1 不確実性の基本概念
不確実性とは、対象となる事象の結果、観測値、あるいは将来の状態について、真の内容を完全には把握できず、その不完全さがどの程度かも一定ではない、という状況を指す。科学研究では、測定や観測、実験、推定、予測、意思決定の各段階で必ず生じるため、無視するのではなく評価して扱うことが要請される。
不確実性は、推論の信頼度を規定するだけでなく、同じデータから導かれる結論がどれだけ揺れ得るかを明示する手段にもなる。たとえば、同じ平均推定値でも分散が大きければ予測の幅も広がり、信号が弱い領域では解釈の慎重さが求められる。したがって、不確実性を「誤差」だけとして捉えるのではなく、推定・予測の構造に内在する性質として位置づける視点が重要となる。
1.1 不確実性と関連概念の区別
不確実性は複数の関連概念と混同されやすい。混同すると、何が問題になっているのか（測定の失敗なのか、偶然によるばらつきなのか、情報が不足しているだけなのか）を切り分けられなくなる。
1.1.1 誤差、ばらつき、ランダム性
誤差は、ある推定や測定値と真値の差として理解されることが多い。ばらつきは、観測や推定結果が繰り返しでどの程度散らばるかを示す概念であり、分散や標準偏差のような量で表されることが一般的である。ランダム性は、同一条件で繰り返したときに結果が一定でなくなる要因を広く指し、ばらつきの原因の一部になり得る。
重要なのは、誤差とばらつきが同義ではない点である。ばらつきが大きくても平均的には真値の周辺に集まる場合があり、その場合は系統的ずれが小さい可能性がある。一方で、ばらつきが小さくても誤差が偏っていれば、結果は真値から一貫してずれることになる。これらの区別は、不確実性の性質を適切に低減する方策を選ぶうえで欠かせない。
1.1.2 確率と曖昧さ（あいまいさ）
確率は、ある事象が起こる程度や、未知量の値がとり得る割合を数値化する枠組みである。これに対して曖昧さは、情報の不足や定義のゆらぎにより、何を確率として表すべきか自体が安定しない状態を含む。たとえば、境界条件が曖昧なカテゴリ分類では、同じ観測でも割り当てが揺れ、確率分布を置くことはできても解釈が難しくなる場合がある。
両者は連続的に関連することもある。観測が不十分だと推定される確率は広くなり、同時に「何が確率的に定義されているのか」という理解が揺れる。したがって、確率的表現だけで終えるのではなく、どの前提のもとで確率が意味を持つのかを確認する姿勢が求められる。
1.2 不確実性の原因分類
不確実性は複数の要因の合成として現れる。分類を行うことは、低減可能な部分と、完全には消せない性質を分けて考える助けになる。
1.2.1 測定に起因する不確実性
測定に起因する不確実性は、計測機器の制限、手順のばらつき、サンプルの代表性不足などにより生じる。観測誤差として現れる要素には、時間や環境に依存するドリフト、サンプリングの偶然性、読み取りの離散化が含まれることがある。これらは実験を反復することで分散構造が観測される場合も多い。
また、測定はしばしば検量線や換算式に依存するため、単純な偶然誤差だけではなく再現性の変化が不確実性に影響する。測定系の品質評価（較正、検証、再現試験）を通じて、不確実性の内訳を把握することが実務上重要となる。
1.2.2 モデル化に起因する不確実性
モデル化に起因する不確実性は、現象を表す数式や仮定、パラメータ化、目的変数との関係の近似などが不完全であることから生じる。選んだモデルがデータ生成過程を正しく捉えていないと、同じ観測でも推定の偏りが生まれ、予測幅の見積もりも歪む。
不確実性は「モデルが当たるか外れるか」だけでなく、「モデルに組み込まれた仮定の置き方」に依存する。たとえば独立性の仮定、線形性の近似、観測が誤差を含むことの扱いなどは、成立しない場合に体系的なズレを生み得る。したがって、モデルの適合度評価や仮定の妥当性検討が不確実性評価の一部として位置づく。
1.2.3 環境・条件に起因する不確実性
環境や条件に起因する不確実性は、実験や観測の外部条件が完全には制御できないこと、または条件が時間とともに変化することから生じる。外乱、未測定の因子、気象や装置の温度変化、対象集団の状態の揺れなどが該当する。
この種の不確実性は、同一プロトコルでも条件が変わるほど増大する。さらに、将来に向けて予測するときには、条件の変化パターンそのものが未知であることが多いため、単発の測定から将来の幅を直接決めるのが難しくなる。観測計画や追跡の設計は、この不確実性の扱いと密接に結びつく。
2 不確実性の種類と表現
不確実性は形態が異なる。どの種類として表すかは、推定対象の性質と評価目的に依存する。分類の違いは、数値化方法や解釈の仕方に直結する。
2.1 統計的不確実性（偶然性）
統計的不確実性（偶然性）は、同じ手続きで繰り返しても結果がランダムに変動する性質に由来する。測定値のばらつきや、試行の成功確率が揺れる状況などが代表例である。これらは反復で情報が増えるほど狭まる傾向があり、サンプルサイズが重要な役割を持つ。
確率モデルを用い、未知量が確率分布に従うとして扱うことで、推定の分布や予測の幅を定量化しやすい。偶然性の評価は、一般に分散や標準誤差のような量と結びつく。
2.1.1 期待値と分散による表現
期待値は、確率的に見たときの平均的な位置を示す指標である。分散は、同じ対象を繰り返し見たときの散らばりの度合いを表すため、偶然性の大きさの目安になる。多くの推定では、中心傾向（平均）と散らばり（分散）の組を用いて不確実性を要約する。
ただし、平均と分散だけでは分布形状（歪度や裾の重さ）が見えない場合がある。極端な値が起こりやすい領域では、分散だけに基づく要約が過小評価につながることがあるため、追加の診断や補助統計量の検討が必要になる。
2.1.1.1 信頼区間と予測区間
信頼区間は、未知の母数（たとえば平均や回帰係数）を推定する際に、その値が含まれる確率的な範囲を示す枠組みである。予測区間は、新たに観測される個体の値がどの範囲に入るかを示す点で、対象が異なる。
同じデータから同程度の幅が得られるように見えても、区間の性質は異なる。予測区間は一般に、将来の偶然性を含むため、信頼区間より広くなることが多い。区間の使い分けを誤ると、「母数の不確実性」と「将来の観測のばらつき」を混同して解釈する危険が生じる。
2.2 系統的不確実性（偏り）
系統的不確実性（偏り）は、推定や測定が真値から一貫してずれる性質を含む。偶然の揺れが平均的に相殺されるのに対し、偏りは相殺されず、サンプルを増やしても縮小しないことがある。
偏りの源は、較正不足、モデルの誤設定、未測定の交絡、測定手順の非対称性などにある。系統性の評価には、外部基準との照合や、仮定に基づく診断が必要になりやすい。
2.2.1 キャリブレーションと再現性
キャリブレーションは、測定系が既知の基準に対してどれほど整合しているかを調べ、必要な補正を行う手続きである。これにより、測定のスケールやオフセットの不確実性を体系的に把握できる。再現性は、同条件で測定して結果がどの程度一致するかを示す観点であり、偶然性の評価と結びつく。
両者の目的は異なる。前者は系統のずれを減らすことに重点があり、後者は揺らぎの大きさの把握に重点がある。キャリブレーションが不十分な場合、見かけ上はばらつきが小さくても実際の誤差が残り、信頼性の評価を誤りやすい。
2.2.2 バイアス補正の考え方
バイアス補正は、推定に含まれる偏りを評価し、可能な範囲で補正する考え方である。理想的には、偏りの原因をモデル化し、その大きさを推定して補正量を算出する。ただし補正には新たな不確実性が付随する。補正量の推定誤差や、補正に含まれる仮定の崩れが、結果の別の誤差を生む可能性がある。
したがって補正を行う際には、「補正後の残差がどの程度小さくなるか」と「補正により不確実性が増していないか」を同時に評価する必要がある。実務では、感度分析や外部妥当性の検証が、補正の妥当性を支えることが多い。
2.3 主観的不確実性と情報不足
主観的不確実性は、客観的データだけでは表せない理解の差や、情報の欠落により、期待される範囲が人によって異なる状態として現れる。観測が少ない局面では、同じ現象でも前提や信念の置き方が結論に影響することがある。
ただし主観という語は恣意性を意味しない。情報不足があるときに、どの情報をどう重みづけするかという判断ルールが必要になるため、そのルールを明示し検証可能にすることが重要となる。
2.3.1 蓄積情報の更新（直感と形式）
新たなデータが得られるたびに、不確実性は更新される。直感的には、追加観測により選択肢が絞られることで幅が縮むが、形式的には確率モデルや更新規則により分布が変化する。更新の仕方は、事前に置いた仮定と、観測の情報量の関係で決まる。
更新の良し悪しは、単に幅の縮小速度の問題ではない。どの領域で確率が移り、どの仮定が結論を支えているかが追跡可能であることが望ましい。透明性の高い更新手順は、議論や検証を促進し、結果の信頼を補強する。
2.3.2 代表性と前提の影響
前提の影響は、データが少ない場合ほど強くなる。とくに代表性の評価（あるデータが母集団をどれだけ代表しているか）に誤りがあると、推定が偏っていく。前提には対象範囲の定義、観測条件、期間、測定手順の一貫性などが含まれる。
代表性に関する誤解は、見かけの統計的整合性があっても実際の一般化が破綻する原因になる。したがって、データの収集方法と適用範囲を明確にすることが、主観的不確実性の影響を点検する第一歩となる。
3 不確実性の推定・評価手法
不確実性の評価は、観測から直接得られる情報と、モデルや仮定を通じて間接的に得られる情報を区別しながら進める必要がある。目的に応じて推定方法を選び、検証指標で妥当性を確認する。
3.1 探索データ解析による把握
探索的データ解析は、不確実性の存在を早期に発見し、どこに問題がありそうかを見定めるための枠組みである。推論の前段としてデータの形状、ばらつき、異常の可能性を点検する。
3.1.1 残差分析と検証の指標
残差分析では、モデルの予測と実測との差を調べることで、仮定の破れを検出する。残差に体系的なパターンが見られる場合、単なる偶然ではなくモデルの不備や追加変数の欠落が疑われる。検証の指標としては、誤差の総量や規格化誤差、予測性能の測定などが用いられる。
重要なのは、残差がランダムに見えるかという視点と、定量指標が整合しているかの両立である。見た目と数値が食い違う場合には、スケーリングの問題や外れの影響、あるいは可視化の解像度不足が疑われる。
3.1.2 外れ値とロバスト性
外れ値は、偶然の範囲を超えた観測であり、平均や分散の推定を大きく左右することがある。外れが測定ミスに起因するなら除外や補正が検討されるが、単に珍しい現象である可能性もあるため、機械的な処理は危険を伴う。
ロバスト性は、外れや分布の偏りに対して推定が過度に揺れない性質を指す。ロバストな推定法を用いることで、不確実性の見積もりがより安定し、後続の判断が頑健になる場合がある。
3.2 機械学習・統計モデルによる定量化
統計モデルや学習モデルは、不確実性を数値として割り当てる能力を持つ。特に観測とモデルの対応関係を明示することで、推定の幅を体系的に出せる。
3.2.1 ベイズ的推定
ベイズ的推定では、未知量に確率分布を置き、観測の情報に応じて分布を更新する。事前情報とデータが統合されるため、情報不足がある局面でも一貫した推論が可能になる。計算上は、事後分布の評価やサンプリング、近似手法が使われる。
この方法の利点は、不確実性を別の形で隠さず、分布として保持する点にある。推定結果は点推定だけでなく、信頼性の幅や不確実な領域を同時に表現できる。
3.2.2 事後分布と不確実性の読み替え
事後分布からは、期待値、分位点、最大事後推定などの要約が得られる。分位点を用いた区間推定は直感的に扱いやすく、確率的な解釈を与えられる場合が多い。さらに、パラメータ同士の相関も同時に扱えるため、複数要素の同時不確実性を評価しやすい。
ただし「事後確率」をどう解釈するかは文脈依存である。モデルが仮定された世界での確率として理解するのか、意思決定に資する主観的な度合いとして理解するのかを明確にすることが、誤解の防止につながる。
3.3 シミュレーションと数値的手法
シミュレーションは、解析的に扱いにくい状況で不確実性を見積もるための方法である。分布に従う乱数生成や近似を通じて、結果の分散や区間の形状を推定する。
3.3.1 ブートストラップ
ブートストラップは、観測データを復元抽出して擬似データを作り、推定量を繰り返し計算する手法である。これにより推定量の分布を経験的に近似でき、区間推定や標準誤差の推定に利用される。
ただし独立性や同一分布の前提が崩れると誤差の推定が歪む。時系列や空間データでは、適切なブートストラップ変種（ブロック化など）を検討する必要がある。
3.3.2 モンテカルロ法
モンテカルロ法は、確率過程や積分を乱数の試行で近似する方法である。モデル化された不確実性を入力としてサンプルを生成し、出力の分布を推定することで、複雑な問題の区間や確率を得る。
計算資源に応じて精度が改善するため、試行回数や分散低減の工夫が重要になる。さらに、乱数生成の品質や収束判定の扱いを適切に行わないと、見積もりが不安定になることがある。
3.4 感度分析とロバスト性評価
感度分析は、不確実性の大きさがどの仮定やパラメータの変更により変化するかを調べる手続きである。ロバスト性評価と組み合わせることで、結論の依存度を明らかにできる。
3.4.1 パラメータ摂動による影響
パラメータ摂動では、推定したパラメータや前提値を少し変えたときに、出力がどれだけ動くかを確認する。単純な摂動でも、支配的な要因が見えることがある。結果は、不確実性の内訳を理解する助けになる。
摂動の方法は恣意的になりがちなため、摂動幅をどの根拠に基づいて設定するかが重要である。推定誤差の分布や信頼区間に沿って摂動を定義することで、現実的な範囲での変化を見ることができる。
3.4.2 モデル選択の不確実性
モデル選択の不確実性は、どの候補モデルが適切かが完全には決まらない状況で生じる。不確実性は、パラメータの推定だけでなく、モデルそのものの選択にも含まれる。モデルごとに妥当性が異なる場合、予測や推論は選択に敏感になる。
この不確実性を扱うには、モデル比較指標、複数モデルの併用、あるいは平均化のような枠組みが用いられる。目的が説明であれば解釈可能性も評価対象になり、目的が予測であれば将来データでの性能を重視するなど、評価軸の整合が必要になる。
4 不確実性を用いた意思決定と科学コミュニケーション
不確実性は、単に数値として示すだけでなく、意思決定と説明責任の両面で活用される。研究成果の社会的受容は、伝え方によって大きく左右される。
4.1 意思決定の枠組み
意思決定では、選択肢によって得られる結果と、それに伴う不確実性を同時に考える必要がある。そこで意思決定理論の枠組みが利用される。
4.1.1 損失関数と期待効用
損失関数は、望ましくない結果に対して大きなコストを与えるよう定義されることが多い。期待値を取ることで、各選択肢の平均的な損失（あるいは利得）を比較できる。期待効用という考え方では、利得を効用尺度に変換し、確率的に平均化して意思決定を行う。
ここで重要なのは、価値観が損失関数や効用関数に反映される点である。科学的推論が同じでも、社会的優先順位やリスク許容度が違えば最適とされる選択が変わり得る。
4.1.2 リスクと不確実性の扱い
リスクは、起こり得る事態とその確率がある程度定まっている状態として扱われることが多い。一方、不確実性は確率が定まりにくい、または分布が安定しない状態を含むことがある。意思決定では、確率が強く定義できるかどうかにより評価方法が変わる。
確率が不確定な場合でも、頑健な戦略（最悪ケースに備える考え方や、過度に楽観的な選択を避ける設計）を用いることで、意思決定の破綻を減らせる。どの程度の不確実性まで「定量化」して扱い、どこからを「制約」として扱うかの整理が必要になる。
4.2 実験設計による不確実性低減
実験設計は、不確実性の種類に応じて戦略を選ぶことで成果が大きく変わる。観測の追加だけでなく、設計変更によって情報の質を高めることができる。
4.2.1 サンプル数と観測計画
サンプル数は偶然性の不確実性を直接左右することが多い。追加観測により推定の分散が縮む一方、コストや時間制約が存在するため、どこに観測を割り当てるかが重要になる。観測計画では、測定順序、条件の組み合わせ、層化、重複の配置などを通じて、情報量を最大化する。
さらに、系統要因が支配的な場合は、サンプル数を増やしても改善が限定的になることがある。そのため、較正や手順の標準化を優先するか、追加データを優先するかの判断が設計段階で求められる。
4.2.2 情報利得の考え方
情報利得は、次に得られる観測が、不確実性をどれだけ減らすかを尺度化する考え方である。測定計画を比較することで、最も効果の大きい観測を選択しやすくなる。情報量が高い観測は、予測や推定の幅を狭める方向に働く。
情報利得の設計では、何を「不確実」と見なすか（特定パラメータか、予測値か、モデル全体か）を明確にする必要がある。目的が異なれば最適な観測も変わり得るため、研究のゴールと整合した評価指標を採用することが望ましい。
4.3 不確実性の報告・共有
不確実性の報告は、結果の価値を伝えるだけでなく、誤読を防ぐための手続きでもある。図表、言語表現、前提の明示を通じて受け手が正しく理解できる形にする必要がある。
4.3.1 信頼性の伝え方（図表・表現）
不確実性は、信頼区間や予測区間、分布の可視化、誤差棒、ヒストグラムの重ね描きなど、複数の図表で伝えられる。区間は要点を短くまとめるのに適し、分布の表示は形状や裾の情報を示せる。
表現の工夫としては、区間の意味（母数の範囲か将来観測か）を明記し、算出方法の概要を添えることが有効である。単に「誤差あり」と書くより、どの要因が主に効いているか（偶然か系統か）を説明できると理解が安定する。
4.3.2 解釈の誤解を避ける注意点
よくある誤解は、区間推定を「真値がその範囲に入る確率が一定」と受け取ることである。区間の性質は手法により異なり、解釈の前提を共有しないと読み手の理解がずれる。もう一つの誤解は、不確実性を「研究の失敗」と同一視する見方であるが、科学では不確実性は評価対象として扱われる。
誤解を避けるには、測定条件、モデルの仮定、区間の算出方法、限界（適用範囲）を簡潔に示すことが必要になる。さらに、複数の不確実性が同時に存在する場合は、総合だけでなく主要因も説明すると受け手が判断しやすい。
4.4 研究現場の「確からしさ」の社会的側面
不確実性は統計的な問題にとどまらず、研究文化やコミュニケーションのあり方にも影響する。「確からしさ」は、再現性や透明性、議論の質と結びつき、社会的に形成される。
4.4.1 議論と再現性
議論では、推定結果の数値だけでなく、どのデータで、どの仮定のもとで、どの手法により不確実性が評価されたかが問われる。再現性は、同一手続きで同様の結果と不確実性の構造が得られるかを示す指標であり、信頼性の補強になる。
一方で、再現性の有無は領域や実験条件に依存し、結果の全てが同じ形で一致するとは限らない。重要なのは、差が生じる理由を説明可能にすることであり、そのために不確実性の見積もりと報告が役割を持つ。
4.4.2 専門家の見立てと一般読者の理解
専門家は不確実性を分解して解釈しやすいが、一般読者は数値の意味や手法の前提を十分に知らない場合がある。結果として、信頼区間の幅や確率表現が過度に一般化される危険がある。情報の階層化（詳細と要約の併置）や、比喩の節度のある使用が有効になることが多い。
また、メディアや発信者が「不確実＝分からないことが多い」という事実を適切に伝えられるかが、理解の質を左右する。科学コミュニケーションでは、結論の強さと不確実性の種類をセットで示し、受け手が判断できる余地を残すことが望ましい。