1 層化の概要
1.1 層化の定義と目的
層化とは、集団やデータを事前に定めた特徴量に基づいて複数の「層」に分け、各層を同じような手順で扱いながら全体の推定や比較を行う考え方・手法である。統計では、層ごとに推定量を作り、必要に応じて層を合成することで、全体の推定精度を高めることを狙う。主な目的は、推定のばらつきを抑えること、特定の条件下で起こり得る偏りを低減すること、さらに解析の解釈を明確にすることにある。
1.2 層化が有効になる条件
1.2.1 層内の均一性
層化の効果は、層内で注目する結果（測定値や反応）のばらつきが小さいほど高まりやすい。例えば、層化変数が結果に強く関連し、同じ層の中では平均や分散の違いが限定的であれば、層別の推定はより安定する。直感的には、「層の中では状況が似ている」ほど、同一の推定手続きが有効に働き、合成後の不確実性が縮まる。
1.2.2 層間の差の存在
一方で、層化変数が層間の平均差や分布の違いをある程度生むことも重要である。層間で結果が系統的に異なるなら、層を分けることにより「異なる性質を別々に扱う」状態が実現される。結果が層間でほとんど変わらない場合、層を分けても情報の追加が乏しく、精度改善が限定的になる場合がある。
1.3 層化と関連概念の違い
1.3.1 層化抽出
層化抽出は、母集団を層に分けたうえで、各層から独立にサンプルを取り出す設計を指す。層ごとに抽出方式や割付を考えることで、層間の代表性が確保されやすくなる。特に、単純な一様抽出では層の偏った混入が起こり得る状況で、層化抽出は安定性を高める。
1.3.2 ランダム化や層別との関係
層化は「分ける」ことに焦点があるのに対し、ランダム化は「割付や選択に偶然性を入れる」ことに焦点がある。両者は同時に導入されることがあるが、目的が異なる。また層別は広い概念で、層に分けて分析・表示することを指し得る。層化という語は、分割の設計と推定・合成の手続きを含む場合が多く、単なる集計の分類よりも統計的な枠組みを意識した用法が見られる。
2 層化の設計
2.1 層の基準（層化変数）
2.1.1 候補変数の選定
層化変数の選定では、(1)結果との関連が強いこと、(2)事前に取得可能であること、(3)分類が一貫して行えること、(4)分析上の解釈が可能であること、が考慮される。候補には年齢階級、地域区分、時期、制度や手続きの違いなどが挙げられるが、特定の変数に依存しすぎると説明過不足が生じる。過去データや予備調査で関連性を確認し、必要なら複数変数を組み合わせて層化を設計する。
2.1.2 適切な層の粒度
層の粒度は、細分化するほど層内の均一性を高められる可能性がある一方、層数が増えることで各層のサンプルが薄くなり、推定が不安定になりやすい。粒度の目安は、層別推定のばらつきと、層内で得られる情報量のバランスで決まる。実務では、少なくとも各層で推定可能な件数を確保できる粒度から始め、予備的な設計検討を行うことが多い。
2.2 層数の決め方
2.2.1 層の過剰分割のリスク
層を細かくしすぎると、ある層ではサンプルサイズが小さくなり、推定値が大きく揺れる。さらに、層間の差が真に存在しない場合でも分割が維持され、不要な複雑性が増える。結果として合成後の精度が期待ほど改善せず、場合によっては誤差が増えることもある。加えて、運用面でも抽出・集計・品質管理の手順が増え、ミスの温床になりやすい。
2.2.2 少数層での代替案
層数を抑えたいときは、粒度を粗くするほか、連続変数を区間化して層化変数を設計する、重要な層だけ詳細化しその他をまとめる、といった代替が採られる。別の方法として、複数の候補をまとめて1つの層化指標を作る場合もある。ただしまとめ方は恣意的になり得るため、層内の均一性が確保できているかを点検する必要がある。
2.3 層ごとの割付（サンプルサイズ設計）
2.3.1 最適割付の考え方
層ごとの割付は、各層から得るサンプル数をどう配分するかであり、全体の分散（推定のばらつき）を最小化する発想で設計されることが多い。一般に、結果のばらつきが大きい層、または層の比率により影響が大きい層には、相対的に多めのサンプルを割り当てると効率がよくなる可能性がある。具体的な最適性は仮定や目的（推定対象や損失関数）に依存するため、設計段階で前提を明確にすることが重要である。
2.3.2 予算制約下での設計
総予算や実施可能な人数には上限があるため、割付はしばしば制約付き最適化になる。制約の形としては、総サンプル数、各層での上限・下限、調査コストの違い（訪問回数、交通費、処理負荷など）を含めることがある。現実には理論上の最適割付と同等の達成が難しいため、実務上のコストモデルを反映しながら、過剰な分散増加を避ける設計が選択される。
2.4 重み付けと合成
2.4.1 層別推定の組み立て
層化では、層ごとに推定量を作り、それを合成して全体の推定値を得る。合成には、層の母集団構成比や抽出設計に基づく重みが用いられることが多い。合成の基本は、「各層で得た情報を全体の観点へ換算する」ことであり、層ごとの推定精度や比率の影響が最終結果に反映される。
2.4.2 重みの解釈と実装上の注意
重みは、層の相対的な重要度や代表性を調整する役割を持つ。実装では、(1)分母の定義（母集団サイズ、推定対象の定義）、(2)欠測や分類不能の扱い、(3)抽出率と実際のサンプル構成の整合性、(4)ソフトウェアでの重み指定の方式、を確認する必要がある。重みの付け間違いは見かけ上の精度を不自然に高めたり、推定の偏りを生んだりするため、設計書とデータの対応を丁寧に追跡することが求められる。
3 層化の実施手順
3.1 データ収集前の準備
3.1.1 層化変数の定義
収集前に、層化変数をどのデータ項目から、どの基準で切るかを明文化する。区分の境界（例えば年齢の階級幅）、地域コードの粒度、時期の切り替え日などを明確にして、担当者間で解釈が揺れないようにする。さらに、層化変数が後から変更され得る場合（組織改編、コード更新など）には、分析に用いるバージョンを固定する。
3.1.2 欠測・分類不能への対応
層化変数が得られないケースや、分類ルールに適合しないケース（データ品質の問題、記録の欠落など）が存在することがある。対応としては、該当ケースを別層として扱う、推定や補完で扱う、あるいは分析対象から除外する、などの方針が考えられる。除外は有効性を損ねる場合があるため、欠測の発生機構と、層ごとの偏りが増えていないかを点検する。
3.2 データ収集・抽出の実行
3.2.1 層内での抽出方法
層内の抽出は、単純無作為、系統抽出、あるいは対象リストに基づくランダム選択など、実務に合う方式を選ぶ。層ごとに抽出手続きが異なる場合、各層の抽出率を記録し、合成時に反映できるようにする。抽出枠がある場合は割付通りに進んでいるかを途中で確認する。
3.2.2 ランダム性の確保
抽出の再現性と公正性のため、乱数や選択ルールを固定し、誰が実行しても同じ設計になるように管理する。現場ではログの欠落や手続きの省略が起こりやすいので、抽出結果と設計（層ごとの目標数、抽出率）との照合を行う。ランダム性が担保されない場合、層化の効果が期待とずれる可能性がある。
3.3 層別分析と統合
3.3.1 層ごとの集計・推定
各層では、定義された集計量や推定量を計算する。代表的には平均、比率、分散推定などがあるが、分析目的に応じて適切な統計量が選ばれる。層内の標本が小さい層では推定の安定性が課題になり得るため、必要に応じて推定手法の選択（例えば頑健な統計量）を検討する。
3.3.2 層間のばらつきの扱い
最終的な不確実性には、層内のばらつきに加えて、層間の差によって生じる成分が含まれることがある。統合では、層別推定の分散や共分散の取り扱いを含めて誤差評価を行う。層間の差が大きい場合は、層別結果の解釈を分けて提示することで、全体の数値だけでは見えにくい構造を補える。
4 層化に関する評価と注意点
4.1 精度向上の評価指標
4.1.1 推定分散とばらつき
層化の効果は、推定量の分散（または標準誤差）の低下として評価されることが多い。設計では期待分散を使って見積もる場合があり、実施後には推定値のばらつきや区間推定の幅で確認する。比較の際には、層化以外の要因（測定誤差、欠測割合、抽出率の差）も同時に変わっていないか注意する。
4.1.2 バイアスの抑制
偏りは、設計と現実のズレから生じることがある。層化は偏りの主因を直接なくすとは限らないが、代表性の改善により推定の歪みを減らせる場合がある。評価では、過去データでの再現性、既知のベンチマークとの整合、欠測がどの層で偏っているか、といった観点が役に立つ。偏りの可能性が残る場合は、その程度を示す工夫（感度分析など）が求められる。
4.2 前提条件と破れた場合の影響
4.2.1 層化変数の選択ミス
層化変数が結果と弱い関係にあると、層内の均一性が得られず、分散低下が起きにくい。また、真に重要な要因が別に存在する場合は、層化をしても交絡の影響が残ることがある。設計前の検討不足は、精度と解釈の両方に悪影響を与えるため、予備解析や専門知識に基づく妥当性確認が重要となる。
4.2.2 層内の不均一性
層が定義通りでも、現実には層内で条件が揺れることがある。例えば、同じ区分でも運用の違いが混じる、測定の手順が層の中で変わる、などである。層内不均一が大きいと、層別推定の信頼性が下がり、合成後の誤差が増える可能性がある。対策としては、追加の層化変数の導入や、層内の差を扱う統計モデルへ切り替えることが考えられる。
4.3 よくある誤り
4.3.1 層ごとの取り扱い漏れ
層化の要点は「層ごとの手順を一貫して行う」ことである。層ごとに抽出率が異なるのに共通の重みを使ってしまう、ある層だけ欠測の扱いが変わっている、などは典型的な問題である。設計書、分析コード、データ整形手順の整合性を点検することが再発防止に直結する。
4.3.2 重み付けの誤り
重みの算出には分母や単位の取り違えがつきものである。例えば、母集団比率の推定に使う値と、実際の抽出設計で想定した値が一致していない場合、推定値が歪む。対策として、重みの合計が設計通りの性質を持つか、層ごとの寄与が極端になっていないかを検査する。
4.4 実務での応用例
4.4.1 サーベイ調査での層化
サーベイ調査では、地域や年齢、居住形態などで層を設定し、各層から対象者を抽出することで、母集団をより確実に代表させる。層別推定では、層内の回答率や欠測の偏りも同時に把握しやすい。加えて、調査員の割当を層に合わせて運用すると、品質管理の観点でも整理しやすくなる場合がある。
4.4.2 実験や品質管理での層化
実験では、測定条件やロット、装置ごとの違いなどを層として分け、系統的なばらつきを分離することがある。品質管理では、製造ライン、工程段階、作業者の班などを層化変数にし、工程の変動要因を整理することで、異常検知の精度を高める方向で利用されることがある。いずれも、層の設定が物理的・業務的な意味を持つように設計すると解釈が進みやすい。
5 層化の位置づけ（科学的方法として）
5.1 仮説検証における役割
層化は、推定の安定化を通じて仮説検証の土台を整える。全体平均の差を見たい場合でも、実際には集団が混在しているため、層化により結果の変動要因を分解しやすくなる。さらに、層別の結果を比較することで、仮説がどの条件で成立しやすいかを示唆できる。ここで重要なのは、層の設定が検証したい問いと整合しているかである。
5.2 観測研究での交絡対策との関係
観測研究では、ランダム化が難しいことが多く、交絡が残り得る。層化は交絡の完全な解決手段ではないが、少なくとも交絡因子に関連する条件を分けることで、混合による歪みを抑える方向で働くことがある。層化は「モデル化を助ける」手段として位置づけられ、層内で同質性が高いなら解釈が明確になる。
5.3 再現性と透明性の確保
層化は設計要素が多いため、手続きの記録と共有が結果の再現性に直結する。層化変数の定義、層数、割付、重み算出、欠測処理の方針などを分析資料に明示すると、第三者が検証しやすくなる。特に重みや合成の手順は誤差評価と密接であり、ブラックボックス化を避けることが望ましい。