ジョン・ラチン(2020)『医薬データのための統計解析』 問題2.13 解答例

公開日: 更新日:

【2022年10月3週】 【A000】生物統計学 【A073】統計的仮説検定 【A092】ロジスティック回帰分析

この記事をシェアする
  • B!
サムネイル画像

本稿は、ジョン・ラチン(2020)『医薬データのための統計解析』の「問題2.13」の自作解答例です。ロジスティック・モデルにもとづく超幾何尤度の導出に関する問題です。

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。
  • 著作権の関係上、問題文は、掲載しておりません。上述の参考書をお持ちの方は、お手元にご用意してご覧ください。
  • この解答例は、筆者が自作したものであり、公式なものではありません。あくまでも参考としてご覧いただければ幸いです。

問題2.13.1:ロジットの逆変換

与えられたロジスティック・モデルを指数変換すると、 \begin{align} \frac{\pi_1}{1-\pi_1}=e^{\alpha+\beta} \quad \frac{\pi_2}{1-\pi_2}=e^\alpha \end{align} これらを $\pi_1,\pi_2$ について解くと、 \begin{gather} \pi_1=e^{\alpha+\beta} \left(1-\pi_1\right)\\ \pi_1 \left(1+e^{\alpha+\beta}\right)=e^{\alpha+\beta}\\ \pi_1=\frac{e^{\alpha+\beta}}{1+e^{\alpha+\beta}} \end{gather} \begin{align} 1-\pi_1&=\frac{1+e^{\alpha+\beta}-e^{\alpha+\beta}}{1+e^{\alpha+\beta}}\\ &=\frac{1}{1+e^{\alpha+\beta}} \end{align} \begin{gather} \pi_2=e^\alpha \left(1-\pi_2\right)\\ \pi_2 \left(1+e^\alpha\right)=e^\alpha\\ \pi_2=\frac{e^\alpha}{1+e^\alpha} \end{gather} \begin{align} 1-\pi_2&=\frac{1+e^\alpha-e^\alpha}{1+e^\alpha}\\ &=\frac{1}{1+e^\alpha} \end{align} $\blacksquare$

問題2.13.2:ロジスティック回帰モデルにおける回帰係数の意味

対数の性質 $\log{\frac{A}{B}}=\log{A}-\log{B}$ を用いて、対数オッズ比 $\log{\varphi}$ を求めると、 \begin{align} \log{\frac{\frac{\pi_1}{1-\pi_1}}{\frac{\pi_2}{1-\pi_2}}}&=\log{\frac{\pi_1}{1-\pi_1}}-\log{\frac{\pi_2}{1-\pi_2}}\\ &=\alpha+\beta-\alpha\\ &=\beta \end{align} これを指数変換すると、 \begin{align} \varphi=e^\beta \end{align} $\blacksquare$

問題2.13.3:ロジスティック回帰モデルにもとづく尤度①

これらの値を条件なし条件なし積二項尤度の式に代入すると、 \begin{align} L \left(\pi_1,\pi_2\right)&={}_{n_1}C_a \left(\frac{e^{\alpha+\beta}}{1+e^{\alpha+\beta}}\right)^a \left(\frac{1}{1+e^{\alpha+\beta}}\right)^{n_1-a} \cdot {}_{n_2}C_b \left(\frac{e^\alpha}{1+e^\alpha}\right)^b \left(\frac{1}{1+e^\alpha}\right)^{n_2-b}\\ &={}_{n_1}C_a \left(e^{\alpha+\beta}\right)^a \left(\frac{1}{1+e^{\alpha+\beta}}\right)^{n_1} \cdot {}_{n_2}C_b \left(e^\alpha\right)^b \left(\frac{1}{1+e^\alpha}\right)^{n_2}\\ &={}_{n_1}C_a \cdot {}_{n_2}C_b\frac{e^{a\alpha+a\beta} \cdot e^{\alpha b}}{ \left(1+e^{\alpha+\beta}\right)^{n_1} \left(1+e^\alpha\right)^{n_2}} \end{align} $\blacksquare$

問題2.13.4:ロジスティック回帰モデルにもとづく尤度②

$b=m_1-a$ とすると、 \begin{align} L \left(\pi_1,\pi_2\right)&={}_{n_1}C_a \cdot {}_{n_2}C_{m_1-a}\frac{e^{a\alpha+a\beta} \cdot e^{\alpha m_1-a\alpha}}{ \left(1+e^{\alpha+\beta}\right)^{n_1} \left(1+e^\alpha\right)^{n_2}}\\ &={}_{n_1}C_a \cdot {}_{n_2}C_{m_1-a}\frac{e^{a\beta} \cdot e^{m_1\alpha}}{ \left(1+e^{\alpha+\beta}\right)^{n_1} \left(1+e^\alpha\right)^{n_2}} \end{align} ここで、$m_1$ を条件付けると、条件付き確率の定義より、 \begin{align} P \left(a\middle| m_1\right)&=\frac{P \left(a,m_1\right)}{P \left(m_1\right)}\\ &=\frac{P \left(a,m_1\right)}{\sum_{i=a_l}^{a_u}P \left(i,m_1\right)}\\ &=\frac{{}_{n_1}C_a \cdot {}_{n_2}C_{m_1-a} \cdot e^{\alpha\beta}}{\sum_{i=a_l}^{a_u}{{}_{n_1}C_i \cdot {}_{n_2}C_{m_1-i} \cdot e^{i\beta}}} \end{align} $\blacksquare$

問題2.13.5:ロジスティック回帰モデルにもとづく尤度③

$\varphi=e^\beta\Leftrightarrow\varphi^a=e^{a\beta}$ より、 \begin{align} P \left(a,m_1\right)=\frac{{}_{n_1}C_a \cdot {}_{n_2}C_{m_1-a} \cdot \varphi^a}{\sum_{i=a_l}^{a_u}{{}_{n_1}C_i \cdot {}_{n_2}C_{m_1-i} \cdot \varphi^i}} \end{align} $\blacksquare$

参考文献

  • 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.86-87

関連記事

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