1 区間推定の基本
1.1 点推定との違い
点推定は、母数を1つの数値で代表させるのに対し、区間推定は母数が取り得る範囲を数値の帯として表す。点推定では不確実性が「点」に吸収され、推定の揺らぎが読み取りにくい。一方、区間推定では帯の幅が不確実性の大きさを反映し、標本情報の量やばらつきの程度を直感的に把握しやすい。
1.2 信頼区間の考え方
1.2.1 信頼係数と区間幅
信頼区間は、信頼係数（例として95%など）に対応する大きさで構成される。信頼係数を高く設定すると、区間を包含するために必要な限界値が大きくなり、結果として区間幅は広がりやすい。逆に、信頼係数を下げれば区間幅は狭くなることが多いが、含まれる保証としての意味合いが弱まる。したがって、実務では「どの程度の不確実性を許容するか」を信頼係数の選択として明示する。
1.2.2 カバレッジ（被覆確率）の概念
カバレッジは、同じ方法で同種の標本を多数回取り直した場合に、真の母数が区間内に入る割合を表す概念である。信頼区間が持つ特徴は、真の母数に対して確率的に区間を定める点ではなく、「手順の性質」としてカバレッジが説明されることである。理想化された条件では、設定した信頼係数に近い割合で包含が起こるとされるが、分布仮定の違いや近似の利用によって実際の被覆は変動し得る。
1.3 推定問題の設定
1.3.1 母数と統計量
母数は、分布を特徴づける固定の量（平均、比率、分散など）を指す。推定の対象となるのは母数そのものではなく、標本から計算した統計量である。区間推定では、統計量の分布（または近似）を通じて、母数に対応する範囲を組み立てる。設計の中心は「母数の関数として書ける統計量を見つける／その振る舞いを理解する」ことにある。
1.3.2 標本と仮定
区間の作り方は、標本の性質と仮定に依存する。独立性や同一分布性、分布形（正規性など）、分散の扱い（既知か未知か）といった要件がある。仮定が満たされない場合、近似が破綻したり、被覆が期待からずれたりする。したがって、区間推定は「データ生成過程に対する仮定の妥当性」を点検する作業とセットで考えられることが多い。
2 一般的な構成法
2.1 基本枠組み
2.1.1 ある統計量を用いた区間化
典型的な構成は、ある統計量 \(T\) を母数の関数として標準化し、その分布が既知（あるいは近似可能）であることを利用する流れである。得られた標準化された形が、限界値を用いて「同時に満たされる」確率が設定値に一致するように設計される。最後に不等式を母数について解き、推定対象の区間を得る。
2.1.2 限界値（臨界値）の役割
限界値は、標準化された統計量がどの程度までなら包含の条件を満たすかを決める量である。左右両側の区間なら、上側と下側に残す確率質量の割合が設計され、臨界値がそれを反映する。直感的には、臨界値を大きくすれば広い範囲を採用するため被覆が上がりやすいが、区間は太くなる。逆に小さくすれば区間は細くなるが、包含の確率は設計通りにならない恐れが増える。
2.2 パラメトリックな区間推定
2.2.1 正規分布を仮定する場合
母集団が正規分布に従う、または正規性が近似として十分である場合、平均や比率などの推定が扱いやすくなる。分散が既知なら、標準化した平均は正規分布に従い、臨界値を正規分布の分位点で決められる。分散が未知の場合は、平均の分布に自由度の効果が入るため別の基礎分布を用いる。正規近似は大標本でも使われることがあるが、極端な偏りや小標本では注意が必要である。
2.2.2 ｔ分布を用いる場合
正規母集団のもとで分散が未知のとき、標準化された平均はｔ分布に従う。ｔ分布は裾が厚く、正規分布よりもばらつきを大きめに見積もる性質がある。これにより、分散推定の不確実性が区間幅に反映される。自由度が増えるほどｔ分布は正規分布に近づき、十分大きい標本では両者の差が縮小する。
2.3 ノンパラメトリック／頑健な区間推定
2.3.1 ブートストラップの考え方
ブートストラップは、観測データから再標本化を行い、統計量のばらつきを近似する手法である。元の標本を経験分布として扱い、そこから同じ大きさの標本を多数回作ることで、推定量の分布をデータ主導で再現する。これにより、分布形の仮定が弱い状況でも区間推定が可能になる。計算量は増えるが、モデル依存のリスクを下げる選択肢として利用される。
2.3.2 手法選択の指針
頑健性が必要な場面では、分布仮定を強く要求しない方法が有利になることがある。一方で、ブートストラップも万能ではなく、依存構造があるデータ（系列データなど）ではそのままでは適合しにくい。選択では、データの性質、外れ値の影響、必要な計算規模、報告可能な前提の量を総合して判断する。最終的には、区間が過度に広がる・狭く見積もられるといったトレードオフも考慮される。
3 主要な推定対象別の手法
3.1 平均の区間推定
3.1.1 分散既知のとき
母分散が既知であれば、標本平均は正規分布（正規母集団を仮定、または十分な近似）により扱える。標準誤差は \(\sigma/\sqrt{n}\) の形になり、信頼係数に対応する分位点を用いて両側区間を作る。区間幅は標準誤差に比例するため、標本サイズが増えるほど幅は縮む。また分散が大きいほど幅は広がる。
3.1.2 分散未知のとき
分散が未知なら、標本分散を使って標準化する必要があり、その分だけ不確実性が増える。正規性を仮定する場合、ｔ分布の臨界値を使って平均の信頼区間を構成する。標本分散は推定量なので、標準誤差も厳密には一定ではない。そのため、区間は分散既知の場合より広めになりやすい。
3.2 比率の区間推定
3.2.1 正規近似にもとづく方法
比率は二値（成功／失敗）データの成功割合として表される。標本サイズが十分大きいとき、比率の推定誤差が正規近似できるとみなして区間を作る方法がある。具体的には、標準誤差の推定に基づく標準化を行い、正規分位点で両側区間を構成する。ただし、比率が0や1に近い、あるいは小標本で近似が悪いときは、被覆のズレが問題になり得る。
3.2.2 差を伴う比率の扱い（概略）
2つの群の比率の差を考えると、標準誤差の合成や分布近似の設計が必要になる。独立な2標本を前提にすると、比率推定の誤差は群ごとに分解でき、差の分散が和として扱えることが多い。以降の手順は、差の標準化に適切な臨界値を適用する形になるが、比率が極端な場合や標本が小さい場合には近似の妥当性を再検討する。
3.3 分散・標準偏差の区間推定
3.3.1 カイ二乗分布に基づく方法
正規母集団の分散推定では、標本分散と母分散の関係がカイ二乗分布に結びつく。具体的には、（標本分散×自由度）を母分散で割った量がカイ二乗分布に従うため、カイ二乗の分位点で不等式を解くと分散の信頼区間が得られる。標準偏差は分散の平方根なので、分散の区間を平方根に変換することで区間が作れる。
3.3.2 具体的な手順の流れ
まず、標本から不偏分散を計算し、自由度を定める。次に、信頼係数に対応する上側・下側のカイ二乗分位点を取得する。得られた2つの分位点を不等式に対応させて母分散に関する範囲を解く。最後に、必要に応じて平方根を取って標準偏差の区間へ移行する。計算は分位点の取得に依存し、データ処理の手順が比較的明確である。
3.4 回帰における区間推定
3.4.1 回帰係数の信頼区間
回帰の文脈では、説明変数と目的変数の関係を表す係数に対して信頼区間を構成する。最小二乗推定などで得た係数の推定誤差は、誤差項の分散や設計行列の形に影響される。仮定（誤差の独立性、分散の扱い、正規性の近似など）が満たされる条件下で、係数推定量を標準化し臨界値を適用することで区間が得られる。多重共線性が強い場合には推定誤差が増え、区間は広がる傾向がある。
3.4.2 予測区間との違い
信頼区間は回帰線（条件付き平均）の推定に対する不確実性を表す。一方、予測区間は新たな観測値がどの範囲に入るかを表すため、誤差項のばらつきも含めた幅を持つ。結果として、予測区間は信頼区間より広くなるのが通常である。用途が異なるため、同じ「区間」という語でも解釈の前提が違う点が重要になる。
4 推定精度と実務上の論点
4.1 区間幅を決める要因
4.1.1 標本サイズの影響
一般に区間幅は標本サイズに反比例する形で縮小しやすい。平均や比率のような推定では、標準誤差が \(1/\sqrt{n}\) に関連するため、増加したデータが不確実性を減らす効果を持つ。極端に小さい標本では近似が不安定になり、単純な比例則が当てはまらない場合もある。
4.1.2 分散やばらつきの影響
母集団のばらつきが大きいほど、観測から推定される統計量の変動も増える。したがって、分散が大きい対象では区間が広くなりやすい。外れ値の多さや分布の歪みも同様に効き、仮定に依存する手法では影響の形が変わることがある。
4.1.3 信頼度の設定とトレードオフ
信頼係数を上げると包含確率を高める方向に働くが、その代償として区間が広がる。逆に信頼度を下げれば区間は狭くなるが、設計された被覆の水準から外れる可能性が増える。実務では意思決定に必要な安全性（取りこぼしの許容度）と、解釈のしやすさ（狭さ）をバランスさせる。
4.2 近似の妥当性と前提
4.2.1 分布仮定の影響
正規近似やｔ分布、カイ二乗分布などは、対象の分布形が適合するか、あるいは近似誤差が無視できるかに依存する。歪度が大きい、裾が厚い、極端な値が多い場合には、分布仮定がずれて区間が過小評価または過大評価になることがある。対策としては、分布を見直す、頑健手法を検討する、診断を行うなどの手順が考えられる。
4.2.2 大標本近似の目安
大標本近似は標本が十分大きいときに有効だが、「十分」の具体値は問題設定により異なる。比率では成功数や失敗数の少なさが近似を崩す要因になりやすい。平均や回帰では、中心極限定理に基づく近似が成り立つ条件が関係する。実務では、データの規模に加えて、分布の偏りや極端値の有無、必要な精度の水準を合わせて判断する。
4.3 多重比較・同時推定の扱い（概略）
4.3.1 多重性がもたらす問題
複数の仮説やパラメータを同時に評価すると、1つ当たりの有意水準や区間の信頼水準をそのまま使うと全体の誤り確率が増えることがある。区間推定でも同様に、個別に作った区間を多数並べると「少なくとも1つが外れる」確率が上がる。これが意思決定の解釈を曖昧にする要因となる。
4.3.2 同時信頼区間の考え方
同時信頼区間は、複数パラメータの集合に対して「同時に外れない」確率を管理する設計である。個別の信頼区間より区間幅が広くなることが多いが、全体としての統制を目的にしているため、報告の一貫性が確保されやすい。具体的な方法は、依存構造の扱い方や手法の保守性に差があるため、用途と前提を明確化して選択する必要がある。
4.4 データ処理と報告の作法
4.4.1 計算手順の透明性
区間推定では、使用した推定方法、仮定、信頼係数、計算に必要な設定値（近似の種類、再標本化回数など）を明確にすることが重要である。再現性のためには、データ前処理（欠測処理、外れ値の扱い）、モデル化の選択（回帰の仕様など）も併せて記録する。透明性は、区間の意味が正しく読まれるための前提になる。
4.4.2 誤解されやすい表現（注意点）
よくある誤解として、「ある1つの区間について真の値がその区間に入る確率が信頼係数に等しい」という理解がある。信頼区間の基礎的な見方では、区間はランダムに定まるが、真の母数は固定である。したがって「手順が作る区間の被覆が設計値に近い」という趣旨を保つ必要がある。報告では、信頼区間の解釈を文章化し、読者が前提を取り違えないようにすることが求められる。