Top 5 This Week

関連記事

【医療統計版】制限付き三次スプライン:ノットの数と置き方

- 本サイト運営者のサービスの紹介 -
Dr.データサイエンス|医療統計解析の代行・相談

年齢と収縮期血圧、BMIと死亡リスクのように、連続変数と結果の関係を回帰モデルで調べる研究では、説明変数を1次の項として入れただけで解析を終えることがあります。その場合、年齢が10歳上がるごとの変化量は40歳から50歳でも70歳から80歳でも同じだと仮定したことになり、関係が途中で曲がっていれば、傾きの推定値は曲がり方の異なる区間をならした値になります。

一方、曲線を表そうとして年齢を区切ってカテゴリーにすると、区切りの内側の変化が消え、区切り位置の選び方で結果が動きます。制限付き三次スプライン(restricted cubic spline)は、少数の係数で滑らかな曲線を表し、データの少ない両端では直線に制限する方法であり、実際に使う時にはノットと呼ぶ区切り点の数と位置を決める必要があります。

年齢を直線で入れた時に生じる推定のズレ

線形回帰の係数は、他の変数を固定した時に説明変数が1単位異なる2人の平均の差を表しており、その読み方は線形回帰の回帰係数をどう解釈するかで扱った単位と比較条件に依存します。この解釈には、変化量が説明変数の値によらず一定であるという前提が含まれており、関係が曲がっている場合、1つの傾きはどの年齢の変化量にも対応しない要約値になります。

実際、後で示すランダムに生成したデータセットでは、真の平均収縮期血圧が40歳から50歳で0.50mmHg、70歳から80歳で10.50mmHg上がるように作りましたが、直線モデルはどちらの区間も4.01mmHgと推定しました。若い区間では変化を約8倍に、高齢の区間では半分以下に見積もったことになるため、どちらの年齢層について述べた結論も真の関係からズレています。

しかも、非線形性を無視した影響は、その変数の係数だけにとどまりません。年齢を交絡因子として調整するモデルで年齢を直線のまま入れると、曲がりの分だけ交絡が取り除かれずに残り、その残りが治療や曝露の係数に移るため、主要な推定値まで歪む可能性があります。

また、同じ問題は連続変数を二分した場合にも起こり、Roystonら(2006)は、中央値などで二分すると情報が失われ、調整しきれない交絡が残ることを示しています。二分の影響は連続変数のカテゴリー化で扱っているので、ここでは連続変数を連続のまま、曲線としてモデルに入れる方法に話を絞ります。

制限付き三次スプラインを表す式

DurrlemanとSimon(1989)が回帰モデルで連続変数の効果を柔軟に表す方法として示した制限付き三次スプラインは、説明変数の範囲を$k$個のノット$t_1<t_2<\cdots<t_k$で区切り、区間ごとの三次多項式をつなげた曲線です。ノットの位置で値、傾き、曲がり具合(2次導関数)が連続になるようにつなぐためにつなぎ目で角ができず、さらに最初のノットより左と最後のノットより右では直線になるという制限を加えます。

$$f(x)=\beta_0+\beta_1 x+\sum_{j=1}^{k-2}\beta_{j+1}C_j(x) \tag{1}$$

式(1)は、直線の項$\beta_1 x$に、曲がりを表す$k-2$個の項を足して曲線を書いています。$\beta_0$は切片、$\beta_1$は直線部分の傾き、$\beta_{j+1}$は$j$番目の曲がりの項$C_j(x)$の係数で、ノットが4個なら係数は切片を除いて3個になります。

$$C_j(x)=(x-t_j)_+^3-\frac{t_k-t_j}{t_k-t_{k-1}}(x-t_{k-1})_+^3+\frac{t_{k-1}-t_j}{t_k-t_{k-1}}(x-t_k)_+^3 \tag{2}$$

式(2)の$(u)_+$は、$u$が正なら$u$、それ以外なら0を返す記号です。$x$が$t_j$を越えると三次の曲がりが加わり、最後の2つのノットの項がその曲がりを打ち消すように係数を選んであるため、$x>t_k$では2次と3次の項が消えて直線だけが残ります。

この式の形を見ると、曲線の自由度はノットの数だけで決まることが分かります。そのため、ノット4個の制限付き三次スプラインで年齢を入れたモデルは年齢に3個の係数を使い、直線モデルより2個多くのパラメータを推定することになります。

両端を直線に制限する理由

制限を付けない三次スプラインでは、データの最も外側の区間でも三次の項が自由に動きます。年齢分布の両端にいる少数の対象者だけで曲がり方が決まるため、曲線の端が大きく跳ね上がったり下がったりしやすく、その範囲の信頼区間も広がります。

そこで、両端の外側を直線に制限すると、端での曲がりを推定する必要がなくなり、同じノット数でも推定する係数が4個減ります。DurrlemanとSimon(1989)はこの点を少ない自由度で柔軟な形を表せる利点として示しており、Harrell(2015)も連続変数を回帰モデルへ入れる標準的な表し方として扱っています。

ただし、両端の直線はデータの範囲内で曲線を安定させるための制限であり、最後のノットより外側の年齢での予測が正しいことの保証にはなりません。観測値がほとんどない範囲の推定値を結果として報告することは避け、図を描く範囲も観測された年齢の範囲に収めます。

ノットの位置は分位点で決める

結果を見てから曲がり目にノットを移すと、データに合わせた選択が推定に入り込み、信頼区間やp値が楽観的になります。そのため、ノットの位置は曲線の見た目ではなく説明変数の分布の分位点で決め、解析計画の段階で固定しておく方が安全です。

その具体的な位置について、Harrell(2015)は、ノット3個なら10、50、90パーセンタイル、4個なら5、35、65、95パーセンタイル、5個なら5、27.5、50、72.5、95パーセンタイルを示しています。この置き方では隣り合うノットの間に入る対象者数がおおむね揃うので、データの多い範囲では細かく、少ない範囲では粗く曲線を表すことになります。

実際、今回のデータでノット4個の位置を計算すると、5、35、65、95パーセンタイルはそれぞれ32.67歳、48.43歳、64.71歳、81.95歳でした。真の関係は55歳から曲がり始めるように作ってありますが、55歳にノットがなくても、48.43歳と64.71歳の間で加わる三次の項が曲がり目を滑らかに近似します。

もっとも、検査値の基準値のように臨床的に意味のある閾値があり、その根拠を文献で示せるなら、そこへノットを置くことも選択肢の一つになります。その場合も閾値は結果を見る前に決めておき、曲がり目の位置そのものを推定したい研究目的であれば、ノット位置を固定するスプラインとは別の枠組みを検討することになります。

ノットの数は3個から5個を目安にする

Harrell(2015)は、ノット数は多くの場合3から5で足り、標本サイズが小さい時は3個、大きい時は5個、その中間では4個を目安として示しています。ノットを1個増やすごとに係数が1個増えるので、ロジスティック回帰や生存時間解析ではイベント数に対する係数の数が増え、過剰適合の危険が高くなります。

この数をデータから選ぶ場合は、AICのように当てはまりと係数の数を両方評価する指標を使い、p値が最も小さくなる数を探す選び方は避けます。また、AICで選んだ数も手元の一つのデータでの結果であり、選んだ後に計算した信頼区間にはその選択の不確かさが含まれていない点に注意が必要です。

こうした事情を考えると、実際の解析ではノット数を事前に4個と決めて主解析とし、3個と5個の結果を感度分析として併記する進め方が扱いやすいでしょう。数を変えても曲線の形と主要な推定値がほとんど動かなければ、ノット数の選択が結論を左右していないと説明でき、動く場合はその範囲を結果の不確かさとして報告します。

乱数で生成した血圧データで直線と比べる

30歳から85歳に一様に分布する1,000例について、収縮期血圧の平均が55歳までは緩やかに、55歳を過ぎると加速して上がるランダムに生成したデータセットを用意しました。真の平均は式(3)で、個人差として標準偏差12mmHgの正規誤差を加えています。

$$\mathbb{E}[\text{SBP}\mid a]=120+0.025\{(a-55)_+\}^2+0.05(a-55) \tag{3}$$

式(3)の$a$は年齢で、55歳以下では傾き0.05の直線、55歳を超えると2次の項が加わって傾きが大きくなります。この真の形は三次スプラインとも直線とも異なるので、どのモデルも近似として当てはめることになります。

library(splines)
set.seed(42)
# 30〜85歳の1,000例、55歳を過ぎると急に上がる収縮期血圧
n <- 1000
age <- runif(n, min = 30, max = 85)
true_mean <- function(a) 120 + 0.025 * pmax(a - 55, 0)^2 + 0.05 * (a - 55)
sbp <- true_mean(age) + rnorm(n, mean = 0, sd = 12)
dat <- data.frame(age = age, sbp = sbp)

この真の関係に対して、Harrell(2015)の分位点にノットを置いた制限付き三次スプラインを3個から6個のノットで当てはめ、年齢を直線で入れたモデルと並べました。両端のノットの外側を直線にした三次スプラインはsplinesパッケージの自然スプラインと同じ曲線を表すため、分位点で決めたノット位置をそのまま使った自然スプラインで当てはめました。

# 分位点にノットを置いた制限付き三次スプライン
fit_rcs <- function(probs) {
  knots <- quantile(dat$age, probs = probs)
  k <- length(knots)
  lm(sbp ~ ns(age, knots = knots[-c(1, k)], Boundary.knots = knots[c(1, k)]), data = dat)
}
knot_probs <- list(k3 = c(0.10, 0.50, 0.90), k4 = c(0.05, 0.35, 0.65, 0.95),
  k5 = c(0.05, 0.275, 0.50, 0.725, 0.95), k6 = c(0.05, 0.23, 0.41, 0.59, 0.77, 0.95))
fits <- lapply(knot_probs, fit_rcs)
fit_linear <- lm(sbp ~ age, data = dat)

また、当てはめた5つのモデルについて、AICと、35歳から80歳を0.5歳刻みで予測した平均が真の平均からどれだけズレているかを二乗平均平方根誤差(RMSE)で求めました。あわせて直線モデルとノット4個のモデルをF検定で比べ、40歳から50歳、70歳から80歳の予測平均の差と、ノット4個の位置も求めています。

grid <- data.frame(age = seq(35, 80, by = 0.5))
rmse_true <- function(fit) sqrt(mean((predict(fit, newdata = grid) - true_mean(grid$age))^2))
all_fits <- c(list(linear = fit_linear), fits)
print(round(data.frame(aic = sapply(all_fits, AIC), rmse = sapply(all_fits, rmse_true)), 2))
nonlin <- anova(fit_linear, fits$k4)
print(round(nonlin$F[2], 1))
print(signif(nonlin[2, "Pr(>F)"], 3))
ages <- data.frame(age = c(40, 50, 70, 80))
pred <- sapply(list(linear = fit_linear, rcs4 = fits$k4), predict, newdata = ages)
diffs <- rbind(truth = diff(true_mean(ages$age))[c(1, 3)], t(apply(pred, 2, diff))[, c(1, 3)])
print(round(diffs, 2))
print(round(quantile(dat$age, probs = knot_probs$k4), 2))
#>            aic rmse
#> linear 7887.93 2.74
#> k3     7825.92 1.25
#> k4     7816.04 0.50
#> k5     7813.50 0.92
#> k6     7815.44 0.89
#> [1] 39.3
#> [1] 3.85e-17
#>           2     4
#> truth  0.50 10.50
#> linear 4.01  4.01
#> rcs4   0.99 11.12
#>    5%   35%   65%   95%
#> 32.67 48.43 64.71 81.95 

この出力の最初の表では、直線モデルのAICが7,887.93、ノット4個のモデルが7,816.0で、真の平均とのズレは2.74mmHgから0.50mmHgへ小さくなっていました。続くF検定は2個の曲がりの項を加えた改善を調べたもので、F値39.3、p値は3.85×10-17でしたが、この検定から分かるのは直線では表せない曲がりがあることまでであり、曲がりの大きさは図と年齢間の差で読み取ります。

その年齢間の差を並べた表では、直線モデルが40歳から50歳と70歳から80歳のどちらにも4.01mmHgの上昇を割り当てているのに対し、ノット4個のモデルは0.99mmHgと11.12mmHgを返し、真の0.50mmHgと10.50mmHgに近づいています。直線モデルは年齢の区間ごとに異なる上昇幅を1つの傾きにならしており、平坦な区間の差を過大に、加速する区間の差を過小に見積もっていました。

plot(sbp ~ age, data = dat, col = "grey75", pch = 16, cex = 0.4,
  xlab = "Age (years)", ylab = "Systolic blood pressure (mmHg)")
lines(grid$age, true_mean(grid$age), lty = 2, lwd = 2)
lines(grid$age, predict(fit_linear, newdata = grid), col = "#D55E00", lwd = 2)
lines(grid$age, predict(fits$k4, newdata = grid), col = "#0072B2", lwd = 2)
abline(v = quantile(dat$age, probs = knot_probs$k4), col = "grey50", lty = 3)
乱数で生成した1,000例の年齢と収縮期血圧の散布図に、真の平均(破線)、直線モデル(橙)、ノット4個の制限付き三次スプライン(青)を重ね、ノット位置を縦の点線で示した図
図1 年齢と収縮期血圧の散布図に、真の平均(破線)、直線モデル(橙)、ノット4個の制限付き三次スプライン(青)を重ねた図。縦の点線は5、35、65、95パーセンタイルのノット位置で、青の曲線は55歳以降の加速を追っている。

その結果を図1で見ると、真の平均は下に凸の形をしているため、直線は中央の年齢では真の平均より上に、若い側と高齢の側の両端では下に位置します。一方、ノット4個の曲線は全範囲で破線にほぼ重なっており、ノットを55歳に置いていなくても曲がり目の位置と加速の程度を再現しています。

ノット数を変えた時の曲線の違い

ノット数を3個から6個まで変えると、AICは3個で7,825.92、4個で7,816.04、5個で7,813.5、6個で7,815.4となり、最小は5個でした。これに対して真の平均とのズレは3個で1.25mmHg、4個で0.50mmHg、5個で0.92mmHg、6個で0.89mmHgで、真の関係に最も近かったのは4個です。

この食い違いは、AICが新しいデータへの予測の良さを近似する指標であって、真の曲線との距離を直接測る指標ではないことから生じています。このデータでは5個と4個のAICの差は2.54と小さく、前の節で述べた4個を主解析に置く方針を変えるほどの差ではありませんでした。

plot(grid$age, true_mean(grid$age), type = "l", lty = 2, lwd = 2, ylim = c(110, 160),
  xlab = "Age (years)", ylab = "Fitted mean SBP (mmHg)")
cols <- c("#E69F00", "#0072B2", "#009E73", "#CC79A7")
for (i in 1:4) lines(grid$age, predict(fits[[i]], newdata = grid), col = cols[i], lwd = 2)
ノット3個から6個の制限付き三次スプラインで推定した平均収縮期血圧の曲線を、真の平均(破線)と重ねた図。3個の曲線だけが40歳から55歳で下に、62歳から75歳で上に外れている
図2 ノット数を3個から6個に変えた制限付き三次スプラインの推定曲線。3個(明るい橙)は内側のノットが1個しかなく曲がり目を早めに滑らかにならしているが、4個から6個の曲線は互いにほぼ重なっている。

その図2で3個の曲線を見ると、55歳前後より手前では真の平均より低く、その後の60歳代から70歳代では高くなっており、内側のノットが1個だけでは55歳付近の曲がり方を追いきれていません。他方、4個から6個の曲線は互いにほぼ重なり、5個と6個で70歳前後にわずかなうねりが出る程度なので、このデータではノット数を4個以上のどれにしても年齢と血圧の関係についての結論は変わりませんでした。

公表研究での使われ方と報告事項

Perperoglouら(2019)は、Rで使えるスプラインの関数を比較し、関数ごとに既定のノット位置や基底の作り方が異なることを整理しています。同じ「ノット4個の制限付き三次スプライン」と書かれていても、分位点の選び方や両端のノットの扱いが異なれば曲線は一致しないため、論文ではノットの数、位置を決めた分位点、使ったソフトウェアと関数を記載する必要があります。

さらに、結果の示し方も係数の表では足りず、臨床研究者向けに解説したGauthierら(2020)も、スプラインで当てはめた関係を図として示して読む方法を扱っています。実際の報告では、基準とする値(たとえば年齢50歳)に対する差やオッズ比を曲線と95%信頼区間で描き、主要な数点の値を本文や表に添えると、読者が曲線の大きさを数値で確かめやすくなります。

また、報告の際には、非線形性の検定で有意差が出なかった場合でも関係を直線と書かず、今回のデータで曲がりを検出できなかったという結果として記載します。曲線の形が性別などの集団で異なるかを調べる時は、スプラインの項と集団の交互作用を考えることになり、係数の数がさらに増えるため、その分だけ必要なイベント数も増えます。

自分の研究でノットを決める時の判断材料

連続変数をどう入れるかは、その変数が主要な曝露なのか調整用の交絡因子なのか、そしてイベント数や標本サイズに対して係数をいくつ使えるかで決まります。主要な曝露の形を知りたい研究でも、交絡因子として年齢を調整する研究でも、非線形の関係を否定する根拠がなければ直線だけで入れる方針は適切ではありません。

ただし、交絡因子として入れる年齢なら曲線の形そのものは報告の対象にならず、調整が十分かどうかが目的になるため、主要な曝露ほど図と基準値に対する差の提示まで解析計画書に書いておく必要があります。

なお、実際のデータでは、イベント数との兼ね合いでノットをいくつまで使えるか、基準とする値をどこに置くか、図と表のどちらで何を示すかを、研究目的に照らして同時に決めることになります。こうした解析計画の組み立てについては、Dr.データサイエンスでご相談を承っています。

参考文献

  1. Durrleman S, Simon R. Flexible regression models with cubic splines. Statistics in Medicine. 1989;8(5):551-561.
  2. Harrell FE Jr. Regression Modeling Strategies. 2nd ed. Springer; 2015.
  3. Gauthier J, Wu QV, Gooley TA. Cubic splines to model relationships between continuous variables and outcomes: a guide for clinicians. Bone Marrow Transplantation. 2020;55(4):675-680.
  4. Royston P, Altman DG, Sauerbrei W. Dichotomizing continuous predictors in multiple regression: a bad idea. Statistics in Medicine. 2006;25(1):127-141.
  5. Perperoglou A, Sauerbrei W, Abrahamowicz M, Schmid M. A review of spline function procedures in R. BMC Medical Research Methodology. 2019;19:46.

Popular Articles