独立性検定とオッズ比

2カテゴリ×2カテゴリのデータを扱う場面では、独立性検定（カイ二乗検定）とオッズ比（Odds Ratio, OR）がセットで登場します。

しかし、それぞれが何を意味し、どのような役割を持っているのかは意外と混同されやすいところです。

この記事では、まずデータの形から入り、独立性検定とオッズ比の役割の違いを整理します。

2×2表（クロス集計表）

たとえば、ある治療が症状改善に影響するかを調べるデータがあったとします。得られたクロス集計表は次のような形になります。

この表を見て、私たちが知りたいことは大きく2つあります。

このとき、それぞれに対応する統計量が次の2つです：

知りたいこと	対応する指標
関連があるか？	→ 独立性検定（p値）
関連の強さは？	→ オッズ比（Odds Ratio）

ここから順番に見ていきます。

独立性検定は、行と列が統計的に独立かどうか（＝関連がないか）を検定するものです。

独立性検定では、カイ二乗検定が用いられます。

独立性検定が返す中心的な量は p値です。

ここで大切なのは、独立性検定は「関連の有無」しか言わないという点です。

例えば「治療と改善は関連あり（p=0.02）」と言われても

は分かりません。

一方でオッズ比は、行と列の関連の強さ（効果量）を数値化した指標です。

クロス集計表のオッズ比は、

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

と定義されます。

オッズ比は以下のように解釈します。

さらに、信頼区間を付けることで解釈が安定します。

例：

\(OR = 2.0\) かつ 95 %信頼区間：（1.2, 3.3）

この場合、

ポイントは、\(\log(OR)\) の分布が正規分布に近くなるという性質を使うことです。

\[\log(OR)=\log(a)+\log(d)-\log(b)-\log(c)\]

95 %信頼区間なら、\(z\) 値は 1.96 を使います。

\[SE(\log(OR))=\sqrt{\frac{1}{a}+\frac{1}{b}+\frac{1}{c}+\frac{1}{d}}\]

\[\log(OR)\pm 1.96\times SE(\log(OR))\]

これで、対数オッズ比の信頼区間が求まります。

最後に、指数をとって元のオッズ比のスケールに戻します。

オッズ比の 95 %信頼区間：\((\exp(\log(OR)-1.96\times SE(\log(OR))), \exp(\log(OR)+1.96\times SE(\log(OR))))\)

カイ二乗検定の結果と、「オッズ比の 95 %信頼区間に 1 を含むかどうか」の結論は、基本的に整合します。

典型的な「解答の流れ」の書き方は以下のとおりです。