1 層別解析の概念
1.1 定義と目的
層別解析とは、対象となるデータをあらかじめ複数の層（サブグループ）に分割し、各層で別々に関連の有無や効果量を推定・比較したうえで、全体の解釈を行う分析方針である。層を導入することで、平均的な傾向だけでは隠れやすい構造、すなわち「ある条件では効果が強く、別の条件では弱い」あるいは「特定の集団でのみ関連が見える」といった異質性を検討できる。
主な目的は、交絡の影響を整理し、層ごとの推定結果を通じて、因果的解釈に必要な条件を明確化することである。また、効果の大きさが一様であるという仮定が適切かどうかを検討する枠組みとしても用いられる。
1.2 層（サブグループ）の考え方
1.2.1 層別に用いる変数の選定
層の区分に用いる変数は、理論的・実務的根拠に基づき選ぶことが基本となる。一般に、層別変数は、研究対象の過程に関与する可能性があり、かつ効果や関連の強弱に影響し得る共通要因（例：年齢階級、性別、地域、臨床的な重症度）として扱われる。
選定の際には、次の観点が重視される。第一に、層の定義が再現可能であること（同じ条件で同じ層を作れること）。第二に、層別変数が主要なアウトカムや説明変数との関係をどの程度反映しているか。第三に、層別に用いる変数が分析後に恣意的に操作されないよう、事前に方針を定めることが望ましい。
1.2.2 層の数と粒度の決め方
層を細かくし過ぎると、各層のサンプル数が減って推定のばらつきが増え、結果の不安定さが目立つ。逆に層を粗くし過ぎると、異質性が平均化されて見落としが起きやすい。したがって、粒度は「異質性を捉えたい目的」と「統計的に推定可能な規模」という二つの制約の間で設計する必要がある。
実務では、粒度設定の基準として、層ごとの人数・イベント数の確保、推定精度（信頼区間の幅など）、層間比較の解釈可能性が用いられる。さらに、複数の候補粒度を検討する場合でも、事後的な調整が過度になると解釈の信頼性が損なわれるため、分析計画に沿った判断が求められる。
1.3 層別解析と他の手法の関係
層別解析は、平均効果のみを扱う単純な回帰・検定とは異なり、集団内での関係、集団間での差異に焦点を当てる点に特徴がある。一方で、層別という考え方は他の分析手法とも密接に関係している。
たとえば、層内推定は、層ごとの比較・回帰推定として実装されることが多い。また、層間の統合は、層ごとの推定値を重み付きでまとめる枠組みに対応する。効果の異質性が連続的に変化する可能性がある場合には、層別の代わりに相互作用項を用いる回帰設計が選択されることもある。結果として、層別解析は「層で区切って別々にみる」発想を、他の推定枠組みに翻訳して適用する場合がある。
2 手順と実務の流れ
2.1 分析前の設計
2.1.1 層別因子の事前指定
層別因子は、原則として分析開始前に定義しておく。これは、後から層を作り替えると、データに適合する形で偶然の偏りを拾ってしまうリスクがあるためである。事前指定には、層を構成する変数、カテゴリの切り方（連続変数を区間化する場合の境界を含む）、除外ルール（欠測の扱い、判定不能カテゴリの扱い）などが含まれる。
また、推定対象として何を比較するのかも明確化する。関連の有無を問うのか、効果量の大きさを比較するのか、あるいは層をまたいだ共通の指標を推定するのかによって、必要な統計量や報告項目が変わる。
2.1.2 交絡と効果異質性の整理
設計段階では、層別の役割を区別することが重要である。第一に交絡の整理として、層が「主要因とアウトカムの両方に影響しうる共通要因」を代表しているかを考える。第二に効果異質性の検討として、説明変数の影響が層により変化する可能性があるかを検討する。
この整理が曖昧だと、層別結果の解釈が混線しやすい。例えば、見かけの差が層の定義に起因するのか、真の効果変化を示すのかを判断しにくくなる。そのため、層別を採用する理由と期待される現象（交絡除去なのか、効果の変化なのか）を分析計画で言語化する。
2.2 層内解析（層内推定）
層内解析では、各層の中に限定して関連指標を推定し、層ごとの効果量を算出する。通常は、層内での比較設計（層内の分割表、回帰推定、推定量と分散の算出など）に従い、信頼区間や検定に相当する指標を求める。
実務では、推定量の計算に加え、層ごとのばらつきや不確実性を同時に確認することが重要である。層ごとの推定値の差が大きく見えても、各層のデータ量が小さい場合には偶然で説明できることがある。そのため、精度指標（標準誤差、信頼区間の幅）を併せて解釈する。
2.3 層間の要約・統合
2.3.1 層別結果の比較方法
層間比較では、複数の層で推定された効果量を並べ、差のパターンを評価する。単純な比較としては推定値の相対的な大小や方向（正か負か）を確認する方法があるが、統計的な裏付けとしては、層間のばらつきの程度を評価する枠組みが用いられる。
比較では、少なくとも次の点を考慮する必要がある。第一に、各層の推定が独立ではない場合もあり得るため、比較設計の前提を確認する。第二に、層の定義が変数の切り方に依存する場合、層間差がその切り方に敏感になる可能性がある。第三に、多数の層を並べることで偶然の差が目立ちやすくなるため、解釈には統計的な文脈が必要となる。
2.3.2 合成推定（統合）に関する考え方
合成推定では、層内推定結果を統合して、全体に対応する推定値を作る。統合の方法には複数の選択肢がある。代表的には、層ごとの推定値を重み付き平均としてまとめる方法であり、重みは通常、各層のデータ量や推定精度（逆分散など）に関連付けられる。
統合の際には、推定が「共通効果」を前提とするのか、「層ごとの効果のばらつき」を許容するのかが重要になる。後者の発想では、層間の差異を単なる誤差ではなく現象として扱い、統合推定の不確実性を反映させる考え方が導入されることがある。統合方法の選択は、研究の目的（平均的な効果の要約か、異質性を含めた理解か）と整合している必要がある。
3 統計的な論点
3.1 欠測データと層別の影響
欠測は層別解析において特に扱いが難しくなる。層別の条件により欠測割合が異なると、特定の層でデータが薄くなり、推定が偏る可能性がある。さらに、欠測の理由が説明変数やアウトカムと関連している場合、単純な除外（完全ケース解析）だけではバイアスの評価が困難になる。
実務では、欠測のメカニズムを想定し、その上で適切な手法を検討する。層別変数自体に欠測がある場合、欠測カテゴリを別層として扱うか、推定や補完を行うかが論点となる。加えて、欠測を補う手法を用いる場合でも、層の定義や欠測処理方針が分析計画に含まれていることが望ましい。
3.2 少数サンプル層への対処
少数サンプル層では、推定の分散が大きくなり、結果の解釈が不安定になる。例えば、イベントがほとんど観測されない層では推定が発散したり、信頼区間が過度に広がったりすることがある。
対処としては、(1)層の粒度を見直して層を統合する、(2)推定法を少数データに頑健なものにする、(3)層をまとめたうえで別の異質性評価に切り替える、などが考えられる。どの方針を採用するかは、研究目的とデータ構造の両方に依存するため、恣意的な調整を避けつつ、事前計画に沿った判断が求められる。
3.3 多重比較と解釈の注意
層を複数作ると、層ごとの推定や比較が増え、多重比較の問題が生じる。個々の検定で有意水準を設ける場合、層の数が増えるほど「偶然に有意に見える」確率が上がるため、単純な有意・非有意の解釈は注意を要する。
多重比較への対応としては、検定手順の調整（誤差率の制御）や、統計的有意性だけでなく効果量と不確実性の両方を重視する評価がある。さらに、探索的解析か確認的解析かを区別し、結果の位置づけ（仮説生成なのか、決定的評価なのか）を明確にすることで、解釈の質を高める。
4 解釈・報告のポイント
4.1 層別結果の記述（表・図）
層別結果は、各層ごとの推定値と不確実性を同時に示す形で報告することが基本となる。表では、層の定義、各層のサンプルサイズ、推定対象の数（イベント数など）、推定値（効果量）と信頼区間を並べる構成が一般的である。図では、点推定と信頼区間を並べる形式（フォレストプロットに相当する表示など）が、層間の差異とばらつきを直感的に伝える。
また、層をまたぐ統合推定を行った場合は、その推定値と統合の前提（重み付けの仕方、異質性の扱いなど）を読み手が判断できる情報として提示する。欠測や除外の影響についても、要約統計を併記することで透明性が確保される。
4.2 バイアス源の点検
層別解析は交絡や異質性の検討に有用であるが、バイアス源を完全に排除するわけではない。点検すべき典型的な要因として、層別変数の測定誤差、選択バイアス（解析対象の抽出条件により層の分布が歪むこと）、欠測に起因する不均衡、さらに層の定義がデータ駆動で変わってしまうリスクがある。
解釈では、層内の推定がどの程度因果的に読める条件を満たすのかを意識する必要がある。例えば、層で調整したつもりでも、層の内側で未観測の要因が残存している場合、見かけの関連が生じる可能性がある。そのため、分析設計の限界を明記し、推論の範囲を適切に制限することが求められる。
4.3 実務での限界と再現性
層別解析の限界は、(1)データ量に強く依存すること、(2)層の定義に結果が敏感になり得ること、(3)報告が複雑になりやすいこと、に集約される。特に層が多い場合、比較の読み取りが難しくなり、結果が恣意的に見える危険も増える。
再現性の観点では、層の作り方、欠測処理、推定方法、統合の重みや異質性の扱い、検定や調整の手順を明確に記述することが不可欠である。コードや解析仕様の提供が望ましく、少なくとも文書化された手順により第三者が同じ結果に到達できる状態を目指すことが、実務上の品質要件となる。