1 層別推定の概観
1.1 定義と基本的な考え方
層別推定とは、母集団を複数の層に分割し、各層で統計量を推定した後に、層ごとの情報を統合して母集団全体の推定値を得る手法である。層は、対象とする指標に対して差が生じやすい属性（例：年齢層、居住地域、購買頻度の区分）で定められることが多い。
基本思想は、単一の推定を行うのではなく、層内の同質性を高めることで推定のばらつき（不確実性の大きさ）を抑える点にある。加えて、層ごとの推定誤差の相対的な大きさを考慮しながら全体へまとめるため、設計次第で精度と解釈の双方が改善される。
1.2 一括推定との比較
1.2.1 ばらつきの低減効果
一括推定は、母集団全体をひとまとめに扱い、観測されたサンプルから統計量を推定する方法である。これに対し層別推定は、層内でのばらつきが小さくなる状況で、層内推定量の分散が下がりやすい。結果として、全体推定量にも不確実性の低下が反映される。
層内の同質性が高いとは、たとえば年齢が近い人同士で平均値の差が小さい、地域が異なることで平均がずれる場合には地域ごとに別々に扱うことで内部のばらつきが収まる、といった状態を指す。層の設計が適切であれば、層間差を「層の違い」として吸収できるため、全体の推定誤差を小さくできる。
1.2.2 バイアスと分散の観点
層別推定は精度向上を狙うが、性能が自動的に保証されるわけではない。分散の低減は主に、層内のばらつきが小さくなることに起因する。一方で、バイアスは層化変数や推定手順が「真の生成過程」を十分に反映していない場合に生じ得る。
例えば、層化変数に含める情報が目的指標と結び付きが弱い場合、層内同質性が高まらず分散低減の効果が乏しい。また、層の定義が実際の母集団分布と一致せず、統合に用いる重みが不適切になると整合性が損なわれる可能性がある。したがって、分散だけでなくバイアスの可能性、推定量の性質（不偏性や整合性など）を同時に検討する必要がある。
1.3 用語と関連概念
層別推定では、母集団、層、層内推定量、統合（合成）、重みといった概念が中心となる。層化変数は母集団を区切るための特徴量であり、層はその特徴量の区分の組により形成される。
関連概念として、層別抽出（サンプリング設計として層ごとに抽出率を変える発想）、層内推定（各層で別々に平均や比率を求める操作）、および層間統合（層の推定結果を重み付きで集める操作）がある。加えて、層化の目的が「精度改善」である点から、回帰推定や階層モデルと併用されることも多い。
2 層化の設計
2.1 層化変数の選定
2.1.1 目的変数との関連
層化変数は、目的とする推定対象（平均、比率、合計など）と統計的に結び付きが強いほど有利である。結び付きの強さは、理屈だけでなく実データでの予備分析によって確認するのが実務的である。例えば、対象指標が所得や行動によって大きく変わるなら、その差を捉える属性を層化に用いることで層内のばらつきが圧縮される。
一方、関連が弱い変数で層化すると、区分しても内部の分散が十分に減らず、分散低減の効果が小さい。さらに、層ごとのサンプル数が割れてしまうと推定の不安定さが増えるため、性能が悪化することがある。
2.1.2 データ入手可能性と実装容易性
層化変数は、必要な情報が調査・データ作成の段階で確実に取得できることも重要である。欠測が多い変数は、層の定義自体が揺らぎ、推定量の妥当性に影響し得る。取得可能性が高い変数ほど、層の一貫性を保ちやすい。
加えて、実装面でも扱いやすさがある。多分類になり過ぎないこと、層の定義を現場で再現できること、重み付けや推定手続きと整合しやすいことが、運用上の成功確率を高める。
2.2 層の作り方と粒度
2.2.1 層数の決め方
層数は、分散の低減と推定の安定性のトレードオフで決める。層を細かくすれば層内同質性は高まり得るが、各層の標本数が減少し、層内推定量の誤差が大きくなる。特に比率のように分母が小さい層が出ると、推定が不安定になりやすい。
実務では、事前に各層の見込み標本数を計算し、統計量の分散や最低サンプル数などの基準を設けることが多い。加えて、感度分析により層数を変更したときの推定値の頑健性を確認する手順が有効である。
2.2.2 層の結合・分割の考え方
層の粒度は、初期設計後に修正されることもある。結合は、少標本層や推定が不安定な層を減らし、推定の安定化を図るために行われる。分割は、層内でまだ差が残っている兆候がある場合に、同質性を高める目的で行う。
判断基準としては、層内の推定結果のばらつき、層内推定量の不確実性、そして層の定義によって得られる説明力が用いられることが多い。結合や分割は、推定の性質を変えるため、後続の重み付けや分散推定にも影響する点に注意が必要である。
2.3 標本設計との整合
2.3.1 層別抽出と配分
層別推定は、層別抽出の設計と整合して行われると効果を発揮しやすい。層別抽出では、層ごとに抽出率や割付（サンプル配分）を定める。配分が目的変数の分散構造に沿っているほど、同じ標本サイズでも効率的な推定が期待できる。
配分設計には、層内分散の大きさを見込んだ割付や、費用・アクセスの制約を織り込む発想がある。設計と推定の一貫性を保つことが重要で、抽出で用いた配分方針を推定の重みや分散計算に反映しないと誤りにつながる。
2.3.2 重みと実効標本サイズ
層別推定での重みは、統合時の寄与の大きさを決める。重みの定義により推定量の分散は変化するため、単純な「標本数」の多寡よりも、重みの偏りを含む実効標本サイズ（有効な情報量）で効率を評価する必要がある。
例えば、ある層の重みが極端に大きいと、その層の推定誤差が全体へ強く波及する。逆に均衡した重み設計や適切な配分が実現していれば、層間の情報バランスがとれ、全体の不確実性を抑えやすい。
3 層内の推定
3.1 平均・総数の推定
3.1.1 層内推定量の構成
平均や総数は、層ごとに基本統計量を求めてから統合する形で扱われる。層内での平均推定では、層内サンプルの観測値から代表値を計算する。総数の場合は、層内の推定平均に層の母集団規模を掛けるなどの形で作られる。
推定量の構成は、調査が等確率かどうか、重み付けが必要かどうか、層内抽出がどのように実施されたかによって変わる。一般に、推定対象が母集団の合計である場合は、層内の代表性と母集団サイズ情報の正確さが鍵となる。
3.1.2 層内の不確実性評価
層内推定にも標本誤差が存在する。したがって、各層で推定した統計量には標準誤差や分散の見積もりを付与する必要がある。設計ベースで分散を求める場合は、層内の抽出方式に対応した分散推定式を用いる。
回帰などモデルベースの推定を行う場合でも、推定誤差の評価は必須である。層内推定の不確実性が大きい層は全体の推定にも影響するため、統合前にどの層が支配的かを把握できるようにしておくと解釈が容易になる。
3.2 比率・割合の推定
3.2.1 比率推定の基本形
比率推定では、分子となる事象の件数と分母となる基盤（たとえば有効回答者数など）の比を層ごとに計算する。単純な比率では分母の揺れやゼロ分母が問題になるため、調査設計に応じた補正や重み付き計算が用いられることがある。
統合に進む際は、層ごとの比率を単純平均するのではなく、層の大きさや分母情報に応じた重み付けを行うのが一般的である。これにより、母集団全体での比率に整合する形へ近づく。
3.2.2 層内分母の扱い
分母の定義は、推定対象の定義と直結する。たとえば「全体に対する有病率」か「検査実施者の中の割合」かで分母が変わり、結果の意味も変わる。層内で分母が異質になっていると、統合の段階で誤った比較や混同が生じやすい。
実務では、分母に欠測や除外が含まれる場合に、その扱い（調整の要否、層ごとの補完方針）を明確にする。さらに、小標本層で分母が極端に小さい場合には、安定化の工夫や層の再設計を検討する。
3.3 回帰・階層モデルを用いる拡張
3.3.1 層内モデルの当てはめ
平均や比率を単純集計で求める代わりに、層ごとに回帰モデルを当てはめることで、説明変数を取り込んだ推定が可能になる。層内モデルは、層内での関係（たとえば説明変数と目的変数の関連）を推定し、層内平均や条件付きの期待値を構成する。
この枠組みでは、層を固定したままモデルを推定する方法と、層を階層構造として扱う方法がある。後者では層間の差をランダム効果として表現でき、推定の安定化にもつながることがある。
3.3.2 正則化と過学習への配慮
回帰や階層モデルは柔軟性が高い一方、過学習のリスクがある。特に層内サンプルが小さい場合、説明変数の係数推定が不安定になりやすい。正則化（ペナルティ付き推定）や事前情報の導入は、モデルの複雑さを抑え、外挿性を改善するために用いられる。
また、推定対象に直接関係しない変数を多く投入すると、予測性能の評価と整合しない結果が出ることがある。層別推定の目的が母集団推定の妥当性である点から、予測最適化だけでなく推定量の解釈可能性や不確実性の校正を重視する必要がある。
4 層の統合と推定量の性質
4.1 重み付け（層間統合）の方法
4.1.1 層の母集団比率による統合
層の統合は、各層の推定値を母集団における層の比率で重み付けして行うことが多い。母集団比率が既知または推定可能であれば、全体推定は層の構成を反映した形になりやすい。
この方法の要点は、全体の統計量が母集団構成に依存するため、統合に使う重みもその構成を正しく反映する必要があることにある。比率の推定対象が平均と総数で異なる場合でも、整合する重みの定義を選ぶことが重要である。
4.1.2 標本配分を考慮した重み
標本配分が等しくない場合や、層別抽出で抽出率が異なる場合には、推定で用いる重みを配分や抽出確率に応じて調整する。一般に、観測されにくい層ほど大きな重みを与える発想が含まれる。
ただし、重みを大きくしすぎると分散が増えるため、単に「補正すればよい」という単純な問題ではない。重みのばらつきが全体の不確実性を押し上げることもあるため、設計段階での配分調整と、推定段階での重みの扱いをセットで考えることが望ましい。
4.2 推定量の不偏性と整合性
4.2.1 代表性の前提
不偏性や整合性といった性質は、代表性に関する前提が満たされるかに依存する。代表性とは、層内でサンプルが母集団を適切に反映していること、さらに層ごとの重みが母集団構成に対応していることを含む。
設計ベースの推定では、抽出方式が正しく実施されていることが重要である。モデルベースの場合は、誤差構造や関数形が過度に誤っていないという仮定が必要になる。どちらの枠組みでも、前提のズレが性質の崩れにつながる。
4.2.2 ずれが生じる条件
代表性が損なわれる典型例として、層定義の誤り、重みの不一致、そして欠測による選択バイアスが挙げられる。層定義が母集団で再現できない、またはデータ作成過程で対象が入れ替わると、統合の妥当性が崩れる。
さらに、層内推定のモデルが正しい関係を捉えていない場合、推定はバイアスを含み得る。整合性が期待できない状況では、層数やモデル複雑度を変えても安定しない挙動が現れることがあり、診断が必要になる。
4.3 分散・標準誤差の推定
4.3.1 近似計算
分散推定は、推定量のばらつきを定量化するために行う。近似計算では、統計量の線形化や漸近理論を用いて分散を算出することが多い。層別の構造があるため、層内寄与と層間寄与の分解を通じて計算を組み立てる。
近似法は計算負荷が小さい利点がある一方、条件が厳しい場合には精度が低下し得る。特に比率や合計における分母の挙動が強い場合、近似が当てはまりにくいことがある。
4.3.2 リサンプリングによる評価
リサンプリングは、データから擬似的なサンプルを生成して推定量のばらつきを観測する方法である。層別設計に対応した手続きとして、層ごとに再抽出する構成や、設計に基づいた重みの揺らし方を導入することで分散を評価する。
利点は、複雑な推定量にも柔軟に適用できる点にある。実務では計算コストとの兼ね合いがあるため、複数の層が存在する場合の実行時間や再現性を考えた設計が求められる。
5 実務上の論点
5.1 欠測・脱落（ノンレスポンス）への対応
5.1.1 層内補完の考え方
欠測や脱落が発生すると、層内推定の代表性が損なわれる可能性がある。層内補完の考え方は、欠測が起きた場合でも層の情報を用いて推定を立て直す発想である。例えば、同じ層内での関係性を利用して補完値を生成したり、欠測率のモデルを使って調整したりする。
補完の妥当性は、欠測がどのようなメカニズムで起きているかに依存する。単なる「平均で埋める」だけでは偏りが残ることもあるため、層内の変数選択や補完手順は慎重に設計されるべきである。
5.1.2 重み調整と感度分析
欠測が層や観測変数と関連する場合、重みを補正してノンレスポンスの影響を緩和する方法が用いられる。調整の中心は、回答しにくい層の重みを相対的に増やすなど、観測される確率に基づく再重み付けである。
一方で、調整モデルが誤っているとバイアスが増える恐れがある。そのため、感度分析により、欠測に関する仮定を変えたときの推定結果の変動を確認することが実務上の安全策になる。変動が大きい場合は、層化の見直しや追加情報の収集が検討される。
5.2 外れ値と層内分布の歪み
5.2.1 ロバスト推定
外れ値は平均推定に大きく影響することがある。層別推定でも、層内に極端な観測が含まれると、その層の推定誤差が全体に波及する。ロバスト推定は、影響度の高い点の寄与を抑え、歪んだ分布でも安定した推定を狙う。
代表的な方策として、外れ値の影響を減らす推定量（例えば外れ値に強い位置推定）や、分布に対する前提を緩めたモデル化がある。ただし、ロバスト性を高めるほど効率が落ちることもあるため、データ特性に応じた調整が必要である。
5.2.2 層の見直し
外れ値が特定の層に集中しているなら、層の定義自体が不適切である可能性がある。層内でのばらつきが過度である場合、より適切な粒度へ分割したり、層の境界を見直したりすることで分布の歪みを緩和できる。
見直しでは、計算上の都合だけで層を変えるのではなく、理論的または実証的な根拠（目的指標との関連、観測過程の違い）を伴わせることが重要である。層を動かすことは推定結果の意味にも影響するため、変更履歴を明確にする。
5.3 効果の検証と可視化
5.3.1 分解による寄与の理解
層別推定の効果は、分散の内訳や推定値への寄与を分解して理解できる。例えば、層ごとの推定値が全体にどれほど寄与しているか、また不確実性の主要因がどの層にあるかを整理することで、設計の良し悪しを評価できる。
寄与の分解は、重み、層内分散、標本規模の三者の関係を見抜くのに役立つ。これにより、「精度が上がった」だけでなく「なぜ上がったのか／どこが足を引っ張ったのか」を説明できるようになる。
5.3.2 図表での比較
図表による比較は、層別設計の妥当性確認に有効である。層ごとの推定値と信頼区間を並べる、あるいは一括推定との推定値・不確実性を同じ尺度で比較することで、改善点と残課題が視覚的に把握できる。
特に、層間での推定値の差がどの程度あり、どの層が全体の不確実性を形成しているかを図示すると、層化変数の選定の適切さが評価しやすい。可視化は結果の伝達にも役立つ。
6 利用例
6.1 世論調査・市場調査
6.1.1 層別配信と推定
世論調査や市場調査では、層別に配信や抽出を行い、各層の回答状況を踏まえて推定することがある。例えば地域や年齢などの区分ごとに回収を確保し、層内で平均や支持率を推定して統合する。
この手法は、回収率が偏る場合でも設計情報を活用して全体推定を組み立てやすい。さらに、層別で仮説検証（属性別の傾向の比較）を行えるため、分析の目的に沿いやすい。
6.1.2 属性別の集計設計
属性別の集計設計では、「全体」の推定と「属性別」の推定を同時に成立させる設計が求められる。層を属性区分として定めることで、属性ごとの推定が一貫した手続きで生成される。
一方、属性を増やし過ぎると層数が膨らみ、推定の不安定化につながる。したがって、主要な意思決定に直結する属性に絞り、残差的な差はモデル化や探索分析で扱うなどの方針が用いられることが多い。
6.2 公衆衛生・保険統計
6.2.1 年齢階層での集計
公衆衛生分野では、年齢階層ごとに集計してリスクを評価する場面が多い。層別推定は、年齢ごとに罹患率や利用率が異なる状況で、層内推定の安定性を高めつつ全体の指標も算出できる。
年齢階層を層化することで、年齢の影響を層の違いとして扱い、層内の比較を意味のあるものにする。結果として、年齢構成が異なる集団間の比較もしやすくなる。
6.2.2 地域差の反映
地域差は、医療アクセス、生活環境、受診行動などにより指標へ影響する。層別推定を地域単位で行うと、地域内のばらつきを抑えながら全体の推定を行える。
地域ごとの情報を反映することで、平均だけでは隠れる差異を可視化できる。政策立案においては、どの地域で不確実性が大きいかも重要な情報となり、分散推定の解釈と結び付けやすい。
6.3 物流・品質管理
6.3.1 生産ロットの層化
物流や品質管理では、生産ロットや製造ラインを層として扱うことがある。ロット間で品質の分布が異なる場合、層内で安定した推定を行うことで全体の品質指標をより精度良く評価できる。
層化は、工程条件の差を推定に反映する手段でもある。ロット情報が管理台帳として記録されている場合、層の設計が実務に適合しやすい。
6.3.2 条件別の推定評価
物流では温度条件や運搬手段、保管期間などの条件が指標に影響することがある。これらの条件を層として設定し、層内での破損率や逸脱率を推定して統合すれば、全体の評価と同時に条件別の改善点が得られる。
条件別推定では分母（対象数）の扱いが重要になる。対象の定義が変更されると指標の意味も変わるため、層ごとの対象範囲を厳密に揃える運用が求められる。
7 よくある誤解と注意点
7.1 層化の誤りによる性能低下
7.1.1 関連の弱い層化変数
層化変数を「取得しやすい」という理由だけで選ぶと、目的指標との関連が弱い場合がある。その場合、層内同質性が高まらず、分散低減が起きにくい。さらに、層数の増加による標本不足が同時に起きると、結果として推定誤差が増えることがある。
層化は万能な改善策ではないため、予備分析で層化変数が推定対象に与える説明力を確認することが重要になる。
7.1.2 層数過多による不安定さ
層数を増やし過ぎると、各層のサンプル数が減り、層内推定が不安定になる。特に比率推定や分母が小さくなりやすい指標では、この影響が顕著になる。
不安定さは推定値の跳ね方や信頼区間の幅に表れるため、層別後の診断を行わずに多数の層へ分割することは避けるべきである。
7.2 重みの取り違え
7.2.1 層の比率と標本比率の混同
層統合の重みには、母集団における層の割合を用いるべき場面がある。一方で手元のデータから計算した標本比率をそのまま母集団重みとして使うと、推定対象の定義に対してずれが生じる可能性がある。
この混同は、層別抽出で抽出率が異なる場合や、欠測・脱落で回答分布が変わる場合に特に問題になる。重みの意味が母集団なのか標本なのかを明確にし、推定式に反映する必要がある。
7.2.2 実装時のチェック観点
実装では、層ごとの重みの計算、欠測の扱い、層ラベルの整合が誤りの温床になる。層に属する行の判定がずれていると、推定の前提が崩れる。
チェック観点としては、各層の件数・分母が定義通りか、重みが正しい範囲に収まっているか、統合後に重みの総和が期待する性質を満たすかなどが挙げられる。計算の再現性を確保するため、手続きのバージョン管理も実務では重要になる。
7.3 不確実性の解釈
7.3.1 信頼区間の読み方
信頼区間は、反復して同種の調査を行った場合に、区間が母数を含む割合を表す概念である。単発の区間に対して「この区間に母数が確実に入っている」と言い切るような解釈は誤解を招く。
また、層別推定で区間幅が大きい層が全体に与える影響も確認すべきである。どの層が不確実性の源泉かを見ないと、区間の意味が直感とずれることがある。
7.3.2 期待値と予測の混同回避
層別推定で得られる推定値は、母集団の統計量（例えば平均や総数）に関する推定である。一方、予測は将来の個体や新しい観測に対する値の当てはめを指す。これらを混同すると、評価指標や解釈がズレる。
特に回帰や階層モデルを用いる場合、条件付きの期待値と、母集団推定としての目的が同じとは限らない。推定対象が「母集団の記述」なのか「個別の予測」なのかを、設計段階で明確化しておく必要がある。