医療統計学をわかりやすく解説

しかし，分析が誤っているときには、それを見抜くのは大変です。

論文に書かれていることだけでは、分析が間違っているかどうかを判断するのは難しいです。

すべての統計的検定は、データについて何らかの仮定を置いていますが，ローデータが入手できなければ、それらの仮定が満たされているかどうかを検証することは不可能です。

それでも，ありがちな間違いを見抜くための手立てはいくつかあります。

データが図表に示されていれば，外れ値を探すチャンスです。

外れ値とは，著しく高い値，もしくは著しく低 い値のことです。

たとえば，一般集団における成人の最小血圧の値のほとんどは，65mmHgと90mmHgの間にあると予想されます。

40mmHgのように低い数値や，130mmHgのように高い数値は外れ値です。

このような外れ値は，正しい値かもしれないし，誤って記録された値かもしれません。

データの主たる部分からかけ離れている観測が少数でもあると.結果を歪めることがあります。

その効果は，片方が非常に長く，もう片方が通常の長さのシーソーに起こる効果とされています。

長い側に座った小さい子どもは，短い側に座ったもっと体重の重い子どもよりも「重い」とも言えます。

統計的検定においては，少数でもかけ離れた値があればデータの大部分とは逆の働きをし、それが誤解を招く効果を生み出すことがあります。

外れ値を扱うための一般的なルールというものは存在しませんが，外れ値が存在するなら，その影響を調べるためにいくつかの手順を踏むベきです。

外れ値を無視すれば，分析全体は疑わしいものになります。

論文は外れ値を無視せずにそれをどう扱っていくかを記すべきです。

また、患者の入院期間の長さのように，平均値の周りに集中するが，高い値のほうに長いしっぽをもつ傾向のある測定項目があります。

高い値は、データの主たる部分から孤立しているわけではないので、外れ値と呼ぶことはできません。

最も普通の値から徐々に遠ざかっているだけだからです。

平均の片側だけに，観測値の長い尻尾が存在することを歪み (skewness）と呼びます。

歪みは，外れ値と同じように統計的検定を混乱させます。

歪みは，観測値が，時間（たとえば, 病院での待ち時間やがん患者の生存期間）である場合に一般的に見られます。

歪みがある場合，たとえば高い値を引き下げるために対数を取るといったデータの変換をすることで.対処することもあります。

蛋みが存在するという証拠があるときには、方法のセクションにおいて，それをどのように取り扱ったのかを説明すべきです。