統計検定 1級 2015年 医薬生物学 問4 ロジスティック回帰分析

公開日: 更新日:

【2023年1月1週】 【A000】生物統計学 【D000】統計検定 過去問

この記事をシェアする
  • B!
サムネイル画像

本稿には、2015年に実施された統計検定1級『医薬生物学』 問4の自作解答案を掲載しています。なお、閲覧にあたっては、以下の点にご注意ください。

  • 著作権の関係上、問題文は、掲載することができません。申し訳ありませんが、閲覧者のみなさまでご用意いただければ幸いです。
  • この答案は、あくまでも筆者が自作したものであり、公式なものではありません。正式な答案については、公式問題集をご参照ください。
  • 計算ミスや誤字・脱字などがありましたら、コメントなどでご指摘いただければ大変助かります。
  • 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。

〔1〕有害事象の発現割合の差の最尤推定量

$T$ 群の有害事象の発現度数を $n_T$、$C$ 群の発現度数を $n_C$ とすると、$n_T$ と $n_C$ は独立に、それぞれ \begin{align} n_T \sim \mathrm{B} \left(200,\pi_T\right) \quad n_C \sim \mathrm{B} \left(200,\pi_C\right) \end{align} 二項分布の最尤推定量の公式 $\hat{\pi}=\frac{X}{n}$ より、 \begin{align} {\hat{\pi}}_T=\frac{n_T}{200} \quad {\hat{\pi}}_C=\frac{n_C}{200} \end{align} したがって、有害事象の発現割合の差 $d=\pi_T-\pi_C$ の最尤推定量は、 \begin{align} \hat{d}={\hat{\pi}}_T-{\hat{\pi}}_C \end{align} $\blacksquare$

〔2〕交絡因子の影響

問題文の条件より、重症度スコアは治療 $T$ の受けやすさと有害事象の発生の両方に影響している。この重症度スコアが中間因子ではない場合、交絡因子として(治療 $T$ にとって不利な方向へと)結果に影響を与えている可能性がある。そのため、このような交絡因子の影響を除いた解析を行う必要があると考えられる。 $\blacksquare$

〔3〕ロジスティック回帰モデルの性質

(1)有害事象の発現オッズ比
治療 $T$ の有害事象の発現対数オッズは、 \begin{align} \log{\frac{\pi_T}{1-\pi_T}}&=\beta_0+\beta_1 \cdot 1+\beta_2Z\\ &=\beta_0+\beta_1+\beta_2Z \end{align} 治療 $C$ の有害事象の発現対数オッズは、 \begin{align} \log{\frac{\pi_C}{1-\pi_C}}&=\beta_0+\beta_1 \cdot 0+\beta_2Z\\ &=\beta_0+\beta_2Z \end{align} したがって、治療 $T$ の治療 $C$ に対する発現対数オッズ比は、 \begin{align} \log{\frac{\frac{\pi_T}{1-\pi_T}}{\frac{\pi_C}{1-\pi_C}}}&=\log{\frac{\pi_T}{1-\pi_T}}-\log{\frac{\pi_C}{1-\pi_C}}\\ &=\beta_0+\beta_1+\beta_2Z- \left(\beta_0+\beta_2Z\right)\\ &=\beta_1 \end{align} 両辺のネイピアの数を底とする指数を取ると、発現オッズ比は、 \begin{align} \frac{\frac{\pi_T}{1-\pi_T}}{\frac{\pi_C}{1-\pi_C}}=e^{\beta_1} \end{align} $\blacksquare$

(2)重症度スコアが1単位増加したときのオッズ比
例えば、$Z=0$ のときの治療 $C$ に対する発現対数オッズは、 \begin{align} \log{{\mathrm{OR}}_C \left(Z=0\right)}=\beta_0 \end{align} $Z=1$ のときは、 \begin{align} \log{{\mathrm{OR}}_C \left(Z=1\right)}=\beta_0+\beta_2 \end{align} したがって、オッズ比は、 \begin{gather} \log{\frac{{\mathrm{OR}}_C \left(Z=1\right)}{{\mathrm{OR}}_C \left(Z=0\right)}}=\beta_0+\beta_2-\beta_0=\beta_2\\ \frac{{\mathrm{OR}}_C \left(Z=1\right)}{{\mathrm{OR}}_C \left(Z=0\right)}=e^{\beta_2} \end{gather} $\blacksquare$

〔4〕カテゴリー変数を用いる際のロジスティック回帰モデル

たとえば、重症度のスコアの名義変数に対して、次のダミー変数を用意する。 \begin{align} Z_1= \left\{\begin{matrix}1&\mathrm{Middle}\\0&\mathrm{other}\\\end{matrix}\right. \quad Z_2= \left\{\begin{matrix}1&\mathrm{Heavy}\\0&\mathrm{other}\\\end{matrix}\right. \end{align} このダミー変数を使用して、次のロジスティック回帰モデルを適用する。 \begin{align} \log{\frac{\pi_i}{1-\pi_i}}=\beta_0+\beta_1X_1+\beta_2Z_1+\beta_3Z_2 \end{align} $\blacksquare$

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