疫学の基礎

前の章では、交絡について議論しました。 交絡因子は、適切に制御されていない場合、関連性の偏った推定につながる第三の変数です。 効果の変更には、第3の変数（露出ではなく、結果ではない）も含まれますが、この場合、絶対にそれを制御したくありません。 むしろ、効果修正の存在自体が興味深い発見であり、我々はそれを強調する。

効果修正(交互作用とも呼ばれます)が存在する場合、3番目の変数(共変数とも呼ばれます)のレベルごとに異なる結果が得られます。 たとえば、ある期間にわたってオレゴン州立大学（OSU）の学生の睡眠量とGPAに関するコホート研究を行うと、これらのデータを収集する可能性があります:

これはコホート研究であったため、リスク比（RR）を計算します。:

睡眠量とその後のGPAとの間には関連性はありません。

これはコホート研究のリスク比であるため、時間枠を含める必要があります—私は”用語を終了する”と言っていました。 交絡の場合と同様に、これを未調整または粗RRと呼びます。

しかし、学生と話すことから、性別が重要な共変可能性であるかどうか疑問に思います。 交絡と同様に、我々は効果の修正をチェックするために層別分析を行うだろう。 繰り返しますが、同じ露出（睡眠）と結果（GPA）で2×2のテーブルを描画しますが、男性と女性のために別々のテーブルを描画します（性別は共変です）。 これを行うには、生データを振り返って、上記のA（E+、D+）セルの25人のうち、男性と女性の数を把握します。 <8時間を報告し、GPA<3を持っていた25人のうちとしましょう。0人、11人が男性、14人が女性であった。 次に、同様にB、C、およびDセルから参加者を分割し、層固有の2×2テーブルを作成します:

これらの仮説的なデータでは、8時間未満の睡眠は男子学生の間でGPAが高い（「結果」はGPAが低いため、1未満のRRは露出した個人がgpaが低い可能性が低いこ

この場合の性別は効果修飾子として機能しています：睡眠とGPAとの関連は共変量の地層によって異なります。 次のようにして、層別分析を行うときに効果の変更を見つけることができます:

• 関連の地層固有の措置が互いに異なっている
• 原油は、それらの間に落ちる

あなたが効果修正を持っている場合は、次のステップは、地層固有の措置 私たちは調整された尺度を計算しません（それは原油と同様に1.0近くになります）; ここで興味深いのは、男性と女性が異なる睡眠に反応することです。 エフェクトの変更は、結果で強調したいものであり、調整するものではありません。

記事を読むとき、効果の変更は時々相互作用と呼ばれるか、著者は層別分析を報告していると言うかもしれません。 これらの3つのフレーズのいずれかが、効果修飾子として機能する変数があるという手がかりです。

効果修正例II

2008年の住宅バブル景気後退（これが暴露）に続いて、米国経済は多くの雇用を失った。 ここでは、不況の前、中、および後に働いていた人々の数（結果）を示すグラフです。 結果は性別（共変量）によって階層化されて提示されており、分析者は性別が効果修飾子として機能している可能性があると疑っていることを意味し 実際、結果はわずかに異なります：男性（青）は雇用の割合が大きくなり、2014年の時点ではまだ景気後退前のレベルに回復していませんでしたが、女性（赤）は

私たちも年齢別に層別にするとどうなりますか？ まず、ここでは、不況が55歳以上の人々の仕事にどのように影響を与えたかを示すグラフがあります:

景気後退は、古い働くアメリカ人にはまったく影響しませんでした。 また、性別による影響の修正も見られません—2つの線はほぼ平行です。

若い大人はどうですか？

ここでは、ジェンダーによる大きな影響の変更を持っている—若い男性は、利用可能な仕事の巨大な割合を失い、2014年の時点で完全に回復していませんでした。 不況は主に住宅バブルによって引き起こされ、建設労働者は主に若い男性であるため、これは驚くべきことではありません。 対照的に、若い女性は仕事のわずかな割合を失い、すぐに前職よりも優れたレベルに回復しました。

最後に、25歳から54歳までの求人を見てみましょう:

ここでは、非常に荒涼とした写真を参照してください。 この年齢層では、女性よりも男性の方が仕事が失われ、2014の時点ではまったく回復していませんでした。

したがって、2008年の景気後退に対する雇用市場の対応を調べると、年齢による実質的な影響の変化（雇用の回復は年齢によって大幅に変化した）と、いくつかの年齢カテゴリー内では、性別による影響の変化の証拠も見られる。 雇用に対する景気後退の影響は、年齢や性別の異なる人々にとって異なっていた。

これは、政策の意味が非常に異なるため、重要です。 あなたが連邦政府の一員として働いていて、景気刺激策や回復策を設計しようとしていたと想像してください。 あなたが最初のグラフから来た唯一のデータで、年齢の内訳がない場合、潜在的な政策解決策は、年齢別の層別分析にもアクセスできる場合とは非常に異

交絡では、交絡因子がグループ間で均等に分散されていないため、最初は間違った答えを得ています。 これは、あなたが計算する関連付けの尺度を歪ませます（覚えておいてください：足を大きくすることは、学年レベルによって交絡するためにのみ読 そのため、代わりに、関連付けの尺度を再計算する必要があります。

効果修正では、最初は間違った答えを得ていますが、今回はサンプルに暴露/疾患関連が異なる少なくとも2つのサブグループが含まれているためです。 この場合、これらのサブグループを永続的に分離し、結果を報告する必要があります（これは他の共変数によって混同される場合とされない場合があ: この場合、睡眠が少ない男性は、睡眠が多い男性よりも高いGPAsを持っていますが、同時に、睡眠が多い女性は睡眠が少ない女性よりも高いGPAsを持ってい

ここでは、潜在的な交絡因子と効果修飾子を扱うためのプロセスを示す要約表です。 プロセスの多くは、あなたが持っている共変量のタイプに関係なく同じです（すべての場合において、あなたはあなたの研究中に共変量を測定し、そ). 差の領域は赤で示されています。

結論

交絡とは異なり、その効果は我々の分析で取り除きたいが、効果の修正はそれ自体興味深い発見であり、我々はそれを報告する。 効果の修正を確認するには、層別分析を行います。 関連の層固有の尺度が互いに異なり、それらの間に粗雑なものがある場合、問題の変数が効果修飾子として機能している可能性があります。 共変量の層ごとに結果を個別に報告します。

一つの最後の、プット*イット*オール一緒にテーブル: