ロジスティック回帰におけるオッズ比の計算
ロジスティック回帰では、説明変数の変化がオッズ比として解釈されます。オッズ比は、説明変数の変化に対する成功の相対的な可能性を表す指標です。
ロジスティック回帰の基本構造
ロジスティック回帰モデル：
$\log\left(\frac{p}{1-p}\right) = \beta_0 + \beta_1 x$
ここで：
- $p$：成功確率
- $\frac{p}{1-p}$：オッズ（成功対失敗の比）
- $\log\left(\frac{p}{1-p}\right)$：ロジット（対数オッズ）
Step 1: オッズの定義と性質
オッズの定義：
$\text{Odds} = \frac{p}{1-p}$
ロジスティック回帰モデルより：
$\frac{p}{1-p} = \exp(\beta_0 + \beta_1 x)$
このモデルから：
$p = \frac{\exp(\beta_0 + \beta_1 x)}{1 + \exp(\beta_0 + \beta_1 x)}$
Step 2: x = 0のときのオッズ計算
与えられたモデル：$\log\left(\frac{p}{1-p}\right) = -2.0 + 1.5x$
$x = 0$ のとき：
$\log\left(\frac{p_0}{1-p_0}\right) = -2.0 + 1.5 \times 0 = -2.0$
したがって：
$\frac{p_0}{1-p_0} = \exp(-2.0) = e^{-2} \approx 0.1353$
Step 3: x = 2のときのオッズ計算
$x = 2$ のとき：
$\log\left(\frac{p_2}{1-p_2}\right) = -2.0 + 1.5 \times 2 = -2.0 + 3.0 = 1.0$
したがって：
$\frac{p_2}{1-p_2} = \exp(1.0) = e^1 \approx 2.718$
Step 4: オッズ比の計算
オッズ比（Odds Ratio）の定義：
$\text{OR} = \frac{\text{Odds at } x = 2}{\text{Odds at } x = 0} = \frac{\frac{p_2}{1-p_2}}{\frac{p_0}{1-p_0}}$
$\text{OR} = \frac{\exp(1.0)}{\exp(-2.0)} = \frac{e^1}{e^{-2}} = e^{1-(-2)} = e^3$
$\text{OR} = e^3 \approx 20.086$
小数第2位まで：20.09
オッズ比の一般公式
説明変数が $x_1$ から $x_2$ に変化したときのオッズ比：
$\text{OR} = \exp[\beta_1(x_2 - x_1)]$
本問題では：
$\text{OR} = \exp[1.5 \times (2 - 0)] = \exp(3) = e^3 \approx 20.09$
Step 5: 回帰係数による直接計算
回帰係数 $\beta_1 = 1.5$ の解釈：
- 説明変数が1単位増加すると、対数オッズが1.5増加
- オッズは $\exp(1.5) \approx 4.48$ 倍になる
- 2単位増加では $\exp(1.5 \times 2) = \exp(3) \approx 20.09$ 倍
Step 6: 確率での確認
念のため確率でも確認：
$x = 0$ のとき：
$p_0 = \frac{e^{-2}}{1 + e^{-2}} = \frac{0.1353}{1.1353} \approx 0.119$
$x = 2$ のとき：
$p_2 = \frac{e^1}{1 + e^1} = \frac{2.718}{3.718} \approx 0.731$
オッズ比の再計算：
$\text{OR} = \frac{0.731/(1-0.731)}{0.119/(1-0.119)} = \frac{0.731/0.269}{0.119/0.881} = \frac{2.718}{0.135} \approx 20.13$
オッズ比の解釈
- OR = 1：説明変数の変化による影響なし
- OR > 1：説明変数の増加で成功確率が増加
- OR < 1：説明変数の増加で成功確率が減少
- OR = 20.09：x が0から2に増加すると、成功のオッズが約20倍になる
Step 7: 統計的解釈
本問題の結果 OR = 20.09 は：
- 説明変数 $x$ が0から2に増加すると
- 成功のオッズが約20倍に増加することを意味
- これは非常に強い正の関連を示している
- 回帰係数 $\beta_1 = 1.5$ が比較的大きいことに対応
Step 8: 信頼区間への拡張
実際の分析では、オッズ比の信頼区間も重要：
$\exp\left[\hat{\beta}_1 \pm z_{\alpha/2} \cdot SE(\hat{\beta}_1)\right]$
ここで $SE(\hat{\beta}_1)$ は回帰係数の標準誤差です。