P値関数でP値と信頼区間の関係を学ぼう
P値関数とは?
P値関数は、様々なパラメータ値をそれぞれ帰無仮説とした場合のP値をグラフにしたものです。 この関数を使うと、信頼区間とP値の関係を直観的に理解することができます。
重要な概念
- P値関数: 各パラメータ値を帰無仮説としたときのP値をプロットした曲線
- 信頼区間: P値関数が有意水準α (例: 0.05) と交差する点によって定義される範囲
- 重要な関係: あるパラメータ値が信頼区間に含まれる ⟺ そのパラメータ値を帰無仮説としたときのP値 < α
パラメータ設定
2×2分割表
| 事象あり | 事象なし | 合計 | |
|---|---|---|---|
| 曝露 あり | {{ a + b }} | ||
| 曝露 なし | {{ c + d }} | ||
| 合計 | {{ a + c }} | {{ b + d }} | {{ totalSampleSize }} |
P値関数
計算結果
対数オッズ比/オッズ比と信頼区間
| 対数オッズ比 | {{ logOddsRatio.toFixed(3) }} |
| 標準誤差 | {{ standardError.toFixed(3) }} |
| 信頼区間 | [{{ logLowerCI.toFixed(3) }}, {{ logUpperCI.toFixed(3) }}] |
| 信頼水準 | {{ (confidenceLevel * 100).toFixed(1) }}% |
| オッズ比 | {{ oddsRatio.toFixed(3) }} |
| 信頼区間 | [{{ orLowerCI.toFixed(3) }}, {{ orUpperCI.toFixed(3) }}] |
オッズ比とP値関数の重要なポイント
P値関数とは？
P値関数は、さまざまなパラメータ値をそれぞれ帰無仮説とした場合のP値をプロットしたものです。 観測データに基づいており、点推定値でP値が最大（通常は1.0）になります。
対数オッズ比のP値関数 (両側検定):
\[ P(\theta) = 2 \times \left( 1 - \Phi\left(\frac{|\theta - \hat{\theta}|}{SE}\right) \right) \]ここで、\(\theta\)は対数オッズ比のパラメータ値、\(\hat{\theta}\)は点推定値、\(SE\)は標準誤差です。
信頼区間との関係
信頼区間は、P値関数がちょうど有意水準αを横切る点によって定義されます。 つまり、（1-α）×100%信頼区間に含まれるパラメータ値は、すべてP値＞αとなる値です。
対数オッズ比の信頼区間 (Wald法):
\[ \hat{\theta} \pm z_{1-\alpha/2} \times SE \]ここで、\(z_{1-\alpha/2}\)は標準正規分布の上側\(\alpha/2\)点です。
オッズ比と標準誤差
2×2分割表からのオッズ比の計算: \[ OR = \frac{a \times d}{b \times c} \]
対数オッズ比の標準誤差の計算: \[ SE(\log(OR)) = \sqrt{\frac{1}{a} + \frac{1}{b} + \frac{1}{c} + \frac{1}{d}} \]
この標準誤差はサンプルサイズが大きいほど小さくなり、信頼区間も狭くなります。
対数オッズ比を使用する理由
- 対数オッズ比は対称的な信頼区間を持ち、正規近似がよく適用できます
- オッズ比は1を中心に非対称 (0 から ∞) ですが、対数オッズ比は0を中心に対称 (-∞ から ∞) です
- 対数オッズ比の標本分布は近似的に正規分布となるため、統計的推論が容易になります
注意点： このシミュレーターでは、Wald法を用いて信頼区間を計算しています。Wald法は計算が簡単で直感的ですが、特に小さなサンプルサイズでは正確性が低下する場合があります。より正確な信頼区間を求める場合は、Score法や Fisher's exact testなどの代替方法を検討してください。