検出力分析を簡単に: 例を使ったサンプルサイズの計算

公開日：2026年6月20日|最終更新日：2026年8月10日

何も発見されなかった研究が必ずしも失敗とは限らず、何か発見された研究が必ずしも真実であるとは限りません。信頼できる帰無仮説の結果と無駄な結果、真の発見と偶然のp値を区別するのは、通常、ほとんどの研究者がデータ収集前に行う計算です。検出力分析は、特定の質問に答えます。つまり、関心を持つに値する最小の効果を仮定した場合、その効果を検出する可能性を高めるには、研究に何人の参加者、サンプル、または観測が必要かということです。この計算を省略すると、研究は実際に存在する効果を見つけるには小さすぎたり、まれに必要以上に大きくなってしまい、何の成果も得られずに予算と参加者の時間を浪費してしまう可能性があります。

倫理委員会、学術誌の査読者、助成金審査委員会は皆、現在この数値を要求しており、それには正当な理由があります。何十年にもわたって発表された臨床試験は、計算ではなく習慣、予算、あるいは推測に基づいてサンプルサイズが決定されていましたが、そのパターンに関する研究文献は決して好ましいものではありません。このガイドでは、検出力分析の基盤となる4つの数値を順を追って説明し、実際の算術を用いて完全な計算手順を示し、研究者が最もよく使用する4つの実験デザインにおける検出力分析について解説し、研究において計算ミスが最も多い箇所を指摘します。

パワー分析が実際に決定すること

仮説検定には、誤りを犯す可能性のある方法が2つあります。研究は、真の帰無仮説を棄却してしまう可能性があり、これは統計学者が第一種過誤と呼ぶ誤った警報です。また、誤った帰無仮説を棄却できない可能性があり、これは第二種過誤と呼ばれます。アルファは、研究者が許容する第一種過誤のリスクであり、ほとんどの場合0.05に設定されます。パワーは、同じ検定を反対の角度から見ます。パワーは1マイナスベータで、ベータは第二種過誤率であり、実際に存在する効果を正しく検出する確率を示します。

サンプルサイズは、これらすべてを結びつける重要な要素です。効果量と有意水準αを一定に保った場合、サンプルサイズが大きいほど検出力は高まります。これは、データ量が増えることで推定値のノイズが小さくなり、真の差を偶然の差から容易に区別できるようになるためです。検出力分析は、この関係を逆算的に計算するもので、研究者が求める検出力と効果量から出発し、それらを達成するためのサンプルサイズを求めます。

電力分析の背後にある4つの数字

パワー分析では、4 つの量が互いに決定し合い、3 つのピンを固定すると 4 つ目の量が決定されます。効果量とは、どの程度の差や関連性が意味を持つかを示すもので、標準化された尺度で表され、結果や研究間で比較できます。アルファは偽陽性の許容値を設定し、応用研究ではほぼ常に 0.05 ですが、誤報が高額または危険な場合は 0.01 に厳しくなることもあります。パワーは真の効果を見逃す許容値を設定し、慣習的に 0.80 ですが、確認研究やリスクの高い研究では 0.90 にますます厳しくなっています。他の 3 つの量が固定されると、サンプルサイズは自然と決まります。

80%という検出力目標値が一般的に用いられるようになったのは、ジェイコブ・コーエンによる効果量とサンプルサイズに関する影響力のある研究が大きな要因であり、現在でも多くの学術誌や資金提供機関のガイドラインでデフォルト値として用いられている。しかし、実際の効果が研究者の当初の期待よりも小さい場合が多いことを踏まえ、現在では90%を推奨する手法論者が増えている。

コーエンはまた、小、中、大の効果に対するベンチマーク値を提案しており、心理学、医学、疫学の研究者たちは、過去のデータからより良い推定値が得られない場合、今でもそれらの値に頼っている。しかし、これらは慣例であって、自然の法則ではない。予備調査や、密接に関連する研究から発表された効果量は、一般的な推測よりも常に優れている。

表の行を間違えることは、検出力分析でよくある失敗例の一つです。ある分野で中程度の効果とみなされるものが、別の分野では楽観的であったり悲観的であったりする可能性があり、類似の研究結果と一致するかどうかを確認せずに「中程度」と決めつけるのは、計算を装った推測に過ぎません。アルファ値と統計的有意性の関係性を理解した上でこれらの数値を確定することは重要です。なぜなら、この2つの決定は相互に影響し合うからです。

サンプルサイズ不足の研究は架空の問題ではない

このステップを省略した場合の結果は、理論上のものではなく、実証済みである。否定的な結果が発表された71件の臨床試験を再検討したところ、そのうち67件（サンプル全体の94%）は、十分な数の患者を登録しなかったために、真の25%の治療効果を見逃すリスクが10%以上あったことが判明した。同じ71件の試験のうち50件（70%）は、最大50%もの改善を見逃していた可能性がある（Freiman et al., 1978, New England Journal of Medicine）。

Moher、Dulberg、およびWellsによる追跡分析では、 1975年、1980年、1985年、および1990年にJAMA、The Lancet、およびNew England Journal of Medicineに掲載された383の試験が調査されました。使用可能な結果データのある70の否定的な2群試験のうち、25%の相対差を検出する統計的検出力があったのはわずか16%で、50%の相対差を検出できたのはわずか36%でした。これらの数値は、15年間の出版期間を通じてほとんど変化していません。報告は、この期間を通じて改善されました。サンプルサイズの計算は、1975年にはこれらの論文の0%に記載されていましたが、1990年には43%に増加し、真の進歩となりましたが、43%というのは、否定的な結果の試験のほとんどが研究結果を示していなかったことを意味します（Moher et al.、1994、JAMA）。

40年にわたるメタ研究において、同じ失敗が繰り返し見受けられる。研究は、予算や被験者募集期間によって許されるサンプルサイズに基づいて構築され、あたかもその数が特定の、あらかじめ定められた効果を検出するために選ばれたかのように分析される。しかし、実際にはそうではない場合がほとんどだ。ランダム化比較試験の設計と分析は、被験者を一人も登録する前にこの点を正しく行うことが不可欠である。なぜなら、試験が既に検出力不足で開始されてしまえば、統計的に挽回することはできないからだ。

電力分析の実行方法の選択

サンプルサイズを決定するには3つの実用的な方法があり、どれが最適かは実験デザインの標準性によって異なります。教科書的な実験デザイン、2群比較、一元配置分散分析、相関分析、標準回帰分析などの場合、閉形式の公式が存在し、無料ソフトウェアで即座に適用できます。 G*パワーハインリッヒ・ハイネ大学デュッセルドルフ校のチームによって構築され、広く引用されている方法論論文で文書化されているこのツールは、ポイントアンドクリックインターフェースを通じてこれらのテストのほとんどをカバーしており、方法論コースやジャーナルガイダンスで最も一般的に推奨されている無料のオプションであり続けています（Faul et al., 2007, 行動研究の方法R ユーザーは、以下の方法で同等の計算を行うことができます。 pwr このパッケージは、G*Powerの出力を反映するものであり、再現可能な分析スクリプトに自然に組み込まれます。

数式とG*Powerはどちらも、かなり標準的なデザインを前提としています。研究にクラスタリング（例えば、クリニック内に患者が入れ子になっている場合）、同一人物に対する繰り返し測定、計画された欠損データ、あるいは混合効果モデルやベイズ分析などの非標準モデルが含まれる場合、閉じた形式の数式は信頼性を失い、シミュレーションの方が安全な選択肢となります。シミュレーションに基づく検出力分析では、想定される効果量と分析モデルに基づいて数千の合成データセットを生成し、それぞれのデータセットに対して実際に計画された統計検定を実行し、有意水準に達した実行の割合を報告します。設定にはG*Powerに数値を入力するよりも時間がかかりますが、閉じた形式の数式では処理できない複雑さを処理できます。

実際に実行する4つの設計に対する電力分析

以下に、応用研究の大部分を網羅する4つの設計を示します。それぞれの設計の背後にある計算式と、中程度の効果量、有意水準0.05、検出力80%における実際の計算例も併せて示します。以下の数値はすべて、経験則に基づくものではなく、研究者が自身のプロトコル作成に使用している統計ソフトウェアから得られたものです。

2つの独立したグループ（t検定）

2つの独立したグループ（治療群と対照群、または曝露群と非曝露群）間の平均値を比較するデザインは、ほとんどのサンプルサイズに関する議論でデフォルトで採用されるものです。ここでの検出力は、グループ平均の差を標準偏差単位で表したコーエンのd値に依存します。ロジスティック回帰は、結果が連続変数ではなく二値変数である場合、同様の2群比較を扱いますが、後述する関連するものの異なる計算方法を用います。

一元配置分散分析（3つ以上のグループ平均）

比較対象が2つ以上のグループに及ぶ場合、t検定の代わりにANOVAが用いられ、効果量はコー​​エンのf値に切り替わります。f値は、各グループ内のばらつきに対するグループ平均のばらつきの程度を要約したものです。複数のグループに加えてクラスタリングを行うデザイン（例えば、個々の患者ではなく診療所をランダム化する試験など）では、デザイン効果と呼ばれるさらなる調整が必要となります。これは、同じクラスター内の患者は異なるクラスター内の患者よりも互いに類似していることを考慮して、必要なサンプルサイズを増やすものです。

相関（2つの連続変数間の関連性）

血圧と年齢、あるいは質問票のスコアとアウトカム指標など、2つの連続変数が連動して変化するかどうかを検定する場合、ピアソンの相関係数rを効果量として直接使用します。理論上は線形に見える関係でも、実際のデータではそうでない場合は、多くの場合検出力の低い、別のノンパラメトリックな手法を用いる必要があるため、そもそも適切な検定法を選択することが、見た目以上に重要になります。

重回帰分析（結果の予測因子の検証）

複数の予測因子を同時にテストする回帰モデル、または共変量を調整しながら単一の予測因子をテストする回帰モデルでは、関心のある予測因子によって説明される分散と残りの分散を比較する比率であるコーエンのf²を使用します。臨床研究における多変量回帰では、複数の共変量がモデルに入ると、単純な2群比較よりも多くの参加者が必要になるのが一般的です。また、二値結果に対するロジスティック回帰では、標準的な検出力計算に加えて、予測変数1つあたり約10件の観測イベントという独自の経験則があります。

すべての数値は、α = 0.05、両側検定、検出力 80% で R を用いて計算されています。 stats (NAIST) と pwr 同じ入力値に対してG*Powerの出力と一致するパッケージ。

再利用可能な実例

以下に、その表の最初の行の背後にある計算式をすべて示します。ソフトウェア内部に隠すのではなく、ロジックが見えるように手作業で行いました。

連続的なアウトカムに対して、新しい介入と標準治療を比較する2群比較試験を想像してみてください。先行研究に基づくと、標準化差がコーエンのd = 0.5であれば、検出する価値のある最小の効果であり、これは一般的な中程度の効果に相当します。有意水準は両側0.05（標準的な閾値）に設定し、検出力は80%、つまり効果が実際に存在する場合に80%の確率でその効果を検出できるとします。

2群比較における正規近似式は、1群あたりのサンプルサイズnが、（αに対するz値と検出力に対するz値の合計）の2乗をdの2乗で割った値に等しいというものです。標準値は、検出力0.025におけるz値で1.96、検出力80%におけるz値で0.84です。

その通常の近似値は近い値になりますが、G*Power や R が計算する値と完全に一致するわけではありません。どちらも、上記のショートカットではなく、より保守的な非中心 t 分布を使用します。同じ入力値、d = 0.5、alpha = 0.05 両側検定、検出力 80% を R で実行すると、 power.t.test 関数はグループごとに 63.8 を返し、切り上げます。 各グループ64名、合計128名これは、方法論のセクションで実際に報告される数値であり、G*Power がこの設計に対して生成する数値と同じです。

概算値と正確な値の差が重要な理由は一つです。ソフトウェアが実際に使用する正確な方法ではなく、大まかな近道に頼ることは、小さな不足が積み重なる典型的な例です。予算表上では些細な不足に見えるかもしれませんが、グループごとに64人ではなく40人しか参加者を募集しない場合、同じd = 0.5の効果に対する検出力は、研究設計の目標である80%ではなく、60%弱に低下します。これは、実際の中程度の効果を完全に見逃してしまう可能性がほぼゼロに等しく、まさにフライマンとモーハーが数十年にわたる発表済みの臨床試験で記録した不足パターンです。

前述の表のいずれかの行に一致する設計の場合、Editverseの無料サンプルサイズ計算ツールは、 RやG*Powerをローカルにインストールする必要なく、この計算を正確に実行します。また、使用方法に関するステップバイステップガイドでは、すべての入力フィールドについて詳しく説明されています。

パワー分析を静かに崩壊させるミス

• 自分の結果から事後的に検出力を計算する。 研究結果から事後的に算出された検出力は、数学的には単にそのp値を再スケーリングしただけのものに過ぎません。これは何ら有益な情報をもたらすものではなく、ほとんどの方法論者は報告しないよう推奨しています。
• 予備データや文献に基づかずに効果量を推測すること。 妥当に聞こえるからといって「中程度」をデフォルトにしてしまうと、計算は白衣を着た推測に成り下がってしまう。
• 予想される脱落や欠損データは無視する。 検出力分析では、必要な分析対象サンプルサイズが算出されるのであって、実際に登録されたサンプルサイズが算出されるわけではありません。予想される脱落率は、算出されたサンプルサイズに後から組み込むのではなく、計算されたサンプルサイズに加算する必要があります。
• クラスタリング、反復測定、多重比較に対する調整は行っていません。 これらの変更はそれぞれ、有効サンプルサイズ、つまり実際に費やされるアルファ値を変化させるため、調整を省略すると、研究が持つと信じている検出力が静かに低下する。
• 倫理委員会への提出書類として、パワー分析を一度だけチェックする項目として扱う。 試験の途中で、試験群を追加したり、主要評価項目を変更したり、解析計画を修正したりした場合は、新たな計算を行うべきであるが、この手順が省略されることがあまりにも多い。
• 統計的有意性と実質的有意性を混同している。 非常に大きなサンプルサイズでは、臨床的にも実際的にも問題とならないほど小さな差を検出するのに十分な検出力を持つ可能性があり、これはそれ自体が一種の設計上の欠陥と言える。

論文や助成金申請書のためのパワー分析の書き方

方法論のセクションでは、審査員や助成金審査委員会の統計家が、単に検出力分析が行われたと信じるだけでなく、実際に分析結果を検証できるだけの十分な情報を提供する必要があります。つまり、想定される効果量の根拠（予備研究、公表済みのメタ分析、あるいは臨床的に重要な最小差など）を、アルファ値と検出力目標、使用したソフトウェアや計算式とともに明記する必要があります。

• 効果の大きさとその発生源を明記してください。 「先行研究に基づき、中程度の効果d=0.5を仮定した」という記述は検証可能である。「妥当な効果を仮定した」という記述は検証不可能である。
• アルファ値と検出力を明確に報告してください。 読者に最終的なサンプルサイズだけからこれらの情報を推測させてはいけません。
• ソフトウェア名を挙げてテストしてください。 G*Power、R's pwr package、PASS、nQueryは、端の部分でわずかに異なる数値を生成する可能性があるため、ツール名を明記することで、他の人が同じ図を再現できるようになります。
• 最終的な数値は、脱落者やクラスター化による水増し分も含めて、正直に報告してください。 計算で求められたよりも参加者が少なかった場合は、その旨を明記し、結果として生じる検出力について、査読者が気づくのを待つのではなく、直接議論してください。

助成金審査員がこのセクションを綿密に読むのには理由があります。統計的手法に関するセクションが整合性を欠いていることは、提案書の厳密性に関する評価が低くなる、よくある、そして回避可能な理由の一つです。コンプライアンス重視の助成金申請書審査では、このような欠陥を審査員の不運な目に遭わせるのではなく、提出のはるか前に発見することができます。

電力分析に関する実践的なサポートを受ける

パワー分析の中には、ルーチン的なものもあれば、クラスタリング、欠損データ、あるいはテンプレート計算では検証に耐えられないほど複雑なモデルを扱うものもあります。Editverseの統計専門家は、こうした両極端なケースに対応できます。

主要なポイント（要点）

• ✓ 効果量、アルファ値、検出力、サンプルサイズの3つを固定すれば、検出力分析によって4つ目の値が求められる。
• ✓ 0.05のアルファ値と80%の検出力は慣習的な出発点であり、固定されたルールではありません。
• ✓ 1978年の監査から2021年の再分析に至るまで、数十年にわたる発表された臨床試験は、同じ検出力不足の問題を指摘し続けている。
• ✓ G*PowerとRのpwrパッケージは標準設計を無料でカバーし、シミュレーションは残りの部分をカバーします
• ✓ 計算過程は最終的な数値だけでなく、計算過程も示すべきです。
• ✓ 採用計画を確定する前に、予想される退学者数を考慮して入学目標を膨らませる
• ✓ 効果量、その情報源、アルファ値、検出力、および使用したソフトウェアを毎回報告する

参考情報

1. Freiman JA、Chalmers TC、Smith H Jr、Kuebler RR。ランダム化比較試験の設計と解釈におけるベータ値、第II種過誤、サンプルサイズの重要性。71件の「陰性」試験の調査。 N ENGL Jメッド。 1978;299(13):690-694. https://pubmed.ncbi.nlm.nih.gov/355881/
2. Moher D、Dulberg CS、Wells GA。ランダム化比較試験における統計的検出力、サンプルサイズ、およびそれらの報告。 JAMA。 1994;272(2):122-124. https://pubmed.ncbi.nlm.nih.gov/8015121/
3. Button KS、Ioannidis JPA、Mokrysz Cら。「検出力の不足：なぜサンプルサイズが小さいと神経科学の信頼性が損なわれるのか」。 Nat Rev Neurosci。 2013;14(5):365-376. https://pubmed.ncbi.nlm.nih.gov/23571845/
4. Faul F、Erdfelder E、Lang AG、Buchner A. G*Power 3：社会科学、行動科学、生物医学のための柔軟な統計的検出力分析プログラム。 Behav Resメソッド。 2007;39(2):175-191. https://pubmed.ncbi.nlm.nih.gov/17695343/
5. Reito A、Raittio L、Helminen O. 整形外科におけるランダム化比較試験のサンプルサイズと統計的検出力の再検討（2年後）。 JBJS Rev. 2021; 9（3）。 https://pubmed.ncbi.nlm.nih.gov/32224628/
6. ハインリッヒ・ハイネ大学デュッセルドルフ校。G*Power：統計的検出力分析ソフトウェア。 https://www.psychologie.hhu.de/arbeitsgruppen/allgemeine-psychologie-und-arbeitspsychologie/gpower
7. Champely S, et al. pwr: 電力解析のための基本関数。包括的Rアーカイブネットワーク。 https://cran.r-project.org/package=pwr
8. ボストン大学公衆衛生大学院。検出力とサンプルサイズの決定。 https://sphweb.bumc.bu.edu/otlt/mph-modules/bs/bs704_power/bs704_power_print.html