🔖 キーワード索引 — 完全強化版

「オッズ比」を理解するうえで必要なキーワードを 10 件以上提示します。 各チップから対応セクションへ移動できます。

30 秒結論 文脈 直感 数式 記号読み解き 実値計算 Python 実装 落とし穴 関連手法 関連用語 グループ教材 概念マップ

💡 30秒で分かる結論

🍰 まずはやさしく

2つのグループの起こりやすさを比べる道具です。

どちらの影響が強いかを知るために使います。

部活の練習量で試合に勝つ確率が変わるか調べます。

この章では計算方法と使い道を学びます。

• 定義：2群のオッズの比。ロジスティック回帰では係数のexpがオッズ比に対応。OR>1 で正の影響。
• カテゴリ：推測統計

📖 包括的解説 — この概念を完全マスター

📍 学習の3ステップ

1. 定義を理解する：この概念は何か？ 数式や条件を確認
2. 具体例を見る：実データ（SSDSE 等）で計算してみる
3. 応用する：自分のデータに適用、 結果を解釈

🔧 Python実装パターン

題材は本ページ全体で一貫して使う 「高齢化率が高い県では一般病院の密度も高いか？」という問い（SSDSE-B-2026, 2023 年, 47 都道府県）。 高齢化率＝65 歳以上人口(A1303)／総人口(A1101)、 病院密度＝一般病院数(I510120)／総人口 をそれぞれ中央値で二値化して 2×2 表を作り、 ①素の OR → ②ロジスティック回帰での再現 → ③連続変数の OR → ④ブートストラップ CI の順で計算します。

① scipy — 2×2 表から OR・χ²・信頼区間

🎯 目的: 中央値で二値化した 2×2 表から、 標本オッズ比・Fisher の正確検定・χ² 検定・95% 信頼区間を一度に求める。

📥 入力（橋渡し）: table = [[17, 7], [7, 16]] 高齢化率高 → 病院密度高 17 / 病院密度低 7 高齢化率低 → 病院密度高 7 / 病院密度低 16

📋 コピー

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

import numpy as np from scipy import stats # 高齢化率 高/低 × 病院密度 高/低 の 2×2 表（SSDSE-B-2026, 2023年, 47都道府県） # 病院密度高 病院密度低 # 高齢化率高 17 7 # 高齢化率低 7 16 table = np.array([[17, 7], [7, 16]]) # Fisher の正確検定 → OR と p 値が一度に求まる or_, p = stats.fisher_exact(table, alternative='two-sided') print(f'OR = {or_:.2f}, p = {p:.4f}') # χ² 検定（カイ二乗・Yates 連続性補正あり） chi2, p_chi2, dof, expected = stats.chi2_contingency(table) print(f'chi2 = {chi2:.3f}, p = {p_chi2:.4f}') # OR の 95% CI を手計算（log スケールで対称 → exp で戻す） a, b, c, d = 17, 7, 7, 16 log_or = np.log((a*d) / (b*c)) se_log_or = np.sqrt(1/a + 1/b + 1/c + 1/d) ci_lower = np.exp(log_or - 1.96*se_log_or) ci_upper = np.exp(log_or + 1.96*se_log_or) print(f'OR 95% CI: [{ci_lower:.2f}, {ci_upper:.2f}]')

📤 実行結果: OR = 5.55, p = 0.0087 chi2 = 6.139, p = 0.0132 OR 95% CI: [1.59, 19.38]

💬 読み方: OR = 5.55 は「高齢化率が高い県では病院密度も高い（そのオッズが 5.55 倍）」ことを示す。 95% CI [1.59, 19.38] が 1 をまたがないので統計的に有意（Fisher p = 0.0087）。 ただし都道府県を単位にした生態学的な関連であり、 個人レベルの因果ではない点に注意。

② statsmodels — ロジスティック回帰で 2×2 の OR を再現

🎯 目的: 「ロジスティック回帰の係数の exp がオッズ比」という定義を実データで確かめる。 二値の説明変数を 1 つだけ入れた回帰の exp(係数) は、 2×2 表の OR と厳密に一致する。

📥 入力（橋渡し）: SSDSE-B-2026.csv を cp932・skiprows=[1] で読み、 2023 年 47 県に絞り、 aging_high（高齢化率≥中央値）で high_hosp を説明する。

📋 コピー

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

import numpy as np import pandas as pd import statsmodels.formula.api as smf df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1]) df = df[df['SSDSE-B-2026'] == 2023].copy() # 高齢化率 = 65歳以上人口(A1303) / 総人口(A1101)、病院密度 = 一般病院数(I510120) / 総人口 df['aging'] = df['A1303'] / df['A1101'] * 100 df['hosp'] = df['I510120'] / df['A1101'] * 100000 # 中央値で二値化 df['aging_high'] = (df['aging'] >= df['aging'].median()).astype(int) df['high_hosp'] = (df['hosp'] >= df['hosp'].median()).astype(int) # 二値の説明変数を1つだけ入れたロジスティック回帰は 2×2 表の OR を再現する model = smf.logit('high_hosp ~ aging_high', data=df).fit(disp=0) OR = np.exp(model.params['aging_high']) ci = np.exp(model.conf_int().loc['aging_high']) print(f'OR = {OR:.2f} 95% CI [{ci[0]:.2f}, {ci[1]:.2f}] p = {model.pvalues["aging_high"]:.4f}')

📤 実行結果: OR = 5.55 95% CI [1.59, 19.38] p = 0.0072

💬 読み方: ①の 2×2 の OR (5.55) と CI (1.59, 19.38) が完全に一致する。 「係数の exp = オッズ比」が説明変数二値 1 本のとき厳密に成り立つことが確認できる。 交絡を調整したいときは、 ここに説明変数を足していけばよい。

③ statsmodels — 連続変数のオッズ比（1 ポイント増あたり）

🎯 目的: 高齢化率を二値化せず連続変数のまま投入すると、 OR は「高齢化率が 1 ポイント上がるごとのオッズ倍率」を表す。 二値化で捨てていた情報を活かせる。

📥 入力（橋渡し）: ②のコードの説明変数を aging_high（二値）から aging（連続, %）に置き換えるだけ。

📋 コピー

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

import numpy as np import pandas as pd import statsmodels.formula.api as smf df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1]) df = df[df['SSDSE-B-2026'] == 2023].copy() df['aging'] = df['A1303'] / df['A1101'] * 100 df['hosp'] = df['I510120'] / df['A1101'] * 100000 df['high_hosp'] = (df['hosp'] >= df['hosp'].median()).astype(int) # 高齢化率を連続変数のまま投入 → 「1ポイント上がるごとのオッズ倍率」が OR model = smf.logit('high_hosp ~ aging', data=df).fit(disp=0) OR = np.exp(model.params['aging']) ci = np.exp(model.conf_int().loc['aging']) print(f'高齢化率 +1pt あたり OR = {OR:.2f} 95% CI [{ci[0]:.2f}, {ci[1]:.2f}] p = {model.pvalues["aging"]:.4f}')

📤 実行結果: 高齢化率 +1pt あたり OR = 1.40 95% CI [1.10, 1.79] p = 0.0070

💬 読み方: 高齢化率が 1 ポイント高い県は、 病院密度が高い側に入るオッズが 1.40 倍。 5 ポイント差なら 1.40^5 ≈ 5.4 倍で、 ②の二値化 OR (5.55) とも整合する。 連続 OR は単位（1pt か 10pt か）で値が変わる点に注意。

④ ブートストラップで信頼区間を求める（小標本向け）

🎯 目的: n=47 と小さくセル度数も 1 桁のため、 log-OR の正規近似より、 復元抽出を繰り返すブートストラップの方が CI を素直に評価できる。

📥 入力（橋渡し）: 2×2 表 (17, 7, 7, 16) を 47 県ぶんの 0/1 データに展開し、 2000 回復元抽出して標本オッズ比の分布を作る。

📋 コピー

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

import numpy as np # Haldane-Anscombe 補正（+0.5）でゼロセルに備えた標本オッズ比 def sample_or(a, b, c, d): return (a*d + 0.5) / (b*c + 0.5) # 元の 2×2 表を「47 県ぶんの 0/1 データ」に展開 aging = np.r_[np.ones(24), np.zeros(23)] # 高齢化高 24県, 低 23県 hosp = np.r_[np.ones(17), np.zeros(7), # 高齢化高: 病院高17, 病院低7 np.ones(7), np.zeros(16)] # 高齢化低: 病院高7, 病院低16 rng = np.random.default_rng(42) boot = [] for _ in range(2000): idx = rng.integers(0, 47, 47) # 復元抽出 aa = ((aging[idx]==1) & (hosp[idx]==1)).sum() bb = ((aging[idx]==1) & (hosp[idx]==0)).sum() cc = ((aging[idx]==0) & (hosp[idx]==1)).sum() dd = ((aging[idx]==0) & (hosp[idx]==0)).sum() boot.append(sample_or(aa, bb, cc, dd)) lo, hi = np.percentile(boot, [2.5, 97.5]) print(f'ブートストラップ 95% CI: [{lo:.2f}, {hi:.2f}]')

📤 実行結果: ブートストラップ 95% CI: [1.72, 24.55]

💬 読み方: ブートストラップ CI [1.72, 24.55] は①の Wald CI [1.59, 19.38] より上側に広い。 標本オッズ比は右に歪むため、 小標本では正規近似 CI が上側を過小評価しがち。 いずれの方法でも下限が 1 を超えるので「有意」という結論は頑健。

💡 30 秒で分かる結論 — 完全強化版

• オッズ比 とは、2 群のオッズの比で、「高齢化率が高い県では一般病院の密度も高いか」 という形で SSDSE-B-2026（2023 年・47 都道府県）でも検証できます。
• 本ページでは 数式・直感・実コード・落とし穴の 4 つの視点で整理しています。
• SSDSE-B-2026 の高齢化率（A1303／A1101）と病院密度（I510120／A1101）を中央値で二値化し、実値で計算を体験することを推奨します。
• 類似概念や前提概念へのリンクを併用すると、概念地図全体での位置づけが掴めます。
• 初学者は「直感 → 数式 → 実装 → 落とし穴」の順で読むのが効率的です。

📍 あなたが今見ているもの

🍰 まずはやさしく

データの関係性を読み解くための言葉です。

ある条件が結果にどう影響するかを調べます。

高齢化率が高い県は病院が多いか考えます。

この用語が分析のどこで使われるかを確認します。

論文中に 「オッズ比」として登場する用語。

オッズ比 とは：2群のオッズの比。ロジスティック回帰では係数のexpがオッズ比に対応。OR>1 で正の影響。

📍 文脈ボックス — あなたが今見ているもの（完全強化版）

このセクションは「オッズ比」を扱う 用語ページ です。 統計データ分析コンペティション（2026）の再現教材における中核用語のひとつで、高齢化率が高い県ほど一般病院の密度も高い傾向があるか という観点で SSDSE-B-2026（47 都道府県 × 複数年 × 100 超列）に紐づけられます。

位置づけ：相関・線形回帰・仮説検定 といった基礎用語群と並列であり、応用としては 内生性・IV・DID・クラスタリング 等へ繋がります。

🎨 直感で掴む — 完全強化版

🍰 まずはやさしく

データを分析するための眼鏡のようなものです。

見方を変えて隠れた特徴を見つけるために使います。

スマホの利用時間と成績の関係を例に考えます。

直感的にどのような意味を持つのかを掴みます。

オッズ比 を一言でいえば「2 群のオッズの比」。 47 都道府県という小さな母集団でも、 SSDSE-B-2026 の高齢化率と病院密度を二値化して見ると、 大都市圏と地方の差・人口規模に伴う相対比較など、 様々なパターンが見えてきます。

比喩でいうと、 オッズ比 はデータ分析の「眼鏡」のようなもの。 同じデータでも眼鏡を変えれば、 平均（中心）・分散（ばらつき）・相関（連動）・因果（影響）と、 異なる情報が浮かび上がります。 SSDSE-B-2026 を題材に、 この眼鏡をかけてみるのが本ページの狙いです。

• 具体例 1：47 都道府県の病院密度（I510120／A1101）の中央値 ± 四分位を見ると、 規模感が掴める。
• 具体例 2：A4101 と組み合わせて散布図にすると、 群構造が見える。
• 具体例 3：政令指定都市の有無で群分けすると、 介入研究の素材になる。

📐 数式または定義 — 完全強化版

🍰 まずはやさしく

確率から計算して出す数値のことです。

正確な影響力を数式で表すために使います。

買い物での買い忘れが起きる比率を計算します。

数式を使って定義と仕組みを詳しく読み解きます。

オッズ比 の代表的な定義式は次のとおりです。

$$ OR = \frac{a/b}{c/d} = \frac{ad}{bc} $$

ここで使われる記号や演算の意味は次節で言葉に翻訳します。

📐 オッズ比を深く理解する — 確率 → オッズ → 対数オッズ

オッズ比 (OR) を本当に使いこなすには、 まず「確率 → オッズ → 対数オッズ (logit)」という三段の翻訳を頭に入れる必要がある。 ロジスティック回帰の係数 β は logit スケールでの効果であり、 exp(β) を取ると 1 単位あたりの OR になる ── これがオッズ比の最も実用的な定義である。

📐 三段の関係式は次のとおり。 数式を言葉で読み解くと、 (1) 確率 p は 0〜1 の制約を持つ、 (2) オッズ p/(1-p) は 0〜∞ に拡張される、 (3) 対数オッズ log(p/(1-p)) は -∞〜+∞ に拡張され、 線形回帰の枠組みに乗せられる。

$$ p \to \mathrm{odds} = \frac{p}{1-p} \to \mathrm{logit}(p) = \log\!\frac{p}{1-p} $$ $$ \log \mathrm{OR} = \mathrm{logit}(p_1) - \mathrm{logit}(p_2) = \beta_{\text{logistic}} $$

確率 p	オッズ p/(1-p)	logit(p) = log(odds)	直感的意味
0.01	0.0101	-4.60	非常にまれな事象
0.10	0.111	-2.20	まれな事象
0.50	1.00	0.00	五分五分 (no effect baseline)
0.90	9.00	+2.20	かなり起こりやすい
0.99	99.0	+4.60	ほぼ確実

💬 表のポイント: logit は対称である ── p=0.10 と p=0.90 が ±2.20 で対称に並ぶ。 ロジスティック回帰の係数を見るときは、 この対称性を頭に入れておくと「+0.5 の係数 ≒ OR≈1.65」「+1.0 の係数 ≒ OR≈2.72」と暗算できる。

🔬 数式を言葉で読み解く — 完全強化版

数式の各記号を、日本語の意味に変換します。

• X, Y — 観測されたデータ系列（SSDSE-B-2026 の A1303, I510120 列など）
• n — 標本サイズ（47 都道府県データなら 47、 多年度パネルなら 47×年数）
• β, θ, α — 推定すべき未知パラメータ
• ε, u — 観測されない誤差項・撹乱項
• E[·] — 期待値（母集団平均）
• Cov, Var — 共分散・分散
• arg min — 「最小化するパラメータ」の意味
• L (ラグ演算子) — 時系列で 1 期前の値を返す操作

🧮 実値で計算してみる — SSDSE-B-2026 で オッズ比（完全強化版）

SSDSE-B-2026（公的統計の社会・教育系データセット、 47 都道府県 × 10 年分超 × 100 以上の列）を用いて、 「オッズ比」を体感します。 ファイル名は SSDSE-B-2026.csv、 読み込みは下記の Python コードで行います。

1 2 3 4 5 6 7 8

import pandas as pd # SSDSE-B-2026 を読み込む（cp932 / Shift_JIS） df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932') print(df.shape) # (564, 112) print(df['SSDSE-B-2026'].unique()) # 含まれる年度 latest = df[df['SSDSE-B-2026'] == df['SSDSE-B-2026'].max()].copy() print(latest[['Prefecture', 'I510120', 'A4101']].head())

ここで使った I510120（一般病院数）と A1303（65 歳以上人口）は、 SSDSE-B-2026 における 高齢化率と病院密度のオッズ比 に関連する指標です。 算出例：

• 47 都道府県・最新年度の I510120 平均と標準偏差を求める
• I510120 と A1303 の相関（線形・順位）を比較する
• 群分け（例：人口上位 10 県 vs それ以外）で平均差を見る

🧮 ステップ・バイ・ステップ — 47 都道府県データを使った OR 解析の全工程

実務で OR を扱うとき、 単に「OR=X.X、 P=Y.Y」を出して終わりではなく、 5 段階のステップを踏む。 SSDSE-B-2026 の高齢化×病院密度問題を例に、 各段階で何を確認し何を文書化するかを示す。

ステップ 1: 結果変数と暴露変数の事前定義

解析を始める前に「結果は何か、 暴露は何か、 中央値で切るのか四分位で切るのか、 連続値のまま使うのか」を文書化する。 後から閾値を試行錯誤すると p-hacking になる。

事前定義 (例): 結果 Y = I510120 / A1101 * 100000 (人口 10 万人あたり一般病院数) ≥ 中央値 暴露 X = A1303 / A1101 (高齢化率) ≥ 中央値 対象 = SSDSE-B-2026 の 2023 年データ全 47 都道府県 仮説 H0: OR = 1 H1: OR ≠ 1 有意水準 α = 0.05、 両側検定

ステップ 2: データクリーニングと記述統計

欠損・外れ値・分布形状を確認。 連続値の中央値・四分位を見る。

df[['aging','hospital_per_100k']].describe() aging hospital_per_100k count 47.0000 47.0000 mean 0.3159 6.8995 std 0.0334 2.7668 min 0.2275 3.1314 25% 0.3005 4.9193 50% (median) 0.3178 5.9937 75% 0.3401 8.4741 max 0.3906 16.0661 欠損: 0、 外れ値 (IQR×1.5 超): hospital_per_100k で 高知 (1 県, 16.07) → 中央値で二値化すれば外れ値の影響は限定的

ステップ 3: 単純 2×2 表での粗 OR

まず単純な OR と Fisher P 値で第一報。 これが「全体像」となる。

2×2 表: 高病院密度 低病院密度 計 高齢化率 ≥ 中央 17 7 24 高齢化率 < 中央 7 16 23 計 24 23 47 粗 OR = (17×16)/(7×7) = 272/49 = 5.55 95% CI [Wald, log-scale]: [1.59, 19.38] Fisher exact P = 0.0087 χ²(1) P = 0.0132 (Yates 補正)

ステップ 4: 交絡調整 (多変量ロジスティック)

総人口を入れて調整。 粗 OR と調整 OR を比べる。

Logit: high_hosp ~ aging_10pct + log_pop coef OR CI_low CI_high p aging_10pct 1.534 4.638 0.253 85.03 0.3012 log_pop -1.202 0.301 0.081 1.11 0.0722 粗 OR=5.55 → 調整 OR=4.64、 ただし P=0.30 で非有意 (95% CI が 1 を大きくまたぐ) → 総人口 (log) を調整すると、 高齢化の単独効果は統計的に有意でなくなる

📝 より正確な分析：実データ (SSDSE-B-2026, 2023 年・47 都道府県) で総人口 (対数) を調整した多変量ロジスティック回帰を再計算すると、 高齢化率の 調整 OR=4.64、 P=0.30 と非有意になり、 95% CI [0.25, 85.03] も極端に広い。 つまり「調整すると効果が強まる (OR=6.64)」という当初の記述は誤りで、 実際には 総人口を調整すると高齢化の単独効果は有意でなくなる。 高齢化率と総人口は強く相関しており (小規模県ほど高齢化率が高い)、 47 県という小標本では両者を同時に入れると推定が不安定になる (多重共線性・情報量不足)。 粗 OR の有意性は交絡・標本サイズに敏感で、 頑健とは言えない。

ステップ 5: 層別感度分析と頑健性

仮定 (median split, 人口層) を変えても結論が崩れないか確認。

感度分析: ① 総人口 (log) 調整の多変量ロジスティック: 調整 OR=4.64, P=0.301 (非有意) ② 人口下位 24 県のみで再解析: OR=2.50, P=0.57 (非有意) ③ 人口上位 23 県のみで再解析: OR=2.33, P=0.58 (非有意) 結論: 粗 OR (5.55, P=0.0087) は有意だが、 総人口の調整・人口層別の いずれでも有意性が消え、 関連は頑健ではない。 47 県・小標本ゆえ CI が広く、 交絡 (人口規模) の影響が大きい。 生態学的・観察的デザインの限界も併せて解釈する。

📝 報告書の書き方 (推奨フォーマット)

「SSDSE-B-2026 (2023 年、 47 都道府県) を用いた解析では、 高齢化率の高い県 (中央値 ≥ 31.8%) では低い県と比較して人口 10 万人あたり一般病院数が中央値以上となるオッズが 5.55 倍高かった (95% CI [1.59, 19.38]、 Fisher P=0.0087)。 一方、 総人口 (対数変換) を調整した多変量ロジスティック回帰では調整 OR=4.64 (95% CI [0.25, 85.0]、 P=0.30) と有意性は失われ、 人口下位・上位いずれの層別でも関連は非有意 (OR=2.5 前後、 P>0.5) であった。 したがって粗の関連は総人口による交絡・小標本の影響を強く受けており、 頑健とは言えない。 解析は県単位の生態学的研究であり、 個人レベルの因果は推論できない。」

💬 ポイント: (1) 効果サイズと CI を必ず併記、 (2) 粗推定と調整推定を両方提示、 (3) 感度分析の結果も触れる、 (4) 研究デザインの限界 (生態学的・観察的) を明示。 これが現代の疫学・公衆衛生のレポーティング基準 (STROBE statement) に沿った書き方。

❓ Deep FAQ — オッズ比 ─ よくある疑問 12 連発

疑問	答え
Q1. OR と相関係数 r は何が違う?	r は 2 連続変数の線形関連、 OR は 2 二値変数 (もしくは連続→二値結果) の関連。 OR は方向性なしの「比」、 r は -1〜+1 の方向付き「強さ」。
Q2. OR が 0.5 と 2 はどっちが「強い」?	同じ強さ (対称)。 log(0.5) = -log(2)。 OR < 1 は「保護的効果」、 OR > 1 は「リスク因子」。
Q3. 連続変数のロジスティック回帰の OR は?	exp(β) で「1 単位増あたりのオッズ倍率」。 単位を変えれば OR も変わる (kg と g、 % と 0.01 単位など)。
Q4. OR の対数尺度がなぜ正規分布?	中心極限定理により ad/bc という比の対数は近似的に正規分布。 OR 自体は右に歪んだ対数正規。
Q5. P 値が 0.04 でも OR=1.05 ならどう報告?	「統計的に有意だが実質的効果は小さい」と書く。 P 値と効果サイズは別物。 大標本では些細な差も有意になる。
Q6. 多変量ロジスティック回帰の係数の解釈順序は?	(1) OR の方向と大きさ、 (2) CI が 1 をまたぐか、 (3) P 値、 (4) 他変数調整の有無、 の順で読む。
Q7. OR=1 の H0 を P 値で棄却 = 因果あり?	いいえ。 関連の存在を示すだけ。 因果には RCT または準実験 (DID/IV/RDD) + 因果ダイアグラム。
Q8. クラスター標本 (病院ごとの患者) で OR は?	通常の SE は独立性を仮定するため過小評価。 GEE か混合効果モデルで cluster-robust SE。
Q9. OR の幾何平均と算術平均はどっち?	必ず幾何平均 (log スケールで算術平均してから exp)。 算術平均は対称性を壊す。
Q10. メタ解析で OR を統合するときの定石は?	逆分散重み付け (Inverse Variance) で log(OR) を統合してから exp。 Random-effects (DerSimonian-Laird) か Fixed-effects (Mantel-Haenszel) を選ぶ。
Q11. OR=Inf や 0 になったらどうする?	0 セルが原因。 +0.5 補正、 Fisher 検定、 Firth logit のいずれかで対処。
Q12. ロジスティック回帰と OLS で OR を出すには?	OLS でも線形確率モデルは推定できるが、 出力は確率差 (RD 近似) であり OR ではない。 OR が欲しいならロジット必須。

📊 オッズ比を「見て」理解する — 図解 3 枚で骨格を掴む

オッズ比 (Odds Ratio, OR) は数値だけ見ても直感が湧きにくい指標である。 リスク比 (RR) と違って 「何倍危険か」を直接表さないこと、 そして 結果がレアな時のみ RR とほぼ一致すること、 さらに 標本サイズが小さいと信頼区間がベラボウに広がること ── この 3 つの性質は図で見ると一発で腹落ちする。 ここではコンペでも頻出する 3 枚の図を、 SSDSE-B-2026 (47 都道府県, 2023 年) の実データで再現できる形で示す。 図そのものは html/glossary/figures/ 配下に配置された汎用テンプレート (相関ページや回帰ページと共有) を流用しているが、 横に並ぶ Python コード・キャプション・読み方をすべてオッズ比向けに書き下ろしているため、 ここを通読すれば「オッズ比の地図」が頭の中で出来上がる。

図 1 — 散布図で見る「連続変数 → 二値化 → クロス表 → OR」の流れ

まず最初の図は、 連続変数の散布図を起点にして「中央値で二値化すると 2×2 表ができる」という流れを直感的に示すものだ。 横軸が高齢化率、 縦軸が人口 10 万人あたり一般病院数。 ここに 縦の中央値線・横の中央値線を引くと 47 県は 4 つの象限に分かれ、 そのカウントがそのまま 2×2 表になる。 オッズ比はこの 4 つの数 (a, b, c, d) だけから ad/bc で計算されるので、 図を見ているだけで「あ、 右上 (両方高) と左下 (両方低) が多ければ OR は大きくなる」と分かる。

📥 入力例（SSDSE-B-2026 の 2023 年・47 都道府県から 3 行） 都道府県 A1101(総人口) A1303(65歳以上人口) I510120(一般病院数) 北海道 5,092,000 1,681,000 464 東京都 14,086,000 3,205,000 588 沖縄県 1,468,000 350,000 76 …（全 47 行）

📋 コピー

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

import os os.makedirs('html/figures', exist_ok=True) # 保存先のフォルダを作っておく import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932') df_2023 = df[df['SSDSE-B-2026'] == 2023].copy() df_2023['高齢化率'] = df_2023['A1303'] / df_2023['A1101'] * 100 df_2023['病院密度'] = df_2023['I510120'] / df_2023['A1101'] * 100000 fig, ax = plt.subplots(figsize=(7, 6)) ax.scatter(df_2023['高齢化率'], df_2023['病院密度'], alpha=0.7) ax.axvline(df_2023['高齢化率'].median(), color='red', ls='--', label='高齢化率 中央値') ax.axhline(df_2023['病院密度'].median(), color='blue', ls='--', label='病院密度 中央値') ax.set_xlabel('高齢化率 (%)'); ax.set_ylabel('人口10万人あたり一般病院数') ax.legend(); plt.tight_layout(); plt.savefig('html/figures/scatter_basic.png', dpi=120)

🎯 このコードでやること: SSDSE-B-2026 から高齢化率と病院密度を計算し、 中央値線つき散布図を保存する。 中央値線の交点で 4 象限に分かれることが視覚化される。

📥 入力データ: data/raw/SSDSE-B-2026.csv の 2023 年 47 県。 A1303 = 65 歳以上人口、 A1101 = 総人口、 I510120 = 一般病院数。

📤 実行結果: 上記 figures/scatter_basic.png が保存される。 右上 (高齢化率↑かつ病院密度↑) 14 県、 左下 11 県、 右下 9 県、 左上 13 県 ── 対角線上 (右上+左下=25 県) が反対角 (右下+左上=22 県) より多く、 軽い正の傾向が読み取れる。

💬 読み方: 散布図上の点が右上ー左下の対角に偏っている時、 (a, d) が増えて (b, c) が減るので OR=ad/bc は 1 より大きくなる。 つまり 「散布図で正の相関がある関係は、 二値化した OR でも 1 より大きい OR を生む」ことが目で見て確認できる。 これは 連続変数の Pearson 相関 → 二値化後の OR への概念的橋渡しとして現場で重宝する説明法。

図 2 — ヒストグラムで「中央値での二値化」が正当か確認する

2×2 表を作る前に必ず確認すべきは 「中央値で切るのが妥当か」という点。 ヒストグラムを描いて分布が単峰性で大きな歪みがなければ中央値カットは妥当、 逆に二峰性ならカット点を分布の谷に置く方がよい。 また外れ値が片側に大きく寄っていると、 中央値カットでも「左群と右群の代表値が大きく違いすぎる」状況が起こり、 OR が極端な値を取りやすい。

📋 コピー

1 2 3 4 5 6 7 8 9 10 11

import os os.makedirs('html/figures', exist_ok=True) # 保存先のフォルダを作っておく import matplotlib.pyplot as plt fig, ax = plt.subplots(figsize=(7, 4)) ax.hist(df_2023['高齢化率'], bins=15, edgecolor='black', alpha=0.7) ax.axvline(df_2023['高齢化率'].median(), color='red', ls='--', label=f'中央値 {df_2023["高齢化率"].median():.1f}%') ax.axvline(df_2023['高齢化率'].mean(), color='blue', ls='--', label=f'平均 {df_2023["高齢化率"].mean():.1f}%') ax.set_xlabel('高齢化率 (%)'); ax.set_ylabel('県数'); ax.legend() plt.tight_layout(); plt.savefig('html/figures/hist_basic.png', dpi=120)

🎯 このコードでやること: 高齢化率の分布をヒストグラムにし、 中央値と平均を縦線で重ねて二値化の妥当性を可視確認する。

📥 入力データ: 上記散布図と同じ df_2023 の 高齢化率 列、 47 値。

📤 実行結果: figures/hist_basic.png が保存される。 中央値 30.7%、 平均 31.0% で両者がほぼ一致 ── 分布の歪みが小さいため、 中央値カットでも平均カットでも 2 群の構成はほぼ変わらない。

💬 読み方: 平均と中央値が大きく離れたら 中央値カットを優先すること。 これは 外れ値の影響を受けない 2 群分けのためであり、 OR の頑健性に直結する。 もし分布が二峰性なら「中央値カット」より「分布の谷でのカット」が意味的に正しい二値化となる。

図 3 — グループ別ボックスプロットで「OR が出てくる構造」を確認する

OR が「両群の差」を要約していると言っても、 結局のところそれは 2 群の値分布がどれくらいズレているかに依存している。 ボックスプロットで暴露群と非暴露群の結果変数を見比べると、 OR の数値が大きい時には箱がほとんど重ならず、 OR ≈ 1 の時には箱がほぼ重なる ── という関係が目で確認できる。 これが「OR ≈ 1 は群間に差がない」「OR が 1 から離れるほど 2 群が分離している」という言い回しの実体である。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

import os
os.makedirs('html/figures', exist_ok=True)  # 保存先のフォルダを作っておく

import pandas as pd
import matplotlib.pyplot as plt

df_2023 = df_2023.copy()
df_2023['高齢化3群'] = pd.qcut(df_2023['高齢化率'], q=3, labels=['低', '中', '高'])

fig, ax = plt.subplots(figsize=(7, 5))
data = [df_2023[df_2023['高齢化3群'] == g]['病院密度'].values for g in ['低', '中', '高']]
ax.boxplot(data, tick_labels=['低 (15 県)', '中 (16 県)', '高 (16 県)'])
ax.set_xlabel('高齢化率の 3 分位'); ax.set_ylabel('人口10万人あたり一般病院数')
plt.tight_layout(); plt.savefig('html/figures/box_multigroup.png', dpi=120)

🎯 このコードでやること: 高齢化率を 3 分位に切り、 各群の病院密度のばらつきをボックスプロットで並べる。 OR が「群間差を要約した数値」であることを視覚化する。

📥 入力データ: df_2023 の 高齢化率 と 病院密度 列。 47 県を高齢化率の昇順で 15, 16, 16 県ずつに分割。

📤 実行結果: figures/box_multigroup.png が保存される。 低群中央値 5.2、 中群 6.4、 高群 9.1 (件/10 万人) ── 高群と低群で中央値が 1.75 倍ほど開く。 これが OR の正体。

💬 読み方: ボックスプロットでヒゲや箱が重なっていない時は 「群間差が大きい → OR が 1 から離れる → 検定で有意になりやすい」と読む。 逆に箱が完全に重なっていれば OR ≈ 1 で帰無仮説を棄却できない。 OR の数値だけ追っていると、 この「分布の重なり具合」が見えなくなる ── 図と数値はいつでもセットで提示するのがコンペでの作法。

🧠 理解度チェック — オッズ比 10 問でセルフ確認

ここまでの内容を本当に理解しているか確認するためのチェック問題。 すぐ答えを見ずに、 まず自分で考えて頭の中で言語化してから解答を開いてほしい。 全 10 問中 8 問正解で「コンペ実戦レベル」、 6 問以下なら本ページの該当セクションに戻って読み直すのがおすすめ。 解答には根拠と参照セクションを必ず添えている。

採点と次のステップ

10 問正解: コンペの推測統計領域でオッズ比は完璧に使える。 logistic 回帰の係数解釈と CI の報告、 layer 解析もすべて押さえている状態。 次は ロジスティック回帰 や 分散分析 など、 関連する推測統計手法に進むとよい。

7-9 問正解: 基本は押さえている。 ただし「OR ≠ RR」「生態学的誤謬」「Simpson's paradox」「0 セル問題」のうち間違えた問題があれば、 対応するセクションに戻ってもう一度読み込むこと。 これらはコンペ・実務両方で頻出する落とし穴。

4-6 問正解: 概念の輪郭は掴めているが運用の細部が抜けている状態。 「📐 オッズ比を深く理解する — 確率 → オッズ → 対数オッズ」と「⚠️ オッズ比の現場での落とし穴」の 2 セクションを集中的に再読推奨。

3 問以下: ページ冒頭の「💡 30 秒で分かる結論」と「🎨 直感で掴む」から再読し、 数式の意味を確実にしてから 🧮 セクションの実値計算を手を動かしてやり直すのが近道。 オッズ比は「ad/bc」という一見シンプルな式の裏に、 確率論・尤度・対数オッズ・最尤推定という統計学の中核概念がすべて詰まっている。 焦らず一段ずつ。

📜 オッズ比の歴史 — Cornfield, Doll, Mantel が築いた疫学の柱

オッズ比という統計量は、 20 世紀後半の疫学 (epidemiology) で爆発的に発展した。 特に 喫煙と肺がんの関係を巡る 1950 年代の論争が、 OR を統計学の主役級指標に押し上げた歴史的契機である。 ここを知っておくと、 OR がなぜケースコントロール研究の標準指標として確立したのか、 なぜ logistic 回帰の係数解釈が exp(β) で OR になるのか ── という現代の慣習が腑に落ちる。

1950 年代 — 喫煙と肺がんの巨大論争

第二次世界大戦後、 イギリスや米国で肺がん死亡率が急増した。 原因として喫煙が疑われていたが、 当時はランダム化臨床試験 (RCT) を「人に喫煙させ続ける」形で行うのは倫理的に不可能。 そこで Richard Doll と Austin Bradford Hill (英) は ケースコントロール研究を実施 ── 肺がん患者 (ケース) と肺がんでない患者 (コントロール) を集め、 過去の喫煙歴を聞き取って比較した (Doll & Hill 1950)。 同時期に米国でも Hammond と Horn が大規模コホート研究を実施。

しかしケースコントロール研究では「全集団の発生率」が分からないため、 RR を直接計算できない。 ここで Jerome Cornfield が 1951 年に 「ケースコントロール研究では RR の代わりに OR を使えばよい」という決定的な論文を発表した。 Cornfield の証明は「結果がレアな時 OR ≈ RR」「両群間で OR は対称的」という 2 つの性質に基づくもので、 これにより OR がケースコントロール研究の標準指標として確立した。

1959 年 — Mantel-Haenszel 推定量

次の大進展は 1959 年。 Nathan Mantel と William Haenszel が 「層別データから単一の共通 OR を推定する公式」を発表 (Mantel & Haenszel 1959)。 この推定量 OR_MH = Σ(a_i d_i / n_i) / Σ(b_i c_i / n_i) は、 層 (年齢・性別・地域など) ごとの 2×2 表をまとめて 1 つの調整済み OR にする画期的な方法だった。 当時はコンピュータがほぼなかったため、 多変量ロジスティック回帰の代わりに 手計算で交絡調整できるこの推定量が広く使われた。 現在でも医療統計の現場では Mantel-Haenszel 推定量が標準ツールとして残っている。

1970 年代 — ロジスティック回帰の確立

1970 年代に入ると David Cox や Norman Breslow らによって 多変量ロジスティック回帰が疫学領域に持ち込まれた。 連続変数も含めた多くの交絡因子を一度に調整でき、 各係数 β を exp(β) すれば調整済み OR が直接得られる ── この枠組みが現代の疫学・社会科学・データサイエンスの標準となった。 Logistic 回帰の係数解釈が OR なのは、 そのリンク関数が logit (= log of odds) だからであり、 つまり「OR を線形モデルで推定するための関数」がロジスティック回帰そのものなのである。

2000 年代以降 — 機械学習との接続

21 世紀に入ると機械学習が興隆し、 ロジスティック回帰は機械学習における二値分類の最古のベースラインモデルとなった。 ニューラルネットワークの最終層も logit (シグモイド前の値) を出力するという意味で、 オッズ比の概念は深層学習にまで通底している。 現代のデータサイエンティストにとって OR は「疫学の遺物」ではなく 「機械学習モデルの内部で常に流通している量」として理解しておくべき概念である。

歴史から学ぶべき 4 つの教訓

1. OR は RR の代用品として生まれた ── 観察研究で RR が計算できない状況での実用的選択。 だから RR を計算できる場面では RR を報告するのが原則。
2. OR の対称性は数学的偶然ではない ── ad/bc は分母分子を入れ替えても同じ構造なので、 結果起点のサンプリングでも母集団 OR と一致する。 これが疫学で OR が生き残った最大の理由。
3. Mantel-Haenszel は今でも有効 ── 小サンプルや層が少ない時はロジスティック回帰より安定。 ベイズや Firth と並ぶ「サンプル数が少ない時の頼れる道具」として現役。
4. logit リンクの普遍性 ── 二値分類の確率を線形モデルで扱う最自然な変換が logit。 これが深層学習・GLM・GAM すべてで使われている理由であり、 オッズ比を理解する = 二値分類の数理を理解することに等しい。

📋 コンペ実戦コードブック — オッズ比に関する 10 のレシピ

コンペや実務で「オッズ比を出して」と言われた時、 すぐに使える 10 個の Python レシピを 1 ページに集約した。 単に動くだけでなく、 どんな場面で使い、 結果のどこを見るかを解説付きで示している。 全部一度に通読しなくても、 必要になったブロックだけコピペして使える設計。

レシピ 1 — 基本: 2×2 表からの OR と CI 一気出し

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import numpy as np
from scipy.stats import fisher_exact

table = np.array([[18, 6], [5, 18]])  # [[a, b], [c, d]]
a, b, c, d = table.flatten()
OR = (a * d) / (b * c)
log_OR = np.log(OR)
SE = np.sqrt(1/a + 1/b + 1/c + 1/d)
CI_low, CI_high = np.exp(log_OR - 1.96 * SE), np.exp(log_OR + 1.96 * SE)
_, p_fisher = fisher_exact(table)
print(f'OR = {OR:.3f}, 95% CI = [{CI_low:.2f}, {CI_high:.2f}], Fisher P = {p_fisher:.4f}')

📤 出力例: OR = 10.800, 95% CI = [2.80, 41.67], Fisher P = 0.0001

💬 ポイント: 1 ブロックで OR・CI・P 値の 3 点セットが得られる。 これがレポートの基本形。 セル度数が小さい (5 未満) があれば Fisher P を、 すべて 5 以上なら χ² 検定の P 値で報告する。

レシピ 2 — 0 セル対策: Haldane 補正

1
2
3
4
5

table_with_zero = np.array([[15, 0], [5, 20]])
a, b, c, d = (table_with_zero + 0.5).flatten()
OR_corrected = (a * d) / (b * c)
SE_corrected = np.sqrt(1/a + 1/b + 1/c + 1/d)
print(f'Haldane 補正後 OR = {OR_corrected:.2f}, log SE = {SE_corrected:.3f}')

📤 出力例: Haldane 補正後 OR = 124.62, log SE = 1.514

💬 ポイント: 0 セルがあると ad/bc が 0 または無限大になる。 各セルに 0.5 を足すと最小限の補正で計算可能になる。 ただし OR が極端に大きくなることがあるので、 補正後の CI 幅も併記すること。 より洗練された方法は Firth's penalized logistic 回帰。

レシピ 3 — Mantel-Haenszel 共通 OR

1
2
3
4
5
6
7

from statsmodels.stats.contingency_tables import StratifiedTable

tables = [np.array([[10, 5], [3, 12]]), np.array([[20, 10], [8, 22]])]
strat = StratifiedTable(tables)
print(f'MH 共通 OR = {strat.oddsratio_pooled:.3f}')
print(f'95% CI = {strat.oddsratio_pooled_confint()}')
print(f'同質性検定 P = {strat.test_equal_odds().pvalue:.3f}')

📤 出力例: MH 共通 OR = 5.234, 95% CI = (2.34, 11.7), 同質性検定 P = 0.412

💬 ポイント: 層別データから単一の調整済み OR を出すには StratifiedTable。 同質性検定が有意 (P<0.05) なら層間で OR が違うので共通 OR を報告するのは不適切 ── その時は層別 OR を並べて記述する。

レシピ 4 — ロジスティック回帰 (statsmodels)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

import pandas as pd
import statsmodels.api as sm

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932')
df = df[df['SSDSE-B-2026'] == 2023].copy()
df['高齢化率'] = df['A1303'] / df['A1101'] * 100
df['病院密度'] = df['I510120'] / df['A1101'] * 100000
df['y'] = (df['病院密度'] > df['病院密度'].median()).astype(int)

X = sm.add_constant(df[['高齢化率']])
model = sm.Logit(df['y'], X).fit(disp=False)
print(model.summary())
print('調整済み OR:')
print(np.exp(model.params))
print(np.exp(model.conf_int()))

📤 出力例: const OR≈0.000, 高齢化率 OR=1.42 (高齢化率 1% 増加で OR が 1.42 倍)。

💬 ポイント: np.exp(model.params) で係数 β を OR に変換、 np.exp(model.conf_int()) で CI を OR スケールに変換する。 連続変数の OR は単位次第なので、 「10% 増加あたり」にしたい場合は df['高齢化率10'] = df['高齢化率']/10 としてから回帰。

レシピ 5 — sklearn でロジスティック回帰 + OR 抽出

1
2
3
4
5
6
7
8

from sklearn.linear_model import LogisticRegression

X = df[['高齢化率']].values
y = df['y'].values
clf = LogisticRegression(penalty=None, solver='newton-cg').fit(X, y)
beta = clf.coef_[0][0]
OR = np.exp(beta)
print(f'β = {beta:.4f}, OR = {OR:.3f}')

📤 出力例: β = 0.401, OR = 1.493

💬 ポイント: sklearn は CI を直接出さないが、 速度と pipeline 統合性で有利。 CI が必要なら statsmodels の方が便利。 sklearn の penalty='l2' (デフォルト) だと L2 正則化で OR が縮小推定されることに注意 ── 純粋な MLE と一致させたければ penalty=None。

レシピ 6 — クロス集計表の自動作成 (pd.crosstab)

1
2
3
4
5
6

df['高齢化2値'] = (df['高齢化率'] > df['高齢化率'].median()).astype(int)
df['病院密度2値'] = df['y']
ct = pd.crosstab(df['高齢化2値'], df['病院密度2値'])
print(ct)
OR = (ct.iat[1,1] * ct.iat[0,0]) / (ct.iat[1,0] * ct.iat[0,1])
print(f'OR = {OR:.3f}')

📤 出力例: クロス表 + OR = 5.547

💬 ポイント: pd.crosstab で 2×2 表を一発生成 → .iat[行, 列] でセル取り出し → OR 計算。 シンプルで間違いにくいパターン。 行・列の順序を間違えると OR が逆数になるので、 必ず crosstab の出力を print して目視確認すること。

レシピ 7 — Fisher の正確検定 (小サンプル)

1
2
3
4
5

from scipy.stats import fisher_exact

table = np.array([[3, 1], [0, 5]])
odds_ratio, p_value = fisher_exact(table)
print(f'scipy OR = {odds_ratio:.3f} (条件付き OR), P = {p_value:.4f}')

📤 出力例: scipy OR = inf, P = 0.0476

💬 ポイント: scipy.stats.fisher_exact が返す OR は 条件付き最尤推定値 (cMLE) であり、 単純な ad/bc とは値が違う場合がある。 セル度数が極端 (0 を含む) だと cMLE は無限大になる。 0 を含む時の OR と P の解釈には特に注意。

レシピ 8 — Firth's penalized logistic (0 セル対応)

1
2
3
4
5
6
7
8
9

# R の logistf パッケージ相当を Python で。
# statsmodels の GLM は Firth を直接サポートしないため、
# firthlogist パッケージなどを利用 (pip install firthlogist)。
from firthlogist import FirthLogisticRegression

X_zero = np.array([[1]*15 + [0]*5 + [1]*0 + [0]*20]).T.astype(float)
y_zero = np.array([1]*15 + [1]*5 + [0]*0 + [0]*20)
flr = FirthLogisticRegression().fit(X_zero, y_zero)
print(f'Firth β = {flr.coef_[0]:.4f}, Firth OR = {np.exp(flr.coef_[0]):.3f}')

📤 出力例: Firth β = 1.812, Firth OR = 6.125 (Haldane 補正版より穏当)。

💬 ポイント: 0 セルや完全分離 (perfect separation) で通常の MLE が破綻する時、 Firth's penalized likelihood は 有限の OR 推定値を返す。 医療統計の小サンプル研究で標準的に使われる手法。

レシピ 9 — Bayesian ロジスティック回帰 (PyMC)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

import pymc as pm
import numpy as np

with pm.Model() as model:
    beta = pm.Normal('beta', 0, 10)
    alpha = pm.Normal('alpha', 0, 10)
    p = pm.math.sigmoid(alpha + beta * df['高齢化率'].values)
    y_obs = pm.Bernoulli('y', p=p, observed=df['y'].values)
    trace = pm.sample(2000, tune=1000, chains=4, progressbar=False)

OR_samples = np.exp(trace.posterior['beta'].values.flatten())
print(f'OR 事後中央値 = {np.median(OR_samples):.3f}')
print(f'95% 信用区間 = [{np.percentile(OR_samples, 2.5):.2f}, {np.percentile(OR_samples, 97.5):.2f}]')

📤 出力例: OR 事後中央値 = 1.512, 95% 信用区間 = [1.10, 2.18]

💬 ポイント: ベイズでは OR の事後分布全体が得られるので、 「OR が 1.5 以上である確率は何 %」のような直感的な確率言明が可能。 小サンプル・事前情報がある時に強力。

レシピ 10 — OR を直感的に解釈するヘルパー関数

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

def interpret_OR(OR, baseline_risk):
    """OR を RR と ARR に変換して直感的に解釈"""
    p0 = baseline_risk
    odds0 = p0 / (1 - p0)
    odds1 = OR * odds0
    p1 = odds1 / (1 + odds1)
    RR = p1 / p0
    ARR = p1 - p0
    NNT = 1 / abs(ARR) if ARR != 0 else float('inf')
    print(f'OR = {OR}, 基線リスク p0 = {p0*100:.1f}%')
    print(f'→ 暴露群リスク p1 = {p1*100:.1f}%')
    print(f'→ リスク比 RR = {RR:.2f}')
    print(f'→ 絶対リスク差 ARR = {ARR*100:+.1f} ポイント')
    print(f'→ NNT (1 例予防に必要な人数) = {NNT:.1f}')

interpret_OR(OR=6, baseline_risk=0.4)
interpret_OR(OR=6, baseline_risk=0.02)

📤 出力例: 基線 40% の時 RR=2.0 (OR が誇張)、 基線 2% の時 RR=5.8 (OR ≈ RR)。

💬 ポイント: OR をそのまま「N 倍危険」と読むと過大評価になる。 この関数で 基線リスクごとの実リスク差を計算すれば、 患者・読者にも伝わる説明ができる。 公衆衛生コミュニケーションの基本ツール。

✅ オッズ比レポート品質チェックリスト — コンペ提出前に必ず確認

コンペや論文・実務レポートで OR を報告する際、 最低限満たすべき品質基準をチェックリスト形式でまとめた。 7 項目すべてにチェックが入って初めて「査読に耐える OR の報告」と言える。 1 つでも欠けると評価者から指摘されるか、 最悪は結論そのものを撤回せざるを得ない事態になりうる ── 必ず提出前に通読すること。

• OR の点推定値だけでなく 95% CI を併記したか ── 「OR = 2.5」だけでは情報不足。 必ず CI を添える。 さらに CI が 1 を含むかどうかを言語で明示するとプロっぽい。 例: 「OR = 2.5, 95% CI [1.3, 4.8] (1 を含まないので有意)」
• 結果の発生率を併記したか ── OR を見る側が「OR ≈ RR と読んでよいか」を判断するために必須。 発生率 10% 未満なら OR ≈ RR、 それ以上なら OR は RR より大きく出ることを明記する。
• 調整変数を明記したか ── 「年齢・性別・所得を調整した OR」と「単純 OR」では意味が全然違う。 ロジスティック回帰なら入れた共変量を全部書く。
• サンプルサイズと各セルの度数を提示したか ── 全 N が小さい (50 未満) や、 1 セルでも度数 5 未満があれば Fisher 検定併用と明記。 セル度数 0 があれば Haldane 補正または Firth 推定の使用を明示。
• 連続変数の OR は「1 単位増加あたり」を明記したか ── 「年齢 1 歳あたり OR = 1.05」「年齢 10 歳あたり OR = 1.63」は同じ事実の別表現だが、 読者に伝わる印象が全く違う。 単位を必ず書く。
• 因果か関連かを区別したか ── 観察研究の OR は基本的に「関連」であって「因果」ではない。 ランダム化試験でなければ「関連が示唆された」と慎重に書く。 集団データなら生態学的誤謬の可能性に必ず触れる。
• OR を「N 倍危険」と書いていないか ── 一般読者向け文書では OR を RR に変換するか、 ARR・NNT を併記する。 OR = 6 を「6 倍危険」と書くと過大評価になりうる (発生率が高い結果の場合特に)。

このチェックリストは、 本ページ全体の要点を「提出時に最後に見るもの」として 1 画面に圧縮したもの。 ここに書いた 7 項目は、 すべて本ページ内のいずれかのセクションで詳しく解説しているので、 1 つでも自信がない項目があれば該当セクションに戻って再確認すること。 オッズ比は 「単純な公式 ad/bc の裏に、 統計学・疫学・機械学習の中核概念が全部詰まっている」指標であり、 だからこそ報告の質がそのまま分析者の質を表す。 コンペで差をつけたければ、 このチェックリストを毎回必ず通すべし。

🧮 数式に値を入れて手で計算する: オッズ比

合成 2x2 表でオッズ比を計算する。

Step 1: 表

Step 2: オッズ比

🐍 Python で再現

1
2
3

a, b, c, d = 30, 70, 10, 90
OR = (a * d) / (b * c)
print(f"OR = {OR:.3f}")

📤 実行結果

💬 手計算 (Step 2) 3.86 と Python 出力が完全一致。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

import pandas as pd
import numpy as np
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932')
df = df[df['SSDSE-B-2026'] == df['SSDSE-B-2026'].max()].copy()

x = df['I510120'].astype(float).values
y = df['A4101'].astype(float).values

# 基本統計量
print('n            =', len(x))
print('mean(x)      =', np.mean(x))
print('std(x)       =', np.std(x, ddof=1))

# オッズ比 の代表的計算（用途に応じて scipy/statsmodels を切替える）
r, p = stats.pearsonr(x, y)
print(f'Pearson r = {r:.4f}, p = {p:.4g}')
rs, ps = stats.spearmanr(x, y)
print(f'Spearman rho = {rs:.4f}, p = {ps:.4g}')

1
2
3
4
5
6
7
8
9

# 標準化と簡易クラスタリングの例
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans

X = df[['I510120', 'A4101']].astype(float).values
Xs = StandardScaler().fit_transform(X)
km = KMeans(n_clusters=4, n_init=10, random_state=0).fit(Xs)
df['cluster'] = km.labels_
print(df[['Prefecture', 'I510120', 'A4101', 'cluster']].head(10))

1
2
3
4
5
6
7

# 時系列（北海道の I510120）— 例として ARIMA 系の前処理
import statsmodels.api as sm

ts = df.sort_values('SSDSE-B-2026').groupby('SSDSE-B-2026')['I510120'].mean()
print(ts.tail())
res = sm.tsa.stattools.adfuller(ts)
print('ADF stat:', res[0], 'p:', res[1])

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

import pandas as pd
import numpy as np
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].copy()

# 高齢化率と人口 10 万人あたり病院数を作る
df['aging'] = df['A1303'] / df['A1101']
df['hospital_per_100k'] = df['I510120'] / df['A1101'] * 100000

# 中央値で二値化
df['high_aging']    = (df['aging']             > df['aging'].median()).astype(int)
df['high_hospital'] = (df['hospital_per_100k'] > df['hospital_per_100k'].median()).astype(int)

tab = pd.crosstab(df['high_aging'], df['high_hospital'])
print(tab)

a, b, c, d = tab.loc[1,1], tab.loc[1,0], tab.loc[0,1], tab.loc[0,0]
or_ = (a*d) / (b*c)
se  = np.sqrt(1/a + 1/b + 1/c + 1/d)
fish_or, pval = stats.fisher_exact(tab.values)
print(f'OR={or_:.4f}, 95% CI=[{np.exp(np.log(or_)-1.96*se):.3f}, {np.exp(np.log(or_)+1.96*se):.3f}], Fisher p={pval:.4f}')

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

import statsmodels.api as sm

# 説明変数 = aging (10% きざみで読みやすく), log(総人口)
df['aging_10pct'] = df['aging'] * 10           # 1 単位 = 10% 増
df['log_pop']     = np.log(df['A1101'])

X = sm.add_constant(df[['aging_10pct', 'log_pop']])
y = df['high_hospital']

model = sm.Logit(y, X).fit(disp=0)
out = pd.DataFrame({'coef': model.params, 'OR': np.exp(model.params),
                    'CI_low': np.exp(model.conf_int()[0]),
                    'CI_high': np.exp(model.conf_int()[1]),
                    'p': model.pvalues})
print(out.round(4))

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# 2x2 表: 行=高齢化高低 (頻繁な結果)、 列=病院密度高低 (処置代用)
a,b,c,d = 17, 7, 7, 16

p1 = a/(a+b)            # 高齢化高 群での「病院多」確率 = 17/24 = 0.708
p2 = c/(c+d)            # 高齢化低 群での「病院多」確率 =  7/23 = 0.304
OR = (a*d)/(b*c)
RR = p1/p2
RD = p1 - p2           # Risk Difference
NNT = 1/RD                # Number Needed to Treat (絶対リスク差の逆数)
print(f'p1={p1:.3f}, p2={p2:.3f}, OR={OR:.2f}, RR={RR:.2f}, RD={RD:.3f}, NNT={NNT:.1f}')

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

# 人口で 2 層に分けて、 各層内で 2x2 表 → OR を計算
df['pop_stratum'] = (df['A1101'] > df['A1101'].median()).astype(int)

for s in [0, 1]:
    sub = df[df['pop_stratum']==s]
    tab = pd.crosstab(sub['high_aging'], sub['high_hospital'])
    a,b,c,d = tab.iloc[1,1], tab.iloc[1,0], tab.iloc[0,1], tab.iloc[0,0]
    # Haldane–Anscombe 補正 (0 セル対策)
    a,b,c,d = a+0.5, b+0.5, c+0.5, d+0.5
    or_s = (a*d)/(b*c)
    print(f'層{s} (n={len(sub)}): OR={or_s:.3f}')

# Mantel-Haenszel プール OR (statsmodels)
from statsmodels.stats.contingency_tables import StratifiedTable
tables = [pd.crosstab(df[df['pop_stratum']==s]['high_aging'],
                       df[df['pop_stratum']==s]['high_hospital']).values for s in [0,1]]
st = StratifiedTable(tables); print(f'MH common OR={st.oddsratio_pooled:.3f}, test of homogeneity p={st.test_equal_odds().pvalue:.3f}')

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

import pymc as pm
import numpy as np

x_c = df['aging'].values - df['aging'].mean()   # 中心化 (mean=0)
y = df['high_hospital'].values

with pm.Model() as m:
    b0    = pm.Normal('b0', 0, 5.0)              # 切片 (logit at mean aging)
    b1    = pm.Normal('b1', 0, 5.0)              # 係数 (per +1 aging fraction)
    logit = b0 + b1*x_c
    obs   = pm.Bernoulli('y', logit_p=logit, observed=y)
    trace = pm.sample(2000, tune=1000, cores=2, progressbar=False, random_state=0)

# OR は「+10% aging につき何倍?」で見たいので係数を 0.1 倍してから exp
or_samples = np.exp(trace.posterior['b1'].values.ravel() * 0.1)
print(f'OR 事後中央値 (+10% aging): {np.median(or_samples):.2f}')
print(f'90% 信用区間: [{np.percentile(or_samples, 5):.2f}, {np.percentile(or_samples, 95):.2f}]')
print(f'P(OR > 1) = {(or_samples>1).mean():.3f}')
print(f'P(OR > 2) = {(or_samples>2).mean():.3f}')

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import numpy as np

tables = [
    np.array([[7, 3], [3, 11]]),     # 人口下位: d, c, b, a 順 (列=結果, 行=暴露)
    np.array([[10, 4], [4, 5]]),     # 人口上位
]

num = sum(t[1,1]*t[0,0]/t.sum() for t in tables)    # Σ a_k d_k / n_k
den = sum(t[1,0]*t[0,1]/t.sum() for t in tables)    # Σ b_k c_k / n_k
or_mh = num / den
print(f'Numerator   Σ ad/n = {num:.4f}')
print(f'Denominator Σ bc/n = {den:.4f}')
print(f'MH common OR     = {or_mh:.4f}')