多変量多群多重比較の完全ガイド：エンドポイント別のアプローチとRパッケージ

研究や臨床試験において、「複数のグループ（多群）」を比較し、さらに「複数の結果（多変量・マルチプルエンドポイント）」を同時に評価したいケースは多々ある。

個別に検定を繰り返すと第1種過誤（$\alpha$ エラー）が膨れ上がるため、多重比較の制御は必須である。しかしここで、古典的な「まずOmnibus検定（MANOVAやANOVA）を行い、それが有意であった場合のみ事後検定に進む」という手続きに固執する必要はない。最初から特定のグループ間や変数間の比較が関心事であるならば、Omnibus検定の結果に関わらず、直接目的の多重比較に進み、全体としてのエラー率を適切に制御するのが現代的なアプローチである。

本記事では、中級者向けに「エンドポイントの型（連続量、2値、Time-to-event、反復）」で頭の中を整理しながら、Rでどのパッケージのどの関数を選択すべきかを網羅的に解説する。

連続量（Continuous）エンドポイント

① 単一時点の多変量連続データ

• 理論説明: 複数の連続変数を同時に扱い、グループ間の平均ベクトルを比較する。古典的にはMANOVAのOmnibus検定が先行したが、特定の変数やグループ間の差に関心がある現代的な解析では、最初から各変数に対して多重比較補正（Bonferroni、Holm、あるいはTukey法）を適用してペアワイズ比較を行う。Omnibus検定のp値に一喜一憂する必要はない。
• 具体例: 3種類の治療グループ間における、「収縮期血圧」と「拡張期血圧」の同時比較。
• Rの解決策:
  • stats パッケージの lm() 関数で各連続変数のモデルを構築する。
  • 事後検証には emmeans パッケージの emmeans() および pairs(..., adjust = "holm")（あるいは "bonferroni", "tukey"）を用い、最初からグループ間のペアワイズ比較を直接実行し、p値を調整する。

② 順序カテゴリカルデータ（連続量の変法）

• 理論説明: 厳密には連続量ではないが、高・中・低などの順序情報を保持する多群比較である。背景にある潜在的な連続変数を仮定する比例オッズモデル（累積ロジスティック回帰）を用いる。ここでも全体検定を挟まず、最初から目的のグループ間比較へと進む。
• 具体例: 4つの疾患ステージ間における、「QOLスコア（5段階評価）」の比較。
• Rの解決策:
  • MASS パッケージの polr() 関数、または ordinal パッケージの clm() 関数で順序ロジスティック回帰モデルを構築する。
  • emmeans パッケージを用いて、各グループの累積確率（type = "response"）の差を多重比較補正付きで直接検出する。

2値（Binary / Count）エンドポイント

① 2値（バイナリ）データ

• 理論説明: イベントの有無（Yes/No）を複数のエンドポイントで評価する。変数間の相関を厳密に考慮する場合は多変量一般化線形モデル（MGLM）の枠組みを使用するが、実務上は各エンドポイントに一般化線形モデル（GLM）を適用し、得られた複数のp値に対して全体として一元的な多重比較補正をかけるアプローチが主流である。
• 具体例: 3つの治療法における、「有効（奏効あり/なし）」と「安全（副作用あり/なし）」の同時評価。
• Rの解決策:
  • stats::glm(..., family = binomial) で各エンドポイントをモデリングする。
  • emmeans::pairs() を適用し、オッズ比（OR）のペアワイズ比較を直接行う。p値は adjust 引数（Holm法など）を用いて、全エンドポイント・全グループ間比較を通じて適切に制御する。

② カウントデータ

• 理論説明: 単位時間や一定期間内に発生したイベントの「回数」を比較する。カウントデータの特性（非負性、過分散）を考慮するため、ポアソン分布や負の二項分布を仮定したモデリングを行う。
• 具体例: 3つの介入グループ間における、「年間救急受診回数」や「有害事象の発現回数」の比較。
• Rの解決策:
  • 過分散がない場合は stats::glm(..., family = poisson) を選択する。
  • 過分散（分散 ＞ 平均）が存在する場合は、MASS パッケージの glm.nb() 関数で負の二項回帰モデルを構築する。
  • emmeans を用いて、最初から目的のグループ間における率比（Rate Ratio）の多重比較を実行する。

Time-to-event（生存時間）エンドポイント

① 単一イベント（通常の生存時間解析）

• 理論説明: イベント発生までの時間と「打ち切り（Censoring）」を扱う。3群以上の比較において、全体のログランク検定が有意であるかどうかに関わらず、関心のある治療群間のハザード比の比較、あるいはペアワイズのログランク検定へと直接進み、多重性を補正する。
• 具体例: 3つの化学療法グループ間における、「全生存期間（OS）」の比較。
• Rの解決策:
  • survival パッケージの coxph(Surv(time, status) ~ group) でハザード比を算出する。
  • ペアワイズのログランク検定を行う場合は、survminer パッケージの surv_pvalue(..., method = "pairwise_logrank") を用いることで、最初から自動的に多重比較補正されたp値を取得できる。

② 競合リスク（Competing Risks）

• 理論説明: 目的とするイベント以外の原因によって、目的イベントの観察が不可能になる状況（例：疾患死を評価したいが、その前に他因死する）を制御する。カプランマイヤー法による全体検定はリスクを過大評価するため回避し、最初からFine-Grayモデルや累積発生率（CIF）の比較において多重比較を行う。
• 具体例: 複数の治療群における、「心臓病による死亡」の比較（「他病死」が競合リスク）。
• Rの解決策:
  • cmprsk パッケージの crr() 関数によるFine-Grayモデルの構築、または cuminc() 関数による累積発生率の推定を行う。
  • グループ間のペアワイズ比較を行い、得られたp値に対して p.adjust(..., method = "holm") などを用いて手動で多重性を補正する。

反復測定（Repeated Measures）エンドポイント

同じ被験者から「複数時点」でデータを集める縦断デザインである。被験者内の相関（データの依存性）を正しくハンドリングした上で、目的の時点・グループの比較へダイレクトにアプローチする。

① 反復測定連続量

• 理論説明: 時間経過に伴う連続量の変化を多群間で比較する。欠損値に強く、柔軟な相関構造を扱える線形混合モデル（LMM）が現代のゴールドスタンダードである。「グループ×時間」の交互作用項の全体検定が有意であるかどうかに縛られず、事前に計画された時点（例：最終評価時点）におけるグループ間比較を直接行うべきである。
• 具体例: 3グループにおける、治療前、1ヶ月後、3ヶ月後の「血圧」の推移比較。
• Rの解決策:
  • lme4 パッケージ（およびp値算出のために lmerTest）の lmer(y ~ group * time + (1 | id)) を使用する。
  • 事後検証は emmeans を使い、emmeans(model, ~ group | time) で「特定時点におけるグループ間比較」を直接指定し、Tukey法やHolm法で調整されたp値を確認する。

② 反復測定2値・順序・カウントデータ

• 理論説明: 縦断データのエンドポイントが連続量ではない場合、一般化線形混合モデル（GLMM）または一般化推定方程式（GEE）を用いる。GEEは集団平均（Population-averaged）の効果、GLMMは個体固有（Subject-specific）の効果を推定する。これらも全体検定の有意性を経由せず、目的の比較へ進む。
• 具体例: 介入による「試験の合格率（2値）」や「痛みのステージ（順序）」、「喘息の発作回数（カウント）」の経時的変化の多群比較。
• Rの解決策:
  • GLMMアプローチ: lme4::glmer() （2値やポアソン）、または ordinal::clmm() （順序カテゴリカル）を使用する。
  • GEEアプローチ: geepack パッケージの geeglm() を使用し、corstr 引数で相関構造を指定する。
  • いずれのモデルからも、emmeans パッケージを用いることで、特定の時点・特定のグループ間に絞ったペアワイズ比較・多重比較補正を一元的に実行できる。

高度なトピック：再発イベント（Recurrent Events）

① 通常の再発イベント

• 理論説明: 1人の被験者に同じイベントが何度も起こるデータ（例：喘息発作の再発）である。被験者内の相関と、イベント回数の多重性をモデル化する。
• Rの解決策:
  • survival パッケージの coxph() 関数内で cluster(id) オプションを使用する（AGモデルやWLWモデル）。あるいは frailtypack パッケージによる変量効果（フレイルティ）モデルを適用し、直接グループ間の再発率比の多重比較を行う。

② 競合リスクを伴う再発イベント

• 理論説明: 再発イベント（例：転倒回数）を追跡している最中に、競合イベント（例：死亡）が発生して追跡が強制終了する、最も複雑なデータ型である。
• Rの解決策:
  • 複雑なデータ構造ゆえに全体検定の定義自体が困難なケースが多い。現代的な統計学では、最初から reReg パッケージ（再発イベントと死亡の同時モデリング）などの専門パッケージを利用して、目的とするグループ間の再発率に関する直接的な多重比較を行う。

まとめ（頭の整理用マトリクス）

Omnibus検定（全体検定）のステップを省略し、最初から適切な多重比較調整を行う現代的アプローチにおいて、エンドポイントの型に応じた選択肢は以下の通りである。

エンドポイントの型	基本モデル / 関数	事後検定・多重比較調整	備考
連続量（単一時点）	stats::lm()	emmeans	最初から個別変数・ペアの検定へ
2値 / カウント	stats::glm() / MASS::glm.nb()	emmeans	リンク関数指定後、多重比較
Time-to-event	survival::coxph() / cmprsk::cuminc()	survminer::surv_pvalue()	ログランクのペアワイズを直接実行
反復測定（連続）	lme4::lmer()	emmeans	交互作用の有無に関わらず時点別比較
反復測定（非連続）	lme4::glmer() / geepack::geeglm()	emmeans	GLMM/GEEから直接ペアワイズへ
再発イベント	survival::coxph( + cluster) / reReg::reReg()	手動補正（p.adjust）等	専門パッケージで目的の比較を直撃

中級者のあなたは、「全体検定が有意になってから次に進む」という古典的な縛りから脱却してほしい。最初から「どのエンドポイントの、どのグループ間（あるいは時点間）の比較が目的なのか」を明確にし、バックボーンとなる適切なモデルを選択した上で、emmeans などのパッケージを用いて直接的かつ厳格な多重比較補正を適用するのが、現代的で強固な統計解析の姿である。

おすすめ書籍

誰も教えてくれなかった　医療統計の使い分け〜迷いやすい解析手法の選び方が，Rで実感しながらわかる！