1 カプランマイヤー推定量の概要
1.1 生存関数とイベントの定義
カプランマイヤー推定量は、生存時間を表す確率変数に対して「時間が経過してもイベントが起きない確率」を推定する手法である。ここでいう生存関数は、ある時刻 \(t\) までにイベントが発生していない割合として定義される。イベントは研究目的に応じて定められ、医療では死亡、工学では故障、疫学では所定の状態への到達などが典型例となる。
生存関数は「イベントまでの経過時間」の分布に関係する。観測対象ごとにイベント発生時刻が記録される場合は自然に扱えるが、実務上は追跡期間の終了や対象の脱落により、イベントが観測できないケースが生じる。この不完全性を前提として構築されたのがカプランマイヤー推定量である。
1.2 ノンパラメトリック推定としての位置づけ
カプランマイヤー推定量は、特定の分布形（指数分布やワイブル分布など）を仮定しないノンパラメトリック推定に分類される。したがって、データの時間方向の構造を比較的柔軟に反映でき、分布仮定の影響を受けにくい。
一方で「どの時点でイベントが起きたか」という情報と、「その時点でリスクにいる対象数」が推定の中心になる。結果として、データの粗密や打ち切りの状況が推定曲線の形に直接影響する。
1.3 データ要件（観測、打ち切り、イベント）
カプランマイヤー推定では、各対象について次の情報が必要になる。第一に、観測が終了する時刻またはイベント発生時刻である。第二に、その時刻がイベントに対応するのか、打ち切り（脱落・追跡打ち切り）に対応するのかという識別情報である。
打ち切りは「その対象が少なくとも観測された時点まではイベントを経験していない」ことを意味するが、それ以降の状況は観測されない。一般に推定の妥当性は、打ち切りがイベント過程と無関係（独立）であるという仮定や、それに準ずる条件に依存する。また、時間が離散化されている場合や同時刻に複数のイベントがある場合もあり、その扱いが実装上の要点となる。
2 推定の仕組み
2.1 ハザードではなく生存関数を推定する考え方
2.1.1 リスク集合（リスクにいる対象）
推定では各時点で、イベントが起きうる状態にある対象の集合を「リスク集合」として用いる。具体的には、時刻 \(t\) 直前までに打ち切りが起きていない、かつそれ以前にイベントを経験していない対象がリスクに入る。
このリスク集合の大きさは推定の分母として働く。イベントが起きる可能性がある母数（追跡されている人数）を、時刻ごとに動的に反映させる点が重要である。
2.1.2 打ち切りの扱い
打ち切りを受けた対象は、打ち切り時刻まではリスク集合に含まれるが、その時刻以降は含まれない。つまり打ち切りは、イベントを否定する情報としては活用されるものの、打ち切り後のイベント有無には情報が残らないため、以降の寄与を止める。
この設計により、追跡期間が途中で切れる状況でも、観測できた範囲に基づいて生存確率を更新できる。
2.2 エステレーターの構成（積の形）
カプランマイヤー推定量は、イベントが起きた時点を \(t_1<t_2<\cdots<t_k\) とし、各 \(t_j\) におけるイベント発生数を \(d_j\)、リスク集合の大きさを \(n_j\) とするとき、次の積の形で与えられる。
\[ \hat{S}(t)=\prod_{t_j\le t}\left(1-\frac{d_j}{n_j}\right) \]
直感的には「各イベント時点での生存（イベントなし）確率」を連続的に掛け合わせることで、累積的な生存確率を構築している。イベントが起きた時点でのみ更新され、打ち切り時点では値そのものは変化しない（更新のトリガーにならない）。
2.3 階段状の推定曲線の読み方
推定曲線は階段状に推移する。イベントが発生する時刻に一致した瞬間にだけ推定値が下がり、他の時刻帯では一定値のまま保たれる。これは、更新がイベント時点に依存し、打ち切りはリスク集合の縮小として効くが直接の確率更新には関与しないためである。
階段の高さは、該当時点でのイベント比率 \(d_j/n_j\) の大きさと結びつく。イベントが密集すると縮み幅が大きくなり、リスク集合が大きいほど同じイベント数でも縮みは相対的に小さくなる。
3 代表的な計算と実装観点
3.1 手計算での手順（概念例）
手計算の流れは次の要点に整理できる。まず、観測データからイベント発生時刻の昇順リストを作る。次に、各イベント時刻 \(t_j\) について、\(t_j\) 直前まで観測されておりかつ打ち切り後でない対象数を \(n_j\) とする。続いて、その時点でイベントが発生した数を \(d_j\) として記録する。
その後、\(\hat{S}(t)\) を初期値1から出発させ、イベント時刻のたびに \(\left(1-\frac{d_j}{n_j}\right)\) を掛けて更新する。最後に、求めた階段値を連続時間の表現として \(t\) ごとに対応付け、グラフとして描画する。
同時刻に複数イベントがある場合は、その総数を \(d_j\) としてまとめるのが一般的な実装方針である。
3.2 ソフトウェアでの出力項目
実務では統計ソフトウェアが階段状の推定曲線だけでなく、関連指標も同時に出力することが多い。典型的には、各イベント時点における推定値、標準誤差や信頼区間（後述の不確実性手法に基づく）、打ち切り数、リスク集合の推移などが提示される。
比較の文脈では、グループ別の推定曲線に加えて、ログランク検定のような帰無仮説に基づく統計量と p 値が併記されることがある。さらに、打ち切りが多い場合に階段の形が不安定になりやすい点を補足する警告や注記が表示される場合もある。
3.3 取り扱い上の注意（重複イベント、丸め誤差）
重複イベントとは、同一時刻に複数の対象でイベントが観測される状況である。理論上は \(d_j\) にまとめて扱えばよいが、データ入力の粒度（時刻が日単位なのか秒単位なのか）により、同時刻の判定が変わりうる。したがって時刻の定義と粒度は解析前に確認する必要がある。
また、計算では多数の積を扱うため、浮動小数点誤差によってわずかな丸め差が生じうる。特にイベント回数が多い場合や信頼区間計算に伴う変換がある場合、極端に小さい推定値での数値安定性が問題になることがある。実装では安定な計算手順や丸めの取り扱いが重要になる。
4 不確実性の評価と関連手法
4.1 分散推定とグリーンウッドの式
カプランマイヤー推定量には推定誤差が伴うため、標準誤差を導出する必要がある。代表的にはグリーンウッドの式が用いられる。これは階段曲線に対応する分散の近似として構成され、イベント時点ごとのリスク集合の大きさやイベント数に依存する形になる。
直感的には、リスク集合が小さい時点でのイベントは推定の不確実性を増やしやすい。逆に、追跡が厚い領域では分散が抑えられやすい。グリーンウッドの式はこうした性質を数式として反映しているため、信頼区間計算の基礎として広く利用される。
4.2 信頼区間の考え方（代表的手法）
信頼区間は、推定値のばらつきの大きさに基づいて、真の生存関数が取りうる範囲を示す。カプランマイヤー推定では、推定値が0から1の範囲にあることから、そのまま対称な正規近似で区間を作ると境界の問題が生じる場合がある。
そこで、標準誤差に基づく変換や、近似の精度を高めるための代表的な区間構成法が用いられることが多い。実務では、ソフトウェアのデフォルト設定（変換の種類や区間の作り方）を理解した上で解釈することが重要になる。
4.3 推定曲線同士の比較（ログランク検定など）
複数グループ（治療群や製品クラスなど）で生存経験が異なるかを検討するため、推定曲線の比較手法が用いられる。ログランク検定はその代表例で、各イベント時点における観測イベント数と期待イベント数の差を、リスク集合の情報で重み付けして集計する。
この検定は「全体として同じ形での差」だけでなく、差が時間方向にどう現れるかにも敏感である。設計した仮説の意味や、差の出現時期（初期か後期か）によって検出力が変わりうる点は、解析計画の段階で考慮される。
4.4 他の推定法との違い（回帰モデル等）
カプランマイヤー推定量は単独の曲線推定に強みがある一方、共変量（年齢、検査値、条件など）を同時に扱うには別手法が必要になることが多い。回帰モデル、特に生存時間の枠組みに基づく手法では、ハザードに関する構造をモデル化して共変量の効果を推定する。
比較すると、カプランマイヤーは「群ごとの非条件付き（ある意味で層別された）生存経験」を捉えるのに適し、回帰モデルは「共変量を制御した上での効果」を推定しやすい。目的が記述的なのか、要因の評価なのかで適切な選択が変わる。