Multivariate analysis

1. 構造⽅程式で⾒る
癌のすがた

2. 分析テーマ・⽬的
・分析テーマ
癌による死亡者数と飲⾷の好みの関係性について
・分析の⽬的
特定検診のデータを⽤いて構造⽅程式モデリングを⾏い、癌
による死亡者数とデータの関連性を明らかにすること。
・⽤いたデータ
第１回NDBオープンデータ｜厚⽣労働省
https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/0000139390.html
国⽴がん研究センター がん情報サービス
https://ganjoho.jp/reg_stat/statistics/dl/index.html#pref_mortality

3. モデル作成⼿順
・前回使⽤したデータセットをそのまま使⽤
変数を追加することも考慮したが、他の変数との整合性が取
りづらく思うような変数を得ることができなかったため、観
測変数となる１３変数を重複して⽤いることを視野に⼊れて
モデル作成に取り組んだ。
・潜在変数を固定
あらかじめ分析に⽤いる潜在変数を３つに決めて検証を⾏う
ことにした。

4. ⽬的変数・観測変数
・⽬的変数
癌による死亡者数
・観測変数
BMI・腹囲・空腹時⾎糖・中性脂肪・収縮期⾎圧・拡張期⾎圧
HbA1c・LDLコレステロール・HDLコレステロール
GOT・GPT・γ-GTP

5. 潜在変数
Ø 癌による死亡者数と関連がありそうな特徴を潜在変数とし
て、以下を仮定した。
1. ⾼カロリー⾷が好き
2. 濃い味付けが好き
3. アルコールが好き

6. ２個の潜在変数だけでモデル作成した例
⾼カロリー
⾷が好き
アルコール
が好き
BMI
中性脂肪
収縮期⾎圧
拡張期⾎圧
LDLコレス
テロール
γ-GTP
GPT
GOT
HDLコレス
テロール
癌による死亡者数
腹囲
HbA1c 空腹時⾎糖
-0.44
0.09
0.95
0.64
0.90
0.08
0.46
-0.34 0.02
0.87
0.79
0.94
0.77-0.29
0.39
・GFI＝0.58

7. 改善策
・どうにか潜在変数が3個のモデルを作れないか？
→エラーが出た際に、それぞれの推定値の低い値を控え、さ
らに各潜在変数ごとにモデリングしていき、エラーの出た潜
在変数を減らしていく⽅法をとった。
・さらにGFIを⾼めるためにはどうしたら良いか？
観測変数の数を増やすため、そしてよりGFIを⾼めるために先
程控えた低い推定値を相関係数⾏列の⾼い相関を出している
値を⼊れ変えたり増やしたり調整した。

8. 潜在変数１(⾼カロリー⾷好き)
Ø 観測変数：BMI・腹囲・空腹時⾎糖・中性脂肪・収縮期⾎圧・
HbA1c
・GFI=0.83
⾼カロリー⾷好き
腹囲
空腹時⾎糖
中性脂肪
収縮期⾎圧
BMI
HbA1c
0.95
0.90
0.47
0.64
0.08
0.09

9. 潜在変数２(濃い味付け好き)
Ø 観測変数：収縮期⾎圧・LDLコレステロール・HbA1c・空腹
時⾎糖・拡張期⾎圧
・GFI=0.92
濃い味付け好き
収縮期⾎圧
拡張期⾎圧
LDLコレス
テロール
HbA1c
空腹時⾎糖
1.01
0.62
-0.07
-0.48
0.42

10. 潜在変数３(アルコール好き)
Ø 観測変数：HDLコレステロール・GOT・GPT・γ-GTP
・GFI=0.95
アルコール好き
HDLコレス
テロール
GOT
GPT
γ-GTP
0.31
0.90
0.81
0.91

11. 全体のモデル(最終版)
⾼カロリー
⾷が好き
濃い味付け
が好き
アルコール
が好き
BMI
中性脂肪
収縮期⾎圧
拡張期⾎圧
LDLコレス
テロール
γ-GTP
GPT
GOT
HDLコレス
テロール
癌による死亡者数
腹囲
HbA1c
空腹時⾎糖
0.97
0.89
0.34
0.63
-0.14
0.08
0.86
-0.57
-0.01
0.49 0.66
0.27
0.90
0.81
0.91
-0.01
0.79
-0.33
0.24
0.39
0.66
・GFI＝0.66

12. まとめ
・最終的なモデルのGFIは0.66である。
・癌によって死亡する可能性の⾼い⼈→推定値が⾮常に
⼩さい「濃い味付けが好き」であることを除いて、普段
の⾷⽣活において「アルコール好き」であり、「⾼カロ
リー⾷が好き」であると考えられる。
・逆説的に⾔えば、普段からこれらの点に注意した⾷⽣
活を送ることでがんになる可能性を下げられるかもしれ
ないと⾔える。