【単回帰分析とは？】リハビリの現場にも役立つ、1対1の関係を見抜く統計手法

「〇〇が増えると、△△も増える」ってホント？
臨床の中で、こんなことを思ったことありませんか？

「バランススコアが高い人は、やっぱり歩行速度も速い気がする…」
「年齢が上がると、握力は落ちるのかな？」
「自主トレの回数が多いほど、退院時のADLが良いかも！」
こういった、「AとBに関係があるかもしれない…」をデータで確かめる方法のひとつが単回帰分析（たんかいきぶんせき）です。

単回帰分析ってどんなもの？
すごく簡単に言うと、
「Aが変わったら、Bはどれくらい変わるのか？」を一本の直線で表す分析です。

例えば：

バランススコア（点数）が1点上がると、
歩行速度（m/秒）が0.02m/秒速くなる！
みたいな感じで、「1の変化に対して、どれくらい変わるか？」を数式で示せます。

実際の数式はどうなる？
数学っぽく書くと、こんな形です。

Y = a + bX

Y：結果（予測したいもの）＝ 例：歩行速度
X：説明変数（影響を与える側）＝ 例：バランススコア
a：切片（Xが0のときのYの値）
b：傾き（Xが1増えるとYがどれだけ増えるか）
この「bの値」が分析のキモ。
これが0より大きければ、「Xが増えるとYも増える」という関係があります。

相関とどう違うの？
よく混ざりがちなのが「相関係数（r）」との違い。

相関係数は「関係の強さ」を表す（-1〜1）だけ。
単回帰は「どれくらい変わるか」を数値で出す。
つまり、相関はざっくり、回帰は具体的って覚えるといいかもしれません。

どんなときに使える？
臨床でよくある使い方は…

「年齢と握力の関係を調べたい」
「評価スコアと退院時のADLに関係があるか見たい」
「介入回数と改善量の関係を示したい」
基本は「1対1の関係」が気になるとき。
複数の要因が絡むときは重回帰分析になります。

注意したいポイント
単回帰分析を使うときには、いくつか前提があります：

• 直線関係があるかどうか（カーブではダメ）
• 外れ値に弱い（極端なデータに引っ張られる）
• 因果関係は言えない（関連がある＝原因とは限らない）

だから、「この結果だけで断定しない」ことも大切です。

まとめ
単回帰分析は、臨床のちょっとした「気づき」をデータで確かめる力強いツールです。

「関係ありそう」→「どれくらい関係してる？」を数値化できる
相関よりも一歩進んだ分析ができる
データが1対1の関係なら、意外と簡単に使える！
データに少しずつ慣れていく第一歩に、ぜひ活用してみてください。

サンプルサイズの決め方：感覚で決めていませんか？

「とりあえず20人でいけそう…？」

臨床研究を始めようとすると、よくこんな会話が出てきます。

「この前の研究では30人だったから、今回もそれくらいで…」
「忙しいし、20人集めるだけでも大変でしょ？」

気持ちはわかります。ですが、「なんとなく」で決めたサンプルサイズは、せっかくの研究をムダにしてしまうかもしれません。

なぜサンプルサイズを決めるのが重要なのか？

研究には、「本当は効果があるのに、見逃してしまう（第2種の過誤）」というリスクがあります。
これは、検出力（power）が低いことに起因します。

サンプルサイズをしっかり決めておかないと、
✔ 効果があるのに「有意差なし」と結論づけてしまう
✔ 信頼区間が広すぎて、解釈があいまいになる
✔ 後から「結局何が言いたかったの？」となる
といったことになりかねません。

サンプルサイズを左右する4つの要素

サンプルサイズの計算には、主に以下の要素が関わってきます。

要素	意味	説明
効果量（Effect size）	どれくらいの差・関係を検出したいか	例：平均の差、割合の差、相関の強さなど
有意水準（α）	偽陽性をどれだけ許容するか	よく使われるのは5%（0.05）
検出力（Power）	真の効果を検出できる確率	通常は80%以上を目標とする
標準偏差や分散	データのばらつき	データがばらつくほど、必要な人数は増える

じゃあ、何人必要になるの？

具体的な例を見てみましょう。
たとえば、あるバランステストのスコア（0〜100点）が、
・転倒者で平均60点、非転倒者で平均70点
・標準偏差は10点
としましょう。

この場合、「平均の差が10点」「標準偏差が10点」なので、効果量（Cohen's d）は1.0と計算できます。

このような比較では、

• 有意水準：0.05

• 検出力：0.8

とすると、片側検定で約17名ずつ必要になります（EZRなどのツールで計算）。

大数の法則・中心極限定理とも関係がある？

はい、実は深い関係があります。

▶ 大数の法則

サンプル数が増えるほど、「平均」などの統計量は母集団の値に近づいていきます。つまり、サンプル数が少ないとブレやすいということ。

▶ 中心極限定理

サンプル数が十分にあれば、平均の分布は正規分布に近づくという性質。これがあるからこそ、t検定やANOVAといった手法が「だいたい大丈夫」になるのです。

つまり、ある程度のサンプル数がないと、統計の前提が崩れてしまうこともあるんですね。

最後に：計画の初期段階で相談を！

サンプルサイズは、「データを集め始める前」に決めておくのが鉄則です。
✔ 目的に合った効果量はどれくらい？
✔ データのばらつきは？
✔ どれだけの精度で答えがほしい？

これらをもとに、相談できる人がいれば早めに頼るのが成功のカギになります。

📌 まとめ

• サンプルサイズは感覚で決めない

• 効果量・検出力・ばらつきが重要

• 統計的な前提（大数の法則・中心極限定理）とも関係あり

• 計画段階でしっかり設計することが、良い研究につながる！

中心極限定理：なぜデータは正規分布に近づくのか？

統計学を学ぶ上で、「中心極限定理（Central Limit Theorem, CLT）」は避けて通れない概念です。実は、この定理のおかげで、サンプルサイズが増えるとデータが正規分布に近づくという現象が起こります。しかし、なぜそんなことが起こるのでしょうか？

今回は、例を交えながら「なぜデータは正規分布に近づくのか？」を解説していきます。

1. 中心極限定理とは？

中心極限定理とは、「ある分布（母集団分布）から無作為にサンプルを多数回抽出し、その平均値を求めていくと、その平均値の分布は正規分布に近づく」という法則です。

どんな分布からデータを取ってきても、サンプルサイズが十分大きければ、その平均値の分布は正規分布に近づくというのがポイントです。

これがなぜ重要なのかというと、多くの統計手法（t検定や回帰分析など）は正規分布を前提にしているものが多いため、どんなデータでも「平均値の分布」を使えば統計解析ができるという強力な武器になるからです。

2. 具体例：理学療法士の歩行速度測定

例えば、理学療法士が患者の歩行速度を測定したとしましょう。

• 母集団：病院に通う患者全員

• 測定値：1人の患者が1秒間に歩く距離（m/s）

• 分布：患者の歩行速度は個人差が大きく、偏った分布になる可能性がある

この場合、もし1人のデータだけを見ても、その値が母集団全体の傾向を反映しているとは言えません。

そこで、毎回10人の患者を無作為に選び、その平均歩行速度を計算するという作業を100回繰り返したとします。すると、個々の患者の歩行速度は偏っていても、10人分の平均値の分布は正規分布に近づくのです。

つまり、サンプルサイズが増えることで、データのバラつきが減り、全体の傾向を正確に把握できるようになるのです。

3. 中心極限定理が成り立つ理由

なぜこのようなことが起こるのでしょうか？

実は、個々のデータがどんな分布を持っていても、サンプルサイズを増やすと、

1. 偏ったデータが相殺される

2. 大きすぎる値や小さすぎる値の影響が小さくなる

3. 確率的な法則に従い、平均値は特定の範囲に収束する

という性質が働くため、結果的に正規分布の形に近づいていきます。

数学的には、中心極限定理は「大数の法則」とも関連しています。これは、「試行回数が増えると、観測された平均値は真の母集団の平均値に近づく」という考え方です。

4. サンプルサイズの重要性

ここで重要なのは、「サンプルサイズが小さいと、正規分布に近づかない可能性がある」ということです。

例えば、理学療法の研究で転倒リスクのある患者のバランス能力を評価するとき、

• サンプルサイズが5人の場合 → 偏ったデータになる可能性が高い

• サンプルサイズが50人の場合 → データのバラつきが減り、より正確な分析ができる

• サンプルサイズが100人以上の場合 → 平均値の分布がほぼ正規分布になる

このように、サンプルサイズを適切に設定することは、研究の信頼性を高めるうえで非常に重要です。

5. まとめ

中心極限定理は、「どんな分布のデータであっても、サンプルサイズを増やせば、その平均値の分布は正規分布に近づく」という法則です。

これを理解すると、

• ✅ 小さいサンプルサイズでは誤った結論を導くリスクがあることがわかる
• ✅ サンプルサイズを増やせば、データのバラつきを抑え、より正確な分析ができる
• ✅ 多くの統計手法が正規分布を前提としている理由が理解できる

実務では、

• 臨床研究 では適切なサンプルサイズを確保する

• 理学療法の評価 では十分なデータを集めて傾向を分析する

• 転倒リスク評価 では複数回の測定を行い、安定したデータを取る

といった形で活用できます。

次回は「サンプルサイズがどの程度あれば十分なのか？」について詳しく解説していきます！

大数の法則：サンプル数が増えるとどうなる？

統計学の世界には「サンプル数が増えるとデータの性質が変わる」ことを説明する重要な法則があります。それが 大数の法則（Law of Large Numbers） です。

今回の記事では、「なぜサンプルサイズを大きくすることが重要なのか？」という視点から、大数の法則についてわかりやすく解説します。

大数の法則とは？

簡単にいうと、「試行回数（サンプル数）が増えると、平均値が理論値（母平均）に近づいていく」という法則です。

例えば、コインを投げる実験を考えてみましょう。

• コインを1回投げると「表」または「裏」が出ますが、どちらも50%とは限りません。
• 10回投げると、例えば「表6回・裏4回」になるかもしれません。
• 1000回投げると、「表500回・裏500回」に近づいていきます。

このように 試行回数が増えるほど、結果が理論上の確率（この場合50%）に近づく ことが大数の法則の特徴です。

なぜ大数の法則が重要なのか？

研究やデータ分析の現場では、「少ないデータに振り回される」ことがよくあります。例えば、ある健康食品がダイエットに効果があるかを調べる場合：

• サンプル数10人 では、「たまたま痩せた人」が多くて効果があるように見えるかもしれません。
• サンプル数1000人 では、偶然の影響が小さくなり、実際の効果により近い結果が得られます。

つまり、大数の法則があるからこそ、サンプルサイズを適切に設定することが重要になるのです。

大数の法則とサンプルサイズの関係

大数の法則は「サンプルサイズが増えると安定する」ことを保証しますが、以下の点には注意が必要です。

1. 「必ず母平均と一致する」とは限らない
   サンプル数を増やしても、偏ったデータを集めてしまうと正確な結果にはなりません。

2. すべての統計指標に当てはまるわけではない
   平均値には適用できますが、標準偏差などの他の指標では異なる法則（中心極限定理など）が関係してきます。

まとめ：実務での活用ポイント

• 少ないサンプルでは結果が不安定になりやすい
• サンプル数が増えると、より正確な結論が得られる
• 研究や調査では適切なサンプルサイズを確保することが大切

次回は「中心極限定理：なぜデータは正規分布に近づくのか？」について解説します！

大数の法則を理解して、より信頼できるデータ分析を目指しましょう！

なぜサンプルサイズを決めるのが重要なのか？

「データをたくさん集めれば正確になるのは分かるけど、どれくらい集めればいいの？」「人数が少なくても研究できるなら、その方がラクじゃない？」研究やデータ分析をするとき、こんな疑問を持つことはありませんか？

実は、サンプルサイズ（データの数）を適切に決めることは、研究の信頼性を左右するとても重要ポイントになります！

この記事では、「なぜサンプルサイズを決めることが大事なのか？」を、例を使って解説します。

1. サンプルサイズが足りないと…？

まず、データが少なすぎるとどうなるのか？たとえば、「転倒予防サプリが本当に効果があるのか？」を調べる研究をするとしましょう。4人の被験者に試してみて、こんな結果になったとします。

グループ	転倒した人	転倒しなかった人
サプリあり	1人	1人
サプリなし	1人	1人

…これだけでは「サプリの効果がある」とも「ない」とも言えませんよね？
サンプル数（人数）が少ないと、たまたま起きた偶然の結果を見てしまうリスクが高まります。

つまり、サンプルサイズが少なすぎると、信頼できる結論が出せない のです。

2. サンプルサイズが多すぎてもダメ？

「じゃあ、とにかくデータをたくさん集めればいいの？」
そう思うかもしれませんが、それもまた問題があります。

例えば、1,000人分のデータを集めるには、時間もお金もかかります。

• 被験者へのアンケートや検査のコスト
• 研究にかかる時間
• データ管理の手間
• 被験者への負担

「できるだけ少ない人数で、でも信頼できる結論を出したい！」
これが研究者の理想です。

だからこそ、「適切なサンプルサイズを決める」ことが大切になります。

3. サンプルサイズの決め方のポイント

では、どうやって適切なサンプルサイズを決めればいいのか？

① どのくらいの精度で結果を知りたいか？

研究では「誤差（ブレ）」をできるだけ小さくしたいと考えます。
サンプルサイズが大きいほど、データのブレは少なくなります。

例えば、ある新しい検査法の結果が「95%信頼区間 20～30点」だった場合と、「95%信頼区間 24～26点」だった場合。
後者の方が精度が高い（ブレが少ない）といえます。

② どれくらいの違いを検出したいか？

例えば、転倒予防サプリの研究で、「サプリあり vs なし」の転倒割合の差が1%なのか 10%なのかで、必要なサンプルサイズは変わります。
小さい違いを見つけたいなら、大きなサンプルサイズが必要になります。

③ どのくらいの確率で本当の効果を見抜きたいか？（検出力）

これは「統計的検出力」という考え方になります。
サンプル数が少なすぎると、本当は効果があるのに「効果なし」と判断してしまう ことがあります。

適切なサンプルサイズを決めることで、このリスクを減らすことができます。

4. 実際にどれくらい集めればいいの？

サンプルサイズの計算には統計的な方法がありますが、ざっくりと考えるなら…

• 少なくとも 30人以上 はほしい（統計の理論上、データのばらつきが落ち着きやすい）
•  50～100人くらい集めれば、かなり安定したデータになる
• もっと小さな違いを調べたいなら、200～300人必要

具体的な計算方法を使う場合は、「許容できる誤差」や「効果の大きさ（リスク比や平均値の差）」をもとに計算します。

5. まとめ

• サンプルサイズが少なすぎる と、偶然のブレが大きくなり、信頼できる結果が出ない
•  サンプルサイズが多すぎる と、時間・コストの無駄が発生する
• 「適切なサンプルサイズ」を決めることで、効率的かつ信頼性の高い研究ができる
• 必要なサンプルサイズは、「精度・効果の大きさ・検出力」 を考慮して決める

次回は、「大数の法則：サンプル数が増えるとどうなる？」について解説致します！

Instagramも是非、フォローお願いします🙇

https://www.instagram.com/pt_niijima?igsh=MWJkOGE4bWtlaWJoZA==