5. オッズ比と係数解釈：ロジスティック回帰の読み解き方

なぜオッズ比で解釈するのか

ロジスティック回帰モデルは、2値の応答変数 $Y \in \{0,1\}$ に対して、事象発生確率 $p = P(Y=1 \mid \mathbf{x})$ の対数オッズを説明変数の線形結合として次のように定式化します。

$$\operatorname{logit}(p) = \ln\!\left(\frac{p}{1-p}\right) = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \cdots + \beta_k x_k$$

対数オッズスケールでは、係数 $\beta_j$ が説明変数 $x_j$ の1単位増加に対して加法的に寄与します。確率スケールへの逆変換にはシグモイド関数による非線形変換が必要であり、同じ $\beta_j$ の値でも確率への影響量は基準確率の水準に応じて変化します。

$$p = \frac{1}{1+\exp\!\left(-(\beta_0 + \beta_1 x_1 + \cdots + \beta_k x_k)\right)}$$

確率は $[0,1]$ の有界な区間に制約されているため、基準確率が $0.5$ の場合と $0.9$ の場合とでは、同一の $\beta_j$ のもとで確率の変化幅が異なります。たとえば $\beta_j = 1.0$ のとき、基準確率 $p = 0.5$ からの増加量は約0.25ですが、基準確率 $p = 0.9$ からの増加量は約0.07にとどまります。この非線形性により、回帰係数を「確率の変化量」として直接読むことは適切ではありません。対数オッズスケールの加法性を確率の比として表現したオッズ比は、確率の水準に依存しない一貫した解釈を提供するため、ロジスティック回帰の標準的な係数解釈手段として位置づけられています。

オッズとオッズ比の数理的定義

事象発生確率を $p$ としたとき、オッズは発生確率と非発生確率の比として次のように定義されます。

$$\text{Odds} = \frac{p}{1-p}$$

確率・オッズ・対数オッズの3スケールは相互に変換可能です。確率は $[0,1]$ の有界な区間をとりますが、オッズは $[0,\infty)$ の非負の値域に、対数オッズ（ロジット）は $(-\infty,+\infty)$ の実数全体に広がります。この値域の拡張が、線形モデルとの結合を可能にする基礎となっています。数値例として、確率 $p = 0.5$ のときオッズは $1.0$、$p = 0.75$ のときオッズは $3.0$、$p = 0.9$ のときオッズは $9.0$ となり、確率が高い領域でオッズは急速に増大します。

（Fig1. 確率・オッズ・対数オッズの変換関係：p=0からp=1にわたる非線形挙動）

曝露群の確率を $p_1$、対照群の確率を $p_0$ としたとき、オッズ比は次のように定義されます。

$$\text{OR} = \frac{p_1/(1-p_1)}{p_0/(1-p_0)}$$

解釈の基準として、$\text{OR}=1$ は曝露と結果の統計的独立を意味します。$\text{OR}>1$ は曝露群でオッズが高いこと（リスク増加の方向）を、$\text{OR}<1$ は曝露群でオッズが低いこと（リスク低下の方向）を示します。

仮定として、応答変数は2値（0または1）であることが前提です。また、希少疾患仮定（有病率が概ね10%未満）のもとでのみ $\text{OR} \approx \text{RR}$（相対リスク）が成立します。有病率が高い場合、オッズ比は相対リスクよりも常に1から遠い値をとり、効果量を過大推定する点に留意が必要です。

ロジスティック回帰係数とオッズ比の対応

$x_1$ を他の変数を固定したもとで $a$ から $a+1$ へ1単位増加させたときの対数オッズの差分は次のようになります。

$$L(a+1) – L(a) = \left(\beta_0 + \beta_1(a+1) + \sum_{j \geq 2}\beta_j x_j\right) – \left(\beta_0 + \beta_1 a + \sum_{j \geq 2}\beta_j x_j\right) = \beta_1$$

この差分は $\beta_1$ で一定であり、他の変数の値や基準値 $a$ に依存しません。指数変換すると、$x_1$ の1単位増加に対する条件付きオッズ比が得られます。

$$\text{OR}_{x_1} = \exp(\beta_1)$$

多変量モデルでは、この関係は他のすべての説明変数 $x_2, \ldots, x_k$ を固定した条件のもとで成立します。これは ceteris paribus（他条件一定）解釈と呼ばれ、複数の共変量が存在するなかでの偏効果を単離して捉える考え方です。対数スケールでの加法性はORスケールでの乗法性に対応します。複数の説明変数が同時に変化した場合には各々のORの積として結合オッズ比を計算できます。

切片 $\beta_0$ は、すべての説明変数が0のときの基準対数オッズを表し、$\exp(\beta_0)$ は基準オッズに対応します。

仮定として、対数オッズと各説明変数の間に線形関係が成立することが前提です。また、OR解釈は ceteris paribus の条件付き解釈であり、個々の予測確率の変化量や平均限界効果とは概念的に異なります。平均限界効果はサンプル全体で限界効果を平均化したものであり、どの共変量を固定するかではなく共変量分布を反映する点でOR解釈と区別されます。

連続変数の係数解釈：単位変化とスケーリング

連続説明変数 $x_j$ に対する係数 $\beta_j$ から、異なる変化量に対応するオッズ比を計算できます。$x_j$ が1単位増加するときのオッズ比は次のとおりです。

$$\text{OR}_{1\text{単位}} = \exp(\beta_j)$$

$x_j$ が $k$ 単位増加するときのオッズ比は、乗法性から次のように計算されます。

$$\text{OR}_{k\text{単位}} = \exp(k \cdot \beta_j)$$

変数の標準偏差を $\text{SD}_j$ としたとき、標準偏差1単位増加に対応するオッズ比は次のようになります。

$$\text{OR}_{\text{SD}} = \exp(\beta_j \cdot \text{SD}_j)$$

係数 $\beta_j$ の値は変数の測定単位に依存します。たとえば年齢を年単位で測定した場合と月単位で測定した場合では係数が12倍の差になりますが、対応する変化量（例：10年の増加）に対するオッズ比は同等です。標準偏差単位での解釈は測定単位の異なる連続変数間での効果量を比較する際の基準となりますが、標準化係数と非標準化係数を直接比較することは適切ではありません。

仮定として、対数オッズと連続変数の線形関係が成立していることが前提であり、Box-Tidwell 検定等によって事前に確認することが推奨されます。この仮定が成立しない場合には多項式項やスプライン項の導入が必要となり、単純なオッズ比による解釈は誤りとなるリスクがあります。

カテゴリ変数と参照カテゴリの扱い

2値のダミー変数（0または1）については、参照カテゴリ（$x_j = 0$）に対する水準（$x_j = 1$）のオッズ比が次のように計算されます。

$$\text{OR}_{\text{ダミー}} = \exp(\beta_j)$$

$k$ 水準のカテゴリ変数は $k-1$ 個のダミー変数として表現されます。各ダミー変数の係数 $\beta_{j,m}$（$m = 2, \ldots, k$）は、水準 $m$ と参照カテゴリ（水準1）とのオッズ比 $\exp(\beta_{j,m})$ を与えます。これはダミーコーディング（treatment coding）と呼ばれ、参照カテゴリとの差分を各係数が表す方式です。参照外カテゴリ同士（水準 $m$ と水準 $l$）のオッズ比は、対数オッズの差から次のように導出できます。

$$\text{OR}_{m \text{ vs } l} = \exp(\beta_{j,m} – \beta_{j,l})$$

参照カテゴリの選択はOR値に直接影響します。参照カテゴリを変更すると各係数の値が変わるため、解釈の基準が相対的であることを常に明示することが必要です。実務上の選択基準として、理論的または臨床的に明確な基準カテゴリ（例：非曝露群・対照群）を参照カテゴリとすることが一般的です。各カテゴリ内での効果の均質性が仮定されており、カテゴリ間での不均質性は交互作用項の導入によって対処します。多水準カテゴリ変数に対して複数のORの検定を行う場合は、多重比較による第1種過誤の増大に注意が必要です。

信頼区間の構成と実践的解釈

係数推定値 $\hat{\beta}_j$ の標準誤差を $\text{SE}(\hat{\beta}_j)$ としたとき、Wald法による対数オッズ比の95%信頼区間は次のように構成されます。

$$\hat{\beta}_j \pm 1.96 \cdot \text{SE}(\hat{\beta}_j)$$

指数変換することで、オッズ比の95%信頼区間が得られます。

$$\text{CI}_{95\%}(\text{OR}) = \left(\exp\!\left(\hat{\beta}_j – 1.96 \cdot \text{SE}(\hat{\beta}_j)\right),\; \exp\!\left(\hat{\beta}_j + 1.96 \cdot \text{SE}(\hat{\beta}_j)\right)\right)$$

信頼区間の下限が1を超える場合（OR > 1 の方向）、または上限が1を下回る場合（OR < 1 の方向）、帰無仮説 $\text{OR}=1$ は名目有意水準5%で棄却されます。信頼区間はp値よりも多くの情報を提供します。p値が有意かどうかの二元的判断にとどまるのに対し、信頼区間はORの点推定値（効果の大きさ）と区間の幅（推定精度）を同時に示すため、統計的有意性と実践的有意性を区別した評価が可能です。

（Fig2. 多変量ロジスティック回帰：各説明変数のオッズ比と95%信頼区間（疫学データ模擬））

プロファイル尤度信頼区間は、尤度比統計量を利用して構成されます。Wald法が大標本での漸近正規近似を前提とするのに対し、プロファイル尤度信頼区間はその依存度が低く、特に小標本での精度が高いとされています。大標本近似（漸近正規性）の妥当性が確保されている場合はWald法で十分ですが、標本サイズが小さい場合や事象発生数が少ない場合にはWald信頼区間が不正確になるため、プロファイル尤度信頼区間の使用が推奨されます。

統計的に有意なOR（信頼区間が1を含まない）が得られても、効果量の大きさは臨床的・実践的有意性の観点から別途評価が必要です。大標本では小さなOR（例：1.05）でも有意となる場合があり、逆にOR = 3.0 であっても標本が小さければ信頼区間が広く推定精度が低い場合があります。効果の大きさと不確実性の双方を考慮した解釈が求められます。

OR・RR・HRの比較と使い分け

コホート研究では、曝露群のリスク $p_1$ と非曝露群のリスク $p_0$ から直接、相対リスクを推定できます。

$$\text{RR} = \frac{p_1}{p_0}$$

一方、症例対照研究では対照群のサンプリング方法により真の $p_0$ が推定できないため、オッズ比が用いられます。ORとRRの関係は、対照群有病率 $p_0$ を用いた近似式によって次のように示されます。

$$\text{OR} \approx \text{RR} \times \frac{1-p_0}{1-p_0 \cdot \text{RR}}$$

この式から、$p_0$ が大きくなるほどORがRRよりも1から遠い値をとることが確認できます。数値例として、$p_0 = 0.30$、$\text{RR} = 2.0$ のとき $p_1 = 0.60$ となり、$\text{OR} = (0.60/0.40)/(0.30/0.70) \approx 3.5$ となります。希少疾患仮定（$p_0 \ll 0.10$）のもとでは $1-p_0 \approx 1-p_0 \cdot \text{RR}$ が成立し $\text{OR} \approx \text{RR}$ となりますが、有病率が高い場合にはORが一方的にRRを過大推定します。ORは方向（増加/減少）は正しく示しますが、効果量の大きさはRRと異なる可能性があります。

（Fig3. 有病率別のオッズ比と相対リスクの乖離：希少疾患仮定が崩れるとORはRRを過大推定する）

ハザード比は生存時間分析で用いられる指標であり、コックス比例ハザードモデルにおける瞬間的なリスク比として定義されます。ハザード比は追跡期間中の時間経過を考慮した相対的リスクの指標であり、2値アウトカムを扱うロジスティック回帰とは分析の枠組みが異なります。打ち切りデータが存在する場合や生存時間の分布を考慮する必要がある場面では、ハザード比のほうがより適切な指標となります。

平均限界効果は、説明変数の1単位増加が予測確率に与える平均的な影響を確率スケールで表したものです。OR・RR・HRが比の指標であるのに対し、平均限界効果は差の指標であり、確率スケールでの直接的な解釈が可能です。ただし交互作用が存在する場合には変数値ごとの限界効果が異なるため、サンプル全体で平均化する際の解釈に注意が必要です。また、共変量分布の外挿問題が生じる場合には推定が不安定になる可能性があります。

疫学的な観察研究では、喫煙・BMI・投薬歴などの曝露変数が疾患罹患（2値アウトカム）に与える影響をロジスティック回帰で推定し、各変数の調整オッズ比と95%信頼区間を報告するシナリオが広く用いられます。未測定交絡が存在する可能性がある観察研究では、調整ORは因果効果の推定値ではなく条件付き統計的関連の指標であることに留意が必要です。また疾患の有病率が高い場合にはORがRRを過大推定するため、研究デザインと有病率に応じた指標の選択と報告が求められます。