1 共変量の定義と基本的な考え方
共変量（covariant）とは、ある変数の変化や変換に対して、対象となる量も「対応する形で」変化する性質をもつ概念である。要点は、単に同じ値に保たれるのではなく、指定された変換規則のもとで整合的な変わり方をする点にある。たとえば、座標の付け方を変えるとき、ある幾何学的対象の成分表示は変わるが、その変化は座標変換の規則に従って記述される。このとき成分側の振る舞いが共変的である。
この語は分野により細部が異なるが、「入力に対する変化ルール」と「量に割り当てられた変化ルール」が揃っていることを意味する。従って共変量の定義は、しばしば“どの変換を考えるか”を明示した上で与えられる。統計では変数の役割（説明変数や条件変数）に結びつき、線形代数では線形変換の作用、微分幾何では座標変換や滑らかな写像に沿った変換則として現れる。
1.1 「共変（変換に追随する）」という性質
共変の特徴は、変換後の表示が「変換後の入力に対して、同じ規則で計算された結果」になることにある。言い換えると、変数側の“見かけ”を変えても、共変量側の変化がその見かけの変更と矛盾しないように設計されている。
たとえば線形変換行列を用いて座標を変えるとき、ベクトルの成分は座標系の変化に従って変わる。その成分変化が、変換行列の作用と整合する場合、その成分表示は共変であると説明される。ここで重要なのは、対象の実体が不変であるかどうかではなく、「変換規則との整合性」が評価基準になる点である。
1.2 共変量と関連概念の整理
共変量はしばしば不変量や反変量と並べて理解される。加えて統計では、変数、特徴量、推定量、パラメータなどの用語と混同されやすい。そこで本節では、共変量がどの位置づけにあるのかを整理する。
1.2.1 変数・特徴量との違い
変数とは、値が取り得る対象であり、データとして観測される量や、モデル内で仮定される数量を指す。特徴量（特徴）は、モデルが学習・推論に用いるために変数から設計された入力の形である。共変量は、こうした“入力に対応して変換が整合的に働く側”に注目する概念であり、単なる値の名前ではない。
つまり、特徴量は設計物でありうるが、共変性はその特徴量（または推定量）の変換上の性質として付随する。両者は同一ではないが、特徴量工学の文脈では「どの変換に対して共変になるように特徴表現を作るか」が重要になる。
1.2.2 目的変数（応答）との関係
統計において目的変数（応答、出力）は、説明変数（入力）に対して予測・説明される側の量である。共変量という語は、しばしば目的変数そのものに対してではなく、説明変数や条件づけの構造に結びついて語られることが多い。
ただし、確率モデルの書き方によっては、目的変数が共変的に変換される設定もあり得る。たとえば、応答が座標に依存する観測である場合、座標系の変更に伴って応答の成分表示がどのように変わるかが定まる。このとき、目的変数の側の変換規則も共変性の観点で扱うことができる。
2 統計学における共変量
統計学では共変量は主に「モデル入力の変化に整合して、推論の条件づけ構造や予測の振る舞いが変わる」こととして現れる。回帰や予測では、説明変数の取り方が変われば、期待値や分布の記述も対応して変化するが、その変化がモデルの仮定に沿っている必要がある。
また、共変量は機械学習の文脈で「入力特徴が変換されたとき、出力の生成ルールが破綻しない」こととも関連する。ここでの整合性は、設計したモデルクラスや前処理、推定法の選択に依存している。
2.1 回帰・予測モデルでの役割
回帰や予測モデルでは、説明変数（共変量として扱われることが多い）が目的変数の統計的性質を規定する。典型的には、条件付き期待値や条件付き分布が説明変数に依存し、その依存の形がモデルの仮定になる。
2.1.1 説明変数としての共変量
説明変数は、目的変数を説明するためにモデルへ投入される入力である。共変量という語がここで用いられるのは、説明変数が単なるラベルではなく、入力の変化に伴ってモデルが応答側の条件分布を更新する仕組みに直結するためである。
回帰の例では、目的変数の平均が説明変数の関数として与えられる。この関数形は、説明変数の変換に対して何らかの一貫性を持つように選ばれることが多い。たとえば線形性を仮定する場合、説明変数の線形変換に応じて予測も整合的に変わるように係数を再解釈することが可能になる。
2.1.2 目的変数への影響を表す要素
共変量は、目的変数に影響する要素として解釈されることがある。ただし因果効果と結びつけるには追加の仮定が必要であり、統計的な関連（相関、予測力）を表す場合と、因果的な影響を表す場合を区別することが重要になる。
回帰モデルでは、共変量の係数やそれに対応する効果量が「目的変数の条件付き分布がどの程度変わるか」を要約する。目的変数が連続なら平均の変化、カテゴリカルなら確率の変化として表れるのが一般的である。
2.2 例：線形回帰・一般化線形モデル
線形回帰は共変量の関係を扱う代表的な枠組みである。一般化線形モデルは、分布の取り扱いを拡張し、連続・二値・カウントなど幅広いデータ型へ適用できる。
2.2.1 性質と解釈の基本
線形回帰では、目的変数の期待値が説明変数の線形結合で表される。モデルは「誤差の独立性や分散の扱い」といった仮定のもとで推定・推論を行う。ここで説明変数側（共変量）の変化は、予測値の変化として直接反映される。
一般化線形モデルでは、平均構造に加えて、分布族とリンク関数が導入される。リンク関数は、線形予測子から平均（期待値）への写像を定めるため、共変量がどのスケールで効くかが整理される。結果として、同じ説明変数でも変換後のスケールで効果が解釈される。
2.2.2 係数や効果量としての捉え方
線形回帰の係数は、説明変数を1単位変えたときの平均の変化量を表す（標準化や変数定義がどのように行われたかで解釈は変わる）。ただし、説明変数間の尺度が異なる場合、係数の大小だけを機械的に比較するのは誤解を招く。
一般化線形モデルでは、係数はリンク関数を介した尺度で解釈される。そこでオッズ比やリスク比に相当する量に変換して理解することが多い。これにより「共変量が確率や期待値をどう動かすか」がより直感的に説明される。
2.3 モデル設計上の論点
共変量を扱う際の設計では、入力の選択と前処理が性能や解釈に大きく影響する。さらに、どの変換に対して整合性を保つべきかを意識すると、モデルの堅牢性が上がることがある。
2.3.1 入力の選択（特徴量選択）
共変量の選択は、モデルの表現力と汎化性能の両方に関係する。過剰な投入は過学習につながり、少なすぎれば性能不足になる。選択の方針としては、統計的関連の検討、ドメイン知識による候補化、正則化による寄与の抑制などが用いられる。
また、共変量として扱う変数の前提が明確でないと、解釈や将来データでの挙動が不安定になる。たとえば測定手段が変わった場合、同じ“値”でも分布が変わる可能性があるため、入力の妥当性検証が必要になる。
2.3.2 前処理（標準化・欠測処理）
標準化は、説明変数の尺度をそろえて最適化を安定化させ、係数や正則化の影響を比較しやすくする。共変量の扱いとしては、どの変換を行っても「モデルが前提とする関係」が損なわれないようにすることが重要である。
欠測処理では、除外、平均代入、モデルベースの補完などが行われる。共変量が欠測しやすい特性を持つ場合、欠測の機構（無作為性など）によってバイアスが生じる。従って、共変量の欠損をどう扱うかは推論の妥当性に直結する。
3 確率・数理の文脈での共変量
確率・数理の文脈では、共変量は変換則としての性質を中心に理解される。線形代数では行列作用に従う量が、微分幾何では座標系や基底の変更に従う成分が対応する。
この節では、共変ベクトルや共変形式、さらに不変量・反変量との対比を通して概念の輪郭を明確にする。
3.1 変換則としての共変量
変換則としての共変性は、ある群や写像の作用に対して対象の表示が定まった仕方で変わることとして定義される。たとえば線形変換行列 \(A\) により基底や座標が変わるとき、共変量の成分が \(A\) の作用と整合する形で変換されるなら、その成分は共変である。
この観点では、共変性は“計算の整合性”を保証する役割を担う。座標や基底を変えても、同じ幾何学的・物理的内容が別の成分として再表現されるだけになるため、理論の記述が座標系に依存しにくくなる。
3.2 共変ベクトル・共変形式などの関連
線形代数や微分幾何では、共変という語はベクトル空間の随伴的な構造と結びつく。代表例として共変ベクトルや共変形式がある。
3.2.1 線形代数における表現
線形代数では、双対空間（ベクトル空間に対応する線形汎関数の空間）に属する要素が共変量として現れることが多い。具体的には、ベクトルに作用してスカラーを返す“測り方”が双対側に置かれ、基底変換のもとで双対要素の成分が共変的に変換される。
また、内積や評価写像を通じて「ベクトル」と「共変側」の間に自然な対応が作られる。これにより、座標系を変えても評価結果が同じになるように成分変換が定義される。
3.2.2 微分幾何での用語との関係
微分幾何では、座標変換に伴う成分の変化を体系化するために共変・反変という区別が使われる。接空間の基底が座標に依存するのと同様に、双対空間（コベクトル）の成分も座標変換に従って変わる。1-形式や勾配の表現などは、共変的な変換をもつ典型例として扱われる。
この枠組みでは、微分構造が滑らかな変数変換に従って正しく振る舞うことが重要になる。結果として、場の量や計量などの記述で共変性が整合的に利用される。
3.3 不変量・対変量との対比
共変性は“不変性”と対比して理解されることが多い。さらに双対側の変換で現れる“反変性”も含めると、量の取り方が系統的に整理される。
3.3.1 「共変」と「不変」
不変量は変換しても値が変わらない量である。共変量は値そのものが不変とは限らず、変換後に成分表示が別の形に変わる。一方で、共変性をもつ量を適切に組み合わせると、不変なスカラー（評価結果）を得られることがある。
したがって、不変量は共変量の“組み合わせ結果”として得られる場合があり、どのような共変性が保証されているかが不変性の生成に関与する。
3.3.2 「共変」と「反変」の位置づけ
反変量（contravariant）は共変量とは逆向きの変換則をもつ概念として位置づけられることが多い。双対空間との対応により、ベクトル側と共変側で異なる成分変換が導かれるため、両者は自然に対比される。
実務上は、対象がどちらの側に属するかを誤ると、座標変換の整合性が崩れて式が破綻する。従って、反変・共変の区別は記号の整合性や計算の検証に直接影響する。
4 共変量を扱う実務と応用
共変量の実務的価値は、推定・推論の整合性の確保と、予測や解釈の安定性にある。さらに因果推論では、交絡に対する調整と密接に関係する。加えて、尺度や相互作用、非線形性への設計が成果を左右する。
4.1 推定と推論における共変量の扱い
推定・推論では、共変量が条件付けの対象として現れる。条件付き分布や条件付き期待値を通じて、共変量の変化に対する推定結果の挙動が決まる。
4.1.1 条件付き推定の考え方
条件付き推定では、共変量の値が与えられた状況を考え、その条件のもとで目的変数の分布や量を推定する。これにより、同じモデルでも共変量の異なる領域で推定値が自然に変化するようになる。
実装上は、モデルが出力するのが条件付き平均なのか、条件付き分散も含むのか、あるいは分布のパラメータなのかを明確にすることが重要になる。そうすることで、共変量の変化が推定対象のどの統計量へ反映されるかが整理される。
4.1.2 不確実性の評価（区間推定など）
推定値は点推定だけでなく不確実性とセットで扱われる。区間推定では、共変量の特定の値のもとで、目的変数に関する量がどの程度の範囲に収まる可能性があるかを示す。
不確実性の表現としては、信頼区間や予測区間が用いられる。前者はパラメータや平均に関するばらつき、後者は観測そのもののばらつきに焦点を当てることが多い。共変量が多くなるほど推定が難しくなるため、区間の幅や妥当性検証が実務では欠かせない。
4.2 因果推論での共変量（交絡調整の考え方）
因果推論では、共変量は交絡の調整に使われることが多い。目的は、処置（介入）と結果の関係から、第三要因による見かけの関連を取り除くことである。
4.2.1 交絡の概念と共変量調整
交絡とは、処置と結果の双方に影響する変数が存在し、そのために観測される関連が因果を反映していない状態を指す。共変量調整は、交絡変数をモデル化し、処置と結果の関係を条件付けにより“比較可能”にする考え方である。
ただし、交絡を完全に観測できるとは限らず、モデルの仕様や仮定（無視できる未観測交絡など）にも依存する。よって共変量の選択は、統計的適合だけでなく因果的妥当性の観点で行われる必要がある。
4.2.2 データセット設計と識別の工夫
識別のためには、どの共変量を含め、どのようにデータを集めるかが重要になる。たとえば、処置割当が共変量と結びついている状況では、共変量のカバー範囲を広げるほど条件付けが適切になる可能性がある。
データセット設計の工夫としては、測定粒度の改善、追跡期間の設定、欠測の発生構造の把握などが挙げられる。共変量の質が識別可能性や推定の安定性に直結するため、計画段階での検討が求められる。
4.3 スケール・相互作用・非線形性
共変量を単独の線形効果として扱うだけでは、現実の関係を十分に表せないことがある。そのため相互作用や非線形表現が導入され、共変量のスケールに関する設計も行われる。
4.3.1 相互作用項の導入
相互作用とは、ある共変量の効果が別の共変量の値によって変わる関係を指す。回帰モデルでは、積の形などで相互作用項を追加し、条件付き効果の変化を表現する。
この導入は解釈性を高める場合がある一方、パラメータ数の増加によって推定が不安定になることもある。したがって、物理・工学・社会科学などの文脈に即した仮説をもとに相互作用を選ぶことが望ましい。
4.3.2 非線形表現（特徴量工学）
非線形性の表現は、特徴量工学やモデル拡張によって実現される。たとえば多項式特徴、分位点に基づく変換、区分的近似、スプラインなどが用いられることがある。
実務では、共変量の変換が単に精度向上のためだけでなく、外挿やデータシフトへの頑健性にも関係する点が重要である。適切な規則性（平滑さ、単調性、スケール整合など）を持たせることで、学習した関係が安定に振る舞いやすくなる。