目次
はじめに
「ロジスティック回帰分析とカイ二乗検定では、どちらの結果を信じればよいのだろう」
「同じデータを分析したのに結果が違い、どちらを採用すればよいのか分からない」と迷っていませんか。
たとえば、カイ二乗検定では有意差があったのにロジスティック回帰分析では有意にならなかったり、逆の結果になったりして、分析結果をどう解釈すればよいのか迷ってしまうことがありますよね。
この記事では、ロジスティック回帰分析とカイ二乗検定の違いや結果が一致しない理由、それぞれを使い分ける判断基準について、順を追って説明していきます。
ロジスティック回帰分析とカイ二乗検定はどちらの信憑性が高い？
ロジスティック回帰分析とカイ二乗検定は、どちらか一方が常に信頼できる分析手法というわけではありません。
ここでは、それぞれの手法の信憑性をどう考えるべきかを整理したうえで、適切な分析手法を選ぶための判断ポイントを順を追って説明していきます。
手法の違いだけで信憑性の高さは決まらない
ロジスティック回帰分析とカイ二乗検定は、どちらを使うかだけで結果の信憑性が決まるわけではありません。
分析目的に合った手法を選んでいるか、必要な前提条件を満たしているか、十分なサンプル数があるかなども結果の信頼性に関わります。
そのため、「ロジスティック回帰分析のほうが高度だから信頼できる」と考えるのではなく、分析条件に合っているかを確認することが大切です。
分析目的とデータに適した方法を選ぶことが重要
どちらを使うか迷ったときは、まず「何を明らかにしたいのか」を整理すると選びやすくなります。
2つのカテゴリ変数の関連を確認したい場合はカイ二乗検定、複数の要因を考慮しながら目的変数との関係を調べたい場合はロジスティック回帰分析が適しています。
手法の優劣で考えるのではなく、分析目的やデータに合った方法を選ぶことが、結果を適切に解釈するためのポイントです。
ロジスティック回帰分析とカイ二乗検定の違い
ロジスティック回帰分析とカイ二乗検定は、どちらもカテゴリデータを扱う場面で利用されますが、分析の目的や確認できる内容は大きく異なります。
ここでは、両者の役割の違いと、交絡因子を調整できるかどうかを含めた重要な違いを順を追って説明していきます。
カイ二乗検定
カイ二乗検定は、2つのカテゴリ変数に関連があるかを調べる方法です。
たとえば、性別と購入有無、治療法と改善有無などをクロス集計表にまとめ、統計的な関連があるかを確認します。
ただし、年齢や性別など、ほかの要因を考慮しながら関連を調べることはできません。
ロジスティック回帰分析
ロジスティック回帰分析は、二値の目的変数に対して、説明変数がどのように関係しているかを分析する方法です。
年齢や性別、検査値など複数の説明変数を同時に扱うことができ、それぞれの影響をオッズ比などで確認できます。
そのため、複数の要因を考慮しながら、目的変数との関係を詳しく調べたい場合に適しています。
交絡因子を調整できるかどうかが大きな違い
両者の大きな違いの一つが、交絡因子を調整できるかどうかです。
カイ二乗検定では基本的に2つの変数の関連を確認しますが、ロジスティック回帰分析では複数の変数をモデルに入れ、ほかの要因を調整したうえで関係を評価できます。
そのため、年齢や性別などの影響も考慮して分析したい場合は、ロジスティック回帰分析が選択肢になります。
ロジスティック回帰分析とカイ二乗検定で結果が違うのはなぜ？
同じデータを使っているにもかかわらず、カイ二乗検定では有意差があり、ロジスティック回帰分析では有意差がなくなるなど、結果が異なることがあります。
ここでは、結果が変わる主な理由を整理し、それぞれの分析結果をどのように解釈すればよいのかを順を追って説明していきます。
検定している仮説や比較対象が異なる場合がある
ロジスティック回帰分析とカイ二乗検定では、確認している内容が異なるため、同じデータでも結果が一致しないことがあります。
カイ二乗検定は2つのカテゴリ変数の関連を調べるのに対し、ロジスティック回帰分析は目的変数と説明変数の関係を評価します。
そのため、一方では有意でも、もう一方では有意にならない場合があります。
交絡因子の調整によって有意差が変わることがある
ロジスティック回帰分析では、年齢や性別などの交絡因子を考慮した分析ができます。
一方、通常のカイ二乗検定ではほかの要因を調整せず、2つの変数の関連を確認します。
そのため、交絡因子を調整すると、カイ二乗検定では有意だった関連が有意でなくなるなど、結果が変わることがあります。
Yates補正など計算方法の違いでp値が変わることがある
カイ二乗検定では、Yates補正の有無などによってp値が変わることがあります。
特に2×2分割表では、Yates補正を行うと、補正しない場合よりp値が大きくなる傾向があります。
そのため、有意水準の境界に近い結果では、計算方法によって有意かどうかの判定が変わることもあります。
結果の信憑性を判断するときに確認すべきポイント
分析結果の信憑性は、有意差が出たかどうかだけで判断できるものではありません。
ここでは、カイ二乗検定とロジスティック回帰分析でそれぞれ確認すべきポイントと、p値以外に見るべき指標について順を追って説明していきます。
カイ二乗検定
カイ二乗検定では、期待度数とデータの独立性を確認することが大切です。
一般的には、期待度数が5未満のセルが全体の20％を超えず、1未満のセルがないことが目安とされています。
また、各データは互いに独立している必要があるため、同じ対象者を繰り返し測定したような対応のあるデータには適していません。
ロジスティック回帰分析
ロジスティック回帰分析では、サンプルサイズや多重共線性、外れ値、完全分離などを確認します。
サンプル数が少なかったり、説明変数同士の相関が強すぎたりすると、係数やオッズ比の推定が不安定になることがあります。
また、外れ値の影響が大きい場合や完全分離が起きている場合も、結果をそのまま解釈せず、モデルの状態を確認することが大切です。
p値だけでなくオッズ比や信頼区間も確認する
ロジスティック回帰分析の結果は、p値だけで判断せず、オッズ比や95％信頼区間もあわせて確認しましょう。
p値からは統計学的な有意性、オッズ比からは関係の方向や大きさを読み取れます。
さらに、95％信頼区間を見ることで推定の不確実性も確認できるため、これらを組み合わせて結果を解釈することが大切です。
カイ二乗検定とロジスティック回帰分析はどう使い分ける？
カイ二乗検定とロジスティック回帰分析は、調べたい内容と考慮する要因の数によって使い分けます。
ここでは、それぞれを選ぶ場面と、両方の結果が異なったときの判断方法について順を追って説明していきます。
単純に2つのカテゴリ変数の関連を見るなら
2つのカテゴリ変数に関連があるかを確認したい場合は、カイ二乗検定が適しています。
クロス集計表をもとに、2つの変数が独立しているか、それとも関連があるかを検定できます。
ほかの要因を調整する必要がなく、まずは変数同士の関連を確認したい場合に使いやすい方法です。
複数の要因を考慮して影響を調べるなら
複数の要因を考慮しながら目的変数との関係を調べたい場合は、ロジスティック回帰分析が適しています。
年齢や性別など複数の説明変数をモデルに組み込み、ほかの要因を調整したうえで、それぞれの関係を評価できます。
交絡因子を考慮したい場合や、オッズ比から関係の大きさを確認したい場合に向いています。
両方で結果が異なる場合は分析条件と目的に戻って判断する
カイ二乗検定とロジスティック回帰分析で結果が異なっても、どちらかが間違っているとは限りません。
まずは、単純な関連を確認したいのか、交絡因子を調整した関係を評価したいのか、分析の目的に戻って考えてみましょう。
有意差の有無だけを比べるのではなく、確認したい内容に合った手法の結果をもとに解釈することが大切です。
まとめ
ロジスティック回帰分析とカイ二乗検定は、どちらか一方が常に信頼できるわけではなく、分析目的に合わせて使い分けることが大切です。
2つのカテゴリ変数の関連を確認したい場合はカイ二乗検定、複数の要因を考慮しながら目的変数との関係を調べたい場合はロジスティック回帰分析が適しています。
同じデータを分析して結果が異なっても、すぐにどちらかが間違っていると考える必要はありません。
交絡因子の調整や検定方法などによって結果が変わることもあるため、有意差だけでなく、前提条件やオッズ比、信頼区間なども確認しながら解釈しましょう。
大切なのは手法の優劣ではなく、「何を明らかにしたいのか」に合った方法を選ぶことです。
それぞれの特徴を理解して使い分けることで、分析結果をより納得感を持って判断できるようになります。