医師が患者を振り分ける場合:

「重症の患者には新薬を試したい」
「軽症の患者は対照群でいいだろう」

結果:
・実験群（新薬）: 平均的に重症者が多い
・対照群: 平均的に軽症者が多い

もし新薬群の方が回復率が低かったら？
→ 新薬が悪いのか？
→ もともと重症だったからか？
→ 区別できない！

コインを投げて振り分ける場合:

表が出た患者 → 実験群（新薬）
裏が出た患者 → 対照群

結果:
・実験群: 重症・軽症が混在（偶然による分布）
・対照群: 重症・軽症が混在（偶然による分布）
・両群の重症度がほぼ均等になる

もし新薬群の方が回復率が高かったら？
→ 重症度の差ではない
→ 新薬の効果と推論できる！

無作為化すると:
・年齢、性別、重症度などの既知の要因が均等に
・研究者が知らない要因（遺伝、生活習慣など）も均等に
・「偶然」以外に両群の差を説明できなくなる
→ 結果の差は処置の効果と結論できる

無作為化なし: 結果の差が「処置の効果」か
            「もともとの違い」か区別できない

無作為化あり: 結果の差は「処置の効果」と
            因果関係を主張できる

目的: 新しい勉強法が従来の勉強法より効果的か？

測定する結果（アウトカム）:
・テストの点数
・学習時間
・記憶の定着度

対象者: 同じ学校の同学年の生徒100人

注意点:
・学力レベルが極端に偏らないように
・参加への同意を得る

方法: コンピュータで乱数を生成

実験群: 50人 → 新しい勉強法
対照群: 50人 → 従来の勉強法

※層別ランダム化も可能:
・男女別に25人ずつ無作為割り付け
・これで性別の影響を均等にできる

期間: 1ヶ月間

実験群: 新しい勉強法で毎日30分学習
対照群: 従来の勉強法で毎日30分学習

※学習時間を揃えることで
  時間の影響を除去

結果（例）:
実験群の平均点: 75点
対照群の平均点: 70点

差: 5点

統計的検定:
・t検定で有意差を確認
・p < 0.05 なら「新しい勉強法は効果的」

もし対照群がなかったら:

「新しい勉強法で平均75点取れた！」

でも...
・何もしなくても75点だったかもしれない
・1ヶ月の学校の授業で上がったかもしれない
・テストが簡単だったかもしれない

→ 比較対象がないと効果がわからない

データを見ると:
・アイスクリームの売上が多い日 → 溺死者も多い
・アイスクリームの売上が少ない日 → 溺死者も少ない

相関係数を計算すると正の相関がある

素朴な解釈:
「アイスクリームを食べると溺れやすくなる？」
→ これは誤り！

第3の変数「気温」を考える:

気温が高い日:
・暑いからアイスが売れる ← 気温 → アイス売上
・暑いから海やプールに行く人が増える
・水辺に人が増えるから溺死者が増える ← 気温 → 溺死

気温が低い日:
・アイスは売れない
・海やプールに行く人が減る
・溺死者も減る

       気温（交絡因子）
      ↙        ↘
アイス売上    溺死者数

・気温 → アイス売上（直接影響）
・気温 → 溺死者数（直接影響）
・アイス売上 → 溺死者数（因果関係なし！）

アイスと溺死は「見かけの相関」（疑似相関）

気温を一定にして比較すると:

気温30℃の日だけで分析:
・アイス売上が多い日も少ない日も
・溺死者数は変わらない

→ アイスと溺死に直接の関係はない

交絡因子の条件:
1. 説明変数（X）に影響を与える
2. 目的変数（Y）に影響を与える
3. XとYの因果経路上にない（中間変数ではない）

この例では:
・気温はアイス売上に影響 ✓
・気温は溺死者数に影響 ✓
・気温はアイス→溺死の経路上にない ✓
→ 気温は交絡因子

生じるバイアス: 選択バイアス

問題点:
・健康に関心が高い人だけが回答しやすい
・効果を感じた人は積極的に回答
・効果を感じなかった人は回答しない

結果:
・回答者は「効果あり」に偏る
・効果が過大評価される

対策:
・無作為抽出で対象者を選ぶ
・回答率を上げる工夫
・非回答者の特性を分析

生じるバイアス: 測定バイアス（観察者バイアス）

問題点:
・医師が「この患者は新薬を使っている」と知っている
・「新薬は効くはずだ」という期待がある
・無意識に症状の改善を高く評価してしまう

結果:
・新薬の効果が過大評価される

対策:
・二重盲検法（医師も患者もどちらか知らない）
・客観的な測定指標を使う（血圧値など）

生じるバイアス: 情報バイアス（想起バイアス）

問題点:
・病気になった患者は「原因を知りたい」
・過去の食習慣を詳しく思い出そうとする
・健康な人は詳しく思い出す動機がない

結果:
・患者群で曝露（特定の食品摂取など）が
  過大に報告される

対策:
・質問方法を標準化
・客観的な記録（医療記録など）を使用
・前向き研究（将来を追跡）に変更

新薬とプラセボ（偽薬）を用意:
・見た目が完全に同じ（色、形、大きさ）
・匂いや味も同じにする
・番号だけで区別（A001, A002, ...）

コンピュータで無作為に割り付け:
・患者ID 001 → 薬番号 A001（新薬）
・患者ID 002 → 薬番号 A002（プラセボ）
・患者ID 003 → 薬番号 A003（新薬）
...

対応表は第三者（データ管理者）だけが保管

患者の視点:
「番号がついた薬をもらった」
「本物か偽物かはわからない」

医師の視点:
「番号がついた薬を処方した」
「本物か偽物かはわからない」

→ どちらも「盲検」されている状態

医師が患者の症状を評価:
・症状スコアを記録
・副作用を記録
・客観的検査値を記録

「新薬だから効くはず」という期待がないので
客観的に評価できる

試験終了後:
1. すべてのデータを収集
2. 対応表を開示
3. 新薬群とプラセボ群のデータを比較
4. 統計解析を実施

開鍵のタイミング:
・すべての患者の追跡が完了してから
・中間解析が必要な場合は独立委員会が判断

除去できるバイアス:

1. プラセボ効果の除去
   患者が「本物だ」と思い込む効果を
   両群で均等にする

2. 期待バイアスの除去
   医師が「効くはずだ」と思って
   評価が甘くなることを防ぐ

3. 意識的・無意識的な偏りの除去
   知らなければ偏りようがない