1 推測統計の基礎
推測統計は、観測した一部のデータを手がかりに、母集団全体の特徴を推定し、判断の根拠を与える統計学の領域である。限られた情報から結論を導くため、結果にはつねに不確実性が伴う。研究、調査、品質管理などで広く利用され、現実の意思決定を支える方法論として発展してきた。
1.1 推測統計の定義
推測統計は、標本から得られた情報をもとに、母集団の平均、割合、分散などを推定したり、仮説を検証したりする手法の総称である。単に数値をまとめるだけでなく、観測結果の背後にある全体像を考える点に特徴がある。
1.2 記述統計との違い
記述統計は、与えられたデータを表や図、代表値などで要約する。これに対し推測統計は、標本に含まれる情報から母集団について一般化を試みる。前者が「見えているデータの整理」であるのに対し、後者は「見えていない全体への判断」を扱う。
1.3 母集団と標本
推測統計では、母集団と標本の関係を明確に区別することが基本になる。母集団は対象全体、標本はその一部であり、実際の分析は通常、標本に基づいて行われる。
1.3.1 母集団の概念
母集団は、調べたい対象の全体を指す。たとえば、ある地域の住民全員、製造されたすべての製品、特定条件に当てはまる患者全体などがこれにあたる。理論上の対象であり、必ずしも直接観測できるとは限らない。
1.3.2 標本の概念
標本は、母集団から選ばれた一部分である。母集団の性質を知るために、現実にはこの標本を観測して情報を集める。標本の取り方は結果の妥当性に強く影響するため、抽出方法の工夫が重要になる。
1.3.3 標本誤差
標本誤差は、標本に基づく推定値が母集団の真の値からずれることをいう。標本は全体の完全な写しではないため、ある程度の差は避けられない。これは偶然的なばらつきであり、統計的な推論ではその大きさを考慮する。
1.4 不確実性の考え方
推測統計では、結論は確定的ではなく、確率的な表現で述べられる。不確実性は欠点ではなく、標本から全体を扱う以上避けられない性質である。そこで、推定の幅や検定の誤りの可能性を示し、判断の信頼度を明示する。
2 確率と分布の基礎
推測統計は確率論を土台としている。観測値がどのように現れやすいかを分布で表し、その性質を用いて推定や検定を行う。分布の理解は、統計的判断の前提条件となる。
2.1 確率の基本概念
確率は、ある事象が起こる見込みを数値で表したものである。0から1の間で示され、1に近いほど起こりやすい。推測統計では、偶然による変動を扱うために、確率を用いて結果の解釈を行う。
2.2 確率分布
確率分布は、変数がどの値をどの程度の確率でとるかを表す。離散的な場合と連続的な場合があり、データの性質に応じて適切な分布を選ぶ。
2.2.1 離散分布
離散分布は、取りうる値が数え上げられる変数に対して用いられる。コイン投げの回数、成功回数、故障件数などが例である。代表的なものに二項分布やポアソン分布がある。
2.2.2 連続分布
連続分布は、値が連続的に変化する変数を表す。身長、体重、測定時間のような量に適している。面積として確率を扱う点が特徴であり、正規分布はその代表例である。
2.3 正規分布
正規分布は、平均を中心に左右対称の釣鐘型を描く分布で、多くの自然現象や測定値に近似的に現れる。推測統計では特に重要で、推定や検定の理論の基礎として頻繁に利用される。
2.4 標本分布
標本分布は、同じ母集団から繰り返し標本を取ったとき、標本統計量がどのように分布するかを示す。推定値のばらつきや検定統計量の性質を理解するうえで欠かせない概念である。
2.4.1 標本平均の分布
標本平均の分布は、複数の標本から得た平均値の集まりとして考えられる。標本サイズが大きくなると分布は安定し、母平均に近づきやすくなる。これにより、標本平均が信頼できる推定量であることが分かる。
2.4.2 中心極限定理
中心極限定理は、母集団の分布形にかかわらず、標本サイズが十分大きいと標本平均の分布が正規分布に近づくという定理である。推測統計の多くの方法は、この性質を前提に構成されている。
3 推定
推定は、母集団の未知の値を標本から求める過程である。ひとつの値で示す方法と、幅をもたせて示す方法があり、どちらも不確実性を伴う。推定の良し悪しは、偏りの少なさと安定性で評価される。
3.1 点推定
点推定は、母数を単一の数値で表す方法である。平均や割合などを一つの代表値として示し、全体の特徴を簡潔に近似する。
3.1.1 推定量と推定値
推定量は、標本から母数を求めるための計算式や規則である。これに具体的な標本データを当てはめて得られる数値を推定値という。両者は似ているが、前者は方法、後者は結果を指す。
3.1.2 不偏性と一致性
不偏性は、推定量の平均が母数に等しくなる性質である。一致性は、標本サイズが増えるほど推定値が母数に近づく性質をいう。いずれも、信頼できる推定を考える際の重要な基準である。
3.2 区間推定
区間推定は、母数が含まれると考えられる範囲を示す方法である。点だけでなく幅を提示することで、推定の不確実性をより適切に表現できる。
3.2.1 信頼区間
信頼区間は、母数が一定の確率で含まれると見なされる区間である。たとえば95%信頼区間は、同じ方法を繰り返したときに母数を含む区間が高い割合で得られることを意味する。
3.2.2 誤差の範囲
誤差の範囲は、推定値の周辺にどの程度の幅を認めるかを示す。これが小さいほど推定は精密であるが、その分、十分な標本や安定した測定が必要になる。
3.3 推定の精度
推定の精度は、どれだけ真の値に近いか、またばらつきがどれほど小さいかで評価される。精度の高い推定は、意思決定における信頼性を高める。
3.3.1 標準誤差
標準誤差は、推定量の標本間変動の大きさを表す。標準偏差に似た尺度だが、個々のデータではなく推定値のばらつきを示す点が異なる。小さいほど、推定は安定している。
3.3.2 標本サイズの影響
標本サイズが大きいほど、一般に標本誤差は小さくなり、推定は精密になる。ただし、単に数を増やせばよいわけではなく、抽出方法や測定の質も同時に重要である。
4 仮説検定
仮説検定は、標本データを用いて、ある主張が統計的に支持されるかを判断する方法である。推定が「どの程度か」を問うのに対し、検定は「その差や効果が偶然かどうか」を扱う。
4.1 仮説検定の基本手順
仮説検定では、まず帰無仮説と対立仮説を設定し、有意水準を定める。次に検定統計量を計算し、得られた値が偶然に起こりうる範囲を超えるかを判断する。最後に、仮説を棄却するか保留するかを決める。
4.2 帰無仮説と対立仮説
帰無仮説は、差や効果がないとする立場である。対立仮説は、それに対して差や効果があると主張する。検定では、通常、帰無仮説が正しいと仮定したうえで証拠を評価する。
4.3 有意水準と危険率
有意水準は、帰無仮説を誤って棄却する許容確率の上限である。危険率とも呼ばれ、検定の厳しさを決める基準となる。一般には0.05や0.01が用いられる。
4.4 検定統計量
検定統計量は、標本データを要約して、帰無仮説のもとで評価可能な数値にしたものである。t値、z値、χ二乗値などが代表的であり、分布との比較によって判断が行われる。
4.5 第一種の誤りと第二種の誤り
第一種の誤りは、帰無仮説が正しいのに棄却してしまう誤りである。第二種の誤りは、帰無仮説が誤っているのに棄却できない誤りを指す。両者のバランスは検定設計の重要な課題である。
4.6 検定力
検定力は、実際に差や効果があるときに、それを正しく検出できる確率である。標本サイズが大きいほど、また効果が明瞭なほど高くなる。研究計画では、十分な検定力を確保することが望ましい。
4.7 片側検定と両側検定
片側検定は、差の方向をあらかじめ特定して行う検定である。両側検定は、増減のどちらも考慮する。目的や仮説の立て方に応じて使い分ける必要がある。
5 代表的な検定手法
実際のデータ分析では、測定尺度や研究目的に応じてさまざまな検定が使われる。平均、分散、比率、カテゴリデータなど、対象に合った方法を選ぶことが大切である。
5.1 平均に関する検定
平均値の差を調べる検定は、最も基本的で広く用いられる。1つの集団の平均が基準値と異なるか、2つの集団に差があるかを判断する場面で使われる。
5.1.1 一標本検定
一標本検定は、標本平均が既知の基準値と異なるかを調べる。製品の平均寸法が規格を満たすかどうかなど、単一集団の評価に適している。
5.1.2 対応のある検定
対応のある検定は、同じ対象を前後で比較したときに用いられる。処置前後の変化や、左右の差など、対応関係があるデータに適用される。
5.1.3 二標本検定
二標本検定は、独立した2群の平均を比較する。新旧製法の比較、男女差の検討、異なる地域の調査結果の比較などに用いられる。
5.2 分散に関する検定
分散に関する検定は、データのばらつきが等しいかどうかを調べる。平均だけでは把握できない散らばりの差を評価するため、実験計画や品質管理で重要となる。
5.3 比率に関する検定
比率の検定は、成功率や割合が特定の値と異なるか、あるいは複数群で違うかを調べる。アンケートの賛成率や不良率の比較に適している。
5.4 カイ二乗検定
カイ二乗検定は、カテゴリデータの分析に用いられる代表的手法である。観測度数と期待度数のずれを確認し、変数間の関係や分布の適合を評価する。
5.4.1 独立性の検定
独立性の検定は、2つのカテゴリ変数が関連しているかを調べる。たとえば、属性と選好、条件と反応の関係を確認する際に使われる。
5.4.2 適合度の検定
適合度の検定は、観測された分布が理論上の分布に合うかを調べる。出現頻度が期待通りかどうかを判断する場面で有効である。
5.5 分散分析
分散分析は、3群以上の平均差を同時に検討する方法である。複数の条件を一度に比較でき、偶然の変動と群間差を分けて考えられる。
6 回帰と関連分析
回帰と関連分析は、変数同士の関係を数量的に捉えるための方法である。ある要因が別の変数にどの程度関わるかを調べ、予測や説明に役立てる。
6.1 相関分析
相関分析は、2変数の結びつきの強さと方向を測る。正の相関、負の相関、相関がほとんどない場合などがあり、関係の有無を概観するのに向いている。
6.2 単回帰分析
単回帰分析は、1つの説明変数から1つの目的変数を予測する。直線的な関係を想定し、変数間の傾向を数式で表す。
6.3 重回帰分析
重回帰分析は、複数の説明変数を用いて目的変数を説明する。各要因の影響を同時に考慮できるため、複雑な現象の分析に適している。
6.4 回帰係数の解釈
回帰係数は、説明変数が1単位変化したときに目的変数がどれだけ変わるかを示す。符号は方向を、絶対値は影響の大きさの目安を与える。ただし、因果関係の断定には慎重さが必要である。
6.5 説明変数と目的変数
説明変数は、変化の要因として扱う側の変数である。目的変数は、結果や応答として注目する側を指す。分析では、どの変数をどちらに置くかが解釈を左右する。
7 推測統計の応用
推測統計は、理論にとどまらず実務の多くの場面で使われる。調査、実験、医療、製造、経営など、少ない情報から判断を要する領域で特に有用である。
7.1 社会調査への応用
社会調査では、世論、生活実態、行動傾向などを標本から推定する。適切な抽出と分析により、集団全体の特徴を把握しやすくなる。
7.2 実験研究への応用
実験研究では、処置や条件の違いが結果に与える影響を検討する。統計的手法を用いることで、観察された差が偶然かどうかを判断しやすくなる。
7.3 医学統計への応用
医学統計では、治療効果、副作用、診断精度などを評価する。患者集団の特徴を踏まえながら、検定や推定を通じて臨床的判断の材料を得る。
7.4 品質管理への応用
品質管理では、製品や工程のばらつきを監視し、不良の発生を抑える。標本検査や管理図と組み合わせることで、効率的な管理が可能になる。
7.5 意思決定への応用
推測統計は、不確実な状況での選択を支える。限られた情報でも、誤差や信頼度を考慮しながら比較検討できるため、合理的な判断に役立つ。
8 留意点と限界
推測統計は強力な道具だが、万能ではない。標本の質、前提条件、解釈の仕方によって結論は大きく変わる。結果を使う際には、適用範囲と限界を理解する必要がある。
8.1 標本の偏り
標本が母集団を適切に代表していないと、推定や検定の結果はゆがむ。選び方に偏りがある場合、どれほど高度な分析をしても結論の信頼性は低下する。
8.2 仮定の妥当性
多くの統計手法は、独立性や正規性などの仮定の上に成り立つ。前提が大きく外れると、結果の解釈が不安定になるため、仮定の確認が欠かせない。
8.3 結果の一般化可能性
標本から得た結論を母集団全体へ広げるには、研究条件が適切である必要がある。対象、時期、方法が異なれば、結果をそのまま適用できないことがある。
8.4 統計的有意性と実質的有意性
統計的に有意であっても、その差が実務上十分に大きいとは限らない。逆に、標本が小さいために有意でなくても、実際には重要な差が存在する場合がある。したがって、数値の判定だけでなく、意味や影響の大きさを併せて考える必要がある。