コホート研究や症例対照研究などの観察研究では，未調整交絡や，情報バイアス，選択バイアスの存在は避けられないことがほとんどです。今回は，バイアスについて振り返り，バイアスを定量化する方法（バイアス分析）^1）を紹介します。

観察研究で生じ得るバイアスは

　真の因果効果に近い推定値を得るには，研究デザインの段階で，観察される関連から潜在的なバイアスをできるだけ取り除くことが重要です。しかし，観察研究で扱うデータの多くは，図1のDAGのように，未調整交絡，情報バイアス，選択バイアスが存在します。

未調整交絡の例：曝露にもアウトカムにも影響する「疾患の重症度」が測定されておらず，調整できない場合。
情報バイアスの例：質問票などで測定された情報が，真の情報を正確に反映していない場合。
選択バイアスの例：一部の研究参加者が追跡できなくなったり，分析対象者の選択に偏りが生じたりする場合。

　これらの場合，バイアス分析を用いて想定されるバイアスの向きや大きさを補正すると，バイアスの存在を定量的に考慮した上で観察研究の結果を評価できます。未調整交絡に対するバイアス分析の具体例を見ていきましょう。

バイアス分析で因果関係に迫る

　ここでは，2型糖尿病患者における重症低血糖（他者の介助を必要とする低血糖）が心血管疾患発生リスクを高めるかを検討した研究^2）を紹介しながら，バイアス分析を説明します。

　2013年までに報告された観察研究の結果を統合すると，重症低血糖「あり群」では「なし群」と比べ，心血管疾患発生のリスク比（RR）は約2倍でした。この結果に対し一部の研究者は，重症低血糖は併存する重篤疾患の単にマーカーにすぎず，重症低血糖は心血管疾患の原因ではないだろうと考えました。

　まず，表の架空データから考えましょう。全体で，重症低血糖（E）の心血管疾患発生（D）に対するリスク比（RR_DE）は100／1,000÷5,000／100,000＝2.0ですが，重篤疾患（Z）による未調整交絡で完全に説明できるでしょうか（図2-A）。Zは測定されていないので，Zで層別後の表中の値は欠測値「？」となります。しかし，もし「？」を埋められれば，Zで層別したRR_DEが推定できます。Zの取り得る値はたくさんありますが，あるシナリオを表に［数値］として代入すると，Zで層別したRR_DEが1.0となります。このように未測定のZが観察されたRR_DE＝2.0を完全に説明するには，極端なシナリオの設定が必要であるとわかります。

　ここでは一例を示しましたが，Zのさまざまなシナリオについて，欠測値を代入してRR_DEを計算するのは労力がかかります。また一般に観察研究では，測定された交絡因子で調整後のRR_DEの結果が得られていて，単純に表から計算できないことがほとんどで