臨床試験（治験）では、必ず統計解析担当者が試験を実施するメンバーに入ります。

治験は、大きく分けて３つ。

第I相試験、第II相試験、第III相試験です。

それぞれ３つの試験ごとに、試験の目的も変わりますし、統計解析担当者が考えていることも変わります。

ですが、共通して考えていることは、バイアスの回避です。

バイアスの回避のために必ず行うことが、SAP（解析計画書）の作成ですね。

この記事では、なぜ臨床試験（治験）で統計が必要なのか、そしてSAPが必要なのか。

３種類ある臨床試験それぞれで統計解析担当者が何を考えているのか。

さらにはバイアスの回避ということを考えてみます。

SAP（統計解析計画書）は臨床試験（治験）で必要？

医薬品開発で統計が果たす５つの役割をまとめてみます。

治験での統計の役割1： 結果を要約するということ

個別データを十分に吟味することも重要ですが、最終的に個別データを報告することはできません。

何らかの形でデータの要約を実施しないことには、たくさんのノイズからシグナルを発見することが困難です。

そのため、平均値や分散などがデータを要約するのに用いられます。

治験での統計の役割2： 結果を判断する材料の提供

データを要約するだけでもある程度の結果を判断することが出来ます。

ですが、ヒストグラム、箱ひげ図、散布図などのグラフを作成することでも様々な情報が得られます。

さらに、検定や95%信頼区間を計算することが、論文などで結果を記述するために必要になります。

治験での統計の役割3：結果の一般化と言い過ぎの防止

試験から、何かしらの傾向があったとします。

しかしながら、この傾向はたまたまの偶然によって生じたものかもしれません。

そのため、得られた結果が偶然の範囲内なのか、それとも偶然を超えた意味ある変動かを判断する必要があります。

治験での統計の役割4：客観化、標準化

臨床試験に関して、研究者の主観に依存して、結果の評価や結論が異なるのは困ります。

そのため、何らかの形で客観的な評価を行う必要があります。

統計は、計算さえ間違わなければ、誰でも同じ結果が得られます。

治験での統計の役割5：科学的で効率的な実験の構成

統計学は、データが出た後で使うものだと考えている人が多いかもしれませんが、これは認識の誤りです。

本当は、データを取る前のほうが重要な役割を果たします。

試験のデザインをどのように組むことが効率的で、何例の患者さんが試験に入ればよいかを決定するうえで、統計学的な考慮は重要になります。

このように、臨床試験において統計学は非常に重要な役割を果たします。

治験で統計が一番必要な場面

統計学の役割として一番大きいのは、結果の一般化と言い過ぎの防止だと思っています。

私も仕事柄、さまさまな試験を担当し、様々なデータを取り扱ってきました。

その中には、主要な解析で結果が良くないものもしばしば含まれます。

そんな時、周りの方が絶対言うのが「効いているところを探してくれ」ということです。

統計学的には、上記のようなことはナンセンスです。

たくさんある検査項目の中で、やみくもにデータをいじくりまわしてあるところに効きそうな結果が出ても、それは偶然の要素が大きいということです。

これは、結果だけでなくその薬剤の特徴や試験に入った患者さんの特性などを考慮して慎重に扱うべきです。

まるで宝を探し当てたかのように大騒ぎになることがありますが、何のことはない、偶然です。

それを理論的に制するのが臨床試験の統計担当者にとって、一番苦労する仕事かもしれません。

臨床試験の第I相試験での統計学の役割

第I相試験でも統計解析担当者がメンバーに入りますが、実はデザイン段階では統計解析担当者が担う部分は少ないです。

というのも、第I相試験は人での薬物濃度や安全性をざっくりと確認する試験だからです。

非臨床（動物実験）での薬物動態（PK）データ薬力学（PD）データを踏まえ、用量を決めることが試験を始める段階で一番重要です。

そのため第I相試験では、統計担当者ではなく薬理担当者の出番が多いです。

症例数に関しても、通常は１アームに対して、プラセボ群2例と実薬群6例などのダブルブラインド試験にすることが多いです。（抗がん剤以外の薬剤の場合です。抗がん剤の試験ではこの限りではありません。）

この症例数は統計学的仮説に基づくものではなく「薬物動態と安全性を探索的に検討するのに必要な例数」という決まり文句で決定されます。

そのため第I相試験では、症例数に関して検討することは比較的少ないです。

第I相試験の症例数はいつも、プラセボ群２例、実薬群６例か？

製薬企業としては、承認申請に耐えうるデータを取りつつも、試験を早く安価に実施したい、という思いがあります。

これは営利企業では当たり前の姿勢ですし、安価に開発することができれば、その分発売した時の価格を低くできるので、社会にとっても有意義です。

実は、薬の開発で一番お金がかかるのが、臨床試験に入る症例数の人数です。

本当に、何千万円単位で費用がかかります。。

そのため、治験の費用を抑えるために一番手っ取り早いのが、症例数を少なくすることです。

以上の理由から、私も過去には「プラセボ群2例、実薬群6例」よりも少なく出来ないか？という相談を受けた経験が何度もあります。

しかし、第I相試験の症例数は、統計学的な計算に基づいた症例数でないため、統計的な観点からアドバイスできることは限られています。

ですが、第I相試験では薬物動態と安全性が検討出来ればよいため、もし薬物動態のバラツキが個体間で小さいような場合には、もう少し症例数を少なくするという選択肢も可能かもしれません。

このような疑問があった場合には、統計解析担当者や薬理担当者に相談してみることが良いです。

第I相試験での統計担当者の重要ポイント：ブラインド項目があるかどうかだけは確認しよう

ブラインド項目という言葉を知っていますか？

通常は1アームに対して、プラセボ群2例と実薬群6例のダブルブラインド試験にすることが多いと書きました。
では、Key情報（薬剤群の情報）をブラインドにするだけ十分でしょうか？

実は、もうちょっと検討しなければなりません。

というのも、薬剤の作用機序上、通常の検査でその人がどの薬剤群かどうかがばれてしまうことがあります。

例えば、糖尿病薬として2014年に販売された、SGLT2阻害剤という薬を考えてみましょう。

この薬剤の作用機序としては、腎臓での糖の再吸収を阻害し、尿と一緒に排出するすることで、血中の糖を下げてしまうという薬です。

そのため、尿中の糖の検査をリアルタイムで実施すると、必ず誰が実薬群であるかが分かってしまうのです。

このように、直接の薬剤情報ではなくても、何かしら検査を行った場合にその人がどっちの群かどうかがわかってしまう項目があります。

これは、ブラインド試験であった場合に、試験が終わるまで試験の実施者には開示しない方が良いですよね。

これをブラインド項目、と呼びます。

なぜブラインド項目が重要かというと、ブラインド項目の情報を知った時に薬剤群の情報が知られてしまい、試験結果にバイアスが入る恐れがあるからです。

だから、ブラインド項目がないかを事前に確認する必要があります。

試験実施後の統計解析担当者の役割

試験実施後には、とにかく集計です。

集計とは、要約統計量を算出するということです。

要約統計量として何を出力するかはまた悩ましいところですが、N、平均、SD、中央値、最小値、最大値、が出ていれば第I相試験としては問題ありません。

あらゆる検査項目に対して、上記の項目を出力するような集計を実施します。

また、第I相試験での症例数ぐらいであれば、データの一覧表を眺めることも重要になります。

100人や1000人の試験を一覧表で確認することは難しい（というか不可能）ですが、1群6例であれば、気になるデータを一つ一つ確認することも重要です。

そのために、散布図や個別推移図（スパゲティプロット）を作成して確認することも有意義です。

CSR作成では、統計担当者は結果を言いすぎていないか？をチェック

臨床試験を実施後は、必ず試験報告書（CSR；Clinical Study Report）を作成しなければいけません。

その際に確認することは大きく２つです。

• 集計が適切に反映されているか
• 結論が飛躍していないか

「1群6例の試験で決定的なことは何も言えない」というスタンスを常に持ち、結果に対する言い過ぎがないかを確認していくことが重要になります。

臨床試験の第II相試験での統計学の役割：SAP（統計解析計画書）作成が必要

第II相試験からは、統計解析担当者の役割が大きくなります。

その理由は、第I相試験よりも試験デザインがより複雑になるためです。

試験のデザインが複雑になるということは、試験デザインに対して考えることができる自由度が高くなります。

そのため、科学的妥当、かつ、効率的に実施するにはどうすればよいか？ということも考えていく必要があります。

第II相試験を計画する段階で統計解析担当者が考えていること

第II相試験の計画段階で統計解析担当者が考えていることは、大きく分けて５つぐらいあります。

1. 症例数（サンプルサイズ）の設計
2. 検定の多重性の有無
3. 層別因子の有無
4. 中間解析の必要性
5. データの取り方

まず、試験の前に症例数を設計する必要があります。

第II相試験は検証的試験ではないため、αエラーやβエラーを厳密にコントロールする必要はありませんが、症例数は統計学的な仮説に基づいて設計することをお勧めします。

そして、第II相試験は用量反応性を確認することが多いため、群が多くなります。

その際に、統計的検定をそのまま実施すると、多重性の問題が生じてきます。

そのため、多重性をコントロールするにはどういう方法を取らなければならないかを決めておく必要があります。

次に、層別因子を検討します。

層別因子とは、主要評価項目に影響を及ぼすと考えられる、背景情報のことです。

この主要評価項目に影響を及ぼすと考えられる背景情報が群間で偏っていた場合には、結果が薬剤によってもたらされたものなのか、それとも背景情報の違いによってもたらされたものなのか、の区別がつかなくなるためです。

これを交絡バイアスと呼びます。

そして、中間解析を実施する必要性があるかかどうかも検討します。

現在は、臨床試験を効率的に実施するために様々な試験デザインが提案されてきています。

その最たるものが、中間解析を利用した試験です。

中間解析にはその性質によって、様々な用途として使うことが出来ます。

試験を早期に終了させたり、症例数をあとで追加する、といったことを検討することができます。

ただし、この中間解析に関しても、実施にはバイアスが入ってくるリスクが発生するため、実施にはリスクとベネフィットを天秤にかける必要があります。

そして、とても重要なのが、データをどう取るか？ということを考えることです。

試験の計画が決まれば、どのような結論に持っていきたいかということまで考えることが出来ます。

そして、その結論に持っていくにはどのようなデータを取る必要があるか？を考えることが出来るということです。

これが考えれれれば、あとはデータを取得するためのフォーム（CRF；Case Report Form）を設計していくことが可能になります。

CRFの設計は、ダイレクトにデータ解析の効率に関係していきますので、ぜひとも統計解析担当者と議論しながら作成したいところです。

第II相試験中の統計解析担当者の役割

第II相試験も、何か倫理的な問題がない限りダブルブラインド試験にすることが多いです。

また、統計学的な仮説に基づいた症例数ということは、試験後には統計的検定を実施することになります。

そのため、ブラインド下でデータを確認し、主要評価項目に対する解析は計画した通りで本当に大丈夫か？第I相試験では確認できなかった、主要評価項目に影響を及ぼすさらなる背景情報はないか？などを検討します。

これをブラインドレビューと呼びます。

そして、全てのデータが準備完了する前までに、解析計画書（SAP）を作成する必要があります。

解析計画書はブラインドレビューの結果を踏まえてデータの固定前、もしくは開鍵前前までに最終化する必要があります。

第II相試験後の統計解析担当者の役割

試験後には、解析計画書に準じて解析を実施することが重要です。

そして、解析計画書で計画した解析が一通り出そろったところで、この試験の結果を解釈するのに追加すべき解析はないか？を考えます。

解析計画書をデータの固定前、もしくは開鍵前前までに最終化するということは、そのあとに追加解析を実施してはいけないのではないか？という疑問もあるかもしれませんが、追加解析は許されています。

ただ、その結果の取り扱いには注意が必要です。

例えば、追加解析として検定をすることは許されません。

主要な結果はあくまでも事前に計画された結果しか主張することが出来ません。

その結果をサポートするための解析という位置づけであれば、追加解析が許されるということです。

臨床試験の第III相試験での統計解析担当者の役割：SAP（統計解析計画書）の作成が超重要

第III相試験の目的は、その薬剤が本当に有効性と安全性を両立している薬剤か、を検証することです。

有効性の検証には、統計学的検定が用いられます。

この検定の結果、P値が0.05未満であれば有効性が検証されたことになり、薬剤としては成立することになります。

もしP値が0.05を上回るようであれば、今までの努力が水の泡になってしまいます。

そのため、第III相試験前までに実施した試験のありとあらゆるデータを吟味したうえで、第III相試験を計画する必要があります。

そして、そのようなデータの解釈に強いのが統計解析担当者ですので、第III相試験ではその役割が重要になってきます。

第III相試験計画時の統計解析担当者の役割

試験計画時は、実は第II相試験とやることはあまり変わりません。

今までのデータを十分吟味して、計画するということです。

一つだけ違う点では、今度は承認申請を見据えた計画をする必要があるということです。

承認申請をするには、第III相試験で主要評価項目が検証されることが必要ですが、その他にも、その薬剤の安全性のための症例数が十分か？ということも重要になってきます。

例えば、慢性疾患（糖尿病や高血圧など）の領域では、１年間の実薬群の安全性データを１００例以上集めなさい、という決まりがあります。

また、承認された後の売り上げを考えた際に、追加しておきたい評価項目がないか、そしてその項目はどのようにデータを示す必要があるのか、といったことを考える必要があるのです。

第III相試験中の統計解析担当者の役割

これも第II相試験とやることはそれほど変わりません。

ただ、検証的な性質があるため、ブラインドレビューの重要性がより一層増すということは言うまでもありません。

ブラインドレビューでは色々なことを考える必要があります。

主要評価項目に影響を与える背景情報を探索することもそうですが、主要評価項目のバラツキは事前に考えていたものより大きくないか、欠測データをどう扱うか、解析対象集団をどうするか、そういったことも考える必要があるのです。

そしてデータ固定の前までには、統計解析計画書（SAP）を作成する必要があります。

第III相試験後の統計解析担当者の役割

これも、第II相試験と同じです。事前に定めた解析計画書に基づいて、解析を実施します。

そしてP値が0.05を見事に下回った場合には今度は申請が待っていますので、今までの試験データを統合した解析を実施する必要も出てきます。

この承認申請のための解析計画も事前時用意することが望ましいです。

というのも、競合が多い薬剤開発の中では、承認申請をいかに迅速に実施できるか、ということがカギになるからです。

SAPは臨床試験（治験）でいつでも必要？まとめ

統計解析担当者の役割は、試験の相によって異なってきます。

一般的には、I相＜II相＜III相の順に、その役割の大きさが大きくなっていきます。

特に第III相試験での統計の役割は、試験計画時から試験終了後まで多岐に渡ります。

いずれの試験にせよ、解析方法は統計解析担当者の協力なくして実施することは不可能です。

というのも、どの試験であっても重要なことは「バイアスを回避すること」です。

バイアスに関して一番精通しているのが統計解析担当者ですので、必ず試験前には相談しましょう。

そのためにも、より密な関係を気付いて、いつでも相談し合える関係になっておくことが重要です。

突然ですが、統計学は最終的に何を知りたいか、ということを意識したことはありますか？

私たちは目の前のデータを要約したり検定したりすることが目標なのでしょうか？

もちろん、そういった側面があるということも事実です。

ですが、それだけではありません。

統計学が最終的に目指しているゴールは、母集団と標本の関係を意識することで、わかりやすくなります。

今回の記事では、母集団と標本の関係に関して、その違いをわかりやすい例を用いて解説していきます。

母集団と標本の関係を、例を踏まえてわかりやすく解説！

統計を勉強していくと、必ず「母集団」という言葉に出会います。

実は、統計学の最終目標は、母集団を推定することにある、といっても過言ではありません。

この「最終目標」を理解するには、まずは母集団と標本という2つの用語を理解しなければなりません。

統計的な調査方法1：母集団を調査することの例

例えば、2016年における日本の小学6年生の身長と体重が知りたい、といった時に、どのように調べればよいでしょうか？

方法としては2つ考えられます。

1つは、2016年における日本の小学6年生全員の身長と体重を測定してしまうこと。

これが出来れば、全く問題なく2016年の小学6年生の身長と体重を知ることが出来ます。

そして、この2016年における日本の小学6年生全員のことを「母集団」と呼びます。

もっと一般化して言うと、「興味がある対象の、すべての人」が母集団ということになります。

繰り返します。

今回の例では、2016年の小学6年生の身長と体重が知りたい、ということでした。

なので、2016年の小学6年生が、興味ある対象ですよね。

だったら、興味ある対象である2016年の小学6年生全員が、母集団になります。

もう1つ違う例でいうと、2016年の日本の30歳の年収を知りたいとしたら、2016年の日本の30歳全員が母集団ということになります。

ここで1度、母集団の定義をまとめます。

なので、もし興味がある対象（今回の例では2016年の小学6年生）があれば、その母集団を調べれば興味ある対象のデータは確実ですよね。

これが、方法の1つ目です。

統計的な調査方法2：標本集団を調査して母集団を推定することの例

上述した通り、興味のある対象全ての人（母集団）を測定できれば一番良いのですが、それには限界があります。

なぜなら、データを取るのに費用や手間がかかるからです。

そのため、我々は日常、興味ある対象の一部を選出し、選出された人のデータを扱うことになります。

これが2つ目の方法です。

この興味ある対象の一部を「標本」と呼びます。

例えば、2016年における日本の小学6年生を対象とするなら、「2016年の東京都の小学6年生」が標本に当たります。

そのほかにも、「2016年の佐藤という名字の小学6年生」も標本の一つになります。

ここで1度、標本の定義をまとめます。

これが、方法の2つ目です。

母集団と標本の違いは？なぜ標本を調べれば大丈夫なの？

母集団と標本の関係を整理します。

母集団とは、興味ある対象の全て、でした。

一方で標本とは、興味ある対象の一部、でした。

これが、母集団と標本の関係です。

必ず、母集団の方が標本よりも集団として大きくなることが想像できると思います。

なぜ標本を調査すれば母集団のことがわかるのか？

母集団と標本の関係はわかりました。

すると、一つ疑問が湧いてくると思います。

なぜ母集団ではなく標本を調べることが許されるのか？

ということ。

だって、標本は「母集団の一部」ですから、母集団のことを知りたいのであれば、やっぱり母集団全体を調べるしかないのでは？と思いませんか？

しかし、ここが統計の醍醐味なのです。

先ほどの質問の答えを書くと、このようになります。

統計では、母集団から抜き出された一部の標本を使って、母集団を推定することができる

だから、標本を調査するだけで、母集団を（ある程度）知ることができるのです。

今までの話を、図にまとめます。

私たちが本当に知りたい情報は、母集団の情報です。

しかしながら、費用や手間の関係で、母集団全部のデータを取得することは不可能なことが多いです。

そのため、母集団の一部を抜き出し（抽出し）た標本を調べることにします。

通常、私たちが扱っているデータは、標本であることが大多数です。

そして、その標本のデータを解析することで、母集団がどうなっているのかを推測する（推定する）ことができるのです。

つまり、統計の最終的なゴールはこのようなことです。

標本のデータを使って、母集団を推定すること

ぜひ、この最終的なゴールを意識してください。

臨床試験（治験）での母集団と標本の関係とは？

ここで、臨床試験（治験）での例を考えてみましょう。

例えば開発したい薬が、高血圧の薬であるとします。

その場合、母集団というのは、高血圧の患者さん全員になります。

この時に、母集団は日本の患者なのか世界中の患者なのか、といった疑問が出てきますよね。

その回答としては、その薬剤開発の目的によって変わる、ということです。

例えばその薬剤が日本国内だけで開発している薬であれば、日本の患者さんが母集団になります。

一方、グローバル開発をしたいということであれば、世界中の患者が母集団ということになります。

先ほどの例でも、2016年の小学6年生ではなく、2016年の小学生全員が興味の対象であれば、母集団は2016年の小学生全員、ということになります。

このように、興味ある対象がどこか？を意識することで、母集団は変わりうる、ということに注意してください。

では、臨床試験における標本は何になるのでしょうか？

もうわかりましたよね。

それは、臨床試験に参加してくださる患者さん、が標本ということになります。

この例では、高血圧の薬の臨床試験に参加している患者さん、が標本になります。

また、他の薬であれば、糖尿病を対象としているのであれば、臨床試験に参加してくださる糖尿病の患者さんが標本になりますし、抗がん剤であれば、臨床試験に参加してくださるがん患者さんが標本になります。

母集団と標本を意識すると、論文の読み方が変わる

この「母集団と標本の関係」を意識すると、臨床試験結果の見方がすごく変わります。

例えば、ある臨床試験の論文を読んだときに、結果だけ確認する方が多いかもしれません。

そして、論文に良い結果が出ているからその薬剤は有望なんだな、と思います。

ですが、この「母集団と標本」という考え方が分かっている方が論文を読むと、必ず「どういった患者さんがその臨床試験に入っているか」という背景情報を正しく読み取ろうとします。

なぜ背景情報を読み取ろうとするかわかりますか？

それは、この論文に記載されている結果から、すべての患者に効く薬なのか、一部の患者に効く薬なのか、ということを確認しているのです。

標本の選び方は何通りもあるわけですから、この臨床試験に入った患者がどういった標本なのか？を意識することがとても重要になるのです。

どこまでの患者に結果を適用できるか？という考えは、一般化可能性もしくは外的妥当性と言われる概念があります。

この概念をぜひ理解しましょう。

母集団と標本に関するまとめ

母集団の定義は、興味ある対象の全て。

標本の定義は、興味ある対象の一部。

統計を使うことによって、標本のデータから母集団を推定することができる。

統計のゴールは、標本のデータから母集団を推定すること、ということもできる。

この「母集団と標本」を意識することで、論文では被験者背景情報を正しく理解するきっかけになる。

この記事では、「統計学を学ぶ意義や必要性重要性メリットは？なぜ必要で役に立つか使い道を解説」に関して解説しています。

統計学を学ぶ意義や使い道はどこにあるのでしょうか？

「統計学」と聞くと、あなたは何を想像しますか？

もしかしたら「T検定」、あるいは「カイ二乗検定」なんかを想像するかもしれません。

中には、もう何も考えられず鳥肌が立ってしまう、という方もいるかと思います。

実は今から20年〜30年前ぐらいであれば、統計学といえばT検定、統計といえばχ二乗検定。

統計学に関してこれぐらいのイメージ・知識さえあれば問題なかったと言われています。

ですが、今では時代も変わり、統計学に関してそれだけの知識では論文を投稿するどころか、医薬研究を実施することさえ難しくなりました。

「統計学が最強の学問である」という本も発売され、一時期話題になりましたね。

この記事では、なぜ最近になって統計学の必要性や重要性が再認識されているのかを考えてみます。

統計学を学ぶ意義：必要性や重要性やメリットが再認識されだした理由

なぜ今、臨床研究において統計学が重要視されているか。

私が考える理由は、以下の3つです。

• 仮説や研究デザインが複雑化しており、統計解析も複雑化している
• 統計パッケージの普及によって難しい解析も実施できるようになった
• 臨床研究の論文のレフリーに統計の専門家がいる

これらは、医薬品開発が原因の難しい疾患にシフトしていった歴史と関連していると思います。

これまでは、統計が必要ないほど、薬の力だけで目に見える効果が現れていました。

ですが今では、薬による有効性や安全性が劇的ではなく、本当にこの薬を薬として販売してよいか？を判断する必要が出てきたのです。

それに伴い、薬の開発（臨床試験）だけでなく観察研究を含めた、臨床研究全体で統計解析が複雑化している現状があると思います。

臨床研究における統計学の重要性

そこで臨床研究に重要なのが、統計学。

今ではすごく複雑な解析手法が次々に生まれてきており、それらを使いこなす必要があります。

昨今、インパクトファクターの高い雑誌には、必ずといっていいほど統計の専門家がレフリーとなっています。

なぜなら、複雑な臨床研究の結果が本当に適切な統計解析によるものなのかを判断する必要があるからです。

つまり臨床研究で論文を投稿するにも、必ず統計学を学んで適切な統計の処理をする必要性が出てきたのです。

そのため、医薬業界で優れた功績を残したいと思っているのであれば、統計学の必要性は益々高まっていくことになります。

p値の結果（有意差があるかどうか）だけで結果の良し悪しが決まる時代は終わりました

インパクトファクターの高い雑誌に統計の専門家がレフリーとしていることにも絡むのですが、現在ではp値の結果（つまり、有意差があるかどうか）だけで研究の良し悪しが決まる時代が終わっています。

2016年、アメリカ統計協会（ASA）はP値に関する声明を発表しています。

ASAが指摘したことは全部で6つあり、6つとも全て重要な指摘なのですが、私が読んだ限り重要だと思った3つのポイントがあります。

• P値や統計的有意性は、効果の大きさや結果の重要性を意味しない
• 科学的な結論や、ビジネス、政策における決定は、 P値がある値（有意水準）を超えたかどうかにのみ基づくべきではない。
• 適正な推測のためには、すべてを報告する透明性が必要である

詳しくは「P値の問題点とは？不要論もある統計検定に対してアメリカ統計協会の声明が指摘していること」の記事を見ていただければと思いますが、一般的に認識されているp値のイメージとは真逆と言っていいほどの声明になっているんじゃないかと思います。

そのような背景もあり、臨床研究においてもちゃんとした統計の知識が必須になっています。

統計学を学ぶメリットは？なぜ役に立つの？

2009年のNew York Timesに、Googleのチーフエコノミストである、ハル・ヴァリアン博士が以下のように述べました。

I keep saying that the sexy job in the next 10 years will be statisticians. And I am not kidding.

日本語に直すと、以下のような意味です。

今後10年間で最もセクシーな仕事は、統計学者であると常にみんなに広めている。冗談抜きでね。

統計の分野において日本はアメリカからかなり遅れておりますので、日本では現在（2019年）から今後10年がセクシーな仕事になるかもしれません。

また、ハル・ヴァリアン博士は以下のように続けています。（日本語訳のみ掲載します。）

データを取り、それを理解して処理し、そこから価値を引き出し、可視化し伝達する、といった能力は、今後数十年にわたって、プロレベルだけでなく小学生から大学生までのあらゆる教育的レベルにおいても、きわめて重要なスキルとなるだろう。

全ての人が統計学のメリットや重要性に気づく必要がある

このハル・ヴァリアン博士が言っている通り、統計学はあらゆる分野・あらゆる世代で必要な学問の一つになってきます。

もう、全てを統計の専門家に任せればよいといった時代は、終焉を迎えています。

医薬研究に携わる方も「データを取り、それを理解して処理し、そこから価値を引き出し、可視化し伝達する」という能力は必須だと私も思います。

なぜなら、医薬研究において、統計学は「データを解析する」だけではないためです。

むしろ、目的に合ったデータをどのように取るのか？という方が重要になってきます。

統計担当者は、以下の図の緑の考え方をしているためです。

そのため、統計の専門家でなくとも、統計学を発揮させるにはどのような考え方をすれば良いのか？（上記の緑の考え方）を知って、試験の計画段階から統計担当者を巻き込むことが非常に重要です。

統計学とは簡単に説明すると？まとめることと計画すること

計画段階から統計を考えることの重要性は、「統計」という字を見るだけでも、知ることができます。

統計という言葉は、「統」と「計」の二つの漢字に分けることが出来ますね。

実はこの漢字二文字は、統計ということを実に的確に言い当てているのです。

統計の「統」はまとめるという意味。

「統」という漢字を辞典で調べてみると、「一つにまとめる」という意味があるようです。

取得した生データを眺めるだけでは、何もわかりません。

データは取得した後に平均や分散を算出するなどして、ある指標に変換しなければなりません。

このような作業を「要約」と言います。

そして、平均値や分散を要約した値という意味で、「要約統計量」といいます。

統計の「計」は計画するという意味。

「計」は文字通り、計画するという意味です。

実は、統計的検定とは、事前に計画したものだけが検証的な結果として扱うことが出来ます。

つまり、事前に綿密に計画したデータに対して検定をする。

このような「計画に基づいたデータ」の統計的検定結果だけが重要な意味を持つ、という意味です。

では何を計画するのか？

というと、例えばサンプルサイズ（取得するデータの数）を事前に計画する、というのも計画の一つです。

このような意味を考えると、計というのは検定を計画していくということになります。

統計学を学ぶ意義や必要性重要性メリットとは？まとめ

医薬研究において、ますます統計学の重要性が見直されてきました。

統計は、「データを解析する」だけでなく、「目的に合ったデータを取得する」ということが非常に重要な考えです。

そのため、統計の専門家だけでなく、医薬研究に関わる全ての人が統計の考え方を持つ必要があります。

ですが、本当に統計が苦手な方もいるでしょう。

そんな方にとっては、絶対に医薬統計の解析を委託したりした方がいいですね。

医薬統計で扱うデータの種類は多岐にわたり、そのデータの特性によって統計解析手法や検定手法が異なります。

逆に言えば、データの種類が決まれば自ずと解析手法も変わるということ。

主なデータの種類は、量的データ（連続尺度）、質的データ（名義尺度）、生存時間データなどがあります。

この記事では、各データがどのような特性を持っているかを理解し、データの種類に応じてどのような統計解析手法が適用されるかを学びましょう。

質的データや量的データとは？具体例を用いてわかりやすく解説！

医薬統計において、扱うことが多いデータは大きく分けて3種類です。

1. 量的データ（連続尺度、連続データ）
2. 質的データ（名義尺度、カテゴリカルデータ）
3. 生存時間データ

量的データや質的データは、医薬統計じゃなくても扱うことが多いです。

生存時間データに関しては、医薬統計で独特のデータかな、と思います。

次の章から、それぞれのデータがどのような特徴を持っており、それに応じてどのような統計学的な検定手法が採用されるのか、理解していきましょう。

データの種類1：量的データ（連続尺度、連続データ）とは？その統計解析手法

世の中で最もありふれているデータが量的データ（連続尺度）です。

量的データとは、身長や体重のように、精度の高い測定法によればいくらでも正確な値が得られるデータのことです。

実際は離散量であるが連続量として取り扱ってもかまわないようなものもあります。

例えば、試験の点数などは一般的に、90点や91点という値を取りますが、90.2点や90.8点という点数は取りません。

ですが、そのような場合であっても連続データとして取り扱うと都合が良い場合が多いため、連続データとして扱います。

連続データのもう一つの特徴としては、データ上のどこであってもその間隔が同じ意味を持つ、ということです。

例えば身長であれば、150cmと155cmの間の5cmと、190cmと195cmの間の5cmは同じ意味を持ちます。

試験結果も、10点と30点の間の20点と、80点から100点の間の20点では、同じ意味を持ちます。

「データ上のどこであってもその間隔が同じ意味を持つ」という特徴は、当たり前のようなことではありますが、実はカテゴリカルデータとの違いを認識するために重要な特徴でもあります。

このような量的データに対しては、平均値や分散などの要約統計量を算出するのが望ましいですね。

以下のような表を作成できれば、完璧です。

また、グラフとしてはヒストグラムで正規分布に従っているかどうかを確認したり、箱ひげ図で中央値や四分位範囲を確認することがとても良いアプローチです。

そして、統計学的検定としては、パラメトリック検定ならT検定を、ノンパラメトリック検定であればウィルコクソン検定を実施することが良いです。

データの種類2：質的データ（名義尺度、カテゴリカルデータ）とは？分割表作成が重要

次は、質的データ（名義尺度、カテゴリカルデータ）についてです。

カテゴリカルデータと聞いて、あなたはどのようなデータか想像できますか？

カテゴリカルデータの一例としては、性別が挙げられます。

男性というカテゴリと、女性というカテゴリに分けられますね。

性別のように数値化できないデータ、または、数値化したとしてもその数字の間隔に意味がないもののデータのことを、カテゴリカルデータと呼びます。

例えば商品アンケートで「この商品の感想を教えてください」という設問に対し「良い、普通、悪い」という３つから選ぶとします。

その設問のアンケートデータを「３点、２点、１点」というように、点数化することもできますね。

ですが、この３点と２点の間の１点、もしくは２点と１点の間の１点に関して、同じ１点ですがその間隔は同じ意味を持つとは限りません。

そのような場合、やはりカテゴリカルデータとして扱うほうが適切です。

カテゴリカルデータの要約方法は簡単です。

数と割合の二つを出力すれば、基本的には問題ありません。

さらには、これらを表形式でまとめることをお勧めします。

分割表と呼ばれる表を作ることが、カテゴリカルデータの要約方法としては適切です。

分割表の例としては、100人の男女に右利きか左利きかを聞いてみた結果の表が以下になります。

分割表から読み取れることはとても多いのですが、その詳細は別ページで解説していますので、そちらをご参照ください。

そして、カテゴリカルデータの統計学的な検定手法です。

２つあります。

1. フィッシャーの正確確率検定
2. カイ二乗検定

この２つさえ理解しておけば、全く問題ありません。

２つの検定の使い分けですが、分割表で5未満のセルがあれば、その時にはフィッシャーの正確確率検定を実施することが良いです。

それ以外の場合には、カイ二乗検定を実施することで問題ありません。

ただ、理解の仕方としては「サンプルサイズが小さい時にカイ二乗検定はNG。サンプルサイズが小さくても大きくてもフィッシャーの正確確率検定はいつでも使ってOK」という理解をしていただければと思います。

多変量解析としては、ロジスティック回帰分析を使うことになります。

データの種類3：生存時間データ

医薬統計では、生存時間データというものを扱うことがあります。

がん領域を知っている方であれば恐らく知っているデータの種類だと思いますが、それ以外の方はあまりなじみがないかもしれません。

生存時間データを解析する統計手法を、生存時間解析、と呼びます。

生存時間解析を一言でいうと、その名の通り「時間」を解析する方法です。

時間は、「1時間」とか「75日」とか、連続データとして扱って解析しても良さそうです。

連続データとして扱えば、T検定やウィルコクソンの順位和検定を使えばいいですよね。

ではなぜわざわざ生存時間解析、というものを使うのでしょうか。

詳しくは生存時間解析の基礎のページで解説していますが、「イベント」と「打ち切り」という概念があるため、連続データとして扱うと不都合が出てきます。

そのため、生存時間解析という、また別の枠組みで解析する必要があるのです。

生存時間解析でのグラフとして有名なのが、カプランマイヤー曲線ですね。

カプランマイヤー曲線では、中央値やX年生存率が一目でわかる、かなり有用なグラフです。

下記のグラフが、カプランマイヤー曲線の一例です。

そして、検定としてはログランク検定と一般化ウィルコクソン検定が有名です。

多変量解析としてはCox比例ハザードモデルですよね。

「カプランマイヤー曲線」「ログランク検定」「一般化ウィルコクソン検定」「Cox比例ハザードモデル」の4つを理解していれば、最低限の生存時間解析は可能です。

データの種類4：カウントデータ

これはあまりなじみがないかもしれません。

生存時間データの目的の反応は、観測対象となる個体に、一度だけ起きる事象だとしました。

しかし、データによっては、複数回起きる事象があります。

例えば、血友病という病気は血が固まりにくく出血が起こりやすい病気です。

出血というのはその人に一度だけ起きるとは限らず、1年間に10回など、複数回起こりえますね。

そのような場合に、出血回数をカウントデータと呼ぶことがあります。

もちろん連続データとして扱うことも可能なのですが、カウントデータの性質として「観察期間に応じて回数は増える」という性質があります。

そのため、観察した期間を考慮して解析をしなければなりません。

また、このデータは、もし「初めての出血までの時間」というものに興味があるとき、生存時間データとして扱う必要があります。

質的データや量的データに関するまとめ

医薬統計を実施する上で、重要な「量的データ」「質的データ」「生存時間データ」「カウントデータ」の3種類（＋1種類）のデータを紹介しました。

これらの扱い方がわかれば、医薬統計としてはほぼ網羅できますので、是非とも理解しましょう！

＞＞2群のデータはどうやって解析する？

世間一般的に難しいとされる、医療統計。

そのため、いざ医療統計を勉強しようと思って本を開いたとしても、なかなか続かない。。

「やっぱりこれがいいんじゃないか！？」と思って、他の医療統計に関する本を購入してみても、半分も続かない。。

気づけば医療統計に関する本を10冊も買ってたよ。。

・・・なんてことになっていませんか？

今回の記事ではそんなあなたのために、医療統計を勉強する上で本当におすすめできる本やブログなどを紹介していきます。

医療統計を勉強するのに役立つものはある？

医療統計はけっこう知識が多岐に渡っているため、勉強しようにも「何から手をつけていいのかわからない・・・」という状況になったりしますよね。

私も医療業界に入りたての頃は、「何で勉強すればいいの・・・？」という感じでオロオロしていました。

で、今では医療統計に関してコンサルなんかをやっているわけですが、その中で医療統計を勉強する上で”最初に絶対にやってはいけないこと”はなんとなくわかりました。

それは、統計の数式から勉強しようとすること。

これは、絶対にやってはいけないですね。

なぜならば、本当に医療統計が嫌いになるからです。

そして、”理論を学んでも実際にデータ解析をする上で全く使わない”からです。

だから、モチベーションがなくなってしまう。。

医療統計を勉強する意味は？

実は医療統計を勉強するのに本当に重要なことって、”どうやってデータをまとめて解釈するのか”ですよね。

だって日々のデータ解析は、データをまとめて”結果や解釈”を論文化したり学会発表したり会議で発表することなので。

決して、勉強した統計学の理論を学会や会議で発表したりしないはずです。

（統計専門家の学会なんかは別ですよ。）

例えば、Wikipediaで標準偏差を検索するとこんな説明が出てきます。

これ、実際の業務でいつ使います？？

だって、Excelでやれば「=stdev.p(データ)」で簡単に標準偏差が出てくる時代です。

そのため実際の業務に必要なのは、標準偏差の数式の定義よりも『標準偏差はどのようなデータに対して適用するのが正しいのか』そして『標準偏差の数値の意味は何か』を正しく理解できることではないでしょうか。

なので、本当に統計を”使う”と割り切るなら

• データを人一倍いじってみて
• データを可視化してみて
• データを理解する

ことの方が、教科書を開いて勉強するよりよほど重要です。

それに、教科書を開いて数式を理解するよりデータをいじるほうが楽しくないですか？

医療統計を勉強するのに重要なディスカッション

そして、データをいじって理解するのに重要なのが「ディスカッション」です。

だって、「このデータ解析方法で合っているのかな？」とか「この結果の解釈はどうすればいいの？」ということを、実際に医療統計を知っている人に聞きたいですよね。

だからこそ、医療統計を知っている人とのディスカッションが大事です。

でも、医療統計をディスカッションできる人なんていないよ。。

と思っているのであれば、ぜひ私とディスカッションしましょう！

メルマガ登録をしていただければ、いただいた質問に対して動画でお返事しています。

たとえば、この動画もメルマガ会員さんからの質問に答えた動画ですね。

もし私に質問いただければ上記のようにお答えさせていただきますので、ぜひメルマガ登録をしてみてくださいね。

統計に関する無料メルマガはこちら

医療統計の全体像を把握するのに本当におすすめできる本トップ3

私が今まで「本当に役に立ったなぁ」と思った本を紹介します。

この本をマスターすれば、最低限の知識は持てることになるはずです。

たくさん紹介されても気が重くなると思いますので、3冊に絞りました。

医療統計のおすすめ本その1：学会・論文発表のための統計学

まずはこれ。

私が本当にお世話になった本です。

この本は、私が製薬企業に入社して初めて読んだ統計の本。

数式も少なめで、読み物として読むことができます。

野球の球団の話を例にしていたりと、とっつきやすい本。

私が”標準偏差”と”標準誤差”の違いもわからなかった時代に、本当にお世話になりました。

この本は、私は10回ぐらいは読みましたね。

それぐらいの良書です。

医療統計のおすすめ本その2：いちばんやさしい医療統計

私が書いた本で恐縮ですが、次はこの本です。

上記の本以外に「本当に初心者向けの医療統計の本ってないなぁ。。書いてしまえ！」ということで書いた本です。

この本は、移動中の電車や飛行機で2時間程度で医療統計をわかってもらおう、という想いで作った本です。

だから全然気負わずに、小説を読む、ぐらいの気持ちで読んでいただけるといいです。

数式をできるだけ排除しましたので。

で、重要なのが「繰り返し読む」ということ。

私が上記の本を10回は読んだように、ぜひ何回も読んでください。

スルメのように、味が出てくるはずです。

医療統計のおすすめ本その3：統計検定2級の問題集

「どうしても数式を飛ばして勉強することができない」という方のためには、この本です。

統計検定2級の問題集。

統計の専門家でなければ、統計検定２級相当の知識があれば十分です。

そのため、この公式問題集がなんなく解けるようになればいいですね。

解説が少ないのが若干の難点ですが、そこは他の書籍の解説を確認すれば十分解くことが可能です。

もしどうしてもわからなければ、メルマガ登録をして私に質問してみてください。

統計に関する無料メルマガはこちら

医療統計を実践する統計ソフトをマスターするのに本当におすすめできる本

医療統計は知識があっても実際に解析できなければ意味はありませんよね。

なので、実践するにあたって統計ソフトの参考となる本が必要になります。

ここでは、私も使っている統計ソフトの参考となる本をご紹介します！

統計ソフトEZRをマスターするのにオススメの本

統計ソフトEZRは無料で使えることが最大のメリット。

「無料だから論文や学会発表には使えないんじゃないの・・・？」と思われるかもしれないですが、実は5,000回以上の英文論文に使われている統計ソフト。（2021年4月現在）

下記はEZRを作成した神田先生のHPからの情報です。

なので、全く問題なく論文や学会発表にも使える統計ソフトです。

そんなEZRを使いこなすためにお勧めできる本がこれ。

「EZRでやさしく学ぶ統計学」です。

EZR開発者の神田先生が書かれた本。

ぜひこれを参考にしてEZRを使いこなせるようになりましょう！

統計ソフトSPSSをマスターするのにオススメの本

統計ソフトSPSSは統計ソフトの中で最も認知度が高いソフトではないでしょうか。

医療統計だけではなく、心理系や経済系の分野などにも幅広く使われている印象のある統計ソフトです。

そんなSPSSを使うのにおすすめとなる本はこちら。

「SPSSで学ぶ医療系データ解析」です。

SPSSを医療系のデータ解析に特化させて解説している本。

とてもわかりやすいので、ぜひ手に取ってみてください！

医療統計の勉強に役立つブログやサイトは？

次に、医療統計の勉強に役立つブログやサイトを紹介していきます。

ここは一つだけ紹介。

医療統計が勉強できるブログやサイト：Try itのYoutube動画

それは、Try itの数学IのYoutube動画です。

例えば最初の授業のURLを紹介しますね。

無料だからといって侮ることなかれ。

本当に結構わかりやすいです。

高校生向けの授業なので、ハードルもそれほど高くない。

統計をまずは学んでみたい、という方にとっては本当にお勧めできる動画です。

医療統計に特化していないのは難点ですが、それを差し引いてもわかりやすいです。

さすが、家庭教師のノウハウがあるTryさんですね。

医療統計を勉強する本でのおすすめは？まとめ

ということで、今回の記事では医療統計を勉強する上で本当におすすめできるものを紹介しました。

ぜひどれか一つでも学んでみてくださいね。

もし私のところで学びたいのであれば、ぜひメルマガ登録をしてみてくださいね。

統計に関する無料メルマガはこちら

・統計学は難しい・・・。

・統計学をいくら勉強してもマスターできる気がしない・・・。

・もう統計学を学習手流のに挫折しそう・・・。

統計を勉強しているあなたは、もしかしたら、上記のように感じていませんか？

一般的には「統計＝難しい」ってイメージがありますよね。

この記事では、統計の勉強方法で最も重要なことをお伝えします。

また、統計学の初学者や中級者別にオススメの本もご紹介。

そして、統計を知ることによってどれだけのメリットがあるかをお伝えします。

統計学は難しい？勉強方法で一番重要なこと

統計を勉強する上で、一番重要なこと。

実は、重要なことって勉強法でも、どこで教わるか？ということでもないです。

一番重要なことはこれ。

そう、統計を勉強する「理由」です。

統計を勉強する「モチベーション」と言い換えてもいいですね。

これが最も重要なんです。

モチベーションを高く保っていれば、正直に言って勉強方法はどうでも大丈夫です。

統計を勉強する理由が重要な訳：人は初心を忘れてしまうもの

なぜ「統計を勉強する理由」が一番重要なのか。

それは、「人は初心を忘れてしまうもの」だからです。

例えば、ダイエット。

１ヶ月で３キロ痩せよう！と意気込んで

統計学が難しすぎてわからなくて本にホコリが溜まっていく・・・こんな状況、思い当たりませんか？

統計を勉強するぞと意気込んだ初日。

順調に１時間勉強できました。

でも、なかなかその内容が頭に入りませんでした。

その次の日。

早くも難解に思ってきた統計を勉強することが苦痛に。

それでも前日に意気込んだので、そのモチベーションだけでなんとか１時間勉強できました。

３日目。

２日かけても理解が進まない統計。

苦痛を感じながら開いた教科書。

でも、あまりモチベーションが上がらないので、ついついネットサーフィン。

気づけばネットを見るだけで、勉強しようと決めていた１時間が経過してしまいました。

４日目。

３日頑張ったから、１日ぐらい休憩しても問題ないだろうと思い、勉強を断念。

５日目。

昨日は休んだから、今日は勉強しなきゃと思いながらも、とても気が重い。

よくよく考えた結果、統計を勉強しなくても人生にはマイナスにならないと自分に言い訳をして、勉強をやめる。

それ以降。

統計を勉強しようとして購入した本はホコリを被っていく。。

大学時代の僕も、そうやって統計学の学習から遠ざかっていました

実はこれ、かつての僕です。

大学や大学院での研究に、統計が多少なりとも必要でした。

マイクロアレイという技術のデータを解析することが、私の研究テーマだったので。

でも、ネットやハウツー本を購入して、なんとなくT検定をやったり多重性を考えてみたりしみる。

で、特に統計の本質を勉強することなく、なんとなく良い結果が出たからOK。

こんな感じでした。

そう、統計を知らなくても、実はなんとなくデータを解析できるんですよね。

だって、平均値の数式を知らなくても、Excelで=average()って関数を入れれば、勝手に平均値出てくるじゃないですか。

だから、統計の勉強って後回しになってしまう。

統計学を学ぶのに効率の良い勉強方法はある？

統計を勉強するのに一番重要なのは、「モチベーションを保ち続ける」ということでした。

ですが、これだけだと体育会系の精神論の話になってしまうので、勉強方法に関して具体的に１つご紹介します。

私が何でも学ぶ際に意識していることがあります。

それはこの１つ。

アウトプットを前提に勉強すること

どういうことかというと、勉強したことをアウトプットする機会を設ける、ということです。

人は、一度勉強しただけでは、全くその知識を活かすことはできません。

あなたは忘却曲線って聞いたことがありますか？

このような曲線のことです。

見てわかる通り、勉強した２０分後には４２％忘れ、１日後には６６％も忘れているのです。

だからこそ繰り返し勉強することが大事です。

そして、繰り返し勉強すること以上に知識を定着させる方法が、アウトプットする、ということです。

アウトプットの仕方は何でもいい。

ツイッターにつぶやいてみるのもOK。

私にように、ブログをやってみるのもOK。

アウトプットしてみると、「知っているということと使えるということがこんなにも違うんだ」ということが実感できることでしょう。

ちなみに、統計検定２級を受験することも、このアウトプットに該当するので、オススメしています。

私のメールセミナーでも、基本的にはアウトプットして統計を学んだいけるようにしています。

統計学を学ぶのにオススメの本

統計の勉強をするのにオススメの本ですが、「これ１冊で統計のことがバッチリになる！」という本は、正直に言ってありません。

ですが、何冊かレベル別に紹介しているので、推奨教材を参考までにチェックしてみてください。

統計学は難しいけど学習してできるようになると、どんないいことがあるのか？

そんな、不真面目にデータ解析に取り組んできた私が、今では統計の専門家として胸を張って仕事ができています。

統計ができるようになった私が思うのは「統計は理解できておいたほうがいい」ということです。

統計ができるようになっていいこと（メリット）は、５つあります。

• 医学論文で、どこが重要かのポイントがわかるので、論文を読むのが速くなった
• 「このサブグループではどうなっているんだっけ？」というような、ふとした疑問を自分で解決できるようになった
• 計画の重要性を知っているので、無駄にデータを取ることもないし、必要十分なデータ数で結果を出すことができるようになった
• 統計の限界も知っているので、「それはやっても無駄ですよ」と言うことができ、無駄な作業をしなくなった
• 若くしてインパクトファクターの高い論文に名前を入れてもらえる

どういうことか、詳しく説明しましょう。

難しい統計学を学習するメリット１：医学論文を読むのが速くなった

統計を理解する前と後では、医学論文の読むスピードは格段に速くなりました。

というのも、医学論文では読むべきポイントがあるんですよね。

それがPICO（PECO）。

PICOっていうのは、以下の４つの頭文字をとったものです。

• P：Patient（対象患者）
• I：Intervention（介入）
• C：Comparison（比較対象）
• O：Outcome（エンドポイント）

詳しくは別記事で解説しますが、この４つを把握することが必要です。

で、この４つがなぜ重要かっていうのは、統計のことを知らないと分からないのです。

難しい統計学を学習するメリット２：ふとした疑問を自力で解決できる

統計を知ることによって、自然とプログラミングやエクセルの知識もついてきます。

すると、自分でデータを解析することができるんですよね。

自力でデータ解析ができないと、「あのサブグループではどうだっけ？」と思った時に、誰かにやってもらわないといけない。

そうなると、できる人に頼む必要がありますし、もしその人が忙しかったら、ふとした疑問が解決されるのは１週間後になるかもしれません。

それよりも、ちょっとしたことは自分で解決できるようになっておくと便利ですよね。

難しい統計学を学習するメリット３：無駄なデータを取ることはなくなった

統計って「データが出てから使うもの」と考えている人が多いですよね。

実は違うんですよ。

統計は「これを知りたいから、この種類のデータをこれだけの数取ってこよう」って考えるところから始まります。

つまり、下図の緑の思考法です。

なので、データを必要な分だけ取得すればいい。

データ数が十分なのに結果が出なかったら、それは計画段階で想定していたことが実は間違えていた、ということになります。

つまり、考察がしやすいんですよね。

データ数を事前に決めなかった場合、結果が出なかったら。

データの数が足りなかったからなのか、それとも計画段階で想定していたことが間違いだったのか、どっちなのか分からない。

悩みどころが多いですよね。

だから、結果を見据えて計画を立てることが重要なのです。

難しい統計学を学習するメリット４：統計の限界を知ることで、無駄な作業をしなくて良い

統計を知ることで、実は無駄な作業をしなくてよくなります。

統計の理解が不十分だと「統計はなんでもできる魔法のようなものだ」と考えがちじゃないですか？

そんなことはないんです。

統計にも限界があります。

そのため、「こういうこと知りたいけど、このデータでやってみてくれない？」というような要望に対して、胸を張って「No」と言えます。

当然、「どんなことを知りたくてそのような解析を依頼していますか？」と聞きますけどね。

それに対して、今あるデータでは無理そうかどうかが、統計を理解していればわかります。

難しい統計学を学習するメリット５：若くしてインパクトファクターの高い論文に名前を入れてもらえる

統計ができる人の重要性は、だんだんと上がってきています。

特に論文を島弧する際に、統計家を必ず著者として入れなければならない論文が出てきています。

それは、インパクトファクターが高い論文であればあるほど顕著になってきています。

例えば、私は医学論文の最高峰であるNew England Journal of Medicine（NEJM）に20代で名前が載りました。

そして、翌年にもNEJMに名前が載っています。

＞＞詳しくはプロフィールをご参照ください。

普通、NEJMに載るほどの方って、その分野でかなりの実績を出された方で、大学病院で行ったら教授レベルですよね。

でも、私はたいした実績がないのに名前が載りました。

当然、名前が載るからには責任のある立場ですし、レビューワーからの指摘に対して適切な対応ができる必要があります。

それまでの仕事でちゃんとした実績を評価されてのことだとは思いますが、それでも統計家でなければそのように若くしてNEJMに名前を載せることはできなかったと思います。

もしあなたも論文に名前を載せて実績を積み上げたいのであれば、統計を学んでいくことが最短の道ではないかと思います。

あなたが統計を学ぶ理由はありましたか？

私が思う「統計を知っておくといいこと」をお伝えしました。

この中で、あなたが統計を学ぶ理由に繋がることはありましたか？

もしあったなら、その思いを忘れないでくださいね。

統計学を学習する勉強方法：まとめ

統計を学ぶ上で一番重要なことは「あなたが統計を学ぶ理由」です。

ぜひ、私が感じている統計を学ぶ上でのメリットの中から「あなたの理由」を見つけてもらえればと思います。