1 分散分解の概念
1.1 分散とばらつきの意味
分散は、観測値が平均からどの程度離れているかを数値化する尺度である。データ全体に現れるばらつきは、測定の偶然性だけでなく、入力条件や環境の違いによっても生じる。分散分解は、この総ばらつきを複数の要因に整理し、どの要素が変動の大きさにどれほど関与しているかを明らかにするための枠組みである。
統計的な文脈では、平均の違いが原因で生じるばらつきと、同じ条件内でも残るばらつき（ノイズや未観測の変数に由来する成分）を区別する発想が中心となる。結果として、データの構造理解、予測の改善、条件間の比較といった目的に応じて寄与の解釈が可能になる。
1.2 分解の基本方針
分散分解の基本は、ある関係式またはモデルが想定する分解構造に従って、全体の変動を理論的に（または推定により）成分へ割り当てることである。分解は「何を要因とみなすか」「条件をどう定義するか」「誤差成分をどのように扱うか」によって形が変わる。
実務では、全分散を説明可能部分と説明不能部分に分ける設計がまず行われ、その後に要因ごとの寄与へ細分化する流れが多い。これにより、比較したい差が要因側にあるのか、あるいは自然変動側にあるのかを区別しやすくなる。
1.2.1 全体分散の構成要素
全体分散は、平均からのズレが生まれる過程を大まかに二層に分けて捉えることから始めることが多い。第一に、条件の違いによって平均水準が変わることで生じる変動がある。第二に、条件が同じでも残る変動があり、測定誤差や未観測の影響、個体差などが含まれる。
さらに、複数要因を同時に扱う場合には、要因の組合せによって生じる追加の変動（相互作用）を分離することができる。したがって構成要素は、主効果に相当する成分、交互作用に相当する成分、誤差成分へと整理される。
1.2.2 条件付き分散による分解
条件付き分散を用いると、特定の条件が与えられたときに残るばらつきと、条件を変えたときに生じる平均との差を分離できる。条件とは、説明変数の値やカテゴリ、あるいはグループ情報のように、同一視したい単位の集合を指す。
この考え方では、条件付き平均を基準にして変動を整理するため、全体のばらつきのうち「条件によって説明される部分」と「条件内に残る部分」の関係が明確になる。結果として、モデルの改善や要因比較に直結する形で寄与を扱える。
1.3 解析目的（説明・予測・比較）
分散分解の使い道は、単一ではない。第一に説明（interpretation）の目的として、どの要因が変動に大きく関わっているかを示す。ここでは、寄与の大きさが実質的意味を持つように条件設計やモデル選択が重要になる。
第二に予測（prediction）の目的では、予測誤差に相当する成分がどの程度まで縮められているかを評価するために用いる。分散の内訳は、残差が主にどこから来るのかの手掛かりになる。
第三に比較（comparison）の目的では、群間差や要因効果を検定・評価する枠組みと結びつく。特に分散分析では、平方和の分解がそのまま比較の道具になり、要因の寄与を客観的に位置づけられる。
2 数学的基礎
2.1 条件付き期待値と分散の関係
2.1.1 期待値による分解原理
分散分解の中核には、「全体の不確実性は、条件によって説明される部分と、条件内で残る部分に分かれる」という原理がある。この原理は、期待値の性質から導かれる。
最も基本的には、条件付き期待値と条件付き分散の関係を用いて、変数の分散を「条件の平均が動くことによる分散」と「各条件内のばらつき」の和として表す。これにより、要因を条件とみなしたときの解釈が自然に組み立てられる。
2.1.1.1 全分散の公式（理論形）
確率変数 \(Y\) と、情報（条件）を表す確率変数またはσ加法族 \(\mathcal{G}\) に対して、次が成り立つ。 \[ \mathrm{Var}(Y)=\mathbb{E}\bigl[\mathrm{Var}(Y\mid \mathcal{G})\bigr]+\mathrm{Var}\bigl(\mathbb{E}(Y\mid \mathcal{G})\bigr) \]
左辺は全体の分散、第一項は条件を与えた下で残るばらつきの平均、第二項は条件付き平均が条件により変化することに起因するばらつきである。これが分散分解の理論的出発点となる。
2.1.2 条件付き分散の意味
条件付き分散 \(\mathrm{Var}(Y\mid \mathcal{G})\) は、情報 \(\mathcal{G}\) が確定したときの \(Y\) のばらつきを表す。条件がカテゴリなら、そのカテゴリ内におけるばらつきに対応する。条件が連続変数なら、その値の近傍で見たときのばらつきに近い意味を持つ。
一方、\(\mathrm{Var}(\mathbb{E}(Y\mid \mathcal{G}))\) は、条件を変えることで期待水準がどれだけ移動するかを表す。したがって、全体の変動を「平均の動き」と「個別の散らばり」に分けて理解できる。
2.2 モデル表現との接続
分散分解は、単なる確率論の恒等式にとどまらず、統計モデルの形と連携することで実データ解析へ接続される。モデルは、平均構造や誤差構造を明示するため、分散の内訳もその仮定に沿って解釈される。
特に線形回帰や分散分析では、推定量や平方和が分解成分の役割を担うため、理論式と計算手順が対応づけられる。
2.2.1 直線回帰における分解
直線回帰では、しばしば \[ Y=\mathbb{E}(Y\mid X)+\varepsilon \] のように「条件付き平均」と誤差を分けて考える。例えば \(Y=a+bX+\varepsilon\) とみなすと、条件付き平均は \(a+bX\) に一致し、誤差 \(\varepsilon\) が条件に対して追加のばらつきを生む。
このとき、分散分解は「説明変数 \(X\) により平均が動く部分」と「誤差として残る部分」に対応する。推定された回帰式は条件付き平均を近似し、残差は条件内のばらつきを反映するため、分散の内訳をデータから比較できる。
2.2.2 分散比と寄与の解釈
分散比は、ある成分に含まれるばらつきが、誤差（または別成分）のばらつきと比べてどの程度大きいかを示す指標として現れる。分散分析では、この比が検定統計量の役割を果たすことが多い。
寄与の解釈は慎重さを要する。分散比は「相対的に大きいかどうか」を示すが、因果の方向やモデル適合の妥当性を自動的に保証しない。変数選択や仮定（独立性、分散の同質性など）によって意味が変わるため、分解結果をモデルの前提と合わせて読む必要がある。
3 分散分析（ANOVA）における分散分解
3.1 一元配置の分解
一元配置のANOVAでは、観測値をカテゴリ（群）ごとに整理し、群間の平均差と群内のばらつきを分ける。分散分解の視点では、群を条件 \(\mathcal{G}\) とみなし、全体のばらつきを「群平均の変動」と「群内残差」の和として扱う構造になる。
実際の計算では、平方和（sum of squares）が分解単位になるため、理論的分散分解が計算可能な形へ落とし込まれる。
3.1.1 群間変動と群内変動
群間変動は、群平均が全体平均からどれだけ離れているかに起因する。群内変動は、各群の観測値がその群平均の周りでどれほど散っているかに起因する。両者の相対的な大きさが、群間に実質的な差が存在する可能性を示す。
群間と群内を分けることで、「平均の違いが主要因なのか」「主に個体差やノイズが支配しているのか」を判断しやすくなる。
3.1.1.1 平方和の対応づけ
一元配置では、合計平方和を群間平方和と群内平方和へ分ける。対応関係としては、合計平方和が全体の分散（に比例する量）に、群間平方和が \(\mathrm{Var}(\mathbb{E}(Y\mid \text{群}))\) に、群内平方和が \(\mathbb{E}(\mathrm{Var}(Y\mid \text{群}))\) にそれぞれ対応する。
平方和は分散そのものではなく、標本サイズの扱いや平均の基準によって係数が変わる。そのため「寄与率」や「分散の割合」として解釈する際は、分母となる量との整合性を確認することが必要になる。
3.2 二元配置・要因効果
二元配置は、二つの分類要因を同時に扱う。たとえば要因Aと要因Bの水準の組合せごとに観測値が得られる状況で、各要因の主効果と相互作用を分離する。
ここでは分散分解の考え方が一段深くなり、「どの要因が平均を動かすのか」「要因の組合せに固有の動きがあるのか」「残差がどれほど大きいのか」を内訳として整理する。
3.2.1 主効果の分離
主効果は、各要因の水準によって平均が変わる成分である。要因Aの主効果は、Bの水準を平均化したときにAの水準間で平均がどれほど異なるかを反映する。同様に要因Bの主効果も、Aを平均化した視点で評価される。
この分離により、単独の要因がどれだけ説明力を持つかを把握できる。ただし主効果だけを見ると、組合せによる挙動の違いが見落とされる場合がある。
3.2.2 交互作用の扱い
交互作用は、ある要因の効果が他方の要因の水準に依存することに対応する。言い換えると、Aの水準差がBの水準ごとに一定ではない場合に現れる。
ANOVAでは交互作用に対応する平方和が計算され、主効果とは別の成分として検定対象になる。相互作用が大きいときは、主効果の大小だけで全体像を判断せず、組合せパターンを解釈する必要がある。
3.3 推定量と検定との関係
ANOVAにおける検定は、分散分解に現れる平方和から導かれる平均平方（mean square）を用いることが多い。平均平方は分散に比例するため、要因による変動が偶然（誤差）による変動より大きいかを比として評価できる。
推定量との関係では、要因効果の推定は平均構造の当てはめとして理解できる。検定はその推定が「誤差の範囲に収まる」かどうかを統計的に判断する工程であり、分解成分の大きさが検定統計量へ結びつく。結果として、同じ分解でも「推定」と「意思決定」を担う役割が異なる点に留意が必要である。
4 応用と発展
4.1 実験計画での利用
分散分解は、実験計画において効果の大きさと誤差の性質を整理するために利用される。要因をどのように設定し、割付をどう行うかは、分解によって得られる内訳の解釈可能性に直結する。
また、実験設計では交絡（本来知りたい要因以外の影響が混ざること）を減らすことが重要である。分散分解が意味を持つためには、条件づけの仕方が妥当である必要がある。
4.1.1 要因選定と交絡の考え方
要因選定では、理論的根拠や過去の知見に基づき、平均を動かす可能性がある変数を候補に挙げる。分散分解の観点では、要因に対して条件を定義できる形で観測されていることが望ましい。
交絡の観点では、観測された違いが本当に目的要因によるものか、あるいは別要因の偏りによるものかが問題となる。設計段階でランダム化や層化を行うことで、誤差成分への混入を緩和し、分解結果の信頼性を高めることができる。
4.2 ランダム効果モデルでの分解
ランダム効果モデルでは、階層構造により、集団間の平均差と個体内の変動を同時に表現できる。分散分解の枠組みを拡張し、「どの水準が変動の塊として現れるか」を設計に反映する考え方である。
固定効果だけで平均構造を説明すると、個体差や群差を誤差へ押し込めてしまうことがある。ランダム効果は、この押し込みを分解として明示化する点が特徴である。
4.2.1 階層構造（群・被験体）
階層構造とは、データが複数のレベルでまとまっている状態を指す。例として、被験体の観測が同一個体内で繰り返される場合、個体間の差と測定時点の揺らぎを区別できる。
このとき、群（または個体）ごとに固有の平均やばらつきがあると仮定し、分散成分をレベルごとに分けて推定する。結果として、どの階層が主な変動源なのかが明らかになる。
4.2.2 変動成分の解釈
ランダム効果の分散パラメータは、各階層に由来する変動の大きさに対応する。解釈では、これがどの程度の範囲で観測値を押し上げるのか、また固定効果の説明力とどう釣り合うのかを確認する。
ただし、推定にはモデル仮定（例えば分布形、独立性、分散の一定性など）が含まれる。推定された成分の意味は、仮定がデータに対して妥当であることが前提となるため、感度評価や診断を併用するとよい。
4.3 分解結果の可視化と報告
分散分解の成果は、数値だけでなく図示によって理解が促進される。寄与の大きさや条件による違いが視覚化されることで、読者が直感的に構造を把握できる。
報告では、どの分解がどの仮定に基づくか、また計算に用いた基準（分母、平均の定義、平方和の扱い）を明記することが、再現性と誤解防止につながる。
4.3.1 寄与率の算出と注意点
寄与率は、ある成分が全体の変動に占める割合として算出されることが多い。例えば平方和ベースで成分を割り算する形で定義される場合がある。ここで注意すべき点は、分母がどの量を意味するかで寄与率が変わり得ることである。
また、寄与率は統計的な不確実性を直接表さないことがある。標本サイズが小さい場合や仮定が崩れている場合には、見かけの割合が過大評価される可能性があるため、併せて推定誤差や検定結果を添えるのが望ましい。
4.3.2 解釈の誤りを避けるために
分散分解では、成分の大きさを「因果の大きさ」と誤解することがある。分解が示すのは条件に基づくばらつきの内訳であり、介入による効果を直接保証するものではない。
さらに、相互作用が存在する場合に主効果だけで結論を出すと、重要なパターンを見落とす。加えて、条件の定義（どの変数を制御し、何を残差へ回すか）が変われば成分の意味も変化する。したがって、分解結果を述べる際は、条件設定とモデル仮定を同時に記述し、解釈の範囲を明確にする必要がある。