1 一変量要約の目的と位置づけ
1.1 目的（要約・比較・意思決定の支援）
一変量要約は、注目する1つの変数のデータを、少数の統計量や図表によって素早く把握することを狙う。中心の位置、ばらつきの大きさ、分布の歪みや裾の厚さといった性質を整理し、同一指標のデータ同士を比較する土台を提供する。加えて、品質管理、実験結果のスクリーニング、探索的データ解析などの場面で、次に行う手続き（詳細な分析、モデル化、追加データ収集など）を決める際の判断材料になる。
1.2 一変量と多変量の違い
一変量では変数1つに焦点を当て、その分布を記述する。対して多変量は、複数の変数の関係（相関、回帰、分類境界など）を扱い、条件によって分布がどう変わるかまで視野に入る。したがって一変量要約は「その変数単体がどんな性質を持つか」を明らかにする段階であり、多変量解析の前処理や仮説形成として位置づけられることが多い。
2 基本統計量による要約
2.1 中心の要約
2.1.1 平均
平均はデータの合計を観測数で割った値で、分布の釣り合い点として解釈されることが多い。連続値で極端な値が少ない場合には、全体像を表しやすい。一方で、外れ値や歪んだ分布では大きく引っ張られやすく、中心の代表としては中央値と併記されることが多い。
2.1.2 中央値
中央値は、データを大きさ順に並べたときに中央に位置する値である（偶数個なら中間2値の平均）。分布に極端な値が含まれていても影響が比較的小さいため、歪みが強いデータで中心の目安として有用である。分布の形状を反映した解釈がしやすく、頑健性の観点で平均の補完役になりやすい。
2.1.3 最頻値
最頻値は最も出現頻度が高い値（または区間）を指す。離散データでは定義が明確で、カテゴリに近い数値の整理にも用いられる。連続データでは区分（ビン）や平滑化の設定により変化しやすく、単独での比較には注意が必要である。分布が多峰性の場合、最頻値が複数存在し得る点も考慮される。
2.2 ばらつきの要約
2.2.1 分散
分散は各観測値と平均のずれの大きさを平方して平均した量で、データの散らばりの強さを表す。単位が元データの単位の2乗になるため直感性が落ちる場合があるが、数学的な扱いやすさから基礎統計量として頻繁に使われる。極端な値の影響を強く受ける性質があるため、歪みや外れ値が多い場合には注意が要る。
2.2.2 標準偏差
標準偏差は分散の平方根であり、ばらつきの尺度を元データと同じ単位に戻す。分布の広がりや、平均の周りにどれほど値が散らばっているかを概観する指標として用いられる。外れ値や強い歪みに対して分散と同様の影響を受けやすい点は理解しておく必要がある。
2.2.3 範囲と四分位範囲
範囲は最大値から最小値を引いた幅で、素朴に散らばりを示す。極端な値に強く左右されるため、頑健性は高くない。四分位範囲は第3四分位と第1四分位の差で、中央の50%がどれだけ広がっているかを示す。中央値と同様に外れ値の影響を比較的受けにくく、分布の中心周辺のばらつきを捉えやすい。
2.3 偏りと形状の要約
2.3.1 歪度
歪度は分布が左右どちらに偏っているか、あるいは裾がどちらに長いかを示す統計量である。正の歪度は右側に長い裾を持つ傾向、負の歪度は左側に長い裾を示す。ゼロ近辺は左右対称の可能性を意味するが、分布の特徴は歪度だけでは完全には説明できないため、視覚化と併用するのが一般的である。
2.3.2 尖度
尖度は分布の裾の厚さや山の尖り具合を表す指標として扱われる。正規分布と比べて裾が厚い場合には高い値になり、極端な値が出やすい性質を示唆することがある。歪度と同様、単一の数値で分布全体を断定することは難しいが、モデル化や外れ値の想定に役立つ場合がある。
3 可視化による一変量要約
3.1 ヒストグラム
ヒストグラムはデータの値域を区間に分け、各区間に入る頻度（または密度）を棒として表す。分布の形、モードの数、歪み、裾の広がりを直感的に把握できる。区間幅（ビン幅）や開始位置の選び方で見え方が変わるため、解釈ではその影響を意識し、複数設定で確認することが望ましい。
3.2 棒グラフと頻度図
棒グラフは離散的なカテゴリに対し頻度や割合を示すのに適する。数値でも離散度が高い場合は、出現回数をそのまま並べる頻度図として扱える。カテゴリのラベルや順序の意味がある場合、並べ替えの方針（頻度順、自然順など）が解釈に影響するため、目的に合わせて整理する。
3.3 箱ひげ図
箱ひげ図は中央値と四分位範囲を中心に、外側の広がりや極端値を視覚化する。箱は第1四分位から第3四分位までを示し、箱の中の線が中央値を表す。ひげは分布の広がりの目安として描かれ、外れ値候補を点として示す設定もある。中央値と四分位にもとづくため、外れ値の存在下でも全体像を掴みやすい。
3.4 累積分布と経験分布
累積分布（CDF）は、ある値以下の確率（または割合）を表す曲線として示される。経験分布（ECDF）は観測データから直接、段階的な曲線として定義されることが多い。分位点の読み取りや、分布間の比較（曲線の位置関係）に役立つ。階段状の形のまま示すことで、観測数の有限性を反映できる点が利点である。
3.5 異常値の確認手法
異常値（外れ値）は、統計量の極端な値として現れるだけでなく、データ収集のエラーや別の生成過程を示す場合がある。確認には箱ひげ図の外れ値表示、ヒストグラムでの孤立した山、累積分布での急な立ち上がりなどを併用する。さらに、単に除外するのではなく発生条件や測定手順の妥当性を点検し、分析目的に応じて扱い方を決めるのが望ましい。
4 データ特性に応じた実践
4.1 外れ値がある場合の扱い
外れ値が存在すると、平均や分散は大きく歪む可能性がある。そのため中心は中央値、ばらつきは四分位範囲のように頑健な指標が選ばれることが多い。外れ値をそのまま使うべきか、訂正・除外するかは、測定誤差の有無、対象母集団の想定、分析の目的（予測精度か探索か）によって変わる。扱いの決定は「データ理解」と「手続きの透明性」を重視して行うのが一般的である。
4.2 欠測値がある場合の要約戦略
欠測がある場合、単純に残りだけで統計量を計算すると、分布が歪む恐れがある。まず欠測の割合と、欠測が特定の値域や時点に偏っていないかを確認する。欠測の扱いとしては、欠測のまま別扱いにする方法、欠測を含まない集計を行う方法、補完（回帰や分布にもとづく方法など）を行う方法がある。どの戦略でも前提条件が異なるため、同じ指標を比較する場合は処理手順を揃えることが重要になる。
4.3 分布が偏っている場合の頑健な要約
歪みが強い分布では、平均中心の説明が実態とズレることがある。中央値と四分位により中心と散らばりを表すと、極端な値の影響を抑えられる。加えて、対数や平方根といった変換を用いることで歪みを緩和し、分布の形を比較しやすくすることもある。変換を行う場合は、元の尺度で解釈できる形に戻す手順や、解釈可能性を維持する工夫が求められる。
4.4 質的データ（カテゴリ変数）の一変量要約
カテゴリ変数は順序を持つ場合と持たない場合がある。要約では各カテゴリの頻度と割合を示し、必要に応じてモード（最多カテゴリ）を確認する。順序が意味を持つときは、その順序に沿って棒の並びを整えると解釈が容易になる。カテゴリ数が多い場合は、上位カテゴリの表示と残りの統合（その他）により可視化の見通しを確保する。
4.5 数値データ（連続・離散）の一変量要約手順
数値データでは、まず型（連続か離散か）と基本的な範囲を確認する。次に中心（平均・中央値・最頻のいずれか）とばらつき（標準偏差・四分位範囲など）を計算し、分布の形（歪度・尖度の概略、あるいは可視化）を確かめる。ヒストグラムや箱ひげ図で外れ値の有無を確認し、必要なら欠測の割合や処理も整理する。最後に、要約値と図の整合性（例えば平均が極端にずれていないか）を確認し、次の段階の分析に接続する。