム型を統一的に扱う。
- 線形回帰は連続アウトカム、ロジスティック回帰は二値、ポアソン回帰は計数を対象とする。
- 回帰係数は他の共変量を一定とした条件付き関連を表し、交絡調整の道具となる。
- 関連の推定、交絡調整、予測ではモデル構築の方針と評価基準が異なる。
- モデルの仮定(線形性、独立性、適合)と多重共線性の確認が妥当性に不可欠である。
一般化線形モデルの構造
一般化線形モデルは三つの要素から構成される。第一に、アウトカムの分布を指定する確率分布族(正規・二項・ポアソンなど指数型分布族)。第二に、説明変数の線形結合である線形予測子。第三に、期待値と線形予測子を結ぶリンク関数である。この枠組みにより、連続・二値・計数といった異なる型のアウトカムを統一的にモデル化できる。推定は最尤法に基づき、係数の不確実性は標準誤差と信頼区間で表現される。
線形回帰は恒等リンクと正規分布、ロジスティック回帰はロジットリンクと二項分布、ポアソン回帰は対数リンクとポアソン分布に対応する。ロジスティック回帰の係数はオッズ比、ポアソン回帰の係数は率比として解釈でき、疫学・臨床研究で頻用される。
用途による使い分け
回帰モデルは目的によって構築方針が異なる。同じデータでも関連推定と予測では適切なアプローチが分かれる。
- 関連推定: 特定の曝露の効果を、交絡因子を調整して推定する。事前に変数を選定する。
- 交絡調整: 因果効果の推定のため、交絡因子をモデルに含め中間変数は含めない。
- 予測: 将来の値を当てることが目的。変数選択と過剰適合の回避、検証が中心となる。
係数の解釈と交絡調整
回帰係数は、モデル内の他の共変量を一定に保ったときの、説明変数とアウトカムの条件付き関連を表す。これにより、交絡因子をモデルに含めることで交絡を統計的に調整できる。ただし、調整すべきは交絡因子であり、曝露とアウトカムの中間にある中間変数や、両者の共通結果(コライダー)を調整するとバイアスを生む。何を調整するかは因果構造の理解(因果ダイアグラム)に基づいて決める必要がある。
エビデンスの現在地
確実性は強い。一般化線形モデルの理論は確立しており、医学・疫学研究の解析で最も広く用いられる標準手法である。リンク関数と分布族の選択、最尤推定の漸近的性質はよく理解されている。一方、観察データでの回帰による交絡調整が因果効果を与えるためには、測定された交絡因子で交絡が十分にコントロールされるという検証困難な仮定が必要であり、この限界は方法論的に強く認識されている。
論点と限界
回帰モデルの妥当性は仮定に依存する。連続変数とアウトカムの関係が真に線形でない場合、誤った関数形は偏った推定を生む(スプライン等で柔軟化できる)。観測の独立性が破れる(反復測定・クラスタ)場合は混合モデルやGEEが必要となる。多重共線性は係数の不安定化を招く。変数選択を自動化する手続き(ステップワイズ)は過剰適合と選択後推論の問題を抱える。観察研究では、調整変数の選択を誤ると交絡除去どころか新たなバイアスを導入する点が最大の論点である。
現場・臨床応用
ロジスティック回帰は症例対照研究やリスク因子解析でオッズ比を推定する標準手法であり、診断・予後予測モデルの基盤でもある。ポアソン回帰は発生率の比較に用いられる。臨床予測モデルでは、回帰により得たリスクスコアが個別患者の意思決定支援に用いられるが、外部集団での検証(較正と識別)を経ていないモデルの臨床適用には慎重さが求められる。係数の解釈では、調整変数の妥当性と因果構造を確認することが重要である。
医療免責
本記事は教育目的の学習コンテンツです。診断・治療行為を代替するものではありません。痛み・しびれ・急性外傷・発熱・進行性の症状や、医師から運動制限を受けている場合は、自己判断で進めず医師・国家資格者にご相談ください。
主要な参考文献・ガイドライン
本記事は、以下の学会ガイドライン・ポジションステートメント・標準的な専門書などの公開情報に基づいて整理しています。具体的な数値や適用は原典・最新版をご確認ください。
- McCullagh P, Nelder JA. Generalized Linear Models (標準テキスト).
- Harrell FE. Regression Modeling Strategies (標準テキスト).
- Hosmer DW, Lemeshow S. Applied Logistic Regression.
- TRIPOD声明(予測モデルの報告ガイドライン).
よくある質問
ロジスティック回帰の係数はどう解釈しますか。
係数の指数(exp)がオッズ比に対応し、他の共変量を一定としたときに説明変数が1単位増えるごとのオッズの倍率を表します。二値アウトカムの関連を調整して評価する標準的指標です。
交絡因子なら何でも回帰に入れてよいですか。
いいえ。調整すべきは交絡因子であり、曝露とアウトカムの中間変数や共通の結果(コライダー)を入れるとかえってバイアスが生じます。因果ダイアグラムなどで因果構造を整理し、調整変数を選ぶ必要があります。
予測目的と関連推定でモデル構築は同じですか。
異なります。関連推定は事前に決めた交絡調整を重視し、予測は識別・較正の良さと過剰適合の回避、外部検証を重視します。同じデータでも目的に応じて変数選択や評価の方針が変わります。
ステップワイズ変数選択は推奨されますか。
自動的なステップワイズ選択は過剰適合や選択後推論の歪みを招きやすく、近年は推奨されにくくなっています。事前知識に基づく変数選定や正則化(LASSO等)の利用、外部検証が望ましいとされます。
cortis Trainer Academy
学びを、現場で使える知識に。
基礎から評価・運動療法・医療連携まで。身体を診る専門職のための継続学習アカデミー。基礎は登録不要・無料。