JASPを用いた欠損値補完と感度分析の完全ガイド

目次

  1. 感度分析の概念と重要性
  2. データ準備
  3. JASPでのComplete Case Analysis
  4. JASPでのMultiple Imputation
  5. 結果の比較と解釈
  6. 報告書への記載方法
  7. WEBで行う！

1. 感度分析の概念と重要性 {#概念}

感度分析とは

感度分析（Sensitivity Analysis）は、欠損値の処理方法によって統計的推論がどの程度変化するかを評価する手法です。研究結果の頑健性（robustness）を確認し、欠損データによるバイアスの影響を評価します。

なぜ重要なのか

大宜味村研究での適用

2. データ準備 {#データ準備}

ステップ1: データファイルの準備

必要なファイル形式: CSV, Excel, SAV（SPSS）形式

大宜味村データの例:
ID, 年齢, 性別, 身長, 体重, 握力右, 歩行速度, リアクタンス右, 筋量率
1, 88, 0, 153, 59.9, 13.9, 1.00, 23.6, 35.5
2, 70, 0, 152, 48.4, 23.6, 1.00, 28.0, 32.2
3, 69, 1, 164, 82.2, 35.4, 1.00, 25.7, 52.7
...

ステップ2: 変数の定義

ステップ3: JASPでのデータ読み込み

  1. JASP起動
  2. File → Open → データファイル選択
  3. 変数型の確認（Scale, Ordinal, Nominal）

3. JASPでのComplete Case Analysis {#complete-case}

ステップ1: データフィルタリング

目的: 欠損値を含む行を除外

  1. データ確認

  2. フィルタ設定

ステップ2: 記述統計の実行

操作手順:
1. Descriptives → Descriptive Statistics
2. Variables欄に主要変数を移動:
   - 年齢、握力右、歩行速度、椅子立ち座り
   - リアクタンス右、筋量率
3. Statistics設定:
   ✓ Mean
   ✓ Std. deviation
   ✓ Minimum
   ✓ Maximum
   ✓ 95% Confidence interval
4. 実行

期待される結果（Complete Case, n=44）:

ステップ3: 相関分析

操作手順:
1. Regression → Correlation Matrix
2. Variables欄に分析対象変数を移動
3. Correlation Coefficients:
   ✓ Pearson's r
   ✓ Display pairwise
4. Additional Options:
   ✓ Flag significant correlations
   ✓ 95% confidence intervals
5. 実行

ステップ4: 重回帰分析

握力（右）を従属変数とした分析:
1. Regression → Linear Regression
2. Dependent Variable: 握力右
3. Covariates: 年齢, 筋量率, 下腿周径右
4. Model Terms: Main effects のみ
5. Statistics:
   ✓ Regression coefficients estimates
   ✓ Model fit
   ✓ R squared change
6. Plots:
   ✓ Residuals vs predicted
   ✓ Q-Q plot of residuals
7. 実行

期待される結果:

4. JASPでのMultiple Imputation {#multiple-imputation}

ステップ1: 欠損値補完の設定

重要: JASPのバージョン0.16以降で利用可能

操作手順:
1. Data → Missing Values → Multiple Imputation
2. Variables欄に補完対象変数を移動:
   - リアクタンス右
   - リアクタンス左  
   - 筋量率
   - 体脂肪率
3. Predictors欄に予測変数を移動:
   - 年齢, 性別, 身長, 体重, 握力右, 握力左
4. Settings:
   - Number of imputations: 5
   - Maximum iterations: 20
   - Random seed: 2024 (再現性のため)
5. Method: PMM (Predictive Mean Matching)
6. 実行

ステップ2: 補完結果の確認

補完品質チェック:
1. Diagnostic plots:
   ✓ Trace plots (収束性確認)
   ✓ Density plots (分布確認)
2. Imputed values:
   ✓ Show imputed values
   ✓ Compare distributions
3. 補完値が妥当な範囲内にあることを確認

補完値の妥当性確認:

ステップ3: 補完データでの分析

補完データでの重回帰分析:
1. Regression → Linear Regression (MI)
2. 同じ設定でComplete Case分析と同様に実行
3. Multiple Imputation results:
   ✓ Pooled estimates
   ✓ Between-imputation variance
   ✓ Total variance
4. 実行

期待される結果（Multiple Imputation, n=45）:

5. 結果の比較と解釈 {#結果比較}

ステップ1: 結果の並列比較

比較表の作成:

指標 Complete Case (n=44) Multiple Imputation (n=45) 差異 評価
握力右-年齢相関 r = -0.628*** r = -0.622*** 0.006 極小
握力右-筋量率相関 r = 0.555*** r = 0.542*** 0.013 極小
調整R² 0.592 0.585 0.007 極小
握力右平均 18.52±5.85 18.40±5.80 0.12 極小

ステップ2: 統計的有意差の確認

効果量の計算（Cohen's d）:
d = (平均1 - 平均2) / 統合標準偏差

握力右の場合:
d = (18.52 - 18.40) / 5.83 = 0.021
→ Cohen's d < 0.2 = 効果量極小

ステップ3: 感度分析の判定基準

結果が頑健と判断する基準:

  1. 回帰係数の差: < 0.05（5%未満）
  2. 統計的有意性: 同じ有意水準を維持
  3. 効果量: Cohen's d < 0.2
  4. 信頼区間: 重複している

大宜味村研究の評価:

6. 報告書への記載方法 {#報告方法}

方法の章での記載例

## 統計解析
欠損値処理は以下の2つの手法を用いて感度分析を実施した：

1. **Complete Case Analysis**: 全ての主要変数に有効値を持つ44名を対象
2. **Multiple Imputation**: Predictive Mean Matching法による5回補完（n=45）

重回帰分析はJASP 0.18.3を用いて実行し、従属変数に対する独立変数の
影響を評価した。感度分析により、欠損値処理方法による結果の頑健性を
確認した。有意水準は5%とした。

結果の章での記載例

## 感度分析結果
Complete Case Analysis（n=44）とMultiple Imputation Analysis（n=45）の
比較により、欠損値処理方法の違いが結果に与える影響を評価した。

握力（右）に対する重回帰分析では：
- 年齢の回帰係数: r = -0.628 vs -0.622（差異: 0.006）
- 筋量率の回帰係数: r = 0.555 vs 0.542（差異: 0.013）
- 調整決定係数: 0.592 vs 0.585（差異: 0.007）

全ての主要な関連で差異は5%未満であり、統計的有意性も一致した
（全てp < 0.001）。これにより、研究結果は欠損データの影響を
受けておらず、統計的推論の頑健性が確認された。

限界の章での記載例

## 研究の限界
主要変数の欠損率は2.2%以下と極めて低く、欠損パターンはMCAR
（Missing Completely At Random）と考えられるため、結果への
影響は最小限と判断される。ただし、欠損メカニズムの完全な
検証は困難であり、この点を研究の限界として認識する必要がある。

7. チェックリスト

分析前チェック

分析中チェック

分析後チェック

報告書チェック

この手順に従うことで、JASPを用いた厳密な感度分析が実施でき、研究結果の頑健性を科学的に証明できます。大宜味村研究では、この感度分析により結果の信頼性が大幅に向上し、学術的価値の高い研究として評価されることが期待されます。