Heading

交絡変数とは、独立変数と従属変数の両方に影響を与え、それらの間に誤った相関関係をもたらす変数のことです。 混同変数は、confounder、confounding factor、lurking variableなどとも呼ばれます。 実験では交絡変数がしばしば存在するため、相関関係は因果関係を意味しません。

ここでは、交絡変数の例、交絡因子と媒介変数の違い、そして交絡変数が誤った結論を導くリスクを減らす方法を紹介します。

Positive and Negative Confounding

交絡は、誤った因果関係を指摘することもあれば、真の効果を隠すこともあります。 Positive Confounding: 独立変数と従属変数の間の関係を過大評価する。 結果を帰無仮説から遠ざける。

Negative Confounding（負の交絡）。 負の交絡は、独立変数と従属変数の間の関係を過小評価する。

交絡変数の例

• 独立変数がアイスクリームの売上で、従属変数がサメの攻撃である研究において、研究者は売上の増加がサメの攻撃と密接に関係していることを見ています。 交絡変数は暑さ指数です。 暑ければアイスクリームを買う人が増え、（サメのいる）海で泳ぐ人が増えます。 アイスクリームを買う人とサメに襲われることの間には、因果関係はありません。
• 実際の正の交絡の例。 1981年のハーバード大学の研究では、コーヒーを飲むことと膵臓がんとの関連が指摘されています。 この研究では、喫煙が交絡変数でした。 この研究では、コーヒーを飲む人の多くが喫煙者でした。 喫煙についてデータを調整すると、コーヒーの消費量(独立変数)と膵臓がんの発生率(従属変数)との間の関連性は消えてしまいました
• 実際の負の交絡の例。 2008年に行われた、魚介類に含まれるメチル水銀の毒性（従属変数）に関する研究では、食品に含まれる有益な栄養素（交絡変数）が、水銀の毒性による悪影響の一部を打ち消していることがわかりました。
  

  How to Reduce the Risk of Confounding

  交絡変数が実験に影響を与えるリスクを減らすための最初のステップは、研究に影響を与える可能性のあるものを特定しようとすることです。 文献を調べるか、少なくとも他の研究者に交絡変数について尋ねるのが良いでしょう。 そうでなければ、査読の際に知ることになるでしょう！

  実験を計画する際には、交絡変数の影響を減らすための以下のテクニックを考慮してください：

  • コントロール変数を導入する。 例えば、年齢が交絡因子であると考えられる場合、特定の年齢グループ内でのみテストを行います。
  • 時間に一貫性を持たせる。 一日のうちの同じ時間にデータを取る。 一年の同じ時期に実験を繰り返す。
  • 可能であれば、二重盲検法を用いる。 二重盲検法では、研究者も被験者も、治療が適用されたかどうかを知りません。
  • Randomize（無作為化）。 研究者がグループを選択したり、（人体実験では）被験者に参加を選択させるのではなく、対照と被験者をランダムに選択する。
  • ケースコントロールまたはマッチングを使用する。 交絡変数が疑われる場合は、被験者と対照群をできる限り一致させる。 人体実験では、年齢、性別、民族、教育、食事などが同じ被験者を選ぶことがあります。 動物や植物の研究では、純粋なラインを使うでしょう。 化学物質の研究では、同じサプライヤーやバッチからのサンプルを使用します。

  Confounder vs Mediator or Effect Modifier

  交絡因子は、独立変数と従属変数の両方に影響を与えます。 対照的に、メディエーターや効果修飾因子は、独立変数には影響を与えませんが、独立変数が従属変数に与える影響を修飾します。 例えば、薬の効果を調べるテストでは、大人よりも子供の方が薬の効果が高い場合があります。 この場合、年齢は効果修飾因子となります。

  Confounder vs Bias

  ある意味では、交絡変数は実験結果を歪めるという意味でバイアスになります。 しかし、バイアスとは通常、実験計画、データ収集、データ分析による系統的なエラーの一種であることを指します。 実験は交絡変数の影響を受けずにバイアスを含むことがあります。

  Confounding Variable（交絡変数）：独立変数と従属変数の両方に影響を与え、それらの間に誤った関連性をもたらす要因。

  • Axelson, O. (1989). “Confounding from smoking in occupational epidemiology”. British Journal of Industrial Medicine. 46 (8): 505-07. doi:10.1136/oem.46.8.505
  • Kish, L (1959). “Some statistical problems in research design”. Am Sociol. 26 (3): 328-338. doi:10.2307/2089381
  • VanderWeele, T.J.; Shpitser, I. (2013). “On the definition of a confounder”. Annals of Statistics. 41 (1): 196-220. doi:10.1214/12-aos1058
  • Yule, G. Udny (1926). “Why do we Sometimes get Nonsense-Correlations between Tim-Series? A Study in Sampling and the Nature of Time-Series”. 王立統計学会誌. 89 (1): 1-63. doi:10.2307/2341482

  .