1 データの準備

以下のような、高血圧患者の情報と降圧薬の効果に関するデータを準備します。

このデータでは、目的変数は「血圧低下量」、説明変数は「年齢」「性別」「BMI」「喫煙」「初期収縮期血圧」です。

2 単回帰分析の実行

まず、1つの説明変数と目的変数の関係を分析する単回帰分析を行います。

1. 「データ」タブから「データ分析」を選択
2. 「回帰分析」を選択して「OK」をクリック
3. 以下の設定を行います：
   • 入力Y範囲：血圧低下量のセル範囲
   • 入力X範囲：BMIのセル範囲
   • 出力先：新しいシートを選択
   • 「残差出力」と「標準化残差プロット」にチェック
4. 「OK」をクリックして分析を実行

3 重回帰分析の実行

複数の説明変数を使用して目的変数を予測する重回帰分析を行います。

1. 「データ」タブから「データ分析」を選択
2. 「回帰分析」を選択して「OK」をクリック
3. 以下の設定を行います：
   • 入力Y範囲：血圧低下量のセル範囲
   • 入力X範囲：すべての説明変数（年齢、性別、BMI、喫煙、初期収縮期血圧）のセル範囲
   • 出力先：新しいシートを選択
   • 「残差出力」と「標準化残差プロット」にチェック
4. 「OK」をクリックして分析を実行

4 結果の解釈

回帰統計

• 重相関 R：説明変数と目的変数の相関係数
• 重決定 R²：モデルが説明できる分散の割合
• 補正 R²：説明変数の数を考慮して調整したR²
• 標準誤差：予測の平均的な誤差

分散分析表

• F値：モデル全体の有意性を示す指標
• 有意水準：p値が0.05未満であれば、モデルは統計的に有意

回帰係数

• 係数：各説明変数の重み
• 標準誤差：係数の推定精度
• t値：係数の有意性を示す指標
• P値：係数の統計的有意性（0.05未満で有意）

残差プロット

残差プロットは、モデルの仮定（線形性、等分散性など）が満たされているかを視覚的に確認するのに役立ちます。

5 予測と検証

作成したモデルを使って新しいデータに対する予測を行います。

1. 回帰式を使って予測値を計算：
   血圧低下量 = β₀ + β₁×年齢 + β₂×性別 + β₃×BMI + β₄×喫煙 + β₅×初期収縮期血圧
2. Excel数式で実装：
   =β₀ + β₁*A2 + β₂*B2 + β₃*C2 + β₄*D2 + β₅*E2
   （A2～E2はそれぞれの説明変数のセル）

1 JASPの準備とデータ読み込み

1. JASPを起動します
2. 「File」→「Open」でデータファイル（CSV形式など）を読み込みます
3. 各変数の型を適切に設定します
   • 連続変数：「Scale」
   • カテゴリ変数：「Nominal」または「Ordinal」

2 トレーニングデータとテストデータの分割

JASPでは、「Machine Learning」モジュールを使う際に、データを訓練用とテスト用に分割することができます。

1. 上部メニューから「Machine Learning」→「Regression」を選択します
2. 使用するアルゴリズムを選択します（例：「Random Forest Regression」）
3. 「Holdout Sample」タブをクリックし、以下の設定を行います：
   • 「Split sample into training and test set」にチェック
   • 「Training set proportion」で訓練データの割合を設定（例：0.8）

3 回帰モデルの構築

1. 「Targets」に目的変数（「血圧低下量」）を設定
2. 「Features」に説明変数を追加
   • 連続変数：「年齢」「BMI」「初期収縮期血圧」
   • カテゴリ変数：「性別」「喫煙」
3. 「Model Parameters」タブでモデル固有のパラメータを設定
   • 決定木：最大深さ、最小ノードサイズなど
   • ランダムフォレスト：木の数、特徴量サンプリング率など

4 モデルの評価と比較

1. 「Model Evaluation」タブで必要な評価指標にチェックを入れます：
   • 「R²」：決定係数
   • 「MSE」：平均二乗誤差
   • 「MAE」：平均絶対誤差
   • 「RMSE」：平均二乗誤差の平方根
2. 「Performance Metrics」タブで可視化オプションを選択：
   • 「Scatter plot of predicted and observed values」
   • 「Feature Importance plot」

5 結果の解釈

性能指標

訓練データとテストデータの両方での性能指標を比較し、モデルの汎化能力を評価します。

予測値と実測値の散布図

点が45度線に近いほど、モデルの予測精度が高いことを示しています。

特徴量重要度

どの特徴量（説明変数）がモデルの予測に大きく寄与しているかを示しています。

1 データの準備と探索

1. 提供されたデータをExcelまたはCSVファイルとして保存します。
2. JASPでデータを読み込み、各変数の型を適切に設定します。
3. 「Descriptives」→「Descriptive Statistics」で基本統計量を確認します。
4. 「Descriptives」→「Correlation Matrix」で変数間の相関関係を確認します。

これにより、データの分布や変数間の関係を把握できます。特に、目的変数（HbA1c低下量）と強い相関を持つ説明変数を特定します。

2 単回帰分析と重回帰分析

1. 「Regression」→「Linear Regression」で、まず単回帰分析を行います：
   • Dependent Variable：「HbA1c低下量」
   • Covariates：相関分析で強い相関が見られた変数を1つ選択
2. 次に重回帰分析を行います：
   • Dependent Variable：「HbA1c低下量」
   • Covariates：すべての説明変数を追加
3. 「Statistics」タブで「Estimates」「R²」「Collinearity diagnostics」にチェックを入れます。
4. 「Plots」タブで「Residuals vs. fitted」「Q-Q plot of residuals」にチェックを入れます。

これにより、伝統的な統計学的アプローチでのモデル構築と評価を行います。

3 機械学習アプローチ：複数のモデル構築

1. 「Machine Learning」→「Regression」で以下のモデルを順に構築します：
   • Linear Regression（線形回帰）
   • Regularized Linear Regression（正則化線形回帰）：リッジ、ラッソ
   • Decision Tree（決定木）
   • Random Forest（ランダムフォレスト）
   • Boosting（ブースティング）：AdaBoostなど
2. 各モデルで以下の設定を統一します：
   • Target：「HbA1c低下量」
   • Features：すべての説明変数
   • Holdout Sample：訓練データ80%、テストデータ20%
3. 「Model Evaluation」タブで「R²」「MSE」「MAE」「RMSE」にチェックを入れます。
4. 「Performance Metrics」タブで「Feature Importance plot」にチェックを入れます。

これにより、様々な機械学習モデルを比較し、最も適切なモデルを特定します。

4 モデルのチューニングと最終評価

1. 最も性能の良かったモデルを選び、そのハイパーパラメータをチューニングします：
   • 決定木：最大深さ、最小ノードサイズなど
   • ランダムフォレスト：木の数、特徴量サンプリング率など
   • 正則化線形回帰：正則化パラメータλなど
2. チューニング後のモデルをテストデータで評価し、最終的な性能を確認します。
3. 特徴量重要度を確認し、モデルの予測に大きく寄与している変数を特定します。

これにより、最適化されたモデルが得られます。

5 結果のまとめと臨床的解釈

1. 最終モデルの性能指標（R², RMSE）をまとめます。
2. 特徴量重要度に基づいて、治療効果に影響する主要因子を特定します。
3. モデルの予測結果を臨床的に解釈し、どのような患者に効果的な治療かを考察します。
4. モデルの限界と今後の改善点を検討します。

具体的には、次のような臨床的示唆を得ることを目指します：

• どのような患者特性が治療効果と強く関連しているか
• 治療効果が高いと予測される患者のプロファイル
• 治療効果が低いと予測される患