ケース・コントロール研究(マッチングなし・層化なし)

公開日: 更新日:

【2022年10月1週】 【A000】生物統計学 【A050】研究デザイン 【A052】ケース・コントロール研究

この記事をシェアする
  • B!
サムネイル画像

本稿では、ケース・コントロール研究の研究デザインのうち、①マッチングなし、②層化なしのデザイン・パターンについて、その分割表の形式、統計モデル、曝露効果の指標の定義をまとめています。

なお、閲覧にあたっては、以下の点にご注意ください。

  • スマートフォンやタブレット端末でご覧の際、数式が見切れている場合は、横にスクロールすることができます。
  • 曝露(発症)状況を表す右下の添え字は、「0」である場合($n_0,\pi_0$ など)や「2」である場合($n_2,\pi_2$ など)がありますが、どちらも「非曝露群(コントロール群)」を表しています。

分割表の形式

発症群と非発症群の観察対象人数をそれぞれ、 \begin{gather} n_1 \quad n_0\\ N=n_1+n_0 \end{gather} 曝露者と曝露者の人数をそれぞれ、 \begin{gather} m_1 \quad m_0\\ N=m_1+m_0 \end{gather} 発症群と非発症群の曝露人数をそれぞれ、 \begin{gather} a \quad b \end{gather} 発症群と非発症群の非曝露人数をそれぞれ、 \begin{gather} c \quad d \end{gather} とする。

表1 ケース・コントロール研究に関する $2\times2$ 分割表(観測値)
曝露あり
$ \left(D\right)$
曝露なし
$(\bar{D})$
合計
ケース群
$ \left(E\right)$
$a$ $c$ $n_1$
コントロール群
$(\bar{E})$
$b$ $d$ $n_0$
合計 $m_1$ $m_0$ $N$

統計モデル①:積二項モデル

ケース群とコントロール群の曝露人数 $a,b$ が互いに独立に、試行回数がそれぞれ \begin{align} n_1 \quad n_0 \end{align} 母比率(曝露確率)がそれぞれ \begin{align} \phi_1=P \left(E\middle| D\right) \quad \phi_0=P \left(\bar{E}\middle| D\right) \end{align} である 二項分布 \begin{align} a \sim \mathrm{B} \left(n_1,\phi_1\right) \quad b \sim \mathrm{B} \left(n_0,\phi_0\right) \end{align} に従うとする。

表2-1 ケース・コントロール研究に関する $2\times2$ 分割表(積二項モデル)
曝露あり
$ \left(E\right)$
曝露なし
$(\bar{E})$
合計
ケース群
$ \left(D\right)$
$\phi_1$ $1-\phi_1$ $1$
コントロール群
$(\bar{D})$
$\phi_0$ $1-\phi_0$ $1$

積二項尤度

\begin{align} H_0:\phi_1=\phi_0 \left(=\phi\right) \quad \mathrm{vs.} \quad H_1:\phi_1 \neq \phi_0 \end{align} として、 \begin{gather} L_1 \left(\phi_1,\phi_0\right)={}_{n_1}C_a\phi_1^a \left(1-\phi_1\right)^{n_1-a} \cdot {}_{n_0}C_b\phi_0^b \left(1-\phi_0\right)^{n_0-b}\\ L_0 \left(\phi\right)={}_{n_1}C_a \cdot {}_{n_0}C_b \cdot \phi^{a+b} \left(1-\phi\right)^{n_1+n_0-a-b} \end{gather}

全体の有病割合を用いた表現

全体の有病割合 $\delta$ を用いて得られた分割表を書き直すと、以下のようになる。

表2-2 ケース・コントロール研究に関する $2\times2$ 分割表(統計モデル)
曝露あり
$ \left(E\right)$
曝露なし
$(\bar{E})$
合計
ケース群
$ \left(D\right)$
$\delta\phi_1$ $\delta \left(1-\phi_1\right)$ $\delta$
コントロール群
$(\bar{D})$
$ \left(1-\delta\right)\phi_0$ $ \left(1-\delta\right) \left(1-\phi_0\right)$ $1-\delta$
合計 $\delta\phi_1$
$+$
$ \left(1-\delta\right)\phi_0$
$\delta \left(1-\phi_1\right)$
$+$
$ \left(1-\delta\right) \left(1-\phi_0\right)$
$1$

統計モデル②:超幾何分布モデル

周辺度数 \begin{gather} n_1 \quad n_0 \quad m_1 \quad m_0 \end{gather} が固定されているという条件の下で、 発症群の曝露人数 $a$ が超幾何分布 \begin{align} a \sim \mathrm{HG} \left(N,n_1,m_1\right) \end{align} に従うとする。

超幾何尤度

\begin{gather} H_0:\varphi=1 \quad \mathrm{vs.} \quad H_1:\varphi \neq 1\\ \varphi=\mathrm{OR} \end{gather} として、 \begin{align} L_1 \left(\varphi\right)&=\frac{{}_{n_1}C_a \cdot {}_{n_0}C_{m_1-a} \cdot \varphi^a}{\sum_{i=a_l}^{a_u}{{}_{n_1}C_i \cdot {}_{n_0}C_{m_1-i} \cdot \varphi^i}}\\ L_0 \left(\varphi\right)&=\frac{{}_{n_1}C_a \cdot {}_{N-n_1}C_{m_1-a}}{{}_{N}C_{m_1}}\\ &=\frac{n_1!n_0!m_1!m_0!}{N!a!b!c!d!} \end{align}

統計モデル③:四項分布モデル

各セルの観測値 \begin{align} \boldsymbol{n}= \left(\begin{matrix}a\\b\\c\\d\\\end{matrix}\right) \end{align} が四項分布

\begin{gather} \boldsymbol{n} \sim \mathrm{MN} \left(N,\boldsymbol{\pi}\right)\\ \boldsymbol{\pi}= \left(\begin{matrix}\pi_{11}\\\pi_{12}\\\pi_{21}\\\pi_{22}\\\end{matrix}\right) \end{gather} に従うとする。

表2-3 ケース・コントロール研究に関する $2\times2$ 分割表(四項分布モデル)
発症あり
$ \left(D\right)$
発症なし
$(\bar{D})$
合計
曝露群
$ \left(E\right)$
$\phi_{11}$ $\phi_{12}$ $\phi_E$
非曝露群
$(\bar{E})$
$\phi_{21}$ $\phi_{22}$ $1-\phi_E$
合計 $\phi_D$ $1-\phi_D$ $1$

四項尤度

\begin{align} L \left(\boldsymbol{\pi}\right)=\frac{N!}{e!f!g!h!}\phi_{11}^e\phi_{12}^f\phi_{21}^g\phi_{22}^h \end{align}

曝露効果の指標

曝露オッズ

\begin{gather} {\mathrm{OD}}_1=\frac{\phi_1}{1-\phi_1} \quad {\mathrm{OD}}_0=\frac{\phi_0}{1-\phi_0}\\ {\mathrm{\widehat{OD}}}_1=\frac{{\hat{\phi}}_1}{1-{\hat{\phi}}_1}=\frac{a}{c} \quad {\mathrm{\widehat{OD}}}_0=\frac{{\hat{\phi}}_0}{1-{\hat{\phi}}_0}=\frac{b}{d} \end{gather}

曝露オッズ比

\begin{gather} \delta=\mathrm{OR}=\frac{{\mathrm{OD}}_1}{{\mathrm{OD}}_0}=\frac{\phi_1}{1-\phi_1} \cdot \frac{1-\phi_0}{\phi_0}\\ \hat{\delta}=\mathrm{\widehat{OR}}=\frac{{\mathrm{\widehat{OD}}}_1}{{\mathrm{\widehat{OD}}}_0}=\frac{{\hat{\phi}}_1}{1-{\hat{\phi}}_1} \cdot \frac{1-{\hat{\phi}}_0}{{\hat{\phi}}_0}=\frac{ad}{bc} \end{gather}

検定仮説

帰無仮説

\begin{gather} H_0:\phi_1=\phi_0\Leftrightarrow H_0:\mathrm{OR}=1 \end{gather}

対立仮説

①両側仮説 \begin{gather} H_1:\phi_1 \neq \phi_0\Leftrightarrow H_0:\mathrm{OR} \neq 1 \end{gather} ②右側仮説 \begin{align} H_1:\phi_1 \gt \phi_0 \end{align} ③左側仮説 \begin{align} H_1:\phi_1 \lt \phi_0 \end{align}

参考文献

  • ケネス・ロスマン 著, 矢野 栄二, 橋本 英樹, 大脇 和浩 監訳. ロスマンの疫学. 篠原出版新社, 2013, p.238
  • 丹後 俊郎, 松井 茂之 編集. 医学統計学ハンドブック. 朝倉書店, 2018, p.506
  • ジョン・ラチン 著, 宮岡 悦良 監訳, 遠藤 輝, 黒沢 健, 下川 朝有, 寒水 孝司 訳. 医薬データのための統計解析. 共立出版, 2020, p.216

自己紹介

自分の写真

yama

大学時代に読書の面白さに気づいて以来、読書や勉強を通じて、興味をもったことや新しいことを学ぶことが生きる原動力。そんな人間が、その時々に学んだことを備忘録兼人生の軌跡として記録しているブログです。

このブログを検索

ブログ アーカイブ

QooQ