医学統計勉強会第 6 回経時的繰り返し測定データの解析医学統計勉強会東北大学病院循環器内科東北大学病院臨床研究推進センター共催東北大学大学院医学系研究科 EBM 開発学寄附講座宮田敏 Absence of evidence is not evidence of absence! - Carl

Size: px

Start display at page:

Download "医学統計勉強会第 6 回経時的繰り返し測定データの解析医学統計勉強会東北大学病院循環器内科東北大学病院臨床研究推進センター共催東北大学大学院医学系研究科 EBM 開発学寄附講座宮田敏 Absence of evidence is not evidence of absence! - Carl"

そうすけいなおか
5 years ago
Views:

1 東北大学病院循環器内科東北大学病院臨床研究推進センター共催東北大学大学院医学系研究科 EBM 開発学寄附講座宮田敏 Absence of evdence s not evdence of absence! - Carl Sagan - 1

2 1. 経時的反復測定データ臨床試験や実験などである処理に対する反応を検証するとき同じ対象に対して繰り返してデータを測定する場合がありますこのように繰り返して測定されたデータを反復測定データ繰り返し測定データ repeated measurement data などと呼びます反復測定データのうち特に時間の経過に沿って観察されたデータのことを経時的測定データ縦断的測定データ longtudnal data などと呼びます経時的ではない反復測定データは繰り返し実験のように測定の順序をランダムに変更出来るのに対して経時的測定データは測定の順序を変更出来ないのが特徴になります例 :Orthodont- 歯列矯正の成長データ小児 7 名 ( 男子 16 名女子 11 名 ) の脳下垂体と翼突上顎裂の距離の成長を 8 歳から 14 歳まで追ったデータ dstance: 脳下垂体中心と翼突上顎裂の距離 (mm) age: 計測時の被験者の年齢 ( 歳 ) Subect: 被験者識別コード Sex: 被験者の性別図 1 Orthodont data

3 dstance age Orthodont データからは : 女子 : 男子男女とも age が上昇すると共に dstance も増える正の相関がある各群の中では age と dstance の関係は線形で近似出来そう男子のほうが女子より dstance の値が大きい age の上昇に伴い男子のほうが女子に比べて dstance の増え方が大きい ( 男子のほうが直線の傾きが大きい ) などの傾向が見られます出典 : Potthoff, R. F. and Roy, S. N. (1964) A generalzed multvarate analyss of varance model useful especally for growth curve problems, Bometrka 51: Pnhero, J. and Bates, D. (000) Mxed-Effects Models n S and S-PLUS, Sprnger 一般に経時的測定データによる実験は以下の目的と方法により計画されます目的 : 応答変数の経時的な変化の有無を測定するあるいは複数の群 ( 例えばプラセボ群 vs. 処置群男性 vs. 女性など ) の経時的な作用の比較を行う対象 : 複数の群が存在する場合はサンプルを各群にランダムに割り付ける測定 : まず処置を行う前の値 (baselne 値 ) を測定するさらに処置後定め 3

4 られた時間間隔で継続して応答変数の値を測定するこのようにして集められた経時的測定データは目的に応じて以下のような方法で群間比較されていきます. 各時点における群間比較実験の目的が測定時点ごとに独立に処置の効果を比較することである場合時点ごとの検定を繰り返すことになります検定方法 : 二群の比較であれば Welch s t-test もしくは Mann-Whtney U test 三群以上であれば一元配置分散分析 (One-way ANOVA) か Kruskal- Walls test を用いますもちろんデータの分布が正規分布であると見なせるときは t-test や ANOVA 正規分布とは異なる歪んだ分布であるときは Mann-Whtney test や Kruskal-Walls test を用います図 Orthodont data( 時点ごとの群間比較 ) 図に Orthodont データの各時点における Welch s t-test の結果を示します Baselne の時点ですでに有意ではありませんが男子のほうが値が大きい傾向が見られますそして後半の 1 歳 14 歳時点では dstance の値に有意な差があることが分かります 3. 各時点における群間比較の問題点と注意点 4

前節で示した各観測時点における応答変数の比較は単純で理解しやすいものですまた仮に観察の途中でサンプルが脱落して群ごとにサンプル数が異なってしまうような場合でも, 時点ごとに比較をすれば良いので応用面での利点もあります一方で上記のような各時点における群間比較には以下に述べるような問題点も存在します経時測定データは baselne の値に依存する各群が無作為に割り付けられた場合

5 前節で示した各観測時点における応答変数の比較は単純で理解しやすいものですまた仮に観察の途中でサンプルが脱落して群ごとにサンプル数が異なってしまうような場合でも, 時点ごとに比較をすれば良いので応用面での利点もあります一方で上記のような各時点における群間比較には以下に述べるような問題点も存在します経時測定データは baselne の値に依存する各群が無作為に割り付けられた場合 baselne の値は誤差を除いて一定のはずです例えば Orthodont データでの男女間の比較では後半 1,14 歳時点で dstance に有意差が認められますがこれは baselne 時に最初から存在した性差によるものなのかそれとも性別により時間経過に伴う dstance の成長の程度に差があるからなのかは, 明らかではありませんもし baselne に無視出来ない差があるときは個体差を考慮した効果指標が必要になりますたとえば baselne からの差 (change from baselne) baselne からの比 (percent change from baselne) 図 3 Orthodont data(baselne からの差の群間比較 ) 図 3 に Orthodont データの baselne からの差の群間比較を示します図 3 から明らかなとおり 10 歳時 ( 時点差 ) 1 歳時 (4 時点差 ) において有意差は認められず 14 歳時 (6 時点差 ) において初めて有意差が認められます 5

6 図において 1 歳時までに見られた dstance の差は成長に伴う性差の影響と言うより baselne 時の dstance の差を示したものに過ぎずむしろ 14 歳時において baselne 時の個体差を除いた上でまだ性別による差が認められたことにこそ注目すべきであると思われます多重比較の問題複数の時点の検定を同時に行う際は, 検定の多重性を考慮するために多重比較を行う必要があります多重比較の方法としては, 次のような方法が考えられます Bonferron の多重比較 :k 回の検定を同時に行うとき同時有意水準をα にするるためには個々の検定の有意水準をα/k とします図 3 の例であれば検定の数は k=3 ですから全体の有意水準をα=0.05 とするには, 個々の検定の有意水準をα/k=0.05/3= とする必要がありますこの Bonferron の多重比較の立場からすると 14 歳時の p=0.041 は有意とは言えなくなりますただし Bonferron の多重比較は一般に保守的と言われ個々の有意水準を厳しくとりがちであるとされていますので他の検定方法を検討すべきかもしれません時点ごとの群間比較は経時測定データの特性を生かしていないつまり時点ごとの群間比較では, それぞれのサンプルが時点を変えて繰り返して測定されるという経時測定データの特徴を全く使っていません当然のことながら baselne において高い値をとるサンプルはそれ以降の時点においても高い値をとる傾向があるはずで有りこうした情報を生かしていない点で時点ごとの群間比較は切れ味の悪い検定になっていますこの点を考慮して検定の精度を上げるのが次に取り上げる反復測定による分散分析による解析になります 4. 反復測定による分散分析 4.1 反復測定による一元配置分散分析まず議論を単純にするために, 群が一つしかない経時測定データの解析を考えます例えば Orthodont データの場合であれば男子のみのデータに対して, 時点間で dstance に有意な差があるかを検定しますその際 baselne の個体差を考慮に入れるためサンプルのインデックスも主効果に含めます X, ~ N 0, 6

ただし, 1, n : 各サンプルの母数効果, 0, T : 時点の母数効,, 果を示しています各時点において各サンプルの観測値は一つしかありませんから上記のモデルは繰り返しのない二元配置分散分析と呼ばれます図 4 Orthodont データ ( 男子のみ ) dstance 0 5 30 8 9 10 11 1 13 14 age 反復測定の分散分析における多重比較には第 1

7 ただし, 1, n : 各サンプルの母数効果, 0, T : 時点の母数効,, 果を示しています各時点において各サンプルの観測値は一つしかありませんから上記のモデルは繰り返しのない二元配置分散分析と呼ばれます図 4 Orthodont データ ( 男子のみ ) dstance age 反復測定の分散分析における多重比較には第 1 回でも取り上げた Dunnett の多重比較を考えます Dunnett の多重比較 :Dunnett の多重比較については第 1 回にも取り上げた通り baselne とその他の時点との比較のみを行います SPSS による反復測定の分散分析 : 1. orthodont_male.sav を読み込む. 分析一般線型モデル 1 変量 3. 従属変数 :dstance 応答変数を入力固定因子 :age, Subect 固定因子 7

8 ( ここでは age は数値ではなく文字列として扱っていることに注意 Sex は Male しかいないので選択しない ) 4. モデルボタンを押して以下を選択モデルの指定 : ユーザーによる指定 age と Subect の二つの主効果をモデルに入れるモデルに切片を含む続行 ( 繰り返しのない二元配置分散分析では交互作用項は選択しない) 8

5. その後の検定ボタンを押して以下を選択その後の検定に, 時点のインデックス age を選択 Dunnett の検定を選択対照カテゴリで最初を選択続行 6. OK SPSS による反復測定による一元配置分散分析の結果従属変数 : dstance 被験者間効果の検定ソースタイプ III 平方和自由度平均平方 F 値有意確率修正モデル 401.19 a 18.90 7.

9 5. その後の検定ボタンを押して以下を選択その後の検定に, 時点のインデックス age を選択 Dunnett の検定を選択対照カテゴリで最初を選択続行 6. OK SPSS による反復測定による一元配置分散分析の結果従属変数 : dstance 被験者間効果の検定ソースタイプ III 平方和自由度平均平方 F 値有意確率修正モデル a 切片 age Subect 誤差総和修正総和 a. R 乗 =.757 ( 調整済み R 乗 =.660) Dunnett の多重比較多重比較 9

10 従属変数 : dstance Dunnett の t ( サイドの ) (I) age (J) age 平均値の差 (I- 標準誤差有意確率 95% 信頼区間 J) 下限上限 * * 観測平均値に基づいています誤差項は平均平方 ( 誤差 ) =.860 です *. 平均値の差は 0.05 水準で有意です a. Dunnett の t- 検定は対照として 1 つのグループを扱いそれに対する他のすべてのグループを比較します 8 歳時点と 10 歳時点の間には有意差はない (p=0.84) が 1,14 歳時点では有意差が認められる 4. 反復測定による二元配置分散分析本節では, 前節の反復測定による一元配置分散分析を拡張して反復測定による二元配置分散分析を考えます Orthodont データの場合であれば時点と性別の二つの主効果を考えさらに時点と性別の交互作用を考えます X k, ~ N 0, k ただし, 1, n : 各サンプルの母数効果, 0, T : 時点の母数効, 果, k 1, : 性別の母数効果 k k k k, k : 時点と性別の交互作用を示しています ( 性別以外の主効果例えば薬剤 A, B, C などを考えるときはその主効果に従い水準の数が変わります ) 反復測定による二元配置分散分析を考える際問題になるのは次の二点です 1. 主効果の有意性を考えるとき, 問題となるのは交互作用 k であって性別 10

11 の母数効果 k, k 1, ではない k, k 1, は baselne における性別による差を示しているが本当に必要なのは時間経過と共に性別によって応答変数 dstance の成長に差が出るかどうか (= 交互作用 ) の有無にあるから. 交互作用の有意性検定は, 交互作用があるかないかを検定するのみであって交互作用がどちらの方向に働くのか ( 男性のほうが成長が早いのか否か ) は検定出来ない SPSS による検定の方法は前節と同様ですので省略します詳細は以下を参照対馬栄輝 SPSS で学ぶ医療系データ解析分析内容の理解と手順解説バランスのとれた医療統計入門東京図書 (007/09) 石村貞夫石村光資郎 SPSS による分散分析と多重比較の手順第 4 版東京図書 (011/9/5) 分散分析の枠組みでは時間はあくまでも順序を持った水準としてのみ扱われます逆に言えば, 分散分析では時間は実数値としては扱われないので (0, 1,, 3) と言う時点の取り方でも (0,10,100,1000) と言う時点の取り方でも全く同じ答えが出てきてしまいます時間の量的な効果を評価するには, 次項に述べる正規線型混合モデルを考えなくてはなりません 5. 正規線型混合モデル前項で述べた, 反復測定による分散分析は経時的反復測定データの解析手法として古典的に用いられるものですがいくつかの欠点も持っています 1. 分散分析モデルでは, サンプル一つ一つを主効果の別の水準とするのでサンプル数が多くなるに従って推定すべきパラメターの数が多くなる多くのものを一度に推定しなければならない分検定の切れ味が悪くなる. 前ページに書いたとおり時間は時点の主効果の水準の一つとして扱われるため順序は持つが実数としての意味は持たないものとして扱われる 3. 前ページで反復測定による二元配置分散分析で主効果の影響を見るのに重要なのは, むしろ交互作用であると指摘しましたしかし交互作用の 11

12 検定で分かるのは交互作用の有無だけであって交互作用の方向までは検定出来ない本稿で述べる混合モデル (Mxed-effects model) は上記の欠点を克服するため各個体の経時的データにはそれぞれ個体差があるがその個体差は, 各群ごとの平均的なトレンドからのランダムな乖離 (= 変量効果 ) としてモデル化するものです母数効果のみからなる線形回帰モデルは, 以下のようになります y x k x t 0 1: female, t 0 : male 1 : tme, x t, ~ N0, x : nteracto n k k ただし x は性別を表すダミー変数で男女の別によりモデルは次のようになりますまたは時間と性別の交互作用項で, 回帰直線の性別による傾き x の違いを表します y y k k 0 t t 0 k k : male : female つまり性別によって切片も傾きも異なる回帰直線を当てはめることになりますただし混合効果モデルでは上の性別ごとの回帰直線は各群の平均的なトレンドとしてとらえられ個体差を持つ各個体の経時測定データは, この平均的トレンドから変量効果分の乖離を持ったものとして解釈されますこの無視出来ない個体差をランダムな変量効果に吸収することによって真のトレンドの推定の切れ味を挙げる, と言うのが混合効果モデルのアイデアになります SPSS による正規線型混合効果モデルの当てはめ 1. orthodont.sav を読み込む. 分析混合モデル線型を選択 1

13 3. 被験者および反復測定の定義で, 被験者にサンプルのインデックスである Subect を選択する続行 4. 従属変数 :dstance 因子 :Subect, Sex 共変量 :age OK 離散変数実数値をとる連続変数 13

14 5. 固定ボタンを押しモデルを選択する主効果 Sex, age の他に Sex, age の交互作用 Sex*age を選択するのを忘れないようにする続行 6. 変量ボタンを押し変量効果として Subect を選択する続行 14

15 7. 推定すべき統計量としてパラメータ推定量共分散パラメータ推定量を選択 8. 線型混合モデルウィンドウで OK 15

16 推定と検定の結果まず変量効果を無視した固定効果のみの母数モデルを推定してみる Estmate Std. t Pr(> t ) Error value (Intercept) < e-16 *** age E-08 *** SexFemale age:sexfemale y y k k x t x xt k, k ~ N0,, b ~ N0, b t 0.3x t 時間 age に対する係数が0.78と正の値で有意であることから時間の経過と共に応答変数 dstance が増加することが分かりますまた Sexが有意ではない (p=0.643) ことから登録時 (8 歳 ) において性別による有意差はなかったことが分かる交互作用項の係数はで負の値であることから, 女性の場合の応答変数 dstanceの増加率は, 男性より小さい傾向が認められる. ただし交互作用項は有意ではないことから傾きの性差ははっきりしない SPSSによる混合効果モデルの推定固定効果の推定 a パラメータ推定値標準誤差自由度 t 有意 95% 信頼区間下限上限切片 [Sex=Female] [Sex=Male] 0 b age [Sex=Female] * age [Sex=Male] * age 0 b a. 従属変数 : dstance b. このパラメータは冗長であるため 0 に設定されています 16

17 共分散パラメータの推定 a パラメータ推定値標準誤差 Wald の Z 有意 95% 信頼区間下限上限残差 Subect 分散 a. 従属変数 : dstance y x k x t 0 1: female, t 0 : male 1 : tme, x t b, ~ N0,, b ~ N0, x k : nteracton k b y k x 0.78t 0.30 x t まず係数の推定値そのものは, 固定効果モデルと全く同じであることが分かりますまた交互作用項の係数が-0.3 と負の値で有意であることから女子のトレンドの傾きの方が小さいことが分かります交互作用が有意であることから dstance の成長に対して性別が有意な影響を与えていることが分かりますがこれは変量効果を含めることで無視出来ない個体差をモデルのランダムな効果に吸収したことで, 検定の精度が上がったことを示しています混合効果モデルの, その他の使い方今回は, 経時データに対して被験者の baselne の値に変量効果を入れた他に混合効果モデルの使い方には以下のようなものがある反復測定データあるいは同じ被験者 ( 検体 ) に異なる介入を行った場合例えば何回か繰り返して同じ実験をした場合や脳の異なる部分で測定を行った場合などその場合時間の概念は入らないが被験者の baselne に混合効果を入れることが出来る被説明変数が実数で正規分布に従う場合だけでなく二値の二項分布に従う場合 ( ロジスティック回帰 ) や正の整数値に従う場合 ( ポワソン回帰 ) などその他の分布に従う場合でも変量効果を考えることが出来る Generalzed Lnear Mxed-effect Model (GLMM) 生存時間データと混合効果モデル 17

18 生存時間データの多変量解析には Cox 比例ハザードモデルが用いられる Cox モデルの共変量は, 基本的には登録時のもののみを用いるしかし観察期間中も身長体重等の値を継続的に測定する場合がある経時的に得られた共変量の値を生存時間と会わせて解析するには被験者に対して変量効果を考える必要があるこのようなモデルとして Jont Model と呼ばれるものがあるここでは詳細は述べないが統計解析ソフト R には拡張パッケージ JM として実装されている以上 Take Home Message 1. 反復測定データ. 各時点における群間比較 3. 反復測定データの分散分析 4. 正規混合効果モデル 18

Medical3

Medical3 Chapter 1 1.4.1 1 元配置分散分析と多重比較の実行 3つの治療法による測定値に有意な差が認められるかどうかを分散分析で調べますこの例では因子が1つだけ含まれるため1 元配置分散分析 one-way ANOVA の適用になりますまた多重比較法 multiple comparison procedure を用いて具体的のどの治療法の間に有意差が認められるかを検定します 1. 分析メニュー