健康寿命の延伸に向けて

import os
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt

plt.rcParams['font.family'] = 'Hiragino Sans'
plt.rcParams['axes.unicode_minus'] = False

FIG_DIR = 'html/figures'
os.makedirs(FIG_DIR, exist_ok=True)

# すべての図に付す注記：この教材の図は「報告値の可視化」であって再計算ではない
NOTE = '※報告値の可視化（再計算ではない）／原論文の報告値'

# 原論文（PDF）から転記した報告値。ここでは新しい統計計算は一切行わない。

# 4.1 平均寿命と健康寿命の相関係数（図5の報告値）
corr_life_health = {'男性': 0.38, '女性': -0.03}

# 表5 標準化偏回帰係数（本文5.2で解釈された主要な説明変数）
#   （変数名, β, p値, 有意か[p<=0.1]）
male_coefs = [
    ('スポーツ全般行動者率（男性）', 0.989, 0.000, True),
    ('胃・大腸・肺がん検診受診率（男性）', 0.519, 0.005, True),
    ('65歳以上就業者割合', 0.428, 0.010, True),
    ('一般診療所数（10万人あたり）', -0.490, 0.010, True),
]
female_coefs = [
    ('老人クラブ会員数（65歳以上人口10万あたり）', 0.446, 0.105, False),
    ('家での飲み物（緑茶ほど負の指標）', -0.333, 0.048, True),
]

# 表4 重回帰式の評価（決定係数とP値の報告値）
model_eval = {
    '男性': {'r2': 0.785, 'p': 0.000},
    '女性': {'r2': 0.490, 'p': 0.288},
}

fig, ax = plt.subplots(figsize=(7, 5))
sexes = list(corr_life_health.keys())
rvals = [corr_life_health[s] for s in sexes]
colors = ['#1565C0' if v >= 0.2 else '#9E9E9E' for v in rvals]

ax.bar(sexes, rvals, color=colors, width=0.5, alpha=0.9)
ax.axhline(0, color='black', lw=1.0)
ax.set_ylabel('平均寿命と健康寿命の相関係数 r')
ax.set_title('平均寿命と健康寿命の順位は一致するか')

plt.savefig(FIG_DIR + '/2021_H2_fig1.png', bbox_inches='tight')
plt.close()
print('Figure 1 saved: 平均寿命と健康寿命の相関係数（報告値）')
print(f'  男性 r = {corr_life_health["男性"]:.2f}（弱い正の相関）')
print(f'  女性 r = {corr_life_health["女性"]:.2f}（相関は見られない）')

def plot_coefs(coef_list, title, fname):
    """標準化偏回帰係数（報告値）の水平バーを描く共通関数。"""
    names = [c[0] for c in coef_list]
    betas = [c[1] for c in coef_list]
    bar_colors = ['#C62828' if b < 0 else '#1565C0' for b in betas]

    fig, ax = plt.subplots(figsize=(9, 0.9 * len(names) + 1.8))
    ax.barh(range(len(names)), betas, color=bar_colors, height=0.55)
    ax.axvline(0, color='black', lw=1.1)
    ax.set_yticks(range(len(names)))
    ax.set_yticklabels(names)
    ax.invert_yaxis()
    ax.set_xlabel('標準化偏回帰係数 β（報告値）')
    ax.set_title(title)
    plt.savefig(FIG_DIR + '/' + fname, bbox_inches='tight')
    plt.close()

plot_coefs(
    male_coefs,
    '男性の健康寿命を説明する要因（標準化偏回帰係数）\nR²=0.785, P=0.000',
    '2021_H2_fig2.png',
)
print('Figure 2 saved: 男性 標準化偏回帰係数（報告値）')
for name, b, p, s in male_coefs:
    print(f'  {name}: β={b:+.3f}, p={p:.3f}')

plot_coefs(
    female_coefs,
    '女性の健康寿命を説明する要因（標準化偏回帰係数）\nR²=0.490, P=0.288',
    '2021_H2_fig3.png',
)
print('Figure 3 saved: 女性 標準化偏回帰係数（報告値）')
for name, b, p, s in female_coefs:
    print(f'  {name}: β={b:+.3f}, p={p:.3f}')

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 4.5))
sexes = list(model_eval.keys())
r2 = [model_eval[s]['r2'] for s in sexes]
pv = [model_eval[s]['p'] for s in sexes]

ax1.bar(sexes, r2, color=['#1565C0', '#9E9E9E'], width=0.5)
ax1.set_title('決定係数 R²（説明力）')

ax2.bar(sexes, pv, color=['#2E7D32', '#C62828'], width=0.5)
ax2.axhline(0.05, color='#E65100', ls='--', label='有意水準 0.05')
ax2.set_title('重回帰式のP値')

plt.savefig(FIG_DIR + '/2021_H2_fig4.png', bbox_inches='tight')
plt.close()
print('Figure 4 saved: 重回帰式の評価（報告値）')
print(f'  男性: R²={model_eval["男性"]["r2"]:.3f}, P={model_eval["男性"]["p"]:.3f} → 予測に役立つ')
print(f'  女性: R²={model_eval["女性"]["r2"]:.3f}, P={model_eval["女性"]["p"]:.3f} → 役立つとは言えない')