オッズ比とは：リスク比が使えない前提とその理由

オッズ比はなぜ必要か。リスク比が使えなくなる研究デザインという前提から出発し、オッズ比の計算・解釈と、「何倍発症しやすい」と読める前提が崩れるとき解釈がどうズレるかを扱います。

できるようになること

• オッズとオッズ比の定義を理解し、2×2表から計算できる
• オッズ比がリスク比と異なる場面で必要となる理由を説明できる
• ファイ係数とクラメールのVを使い、クロス表の関連の強さを計算・解釈できる
• オッズ比を「何倍発症しやすい」と読める前提（まれな疾患の仮定）を理解し、前提が崩れたとき解釈がどれだけズレるかを数値で確認できる

リスク比が計算できない研究がある

ある病気の原因を調べるために、すでに発症した患者200人と、発症していない健常者200人を集めて、過去の喫煙歴を調べたとします。

この研究で「喫煙者が発症するリスク（確率）」を計算しようとすると、180 / 300 = 0.60 となります。しかし、この0.60をそのまま発症リスクとして解釈するのは適切ではありません。なぜなら、患者と健常者をあらかじめ200人ずつ集めたからです。列の合計（発症あり = 200、発症なし = 200）は研究者が決めた数であり、現実の集団における発症割合（有病率）を反映していません。

このような研究デザインを症例対照研究（case-control study）と呼びます。症例対照研究では、研究者が発症の有無によってグループを作るため、行方向で計算する「喫煙者の発症リスク」は歪んでしまいます。

2つのグループのリスク（確率）の比をリスク比（risk ratio）と呼びます。たとえば、喫煙者の発症リスクが0.60、非喫煙者が0.20なら、リスク比は $0.60 / 0.20 = 3.0$（喫煙者は非喫煙者の3倍発症しやすい）です。しかし症例対照研究では元のリスクが正しくないため、リスク比も正しく計算できません。

ここで起きていることを一般化しておきましょう。リスク比という指標は、「行方向の割合が現実の発症リスクを反映している」という前提の上に成り立っています。症例対照研究はこの前提を満たさない標本の作り方をしているため、リスク比の計算式に数字を入れることはできても、出てきた値に意味がありません。指標が使えるかどうかは計算できるかどうかではなく、前提が満たされているかで決まります。

ではこのようなデータから、喫煙と発症の関連の強さを測るにはどうすればよいでしょうか。リスク（確率）の代わりに、「起きない場合に対する起きる場合の比」という別の尺度を使えば、この問題を回避できます。それがオッズです。

オッズとは

ある事象が起きる確率と起きない確率の比を考えます。起きる確率を $p$（$0 \leq p < 1$）とすると、オッズ（odds）は次のように定義されます。

$\text{オッズ} = \frac{p}{1 - p}$

オッズは「起きない確率に対する、起きる確率の比」です。

確率が0.5のときオッズは1、確率が高いほどオッズは大きくなり、確率が低いほどオッズは0に近づきます。オッズは0以上の値をとり、上限はありません（$p = 1$ のとき分母が0になるためオッズは定義できません）。

オッズ比の計算

2×2のクロス表で、2つのグループのオッズを比較したものがオッズ比（odds ratio, OR）です。

先ほどの喫煙と発症のデータに戻りましょう。

グループ内での発症確率を $p$ とすると、オッズは $p/(1-p)$ ですが、$p = a/(a+b)$ を代入すると $\frac{a/(a+b)}{b/(a+b)} = a/b$ となり、分母の合計人数が打ち消されて単純な人数の比になります。

喫煙ありの発症オッズ：$a / b = 180 / 120 = 1.5$

喫煙なしの発症オッズ：$c / d = 20 / 80 = 0.25$

オッズ比はこの2つのオッズの比です。

$OR = \frac{a / b}{c / d} = \frac{ad}{bc} = \frac{180 \times 80}{120 \times 20} = \frac{14400}{2400} = 6.0$

オッズ比が高いほど、何が言えるのか

オッズ比の値は、まず次のように読みます。

先ほどの例では $OR = 6.0$ でした。ここで多くの人が「喫煙者は非喫煙者より6倍発症しやすい」と読みたくなります。しかし、正確な意味は「喫煙者の発症オッズは非喫煙者の6倍」であり、「6倍発症しやすい（リスクが6倍）」はリスク比の読み方です。

では、この2つの読みはどれくらいズレるのでしょうか。それは前提次第です。

「何倍発症しやすい」と読める前提：まれな疾患の仮定

発症率が低いとき、$p$ が小さいので $p/(1-p) \approx p$、つまりオッズ ≈ リスクとなり、オッズ比 ≈ リスク比が成り立ちます。これをまれな疾患の仮定（rare disease assumption）と呼びます。この前提の下でだけ、$OR = 6.0$ を「約6倍発症しやすい」と読み替えることが許されます。

前提が崩れると、解釈はどれだけズレるか

前提が崩れたときに何が起きるかを、数値で確認しましょう。オッズ比を $OR = 6.0$ に固定したまま、非曝露群の発症リスク $p_0$（ベースラインの発症率）を動かすと、リスク比は次のように変化します。

（各行は、非曝露群のオッズ $p_0/(1-p_0)$ を6倍して曝露群のオッズを求め、リスクに戻して計算したものです。）

発症率1%なら「6倍」と「5.7倍」でほぼ同じ読みができます。しかし発症率が40%の事象では、同じ $OR = 6.0$ でもリスク比は2.0倍にすぎません。オッズ比の数値そのものは何も変わっていないのに、「何倍発症しやすいか」という解釈だけが3倍近くズレるのです。

なぜオッズ比が必要か

オッズ比の最大の利点は、研究デザインによらず計算できることです。

症例対照研究では行方向のリスク（発症の確率）が現実の有病率を反映しないため、リスク比は無効です。しかし、オッズ比には対称性という重要な性質があります。行と列を入れ替えても同じ値になるのです。

行方向で計算した場合（喫煙者 vs 非喫煙者の発症オッズ比）：

$OR = \frac{180/120}{20/80} = \frac{1.5}{0.25} = 6.0$

列方向で計算した場合（発症者 vs 非発症者の喫煙オッズ比）：

$OR = \frac{180/20}{120/80} = \frac{9.0}{1.5} = 6.0$

途中式は全く異なりますが、どちらも同じ $ad/bc = 6.0$ になります。リスク比にはこの性質がないため、症例対照研究ではオッズ比が唯一の選択肢になります。

オッズ比の利点と弱点

オッズ比には研究デザインに依存しない点のほかにも利点があります。対称性（行と列を入れ替えても同じ値）があること、そして対数をとると $\log(OR)$ が正規分布に近づきやすいため、信頼区間の構成やメタ分析で扱いやすいことです。

一方で弱点もあります。最も大きいのは、直感的にわかりにくいことです。リスク比が「A群はB群の何倍発症しやすい」と読めるのに対し、オッズ比の「オッズが何倍」は一般の人に伝わりにくい面があります。また、発症率が高い場合はリスク比と乖離します。たとえば $OR = 6.0$ でも実際のリスク比はそれより小さいことがあり、リスクを過大に見積もる恐れがあります。さらに、$a, b, c, d$ のいずれかが0のセルがあると計算不能になります（実務では0.5を加えるホールデーン補正が使われることがあります）。

オッズ比の信頼区間

「利点と弱点」で触れたとおり、$\log(OR)$ は正規分布で近似しやすい性質があります。この性質を使うと、オッズ比の95%信頼区間を次の手順で構成できます。

標準誤差は各セルの度数から求めます。

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

先ほどの喫煙データ（$a=180, b=120, c=20, d=80$）では、

$SE = \sqrt{\frac{1}{180} + \frac{1}{120} + \frac{1}{20} + \frac{1}{80}} = \sqrt{0.0764} \approx 0.276$

$\log(6.0) \approx 1.792$ なので、対数スケールでの95%信頼区間は

$1.792 \pm 1.96 \times 0.276 = (1.250,\ 2.334)$

これを指数関数で元のスケールに戻すと、

$OR\text{の95\%信頼区間} \approx (3.5,\ 10.3)$

となります。区間が1をまたいでいないため、5%水準で「関連なし（$OR=1$）」とは言えない、という判断ができます。

ロジスティック回帰との関係

オッズ比は、より進んだ手法であるロジスティック回帰と直結しています。ロジスティック回帰は、発症確率 $p$ をそのままではなく対数オッズ $\log\frac{p}{1-p}$ の形でモデル化します。

$\log\frac{p}{1-p} = \beta_0 + \beta_1 x$

説明変数 $x$ を喫煙あり=1、なし=0 とすると、係数 $\beta_1$ は「$x$ が1増えたときの対数オッズの増分」、すなわち $\log(OR)$ そのものです。したがって $e^{\beta_1}$ がオッズ比になります。

ロジスティック回帰の出力でオッズ比が報告されるのはこのためです。そして2×2表との違いは、複数の変数を同時に入れられること、つまり他の変数の影響を調整したオッズ比（調整オッズ比）が得られることです。「擬相関と偏相関」で学んだ交絡の問題に、オッズ比の世界で対処する道具がロジスティック回帰だと言えます。

クロス表全体の関連の強さ：連関指標

オッズ比は2×2表に特化した指標であり、行や列が3つ以上あるクロス表には対応していません。クロス表全体の関連の強さを0〜1の範囲で表す指標が連関指標です。

ファイ係数（$\phi$）

2×2表専用の指標で、カイ二乗統計量 $\chi^2$ と次の関係があります。

$\phi = \sqrt{\frac{\chi^2}{n}}$

$n$ は総度数です。$\phi$ は0以上1以下の値をとり、0は完全に独立、1は完全な関連を意味します。

先ほどの喫煙データで計算してみましょう。各セルの期待度数は「度数表と2元クロス表」で学んだように $E_{ij} = \text{行}i\text{の合計} \times \text{列}j\text{の合計} \mathbin{/} \text{総度数}$ で求めます。たとえば「喫煙あり × 発症あり」の期待度数は $300 \times 200 / 400 = 150$ です。

$\chi^2 = \frac{(180-150)^2}{150} + \frac{(120-150)^2}{150} + \frac{(20-50)^2}{50} + \frac{(80-50)^2}{50} = 6 + 6 + 18 + 18 = 48$

$\phi = \sqrt{\frac{48}{400}} = \sqrt{0.12} \approx 0.35$

$\phi \approx 0.35$ は中程度の関連を示しています。

クラメールのV

ファイ係数を、行数 $r$・列数 $c$ が大きいクロス表にも使えるよう一般化した指標がクラメールのV（Cramér's V）です。

$V = \sqrt{\frac{\chi^2}{n \cdot (k - 1)}}$

$k = \min(r, c)$ はクロス表の行数と列数の小さい方です。

2×2表では $k = 2$ なので $k - 1 = 1$ となり、$V = \phi$ に一致します。行や列が3つ以上のクロス表では、$k - 1$ で割ることで $V$ の上限が1に収まるよう調整されています。

まとめ

オッズは確率を $p/(1-p)$ の形で表したもので、オッズ比（$OR = ad/bc$）は2つのグループのオッズを比較する指標です。リスク比は「行方向の割合が現実のリスクを反映している」という前提を必要としますが、オッズ比は対称性のおかげでこの前提なしに計算でき、症例対照研究で唯一使える関連指標になります。

一方、オッズ比を「何倍発症しやすい」と読み替えるには、まれな疾患の仮定という別の前提が必要です。前提が満たされないとき、同じ $OR = 6.0$ でも実際のリスク比は2倍程度まで縮むことがあります。指標の値は前提とセットで初めて意味を持ちます。

$\log(OR)$ の正規近似を使えば信頼区間が構成でき、ロジスティック回帰の係数は $\log(OR)$ そのものです。オッズ比はクロス表の入門的な指標であると同時に、多変量解析への入口でもあります。

クロス表全体の関連の強さを0〜1で測るには、2×2表ではファイ係数、行や列が3つ以上のクロス表ではクラメールのVを使います。カイ二乗統計量は標本サイズの影響を受けるため、関連の有意性と強さは区別して評価することが重要です。