「応答のスクリーニング」プラットフォームの概要

「応答のスクリーニング」プラットフォームは、応答変数や説明変数が多数ある場合に、それらに対する検定の処理を一度に行います。各応答変数に対する各説明変数の個別の検定を、一度に行います。このような統計処理には、主に2つの問題があります。1つは、統計的検定を何回も実行しなければならないので、検定の多重性という問題が生じます。もう1つは、外れ値や欠測値を処理しなければいけないということです。「応答のスクリーニング」は、これら2つの問題に対処しています。

「応答のスクリーニング」の機能は、独立したプラットフォームとして、または「モデルのあてはめ」プラットフォームの手法として呼び出すことができます。独立したプラットフォームとしては、Table 24.1に示すように、「二変量の関係」プラットフォームと同じ検定を実行します。「モデルのあてはめ」の手法としては、線形モデルやロジスティックモデルをあてはめて、各効果に対して検定を行います。

状況に応じた推測に対応するように、「応答のスクリーニング」には次の機能があります。

データテーブル

結果は、グラフだけではなく、データテーブルとしても出力できます。出力されたデータテーブルをもとに、検定結果をさらに検討したり、p値の大きさで並べ替えたり、特定の大きさ以下のp値を抜き出したり、いろいろなグラフを描いたりできます。このデータテーブルには、生のp値や、FDR調整したp値（-log10(p値)）などの統計量が出力されます。

FDR

検定を何度も行うと、まったくの偶然だけで有意となってしまう確率が大きくなります。このため、生のp値を調整する必要があります。「応答のスクリーニング」では、FDR（False Discovery Rate;偽発見率）を制御するように、多重性の調整を行ったp値を算出します。偽発見率（FDR）とは、「有意とされた仮説の中における、実際には有意でない仮説の割合」の期待値です（Benjamini and Hochberg 1995, Westfall et al. 2011）。

実質的な差の検定

データの行が増えると（nが大きくなると）、検定の計算で使われる標準誤差は小さくなります。その結果、統計的には有意であっても、実際に観測された差がとても小さくて、実質的には意味がない場合があります。この問題に対処するため、差がどれぐらいの大きさであれば実質的に意味があるかを定義できます。そして、検定では、そこで指定された大きさ以上の差があると判定されたものだけが検出されます。

実質的な同等性の検定

多数のカテゴリカルな因子について群間比較する場合、各群の平均が実質的に同等である因子に着目する場合があります。そのような場合には、実質的に同等とみなす差を決めて、同等性の検定を行います。

大規模なデータはあまり綺麗ではなく、外れ値や欠測値を含む場合がよくあります。「応答のスクリーニング」では、外れ値や欠測値を処理するオプションがあります。こうした機能があるため、データの品質をあまり気にせずに、すぐに分析を行うことができます。

ロバスト推定

データに外れ値があると、推定値に対する標準誤差が大きくなり、有意になりにくくなる場合があります。［ロバスト］オプションを選択すると、Huber M推定が実行されます。このロバスト推定（頑健な推定）は、外れ値を手動で除外することなしに、その影響を少なくすることができます。

欠測値のオプション

「応答のスクリーニング」プラットフォームには、カテゴリカルな説明変数における欠測値をカテゴリとして扱うオプションがあります。

「応答のスクリーニング」プラットフォームは、プロットのセクションとレポートのセクションを生成します。デフォルトでは、FDR P値のプロットと「結果の表」が表示されます。「モデルのあてはめ」の［応答のスクリーニング］手法は、「効果の検定」表、効果プロットとしてのFDR P値プロット、およびFDR対数価値と効果の大きさの関係を示すプロットを生成します。

JSLコマンドSummarize Y by Xは、「応答のスクリーニング」プラットフォームと同じ働きをしますが、プラットフォームのウィンドウは生成されません。『スクリプト構文リファレンス』のSummarize YByX(X(<x columns>, Y (<y columns>), Group(<grouping columns>), Freq(<freq column>), Weight(<weight column>))を参照してください。

より詳細な情報が必要な場合や、質問があるときは、JMPユーザーコミュニティで答えを見つけましょう (community.jmp.com).