1 平方和の基本
平方和は、複数の数値をそれぞれ二乗してから合計した量であり、数の大きさを正の寄与として集約できる。負の値を含むデータでも符号の相殺を避けて変動の規模を扱えるため、統計や数値解析で広く用いられる。基礎概念としては単純だが、どの値を基準に二乗するかによって意味が変わる。
1.1 定義と一般形
一般には、数列やデータ集合の各要素を二乗し、その総和を求める操作を指す。対象が有限個であれば直接計算でき、連続量や理論式では積分の形に拡張されることもある。実務では、観測値そのものの平方和だけでなく、平均との差や予測値との差の平方和が重要になる。
1.1.1 各項を二乗して加える操作
ある値の集まりを \(x_1, x_2, \dots, x_n\) とすると、平方和は通常 \(x_1^2 + x_2^2 + \cdots + x_n^2\) の形で表される。二乗により負号が消え、値が大きい項ほど強く反映される。したがって、外れた値や大きな偏差の影響を受けやすい一方、変動の大きさを明確に示しやすい。
1.1.2 異なる基準での平方和（原点・平均など）
平方和は、何を基準にするかで解釈が異なる。原点を基準にすれば値そのものの大きさを表し、平均を基準にすれば散らばりの程度を示す。統計では後者が特に重要で、データの中心からのずれを測る量として利用される。
1.2 表記法と関連用語
平方和は分野によって略記や記号が変わることがあるが、意味の核は「二乗して足した量」にある。日本語では「平方和」「二乗和」が近い語として使われることがあるものの、文脈によりニュアンスが異なる。特に統計分野では、平均との差の平方和など具体的な対象を伴って用いるのが一般的である。
1.2.1 二乗和との使い分け
二乗和は、広い意味では平方和とほぼ同義に扱われる。しかし、厳密にはどの値を二乗しているかを明示しないと曖昧になりやすい。たとえば、観測値の二乗和、偏差の二乗和、残差の二乗和は、いずれも形式は似ていても内容が異なる。
1.2.2 英数表記に依存しない日本語の用語整理
統計や回帰の文脈では、英語由来の略語を見かけることがあるが、日本語では意味に応じた名称を使うほうが誤解が少ない。総平方和、説明平方和、誤差平方和などは、対象となる変動の種類を区別する語として役立つ。用語を明確にすることで、数式の役割も読み取りやすくなる。
2 統計での平方和
統計では、平方和はデータの変動を要約する中核的な量である。平均からのずれを二乗して足すことで、散らばりの大きさを定量化できる。また、全体の変動を複数の要素に分けて理解する枠組みの基礎にもなる。
2.1 平均からの偏差平方和
各観測値から平均を引いた差を偏差と呼び、その二乗を合計したものが偏差平方和である。平均との差を基準にすることで、データ全体の広がりを対称的に評価できる。値の正負にかかわらず、中心からの離れ具合が強調される点が特徴である。
2.1.1 分散との関係
分散は、偏差平方和をデータ数で調整したものであり、平方和はその直接の原材料に当たる。平方和が大きければ、通常は分散も大きくなるが、両者の値は標本サイズの扱いによって変わる。したがって、比較の際には、どの定義を使っているかを確認する必要がある。
2.1.1.1 標本分散・母分散での係数の違い
母分散では全体の平均的な散らばりを表すため、観測数で割る形が基本となる。一方、標本分散では母集団を推定する目的から、自由度を考慮して \(n-1\) で割ることが多い。平方和そのものは共通でも、係数の違いによって推定量としての性質が変化する。
2.2 総平方和・説明平方和・誤差平方和
回帰や分散分析では、変動をいくつかの成分に分けて考える。総平方和は全体の変動量、説明平方和はモデルが説明する部分、誤差平方和は説明しきれない残りを表す。これらの関係を整理することで、現象の構造を把握しやすくなる。
2.2.1 分解の考え方（平方和の内訳）
平方和の分解は、全体のばらつきを要因別に切り分ける発想に基づく。たとえば、観測値の変動を「平均からの総変動」と「モデルで説明される変動」と「残差」に分けることができる。こうした内訳は、どの部分がどれだけ寄与しているかを示すうえで有効である。
2.2.2 分散分析への接続
分散分析では、群間の違いと群内のばらつきを平方和で比較する。複数の要因がある場合でも、変動を体系的に分けることで差の有無を検討しやすくなる。平方和はこの手法の中心にあり、検定統計量の構成にも深く関わる。
3 回帰分析における平方和
回帰分析では、観測値と予測値のずれを評価するために平方和が用いられる。モデルがどの程度データを説明できるかを測る際、残差の二乗和を小さくすることが基本的な目標となる。これにより、推定された関係式の妥当性を定量的に検討できる。
3.1 最小二乗法と目的関数
最小二乗法は、残差の二乗和を最小にするようにパラメータを選ぶ方法である。二乗を用いると正負の誤差が打ち消し合わず、ずれの大きい点をより強く反映できる。計算上も扱いやすく、解析解が得られる場面が多い。
3.1.1 誤差の二乗和（残差平方和）
残差平方和は、各観測値と回帰直線や回帰曲線との距離を二乗して足し合わせたものである。値が小さいほど、モデルは観測データに近い傾向を示す。ただし、小ささだけで十分とは限らず、過剰適合の可能性も考慮する必要がある。
3.1.2 当てはまりの良さの指標
平方和は、モデルの適合度を評価する指標の構成に使われる。残差が小さいほど当てはまりは良好とみなされるが、説明変数の数やデータの性質も解釈に影響する。単純な大小比較だけでなく、他の統計量と併せて判断することが望ましい。
3.2 決定係数との関係
決定係数は、全体の変動のうちモデルがどれだけ説明したかを示す指標である。平方和の分解を使うことで、説明された部分と残った部分の割合を把握できる。回帰の結果を要約する代表的な尺度として広く使われている。
3.2.1 変動の説明割合の解釈
決定係数が高い場合、観測値のばらつきの多くがモデルで説明されていると解釈できる。ただし、値が高ければ必ず因果的に正しいとは限らない。平方和に基づくこの指標は、あくまで説明力の目安として読むのが適切である。
4 計算上の注意と応用
平方和は形式が簡潔な一方で、数値計算では注意点がある。値が極端に大きい場合や、近い数どうしの差を扱う場合には、丸め誤差の影響を受けやすい。実装では、計算順序やデータの中心化などの工夫が重要になる。
4.1 計算精度と数値安定性
平方和は単純な加算に見えるが、実際の計算では桁数の差が問題になることがある。特に巨大な値の二乗や、ほぼ同じ数の差を使う処理では、誤差が増幅しやすい。信頼性の高い結果を得るには、数値的に安定した手順を選ぶ必要がある。
4.1.1 桁落ち・オーバーフローへの配慮
大きな数を二乗すると、扱える範囲を超えてしまうことがある。また、平均との差の計算では、近い値どうしの引き算で有効桁が失われる場合がある。これらの問題を避けるため、適切なスケーリングや段階的な計算が採用される。
4.1.2 実装での工夫（桁の扱い）
実装では、平均を先に求めてから偏差平方和を計算する方法や、逐次更新で誤差を抑える方法が使われる。倍精度浮動小数点を用いても、データの分布次第では工夫が必要になる。実務上は、式の見た目よりも計算過程の安定性が重視される。
4.2 応用例
平方和は、統計学に限らず、データ比較や類似度評価にも現れる。多変量の値をまとめて扱う際に、各成分の差を二乗して足すことで全体的な距離感を測れる。単純ながら応用範囲が広く、解析手法の土台となっている。
4.2.1 データの散らばりの要約
一組のデータについて、平均だけでは分からない広がりを平方和で把握できる。値が集中しているか、幅広く分布しているかを定量化する際に役立つ。分散や標準偏差の前段階として、データの性質を理解する手がかりになる。
4.2.2 比較・ランキングへの利用（例：近さの指標）
複数の対象を比較するとき、差を二乗して合計した量は近さの尺度として利用できる。たとえば、特徴量どうしの距離を考える場面では、平方和に基づく評価が自然である。数値が小さいほど似ていると判断しやすく、順位づけにも応用される。