弘前データ２：BP の階層モデリング
ここでは BP と LAB の関係のモデリングを行う． hirosaki3.qmd では \(\Sigma\)-FLC と LOX-1 の関係をモデリングする． ここでは簡単な回帰を実行した． 年代により逆転する変動係数が推定された．
弘前データ４：フローラスキャンデータの探索
hirosaki2.qmd では BP と LAB の関係のモデリング， hirosaki3.qmd では \(\Sigma\)-FLC と LOX-1 の関係をモデリングした． ここではフローラスキャンデータの探索を行う．
弘前データ４：フローラスキャンデータの探索
hirosaki2.qmd では BP と LAB の関係のモデリング， hirosaki3.qmd では \(\Sigma\)-FLC と LOX-1 の関係をモデリングした． ここではフローラスキャンデータの探索を行う．
弘前データ３：FLC の階層モデリング
hirosaki2.qmd では BP と LAB の関係のモデリングを行った． ここでは \(\Sigma\)-FLC と LOX-1 の関係をモデリングする．
弘前データ１-４：法定検診との関係の詳細検討
前項 で，BP と FLC を３レベルに離散化するよりも，連続なまま使った方が良い，そうでないと失われる情報があるのではないか？と予想した．
ここでは連続変数を用いる IRT モデルを構築してみた．すると，BP でも FLC でも識別力母数はほとんど変わらないことがわかった．
なるほど！５つの項目での，高ストレス回答確率は違い，識別力母数はそのスケールの違いを表しているだけである！
つまり項目反応モデルは完全なる null model となっており，意味のある値を学習していないようである！
弘前データ解析１-５：BP とストレスチェック
hirosaki1-3.qmd では BP と \(\Sigma\)-FLC が高いほど項目応答確率が上がることを見た．しかしこれは先行研究 [@Wake+2022] と食い違う．2×2 で見たり，交差項を考えたりすることで，この構造をさらに詳しくみる．
元論文のロジスティック解析では，（クレアチン補正した）BP と \(\Sigma\)-FLC の値を正規化せず，そのままのスケールを保つことで discrimination score を構成し，これを cut-off value \(-0.096\) で２値判別することで，AUC \(0.912\) を達成している．
弘前データ２ー１：BP の階層モデリング
ここでは BP と LAB の関係のモデリングを行う． hirosaki3.qmd では \(\Sigma\)-FLC と LOX-1 の関係をモデリングする．
弘前データ解析１-６：BP のみによる予測
hirosaki1-3.qmd では BP と \(\Sigma\)-FLC が高いほど項目応答確率が上がることを見た．しかしこれは先行研究 [@Wake+2022] と食い違う．2×2 で見たり，交差項を考えたりすることで，この構造をさらに詳しくみる．
元論文のロジスティック解析では，（クレアチン補正した）BP と \(\Sigma\)-FLC の値を正規化せず，そのままのスケールを保つことで discrimination score を構成し，これを cut-off value \(-0.096\) で２値判別することで，AUC \(0.912\) を達成している．