効果量（Effect Size）を理解すると統計が一気に実務的になる― p値の限界を超えて、“どれだけ効くか”を語れる統計へ ―
・効果量（Effect Size）の定義と、p値との違い・補完関係
・代表的な効果量指標（Cohen’s d・Hedges g・相関 r・η²・リスク比・オッズ比・NNT）の計算方法
・Cohenの目安（小・中・大）の一覧と、臨床的意義（MCID）との関係
・効果量を R（effsize・effectsize パッケージ）で計算する具体的コード
・サンプルサイズ設計・メタ分析における効果量の役割と、医薬品開発での実務的な使い方
はじめに
統計を学び始めてしばらくすると、多くの人が「p値の壁」にぶつかります。p値は便利ですが、実務で意思決定するための情報としては不十分です。医薬品開発、心理学、教育、マーケティングなど、どの分野でも本当に知りたいのは次の問いです。
「どれくらい効くのか？」
「その差は臨床的に意味があるのか？」
この問いに答えるのが 効果量（Effect Size） です。本記事では、代表的な効果量である Cohen’s d、Hedges g、相関 r、η²、リスク比、オッズ比、NNT を体系的に整理し、それぞれの目安（大きさの基準）と、医薬品開発の文脈での「治療差」と「臨床的意義」の違いまで踏み込みます。さらに R での実装コードと出力の読み方まで、実務で使える形で解説します。
効果量は統計検定準1級・1級でも頻出テーマであり、論文の結果を正しく読み解くうえでも欠かせない知識です。
なぜ効果量が重要なのか ― p値の限界
p値は「差が偶然かどうか」を評価する指標ですが、次のような弱点があります。
- サンプルサイズが大きいと、ごく小さな差でも有意になる
- サンプルサイズが小さいと、大きな差でも有意にならない
- そもそも差の大きさ（効果の大きさ）を教えてくれない
同じ「有意差あり」でも、その中身はまったく異なります。次の表は、平均差とサンプルサイズの組み合わせでp値がどう変わるかを示したものです。
| 研究 | サンプルサイズ n | 平均差 | p値 | 実務的な意味 |
|---|---|---|---|---|
| A | 10,000 | 0.1 | p < 0.001 | 有意だが差は小さい |
| B | 20 | 5.0 | p = 0.07 | 非有意だが差は大きい |
多くの場合、実務的に重要なのは研究Bの方です。ここで必要になるのが、サンプルサイズに左右されない効果量です。p値そのものの意味については、p値を正しく理解する：統計学を勉強していく人のための基礎から応用までも合わせてご覧ください。
効果量とは何か
効果量（Effect Size）は、群間の差の大きさや変数間の関連の強さを、単位に依存しない形で標準化して表す指標です。大きく分けると次の3タイプがあります。
- 差の標準化：平均値の差を標準偏差で割る（Cohen’s d / Hedges g）
- 関連の強さ：相関係数 r や、分散に占める割合 η²、カテゴリ間の関連 Cramér’s V
- 比・リスクの指標：リスク比（RR）、オッズ比（OR）、NNT
効果量は「サンプルサイズに依存しない」「研究間で比較できる」「実務的な意思決定に使える」という3つの強みを持ちます。この性質があるからこそ、複数の研究を統合するメタ分析でも共通の物差しとして使えます。
平均差の効果量：Cohen’s d と Hedges g
連続値のアウトカム（血圧、疼痛スコア、検査値など）で2群を比べるときの定番が Cohen’s d です。
Cohen’s d
2群の平均差を、プールした標準偏差で割ったものです。
\[d=\frac{\bar{X}_1-\bar{X}_2}{s_{\mathrm{pooled}}}\]
ここで \(\bar{X}_1,\bar{X}_2\) は各群の平均、\(s_{\mathrm{pooled}}\) は2群を合わせた標準偏差で、次式で定義されます。
\[s_{\mathrm{pooled}}=\sqrt{\frac{(n_1-1)s_1^2+(n_2-1)s_2^2}{n_1+n_2-2}}\]
分子が「効果の大きさ（平均差）」、分母が「データのばらつき」です。つまり Cohen’s d は、ばらつきを1単位としたときに平均差が何個分あるかを表します。d = 1 なら「標準偏差1つ分の差」という直感的な意味になります。
Hedges g（小標本バイアスの補正）
Cohen’s d は小標本のとき効果量をやや過大評価する（バイアスが生じる）ため、その補正を行ったものが Hedges g です。
\[g=J\cdot d,\qquad J=1-\frac{3}{4(n_1+n_2)-9}\]
補正係数 \(J\) は1より小さいため、g は d をわずかに縮めた値になります。標本が大きくなると \(J\) は1に近づき、両者はほぼ一致します。
n が小さい研究（目安として各群 n < 20）では、Cohen’s d より Hedges g の方が推奨されます。論文・メタ分析では、どちらを報告したかを明記することが重要です。
効果量の目安（Cohenの基準）と関連の効果量
効果量は数値そのものより、「それが大きいのか小さいのか」の解釈が実務では重要です。Jacob Cohen が示した目安が広く使われています。
| 効果量の種類 | 小（Small） | 中（Medium） | 大（Large） |
|---|---|---|---|
| Cohen’s d / Hedges g | 0.20 | 0.50 | 0.80 |
| 相関係数 r | 0.10 | 0.30 | 0.50 |
| η²（イータ二乗） | 0.01 | 0.06 | 0.14 |
| Cohen’s f（分散分析） | 0.10 | 0.25 | 0.40 |
| Cramér’s V（df=1） | 0.10 | 0.30 | 0.50 |
Cohen自身が「この基準は分野固有の情報がないときの便宜的なもの」と述べています。医薬品開発では、統計的な「大・中・小」より、後述の 臨床的意義（MCID） に照らした判断の方が重要です。領域によって「小さい効果でも臨床的に極めて重要」というケースは珍しくありません。
相関の効果量 r
2つの連続変数の関連の強さは、相関係数 r をそのまま効果量として使えます。r は −1〜+1 の範囲をとり、絶対値が大きいほど関連が強いことを示します。r を2乗した決定係数 \(r^2\) は「一方の変数が他方の分散をどれだけ説明するか」を表します。
分散分析の効果量 η²
3群以上を比べる分散分析（ANOVA）では、η²（イータ二乗） が代表的な効果量です。
\[\eta^2=\frac{SS_{\text{効果}}}{SS_{\text{全体}}}\]
これは「全体のばらつきのうち、その要因で説明できる割合」を意味します。複数要因があるときは、他要因を除いた 偏イータ二乗（partial η²） を使うのが一般的です。
二値アウトカムの効果量：リスク比・オッズ比・NNT
医薬品開発では、二値アウトカム（治った／治らない、イベントあり／なし）が数多く扱われます。
リスク比（Risk Ratio, RR）
\[RR=\frac{P(\mathrm{イベント}\mid\mathrm{治療群})}{P(\mathrm{イベント}\mid\mathrm{対照群})}\]
例として治療群20%、対照群40%なら、
\[RR=\frac{0.20}{0.40}=0.5\]
つまり治療群のイベントリスクは対照群の半分、と直感的に読めます。
オッズ比（Odds Ratio, OR）
\[OR=\frac{p_1/(1-p_1)}{p_2/(1-p_2)}\]
治療群20%（オッズ0.25）、対照群40%（オッズ0.67）なら、
\[OR=\frac{0.25}{0.67}\approx 0.37\]
イベント率が低い場合（10%未満）は RR ≈ OR となり、ほぼ同じ値になります。一方、イベント率が高い場合（20%超）は OR が RR より極端な値になりやすく、「オッズ比＝リスク比」と誤読すると効果を過大評価してしまいます。ロジスティック回帰の出力はORなので、この違いは特に注意が必要です。
NNT（治療必要数）
臨床の意思決定で分かりやすいのが NNT（Number Needed to Treat, 治療必要数） です。1件の good outcome を得る（1件のイベントを防ぐ）のに、何人を治療する必要があるかを表します。
\[NNT=\frac{1}{ARR},\qquad ARR=\text{対照群リスク}-\text{治療群リスク}\]
対照群10%、治療群5%なら、絶対リスク減少 ARR = 0.05、NNT = 1 / 0.05 = 20。つまり「20人を治療すると1人のイベントを防げる」と解釈でき、臨床現場や医療経済の議論で直感的に使えます。
医薬品開発での実務と臨床的意義（MCID）
医薬品開発では、次の2つを明確に区別する必要があります。
| 観点 | 統計的有意性（p値） | 臨床的意義（効果量・MCID） |
|---|---|---|
| 問い | 差は偶然か？ | どれだけ効くか？患者に意味があるか？ |
| サンプルサイズ依存 | 強く依存する | 依存しない |
| 判断材料 | 有意水準との比較 | 効果量・信頼区間・MCIDとの比較 |
ここで鍵になるのが MCID（Minimal Clinically Important Difference, 臨床的に意味のある最小差） です。例えば疼痛スコアの MCID が2点のとき、治療差が4点なら臨床的意義あり、1点なら統計的に有意でも臨床的意義は乏しい、と判断できます。効果量は治療差を標準化して比較可能にする一方で、MCID は「その分野で意味のある差はどのくらいか」という文脈を与えます。両者を組み合わせて初めて、治療効果を実務的に評価できます。
具体例：架空の抗炎症薬「Drug A」
疼痛スコア（連続値）の改善で、治療群が平均改善12・SD=10、対照群が平均改善8・SD=10だったとします。
\[d=\frac{12-8}{10}=0.4\quad(\text{中程度の効果})\]
副作用（発疹）の発生率が治療群5%、対照群10%なら、
\[RR=\frac{0.05}{0.10}=0.5\quad(\text{副作用リスクが半減})\]
このように、有効性は Cohen’s d、安全性はリスク比、とアウトカムの型に応じて効果量を使い分けるのが実務の基本です。
効果量を R で計算する
ここからは R で実際に効果量を計算します。連続値には effsize / effectsize、分散分析には effectsize::eta_squared、二値には fisher.test を使います。
Cohen’s d と Hedges g
再現可能な例として、R 組み込みの mtcars を使い、燃費（mpg）をトランスミッション（am：0=AT, 1=MT）で比較します。
install.packages("effectsize") # 初回のみ
library(effectsize)
# --- Cohen's d ---
cohens_d(mpg ~ am, data = mtcars)
# --- Hedges g（小標本バイアス補正版）---
hedges_g(mpg ~ am, data = mtcars)
> cohens_d(mpg ~ am, data = mtcars)
Cohen's d | 95% CI
--------------------------
-1.48 | [-2.27, -0.67]
> hedges_g(mpg ~ am, data = mtcars)
Hedges' g | 95% CI
--------------------------
-1.44 | [-2.21, -0.65]
Cohen’s d = −1.48 は絶対値0.8を大きく超えており、Cohenの目安では「大きな効果」に相当します（符号は AT を基準にした向きを表すだけで、大きさの解釈には絶対値を使います）。小標本補正を加えた Hedges g = −1.44 はわずかに小さくなっており、n=32 程度では両者の差は小さいことも読み取れます。95%信頼区間 [−2.27, −0.67] が0を含まないため、効果の存在も確認できます。
分散分析の効果量 η²
3群以上の比較では eta_squared() が便利です。iris データで、あやめの種類（Species）がガクの長さ（Sepal.Length）にどれだけ影響するかを見ます。
library(effectsize)
model <- aov(Sepal.Length ~ Species, data = iris)
eta_squared(model)
# Effect Size for ANOVA
Parameter | Eta2 | 95% CI
-------------------------------
Species | 0.62 | [0.55, 1.00]
η² = 0.62 は、ガクの長さの全変動のうち約62%が「種類の違い」で説明できることを意味します。Cohenの目安（大=0.14）をはるかに超える非常に大きな効果です。p値が有意かどうかだけでなく、この η² を併記することで「種類がどれだけ強く効いているか」まで一目で伝えられます。
リスク比・オッズ比
二値アウトカムは分割表から計算します。治療群で発疹あり5人・なし95人、対照群であり10人・なし90人とします。
# 行：治療群 / 対照群、列：発疹あり / なし
tab <- matrix(c(5, 95, 10, 90), nrow = 2, byrow = TRUE)
fisher.test(tab)
Fisher's Exact Test for Count Data
data: tab
p-value = 0.2828
alternative hypothesis: true odds ratio is not equal to 1
95 percent confidence interval:
0.122593 1.597972
sample estimates:
odds ratio
0.4754059
オッズ比は約0.475で、治療群のオッズは対照群の半分以下です。ただしp値=0.28、95%信頼区間 [0.12, 1.60] が1をまたいでいるため、この標本サイズでは「効果あり」と断定できません。効果量（点推定）だけでなく信頼区間の幅を必ず併せて読むことが重要だとわかる例です。リスク比を直接扱いたい場合は
epitools::riskratio() を使うと便利です。効果量とサンプルサイズ設計・メタ分析
効果量は結果を報告するためだけの指標ではありません。研究を計画する段階でも中心的な役割を果たします。
- サンプルサイズ設計：必要な症例数は「検出したい効果量」「有意水準」「検出力」から逆算します。想定する効果量を小さく置くほど、必要な症例数は急激に増えます。詳しくはサンプルサイズ設計の数理：検出力・効果量・事前分布をどう扱うかで解説しています。
- メタ分析：複数の研究を統合する際、効果量は共通の物差しになります。単位や測定尺度の異なる研究でも、Cohen’s d やオッズ比に変換すれば同じ土俵で比較・統合できます。
- 診断精度：連続値の判別性能を評価する AUC も、群間の分離度という意味で効果量の一種と捉えられます。ROC曲線とAUCをRで実装するも参考になります。
よくある質問（FAQ）
Q. 効果量は何を報告すればよいですか？
アウトカムの型で選びます。連続値の2群比較なら Cohen’s d（小標本は Hedges g）、3群以上なら η²、二値なら リスク比・オッズ比・NNT、相関なら r です。APAスタイルでは、p値だけでなく効果量と95%信頼区間の併記が推奨されています。
Q. Cohen’s d が1を超えることはありますか？
あります。d は「標準偏差の何個分か」を表す指標で、上限はありません。d = 1.5 なら「標準偏差1.5個分の差」という非常に大きな効果です。
Q. 効果量が大きければ、その治療は必ず優れていますか？
いいえ。効果量が大きくても、臨床的意義（MCID）に照らして意味がなければ価値は限定的です。逆に、統計的な効果量は小さくても、重篤な疾患では臨床的に極めて重要なことがあります。効果量・信頼区間・臨床的意義の3点で判断してください。
実務でのポイント
1. p値と効果量はセットで読む：p値は「偶然か」、効果量は「どれだけ効くか」を教えてくれる。
2. 効果量の95%信頼区間を必ず見る：点推定が同じでも、CIが狭ければ精度が高く、広ければ不確実性が大きい。
3. 臨床的意義（MCID）と照らし合わせる：効果量が大きくても臨床的に意味がなければ価値は低い。
4. アウトカムの型で指標を選ぶ：連続値はd/g、多群はη²、二値はRR/OR/NNT、関連はr。
📚 この記事をより深く理解するための参考書籍
効果量やその周辺の統計的推測をさらに深く学びたい方に、おすすめの書籍をご紹介します。
関連記事
- p値を正しく理解する：統計学を勉強していく人のための基礎から応用まで
- サンプルサイズ設計の数理：検出力・効果量・事前分布をどう扱うか
- 検出力分析（Power Analysis）入門 ― サンプルサイズ設計に欠かせない基礎知識をSAS・Rで実装 ―
- ROC曲線とAUCをRで実装する ― 感度・特異度・最適カットオフから診断精度の評価まで ―
- 統計検定準1級 攻略ガイド ― 出題範囲・勉強法・おすすめ参考書を生物統計家が徹底解説 ―
まとめ
本記事では、効果量（Effect Size）を体系的に整理しました。効果量は統計を「p値の有意・非有意」から解放し、「どれだけ効くのか」を定量的に語るための指標です。Cohen’s d や Hedges g は平均差を標準化して比較可能にし、相関 r・η² は関連の強さを、リスク比・オッズ比・NNT は二値アウトカムの効果を直感的に示します。いずれもサンプルサイズに依存しないため、研究間の比較やメタ分析でも共通の物差しとして機能します。
医薬品開発では、統計的有意性（p値）だけでは不十分であり、治療差が患者にとって意味のある改善かどうか、すなわち臨床的意義を判断する必要があります。MCID と効果量を組み合わせることで、治療効果の大きさをより実務的に評価できます。さらに効果量は R の effsize・effectsize パッケージで簡単に計算でき、解析フローに自然に組み込めます。
p値と効果量をセットで読み、95%信頼区間と臨床的意義を合わせて判断する。この習慣を身につけることで、統計は単なる「有意・非有意の判定」から、意思決定を支える強力なツールへと進化します。効果量を理解することは、統計を「学問」から「実務の言語」へと変える最初の大きな一歩になるはずです。
