統計解析も臨床医のたしなみ

今日は、医学統計が専門の先生による統計の講義がありました。

たくさんの参加者があり、みんな関心が高い話題だと実感しました。

必要だし、関心が高いけど、あの難しい式の数々を見せられると

「参りました〜」

となってしまって、頭に入らないんです。

理系クラスだけど、理系が苦手だったわけで。

今回の講義は、とってもわかりやすくて、臨床研究に入る前準備の重要性とその方法がよくわかりました。

いや、わかったつもり、か。

今回は、サンプルサイズの決め方。

どのくらいのサンプルがあれば、有意差が出るかを、研究を始める前に（草案を作っているときに）考えることが重要。

その方法の話。

必要なサンプルサイズの決定には

1：帰無仮説（AとBは一緒ぐらいという仮説）と対立仮説（AとBは一緒ぐらいではないという仮説＝”帰無仮説は違う”という仮説）の設定

2：連続データならt検定。2値データならχ2乗検定

3：効果量（effect size）の設定

が重要

専門家じゃないので、優しい言葉に変換して、ブログに掲載することができない。

しかたないので、好き勝手に復習してみます。

多少の知識の固定になるでしょう。

Type 1 error (第1種の過誤＝誤検出)とType 2 error (第2種の過誤＝検出失敗)、そして検出力の関係が少しわかった。

真の状態とは、実際はわからないけど、神様は知っていること。

"1.96"という数字は時々見かけますが、これと関係があるわけですね。意味はわかりませんが。雰囲気はわかりました。

このサンプルサイズの計算が鬼門です。

講義後に質問がいくつかありました。

過去の研究から、μと標準偏差(SD)を”適当に”代入して、算出する。

ここがポイントですが、いろいろな報告で、数値が大きく違うので（特に標準偏差）違いが出るところです。

でもあんまり考えすぎたり、とらわれすぎても進まないから、まぁ代入してみるって感じでしょうか。

こんな票があるので、計算せずともだいたいわかります。

2値データの場合は、連続データよりも標準偏差が不要な分、代入が簡単。

2値データにも票があるので、計算は不要。

勘違いしがちなのは、予想通りの罹患率だからといって、p値がぎりぎり（0.05）になるわけではなく、もっとしっかり有意差が出るということ。

それは検出力（1−β）80%のおかげ。

深く理解しないで書くと、こんなふんわりとした感じになりました。

今回は自分のための内容でした。

とにかく、勉強になったのは間違いないです。

次回も参加しなければ。