第11章　関係を見る ── 単変量から多変量解析まで、AIと進める

この章の要点

• 分析は「1つの変数を見る → 2つの関係を見る → 多くの要因を同時に見る」と進む
• 変数の型の「組み合わせ」で、使う手法が決まる
• AIは手法の提案・実行・解釈の補助をするが、妥当性の確認は専門家と

分析は、階段を上るように進む

データがきれいになったら、いよいよ分析です。といっても、難しく考える必要はありません。分析は、3つの階段を順に上っていくだけです。

1段目：単変量解析（1つの変数を見る） 　まず、一つひとつの変数の「素性」を知ります。 　- 連続変数 → 平均・中央値・標準偏差（中心とばらつき）、ヒストグラム（分布の形） 　- 名義変数 → 割合、棒グラフ 　ここで「データの全体像」を掴みます。いきなり関係を見るのではなく、まず一つずつ眺めるのが鉄則です。

2段目：二変量解析（2つの変数の関係を見る） 　次に、「AとBに関係はあるか？」を見ます。ここで、第6章で学んだ変数の型の組み合わせが効いてきます。

3段目：多変量解析（多くの要因を同時に見る） 　現実は複雑で、結果には多くの要因が同時に影響します。これを解きほぐすのが多変量解析です。

⸻

多変量解析の「道具箱」

代表的な手法を、目的とともに押さえておきましょう。名前を覚える必要はありません。「こういう道具がある」と知り、必要なときにAIと引き出せれば十分です。

• 重回帰分析：複数の要因から、1つの結果（連続変数）を予測する（例：記憶力に影響する複数要因を同時に評価）
• ロジスティック回帰：結果が「はい/いいえ」のとき（例：継続した/しないを分けるリスク要因）
• クラスター分析：似た特徴を持つ群を自動で分類（例：利用者をタイプ別に分け、施策を設計）
• 因子分析：多数の項目の背後にある「共通の要素」を抽出（例：認知機能の背後の構造）
• マルチレベル解析：個人と集団（例：施設ごと）の構造を同時に扱う
• ROC解析：評価指標の感度・特異度のバランスを見て、カットオフ値の妥当性を検討

⸻

「仮説・変数・手法」の整合性

分析でいちばん大事なのは、仮説・変数・手法が一直線に揃っていることです。一例を挙げます。

仮説：「週3回以上の運動習慣は、記憶力の低下を防ぐ」 　必要な変数：記憶力（連続変数）、運動習慣の有無（名義変数） 　手法：t検定、またはロジスティック回帰（年齢・性別などを調整）

この「仮説 → 変数 → 手法」の筋が通っているか。ここがズレていると、どんなに高度な計算をしても、答えは的を外します。

⸻

AIは「分析の伴走者」、ただし保証人ではない

AIは、この分析プロセス全体に伴走します。「このデータと仮説に、適した手法は？」と相談し、「コードを書いて実行して」と任せ、「この結果を初心者向けに解釈して」と頼む。各論②で学んだ"作業を任せる"発想が、分析でも全面的に活きます。

しかし──ここで、本コンテンツで最も強く念を押したいことを書きます。

AIは、統計について"自信満々に間違える"ことがあります。 不適切な手法を選んだり、p値を誤解させたり、成立しない前提のうえで計算したりします。

『概論』第11章で書いたとおり、簡単な集計や「傾向を見る」段階なら、AIは強力な味方です。しかし、研究・学会発表・論文・重要な事業判断のレベルでは、必ず統計家・指導者・原著で検証してください。 AIは分析の「伴走者」ですが、その正しさの「保証人」ではありません。この一線だけは、絶対に踏み外さないでください。

試してみるプロンプト

あなたは生物統計に詳しいデータサイエンティストです。ただし、不確かなことは正直に「専門家の確認が必要」と述べてください。 わたしの仮説と、手元の変数は次のとおりです。

【仮説】（例：運動習慣のある人は、生活満足度が高い） 【変数】（例：運動習慣＝名義、生活満足度＝連続、年齢・性別も取得済み）

1. この仮説の検証に適した分析手法の候補を、理由とともに挙げてください。
2. 各手法が成立するための「前提条件」と、それを確認する方法を教えてください。
3. 交絡因子として調整すべき変数があれば指摘してください。
4. この分析を学会・論文レベルで行う場合に、専門家へ確認すべきポイントをリストにしてください。

第11章のまとめ

• 分析は単変量 → 二変量 → 多変量と、階段を上るように進む
• 変数の型の「組み合わせ」で使う手法が決まる。仮説・変数・手法を揃える
• AIは伴走者だが保証人ではない。責任ある場面は必ず専門家で検証する