1 基本概念
層化抽出は、母集団をあらかじめいくつかの層に分け、その各層から標本を選ぶ抽出法である。層は、回答者の特性や集団の構成を反映するよう設計されることが多い。全体を一様に扱うより、重要な差異を保ったまま調査できる点に特徴がある。
1.1 層化抽出の定義
この方法では、母集団の要素を似た性質ごとに区分し、層ごとに独立して標本を取り出す。層の内部では比較的均質で、層どうしはできるだけ異なるように組み立てる。こうして得られた標本は、集団の構造を反映しやすい。
1.2 単純無作為抽出との違い
単純無作為抽出は、母集団全体から一様な確率で標本を選ぶ。これに対し層化抽出は、先に分類を行ってから抽出するため、少数の属性群も標本に含めやすい。結果として、変動の大きい集団では推定のぶれを抑えやすい。
1.3 層化抽出の目的
層化抽出の主な目的は、推定の安定化と、集団内の差異を見えやすくすることにある。対象全体の平均像だけでなく、層ごとの特徴も扱えるため、分析の柔軟性が高い。
1.3.1 精度の向上
層内のばらつきが小さいほど、同じ標本数でも推定値の誤差は小さくなりやすい。これにより、全体推定の効率が上がる。調査資源が限られる場面では、とくに有用である。
1.3.2 集団間比較の容易化
各層から標本を確保しておくと、層ごとの差を直接比べやすい。たとえば地域別や年齢別の比較などで、必要なデータが不足しにくい。比較研究では、この点が大きな利点になる。
1.3.3 代表性の確保
層化は、標本が母集団の重要な構成要素を取りこぼさないようにする働きを持つ。人数の少ない群でも、設計次第で十分な観測数を確保できる。調査結果の解釈において、偏りの抑制に寄与する。
2 層の設計
層の設計は、層化抽出の成否を左右する中心的な工程である。分類の基準が不適切だと、効率や代表性が損なわれる。実際には、調査目的と利用可能な情報を踏まえて決める必要がある。
2.1 層化の基準
層化の基準には、調査対象の差をよく表す変数が選ばれる。集団を分ける理由が明確であるほど、設計の妥当性も高くなる。
2.1.1 地域による層化
地域差は、生活環境や制度、流通条件などに関連しやすい。国、都道府県、市区町村、都市部と農村部など、分析目的に応じて区分される。地理的な偏りを避けたい場合に適している。
2.1.2 年齢による層化
年齢層は、行動様式や意識の違いをとらえるうえで重要である。若年層、中年層、高齢層のような区分がよく用いられる。時間変化を追う研究でも利用価値が高い。
2.1.3 性別による層化
性別による層化は、属性差の把握や均衡のある標本設計に役立つ。必要に応じて回答数を調整し、解析の比較可能性を高める。基本的な人口統計変数としてしばしば採用される。
2.1.4 収入や学歴による層化
収入や学歴は、社会経済的な位置を表す指標としてよく使われる。これらは意識、選好、健康状態などと結びつくことがある。研究目的によっては、地域や年齢以上に重要な分類軸となる。
2.2 層を作る際の条件
層は、単に分ければよいわけではない。内部のまとまりと、外部との差異が両立していることが望ましい。加えて、実務上の扱いやすさも必要となる。
2.2.1 層内の均質性
各層の内部では、分析に関係する属性が近いことが望ましい。ばらつきが小さいほど、層としてまとめる意味が明確になる。こうした設計は、誤差の縮小に結びつくことが多い。
2.2.2 層間の異質性
異なる層のあいだに、はっきりした違いがあると、分類の効果が高まる。層間差が小さいと、区分する利点は薄れる。したがって、設計時には区別の実質的な意味を確認する必要がある。
2.3 層数の決定
層の数は、多すぎても少なすぎても望ましくない。細かく分けると管理が複雑になり、各層の標本数が不足しやすい。逆に粗すぎると、層化の効果が十分に得られない。
3 抽出の方法
層を設計した後は、各層からどのように標本を取り出すかを決める。ここでは抽出数の配分、層内での選び方、特殊な設計が重要になる。
3.1 各層からの抽出数の決め方
標本を各層へどう割り当てるかによって、推定の性質が変わる。母集団構成を忠実に反映する方法もあれば、特定の層を厚く扱う方法もある。
3.1.1 比例配分
比例配分では、各層の母集団に占める比率に応じて標本数を決める。母集団の構成をそのまま反映しやすく、重み付けも比較的単純である。全体推定との相性がよい。
3.1.2 不等比例配分
不等比例配分では、層の大きさに比例しない形で標本数を割り当てる。小さな層を多めに取ることもでき、比較研究で便利である。全体推定では、後段の調整が重要になる。
3.1.3 最適配分
最適配分は、層のばらつきや調査費用を考慮して標本数を決める方法である。変動が大きい層に多く配分すると、効率が上がる場合がある。コスト制約のある調査で検討されやすい。
3.2 層内での抽出手続き
各層に配分した後は、その内部で標本を選ぶ。ここでは無作為性の確保が基本であり、選択の偏りを避けることが肝要である。
3.2.1 無作為抽出
層内で個体をランダムに選ぶ方法で、理論的に扱いやすい。標本の偏りを抑え、推定の基礎を明確にする。層化抽出の最も標準的な形である。
3.2.2 系統抽出
系統抽出では、名簿や一覧から一定の間隔で対象を選ぶ。手続きが簡潔で、実務上の負担が小さいことがある。ただし、リストの並びに規則性がある場合は注意が必要である。
3.3 特殊な抽出方式
目的によっては、通常の配分や抽出に加えて、特殊な設計が使われる。これは少数群の確保や分析上の必要に応じた工夫である。
3.3.1 過剰抽出
過剰抽出は、特定の層を母集団比率以上に多く抽出する方法である。少数集団の分析に向くが、全体推定では調整を要する。結果の解釈には重みづけが不可欠となる。
3.3.2 少数層の重点抽出
人数の少ない層を重点的に抽出すると、統計的な不安定さを抑えやすい。政策評価やニーズ把握などで有効である。対象が希少なほど、この設計の価値は高まる。
4 推定と分析
層化抽出では、標本から母集団を推定する際に設計情報を反映させる必要がある。配分方法や層の重みを無視すると、結果が歪むことがある。
4.1 標本比率と標本平均の推定
標本比率や標本平均は、層ごとの観測値を組み合わせて求める。層内推定を積み上げて全体を表すため、層の構成比が重要になる。単純集計よりも設計に即した計算が求められる。
4.2 重み付けの考え方
重み付けは、各標本が母集団の何人分に相当するかを調整する考え方である。過剰抽出した層や標本比率と母集団比率が異なる層で特に必要になる。適切な重みを使うことで、全体像の再現性が高まる。
4.3 分散推定
層化設計では、分散の見積もりも抽出構造に合わせて行う。層間と層内の違いを踏まえた計算が必要で、単純無作為抽出の式をそのまま用いるとは限らない。誤差評価の基礎になる重要な部分である。
4.4 信頼区間の算出
信頼区間は、推定値の不確実性を示す指標である。層化抽出では、設計に応じた分散推定から区間を導く。これにより、結果の解釈に幅を持たせることができる。
5 実務上の利点と限界
層化抽出は広く使われる一方で、前提条件や設計上の注意点も多い。長所と制約を両方理解することが、適切な利用につながる。
5.1 利点
層化抽出の利点は、精度だけでなく、分析の見通しや特定群の把握にも及ぶ。調査目的が明確なほど、その強みが生きやすい。
5.1.1 精度の向上
適切な層化は、推定誤差を小さくする方向に働くことがある。とくに母集団の異質性が強いときに効果が出やすい。限られた標本数を有効に使える点も魅力である。
5.1.2 調査結果の解釈のしやすさ
層ごとの結果が得られると、全体値の背後にある構成を理解しやすい。数値の意味を追いやすく、説明もしやすい。報告書や政策資料でも扱いやすい形式である。
5.1.3 特定集団の把握
少数集団や重要な下位 समूहを意図的に含められる。これにより、通常の抽出では見えにくい特徴を捉えられる。実際のサービス設計や評価で有効な場合が多い。
5.2 限界
利点が大きい反面、層化抽出は準備を要する。必要情報が不十分だと、設計そのものが難しくなる。
5.2.1 層化情報の必要性
層を作るには、対象を分類できる事前情報が欠かせない。名簿が不完全だと、層の定義が曖昧になる。情報収集の手間が増える点は無視できない。
5.2.2 設計の複雑さ
配分、重み、分散の扱いなど、考慮すべき要素が多い。単純な抽出法より運用は複雑で、解析にも専門知識を要する。調査規模が大きいほど管理負担は増す。
5.2.3 誤った層化による偏り
関連の弱い基準で区分すると、効率が上がらないばかりか、解釈を誤るおそれがある。層の切り方が不適切だと、標本の偏りが生じることもある。分類の妥当性確認が不可欠である。
6 応用分野
層化抽出は、対象集団に差がある調査で広く採用されている。分布を把握しつつ、必要な下位集団を確保したい場面に向く。
6.1 社会調査
家計、労働、生活意識などの社会調査では、地域や年齢などで層化することが多い。構成の異なる群をバランスよく含められるため、分析の安定性が高まる。
6.2 世論調査
世論調査では、属性ごとの偏りを抑え、代表的な回答集団を確保するために用いられる。支持傾向や意識の違いを層別に把握しやすい。公表値の説得力を支える方法の一つである。
6.3 市場調査
市場調査では、購買層や利用層を細かく分けて抽出することがある。商品設計や広告戦略の検討に役立つ。特定の顧客群を厚く調べたい場合に便利である。
6.4 医学・公衆衛生研究
年齢、性別、地域、疾患の有無などで層を分け、健康状態や介入効果を調べる。対象の偏りを抑えつつ、比較可能なデータを集めやすい。希少な患者群の把握にも適している。
6.5 教育調査
学校種別、学年、地域、家庭背景などを基準に層化して、学力や学習環境を調べる。異なる教育条件を比較しやすく、政策評価にも応用される。大規模調査で特に有用である。
7 関連する抽出法
層化抽出は、他の抽出法と比較して理解すると位置づけが明確になる。目的や条件によって、別の方法が適切な場合もある。
7.1 単純無作為抽出
単純無作為抽出は、最も基本的な標本抽出法である。手続きが簡明で、理論もわかりやすい。層化は、これを改善するための設計的な拡張とみなせる。
7.2 系統抽出
系統抽出は、一定間隔で対象を選ぶ方法で、実務上の効率が高い。層内でこれを使うこともある。名簿の整列状態が結果に影響する点には注意が必要である。
7.3 クラスター抽出
クラスター抽出は、個体ではなく集団単位を先に選ぶ方法である。広い地域や大規模名簿に対して作業を簡素化できる。層化抽出とは異なり、代表性の確保の仕方が別になる。
7.4 多段抽出
多段抽出は、段階を分けて対象を絞り込む設計である。学校、学級、個人のように階層的に選ぶことがある。層化と組み合わせて使われることも少なくない。
8 歴史と発展
層化抽出は、統計調査の発展とともに洗練されてきた。標本理論の成熟に伴い、効率と精度を両立する方法として重視されるようになった。
8.1 統計学における位置づけ
この方法は、標本調査の設計理論の中核をなす技法の一つである。母集団の内部構造を活かして推定精度を高める点で、実務と理論の両面に意義がある。調査統計の基本概念として広く認識されている。
8.2 調査法の発展
社会調査や官庁統計の発達により、層化の考え方は体系化された。調査対象が多様化するにつれ、単純な無作為抽出だけでは対応しにくくなったためである。配分法や重みづけも、実務の中で整備されていった。
8.3 現代的な利用
現在では、大規模データの収集や少数群の分析、国際比較などで層化抽出が活用される。電子的な名簿管理や統計ソフトの発達により、設計と解析の両面で扱いやすくなった。多様な調査課題に対応する基盤的手法として位置づけられている。