1 デルタ法の概要
デルタ法は、確率変数の関数に対する分布やばらつきの近似を、低次の統計量（特に平均・分散など）から導くための方法である。漸近理論の文脈では、ある推定量が十分大きな標本により正規分布に近づくとき、その推定量に対して滑らかな関数を適用した量の漸近分布を、テイラー展開にもとづいて扱える。
中心的な発想は「非線形な変換を、局所的に線形化する」ことである。推定量の周辺で関数を一次（必要に応じて二次以上）で近似し、変換後の変動が元の変動からどの程度伝わるかを計算する。結果として、変換後の分散近似が勾配（ヤコビアン）や共分散行列により整理される。
実務では、信頼区間や検定統計量を作る際に、変換後の標準誤差を近似する目的で用いられる。特に「元の推定量が漸近正規である」状況と相性がよい。さらに一変量から多変量へ拡張でき、複数の推定量から構成される尺度（効果指標など）にも適用される。
1.1 適用の目的（近似分布と分散推定）
適用の主目的は、変換後の量のばらつきを近似的に評価することである。元の推定量が漸近的に正規であると仮定できる場合、関数変換によって生じる漸近分布の形を推定可能となるため、区間推定や検定に直結する。
具体的には、次のような用途が多い。第一に、変換した推定量の分散や標準誤差を計算し、標準化した統計量の漸近挙動を利用する。第二に、分布の全形を厳密に求める代わりに、低次の性質だけで十分な精度を得ることを目指す。第三に、多変量の枠組みでは、複数推定量の依存構造まで含めて不確実性をまとめて伝播させる。
1.2 基本となる考え方（テイラー展開）
デルタ法の核はテイラー展開である。推定量 \( \hat{\theta} \) の真の値 \( \theta \) の近くで、対象となる関数 \( g(\cdot) \) を展開することで、変換 \( g(\hat{\theta}) \) を「線形項」＋「高次の残差」に分解する。
一変量では、局所的に \[ g(\hat{\theta}) \approx g(\theta) + g'(\theta)(\hat{\theta}-\theta) \] と見なす。これにより、変換後の変動は \( g'(\theta) \) という感度（傾き）によって元の変動が拡大・縮小される形になる。正規性や共分散の情報を代入すれば、変換後の分散の一次近似が得られる。
多変量では同様に、ヤコビアン（勾配行列）によって「線形化」が行われる。変換後の誤差が、元の誤差ベクトルに対してヤコビアンを介して伝播する構造が明確になる。
1.3 一変量での定式化
一変量デルタ法では、実数値パラメータ \( \theta \) に対する推定量 \( \hat{\theta} \) を考える。仮定として、標本サイズが大きいほど
といった漸近条件を置く。関数変換 \( g(\hat{\theta}) \) の挙動を、テイラー展開の一次近似で評価するのが基本である。
分散近似の形は、滑らかな \( g \) が微分可能であることを前提に、元の分散（あるいは漸近分散）に \( (g'(\theta))^2 \) が掛け合わされる形で現れる。必要に応じて平均の補正（たとえば二次項の影響）が取り込まれるが、最小限の一次近似では標準誤差の計算が中心になる。
1.4 多変量での拡張
多変量デルタ法では、複数の推定量から成るベクトル \[ \hat{\boldsymbol{\theta}}=(\hat{\theta}_1,\ldots,\hat{\theta}_k) \] を考え、そこから関数 \( g(\hat{\boldsymbol{\theta}}) \) を構成する。線形化はヤコビアン \( J \) を用いて行われる。すなわち、推定量の誤差ベクトルに対し、変換後の誤差が \( J \) によって写されると見なす。
このとき、元の推定量ベクトルの共分散行列 \( \Sigma \) が与えられていれば、変換後の分散は一次近似として \( J\Sigma J^\top \) の形に整理される。複数成分の相関が含まれるため、単純な「各成分の分散を個別に変換する」よりも整合的な不確実性伝播が可能になる。
2 一変量デルタ法
2.1 前提条件（漸近正規性と滑らかさ）
一変量デルタ法が有効に働くためには、推定量側の漸近正規性と、関数側の微分可能性（滑らかさ）が重要になる。漸近正規性は、通常「標本が十分大きいときの中心極限定理的な挙動」から導かれる。関数の微分可能性は、テイラー展開の誤差が無視できる程度に小さいことを支える。
また、関数が一点近傍で十分に滑らかでないと、一次近似の精度が急に落ちる。特に境界近くでの非連続性や勾配の暴走は、分散近似の不安定化につながる。
2.1.1 関数の微分可能性と近似の妥当性
テイラー展開に必要なのは、少なくとも対象点 \( \theta \) の近傍で \( g \) が微分可能（理想的には十分な回数微分可能）であることだ。一次近似では一次導関数 \( g'(\theta) \) が主要な寄与を持ち、残差の次数が標本サイズに対して小さくなることで漸近的に正当化される。
妥当性の評価は、理論上の前提に加えて実務上の状況にも依存する。たとえば推定量のばらつきが大きい場合、近傍での線形化が広い範囲に適用されることになり、残差の影響が増えるためである。
2.2 結果（一次近似による分散）
一次近似の典型的な結論は次のように表される。推定量が \[ \sqrt{n}(\hat{\theta}-\theta) \Rightarrow \mathcal{N}(0, V) \] のように漸近正規であるとし、関数 \( g \) が \( \theta \) で微分可能だとする。すると \[ \sqrt{n}\bigl(g(\hat{\theta})-g(\theta)\bigr) \Rightarrow \mathcal{N}(0, (g'(\theta))^2 V) \] が得られる。
対応する分散近似は、有限サンプルでは \[ \mathrm{Var}(g(\hat{\theta})) \approx (g'(\theta))^2\,\mathrm{Var}(\hat{\theta}) \] という形で使われる。実際には \( \theta \) が未知なので、通常は推定値 \( \hat{\theta} \) を代入して \( g'(\hat{\theta}) \) を用いるプラグイン推定が行われる。
2.3 例：比や差、変換の分散近似
比の例として、分子と分母により作られる比 \( R=\mu/\lambda \) を考える。推定量がそれぞれ \( \hat{\mu}, \hat{\lambda} \) のとき、比 \( \hat{R}=\hat{\mu}/\hat{\lambda} \) は単純な関数変換に相当する。差 \( D=\mu-\lambda \) も同様に線形関数であり、一次近似では感度が定数になって分散は合成される。
一方、非線形変換として対数 \( g(\theta)=\log \theta \) や指数変換がよく扱われる。たとえば \( \log \hat{\theta} \) の標準誤差は、一次近似により \( 1/\hat{\theta} \) に比例する形で整理されることが多い。これにより比率や成長率など、相対誤差を意識した推定や区間化が容易になる。
2.4 高次近似の位置づけ（必要性と限界）
一次近似は、線形化が局所的に妥当である限りで精度が高い。しかし次の事情により限界が現れうる。第一に、関数が強い非線形性を持つ場合、残差の寄与が無視できない。第二に、推定量のばらつきが大きく、近傍への限定が成り立ちにくい場合である。第三に、対象が境界に近い場合で、勾配の振る舞いが急変することがある。
高次近似ではテイラー展開を二次項まで取り込み、平均のずれ（バイアス）や分散の補正を反映させることができる。もっとも、高次項は計算量が増え、残差の評価も難しくなるため、実務では一次近似とブートストラップの比較などで妥当性を確認する運用が一般的である。
3 多変量デルタ法
3.1 ヤコビアンによる線形化
多変量では、推定量ベクトル \( \hat{\boldsymbol{\theta}} \) を対象点 \( \boldsymbol{\theta} \) の近傍で線形化する。関数 \( g(\boldsymbol{\theta}) \) をスカラー出力として扱うと、ヤコビアンは \( 1\times k \) の勾配ベクトルになる。一次近似では \[ g(\hat{\boldsymbol{\theta}})\approx g(\boldsymbol{\theta}) + J(\hat{\boldsymbol{\theta}}-\boldsymbol{\theta}) \] の形で誤差伝播が表される。
この表現は、変換後の変動が元の成分誤差の線形結合として見えることを意味する。よって、元の誤差の共分散が分かれば、変換後の分散の計算が機械的に行える。
3.2 共分散行列を用いた近似分散
元の推定量ベクトルが漸近的に共分散行列 \( \Sigma \) を持つとき、一次近似による変換後の分散は \[ \mathrm{Var}(g(\hat{\boldsymbol{\theta}})) \approx J\Sigma J^\top \] で与えられる。ここで \( J \) は \( \boldsymbol{\theta} \) で評価した勾配行列（または推定値で代替したもの）である。
共分散行列を使う利点は、相関の影響が自然に組み込まれる点にある。独立と仮定して単純に加減する場合よりも、合成量の不確実性を適切に見積もれる可能性が高い。推定量が複数の情報源から作られている場合などでは、この整理が特に重要になる。
3.2.1 次元が大きい場合の実務上の注意
次元 \( k \) が大きいと、共分散行列の推定やヤコビアン計算が実務上の負担になる。推定誤差が共分散行列の推定に入り込み、分散近似の安定性に影響を与えることがある。
また、ヤコビアンが複雑な関数から求められる場合、数値的な微分や自動微分の利用が検討される。ただし、計算精度や丸め誤差の蓄積は注意点となる。次元が高いほど、近似誤差の検証（例えばブートストラップとの比較）を併用する価値が高まる。
3.3 不確実性伝播としての解釈
多変量デルタ法は、不確実性の伝播（uncertainty propagation）の見方で理解できる。入力となる推定量群のばらつきが、変換関数を通じて出力のばらつきへ変換される過程を、ヤコビアンが感度として担う。
この解釈では、各成分が出力にどれだけ効くかは勾配成分の大きさで測られ、相関は共分散行列の非対角要素として反映される。したがって、出力の不確実性は「感度」と「入力側の依存構造」の組合せとして構成される。
3.4 相関を含む推定量の関数への適用
相関を含む推定量の関数とは、たとえば複数のパラメータ推定値から効果尺度を計算するような場面である。ある成分が上振れしたとき、別の成分も同方向に動く（または逆方向に動く）ことが想定されると、分散評価は単純な個別変換では不足する。
多変量デルタ法では共分散行列 \( \Sigma \) が入るため、上振れ・下振れの同時性が分散近似に反映される。結果として、合成尺度の標準誤差がより妥当な大きさで推定されることが期待される。
4 信頼区間・検定への応用
4.1 漸近分布からの区間推定
デルタ法は、変換後の量の漸近正規性を通じて信頼区間を作る際に利用される。典型的には、対象 \( g(\hat{\theta}) \) を中心化し、推定した標準誤差で割ることで漸近的に正規分布に近い標準化統計量を構成する。
一変量の場合、一次近似により標準誤差が導かれるので、 \[ g(\hat{\theta}) \pm z_{\alpha/2}\,\widehat{\mathrm{se}} \] の形の区間が得られる。多変量でも同様に、変換の分散近似から標準誤差を算出し、対称な（あるいは必要に応じて変換後の尺度で定義された）区間へとつなげる。
4.2 検定統計量への組み込み
検定では、帰無仮説の下で変換後統計量の漸近分布を正規近似し、標準化した値を用いる。たとえば帰無のもとで推定量が制約される場合、デルタ法はその制約下の変換の分散推定にも役立つ。
結果として、p値や棄却域を漸近的に決める枠組みが構築される。実務上は、近似が不十分なときに型I誤差や検出力が崩れるため、サンプルサイズや非線形性の程度に応じた点検が推奨される。
4.3 代表的な応用例（変換した推定値、効果指標）
代表的には、ログ変換したパラメータの区間化、比率指標の標準誤差評価、差分に基づく効果尺度の検定などが挙げられる。たとえばリスク比、オッズ比、率の差といった指標は、推定量の関数として定義されるため、一次近似で分散を与えられる場合が多い。
効果指標の文脈では、複数の推定量の共分散を踏まえた標準誤差が重要になる。多変量デルタ法によって相関を織り込み、推定値の組合せに基づく不確実性を整理できる。
4.4 実装上の留意点（標本サイズ、近似誤差）
実装では、(1) 分散推定に用いる共分散行列や漸近分散の見積り、(2) ヤコビアンをどの点で評価するか、(3) 近似の妥当性の確認、が重要になる。プラグインで \( J \) を推定値により評価するのが一般的だが、その結果として誤差が混入する。
標本サイズが小さいと、一次線形化の残差が無視できず、区間のカバレッジが理論通りにならないことがある。対策として、サンプルサイズ増加、近似の改善（高次項の導入や分布に沿った変換）、あるいはブートストラップとの併用が選択肢となる。
5 性能・注意点・誤用の典型
5.1 近似が破綻しやすい条件
一次近似が破綻しやすいのは、(a) 関数が対象点近傍で滑らかでない、(b) 推定量の変動が大きく線形化の範囲を超える、(c) 分母が小さくなるような構造が含まれ分散が不安定になる、などの場合である。
また、推定量が境界（例えば正の領域の端）に張り付く可能性があると、テイラー展開による近似の前提が崩れる。極端な外れ値や重い裾を持つ分布も、漸近正規性の到達を遅らせる要因になる。
5.2 強い非線形性や境界問題
強い非線形性は、一次項が支配的にならず高次項の寄与が残差として顕在化する状態を作る。たとえば指数や比のように変換が急激な場合、推定誤差の伝播が非対称になり、対称な区間設計が合わなくなることがある。
境界問題は、関数が境界付近で勾配が急変したり、変換が値域を強く制限したりする場合に生じる。たとえば対数変換では正値を必要とし、推定値が境界に近いと数値的不安定や近似誤差の増大が起こりうる。
5.3 ブートストラップ等との使い分け
デルタ法は計算が軽く理論的な見通しを与える。一方、ブートストラップはデータから経験的に分布を近似し、非線形や中小標本の状況で優位になる場合がある。使い分けは「一次近似で十分な精度が期待できるか」「分布の歪みや境界が問題になっているか」に依存する。
実務では、まずデルタ法で簡便な標準誤差と区間を出し、結果が不自然（過度に広い、片寄りが大きい、負の下限など）ならブートストラップで検証する、という段取りが採られることが多い。計算コストと再現性の観点から、状況に応じた併用が望ましい。
5.4 報告時に求められる情報（前提と近似の範囲）
報告では、どの仮定に基づく近似かを明確にする必要がある。たとえば「推定量は漸近正規である」という前提、分散推定に使った情報（観測情報やロバスト分散など）、ヤコビアンをどの点で評価したか、が挙げられる。
また、近似の範囲を示すことも重要である。標本サイズが小さい場合や非線形が強い場合には、デルタ法に基づく区間が厳密な意味で保証されないことを明示し、必要に応じて補完的手法との整合性を述べることが望ましい。
6 関連する理論・手法
6.1 方法論としてのつながり（漸近理論）
デルタ法は漸近理論の一部として理解される。中心極限定理や不偏推定量の漸近正規性、推定量の漸近線形表現などの枠組みと整合的である。推定量の漸近挙動が既に知られているとき、その変換の漸近分布を系統立てて導ける点が特徴である。
そのため、一般には「漸近正規性 → テイラー展開 → 変換後の漸近分散」の流れで利用が進む。この連結は、統計学における理論の見通しを保ちつつ、実際の推定・推論へ落とし込む役割を果たす。
6.2 モーメント法・推定方程式との比較
モーメント法や推定方程式（例：GMM、M推定など）は、推定量を特定の方程式の解として与えることが多い。デルタ法は、そのようにして得られた推定量の関数に対する分散評価や区間導出に適用されることが多い。
比較の観点では、モーメント法や推定方程式が主に推定量そのものの構成に焦点を当てるのに対し、デルタ法は推定量の変換後の不確実性を扱う。したがって、両者は競合というより補完関係に置かれることが多い。
6.3 分散推定の周辺技法
周辺技法には、観測情報に基づく分散推定、ロバスト分散、サンドイッチ推定量、数値的な分散推定などがある。デルタ法は、これらで得られた分散や共分散行列を入力として、関数変換後の分散へ写像する役割を担う。
すなわち、デルタ法は「変換の感度の計算」と「入力側の分散の受け渡し」によって機能する。よって分散推定の品質が結果を左右し、ロバスト性の観点から適切な分散推定器を選ぶことが重要になる。
6.4 同値な見方（不確実性伝播、線形近似）
デルタ法は同値な見方として、不確実性伝播と線形近似の観点で語られることが多い。線形近似の意味では、変換後の誤差を局所的な一次モデルで表し、誤差の分散計算を線形代数として処理する。
また、不確実性伝播としては、入力変数の分散・共分散が出力に対してどう反映されるかを感度行列（ヤコビアン）で管理する枠組みとして捉えられる。どちらの言い方でも本質は同じであり、理論計算と実務的な実装の橋渡しになっている。