1 マージン・オブ・エラーの基本
1.1 定義と位置づけ
マージン・オブ・エラー（誤差の幅）とは、標本から得た推定値が真の値からどの程度離れうるかを、確率的な枠組みのもとで数値として表す指標である。主として信頼区間に含まれる推定の不確実性を、読み取りやすい尺度に整理したものとして用いられる。調査の結果を意思決定に結びつける際、推定値そのものだけでなく、その精度や信頼性を同時に示す役割を持つ。
1.2 信頼区間との関係
1.2.1 半幅としての解釈
多くの文脈で誤差の幅は、信頼区間の中心（点推定）から上側（あるいは下側）端までの距離、すなわち半幅として定義される。信頼区間が対称な形で与えられるとき、誤差の幅は両端の差を2で割った値に対応する。この解釈により、誤差の幅が大きいほど推定が不確実であり、逆に小さいほど精度が高いという直観が得られる。
1.2.2 両側・片側の違い
信頼水準の設定は、区間の取り方によって両側・片側に分かれる。両側信頼区間では、区間外に出る確率を上下両端に割り当てるため、同じ信頼水準でも片側より広がることが一般的である。一方片側信頼区間は、関心の方向（例えば過大推定を避けたい等）に応じて片方向のみを保証するため、区間が相対的に狭くなりやすい。誤差の幅も、その前提に応じて大きさが変わる。
1.3 表記方法と注意点
誤差の幅は、表や図では数値（例：±2.5%）として提示されることが多いが、必ずしも同じ意味で用いられるわけではない。第一に、誤差の幅が半幅か、あるいは区間の全幅かを確認する必要がある。第二に、信頼水準が何%か（例えば95%）が明示されているかが重要である。第三に、推定量や推定手法により区間の形が非対称になる場合があり、そのとき「±」で表現すると解釈が単純化されすぎる可能性がある。実務では注記を読み、前提条件とともに理解することが求められる。
2 算出の考え方
2.1 一般的な式の構造
2.1.1 標準誤差との組み合わせ
誤差の幅は、概ね「係数 × 標準誤差」という形で表されることが多い。標準誤差は、標本抽出によって推定値がどれほどばらつくかの尺度であり、推定の分散に由来する。標準誤差を用いることで、サンプルの大きさや変動の大きさが誤差の幅へ自然に反映される。係数は、希望する信頼水準を満たすために必要な確率境界を定める役割を担う。
2.1.2 有意水準（信頼水準）による係数
係数は、信頼水準に対応する分位点や臨界値として与えられる。正規近似が成立する場合には、標準正規分布の分位点やt分布の臨界値が用いられることがある。一般に、信頼水準を高く設定するほど係数は大きくなり、誤差の幅は広がる。これは「より確実な包絡」を求めるため、推定の周辺に余裕を取る必要があるためである。したがって、誤差の幅は単なる標本のばらつきだけでなく、保証の強さにも依存している。
2.2 平均の推定における誤差の幅
2.2.1 母分散既知の場合
母分散が既知の仮定では、平均の推定は正規分布に基づく標準化で扱われることが多い。点推定として標本平均を用い、誤差の幅は係数と母標準偏差を標本サイズで割った標準誤差の積として表される。母分散が既知であれば推定に追加の不確実性がないため、t分布ではなく正規分布の分位点が自然に適用される。結果として、誤差の幅は標本サイズの増加に応じて減少し、増加速度は概ね平方根の関係に従う。
2.2.2 母分散未知の場合
母分散が未知の場合、標本から分散を推定して利用するため、平均の標準化にはt分布が登場する。典型的には、自由度に基づく臨界値が係数として用いられ、標本サイズが小さいほど係数が大きくなる傾向がある。標本が大きくなるにつれてt分布は正規分布へ近づくため、誤差の幅の差は縮小する。実務では「分散推定の不確実性」を誤差の幅に織り込む必要があり、この点が既知仮定との差となる。
2.3 比率の推定における誤差の幅
2.3.1 正規近似による近似
比率は成功数を分母で割った形で定義されるため、標本抽出の下で近似的に二項分布の正規近似が使われることが多い。誤差の幅は、比率推定の標準誤差に、信頼水準に対応する係数を掛けて求める形になる。近似が成立しやすい条件として、分母が十分大きいことや成功が極端に偏りすぎないことが挙げられる。これらが満たされない場合、単純な正規近似は区間を過度に狭く見積もる可能性がある。
2.3.2 零または極端な比率での扱い
成功がほぼ0、あるいはほぼ1に近い場合、正規近似に基づく区間は対称性の都合で物理的に妥当でない範囲（例えば負の比率など）を含むことがある。こうした状況では、近似の改善として別の方法が検討される。例として、比率に対する変換（分散を安定化させる発想）や、区間推定の手法を調整して区間の妥当性を確保する方法が用いられる。誤差の幅を報告する際も、区間推定の前提と同じ枠組みを理解することが重要である。
3 推定精度を左右する要因
3.1 信頼水準の影響
信頼水準を高めると、区間が真の値を外す確率をより小さく抑える必要がある。そのため、誤差の幅に含まれる係数が大きくなり、結果として区間は広がる。逆に低い信頼水準では区間は狭くなり、推定の見通しは鋭くなるが、外れる可能性も増える。したがって誤差の幅は「精度」と「保証の強さ」のトレードオフを体現している。
3.2 標本サイズの影響
標本サイズが増えると推定値のばらつきは一般に減少し、標準誤差が小さくなる。その結果、誤差の幅は縮小する。縮小の程度は、多くの基本モデルで平方根則として現れるため、誤差の幅を半分にするにはしばしば4倍の標本が必要になるなど、効率の良さと限界が同時に示される。実務ではコストや実行可能性と併せて、必要な精度を満たす規模を検討することが多い。
3.3 ばらつき（分散）と分布形状
推定対象のばらつきが大きいほど、同じ標本サイズでも推定が揺れやすくなるため、誤差の幅は増大する。平均の推定では母分散が、比率の推定では成功の偏りがそれに相当する。さらに分布形状が極端である場合、正規近似の適合度が落ち、誤差の幅の計算に使う前提が弱まることがある。この場合、理論上の式どおりの精度が得られない可能性が生じ、代替推定や補正が必要になることがある。
3.4 推定法・仮定の影響
3.4.1 正規性の仮定
多くの誤差幅の算出は、推定量がある分布に従う、あるいは近似的にその形に近いという仮定に依存する。特に小標本では正規性や分布対称性のずれが誤差の幅へ影響しやすい。推定量の分布が重い尾を持つ場合、信頼区間の実際の外れやすさが設計した信頼水準と一致しにくくなることがある。したがって「式に入力できる条件」を満たしているかを点検することが精度管理の一部となる。
3.4.2 大標本近似の適用範囲
大標本近似は、標本が十分に大きいと推定量の分布が漸近的に所定の形へ近づくという考え方に基づく。近似が良くなるほど、計算手順は単純になり、誤差の幅の提示も一般化しやすい。とはいえ、近似の良さにはどの統計量を扱うか、分母や成功率の状態など、具体的な条件が関わるため一律ではない。誤差幅を比較する場合も、近似の前提が同程度に満たされているかを確認することが望ましい。
4 誤差の幅の実務的な利用
4.1 調査設計と必要標本数
誤差の幅は調査設計で「目標精度」を定めるための指標として使われる。所望の信頼水準と許容できる誤差の大きさを設定し、それに対応する標準誤差を満たす標本数を逆算する。さらに想定する分散や比率（事前の知見、予備調査の結果、過去データなど）を入力に含めることで、計画値が現実に近づく。実際には非回答や層別・クラスタ構造などがあり、単純な無作為抽出の計算から補正されることもある。
4.2 読み取り方（誤解されやすい点）
誤差の幅は「真の値がその範囲に入る確率」を意味するように受け取られることがあるが、信頼区間の理論では前提が異なる。設計した手続きを繰り返すと、一定の割合の区間が真の値を含むという性質が主題である。個々の区間については、真の値は固定された定数として扱われ、区間がランダムに変動する。したがって、誤差の幅を読んだときに「その数字を含む確率」として誤解しないことが重要になる。また「±」表記が半幅なのか全幅なのかも混同が起こりやすい点である。
4.3 代表性・バイアスとの関係
誤差の幅は主に標本抽出に伴うばらつき、すなわち推定の統計的不確実性を表す。一方で、調査対象を表す性質が損なわれている場合や、測定・回答に系統的な歪みがある場合、それはバイアスとして誤差の幅とは別に存在する。たとえば対象外の集団を含めない、質問文の誘導を抑える、選択率の違いを調整するなどの工夫は、バイアスの抑制に関わる。誤差の幅が小さくてもバイアスが残っていれば推定は真の値からズレうるため、精度（ばらつきの小ささ）と妥当性（歪みの少なさ）を分けて評価する必要がある。
4.4 複数指標・サブグループでの扱い
サブグループ別の集計では、実効的な標本数が小さくなりやすく、誤差の幅は拡大しやすい。したがって、グループ間の差を単純比較すると、たまたまの変動を見落とす危険がある。加えて、複数の指標を同時に報告する場合、独立な検証を重ねる状況が生まれ、誤差の幅の解釈にも注意が必要になることがある。実務では、比較目的に応じて同じ基準の誤差幅を整え、重み付けや分散推定の方法を統一するなど、読み取りの整合性を確保することが求められる。