1 定義と基本概念
1.1 散布図とは
散布図は、2つの連続変数間の関係を視覚的に表現する統計グラフである。各データポイントを平面上にプロットし、点の集合として分布パターンを示す。相関関係の有無や外れ値の検出に有効で、データ探索の第一歩として広く利用される。
1.2 座標系とプロットの仕組み
直交座標系を用い、一方の変数をx軸、他方をy軸に割り当てる。各データは(x, y)座標として1点で表現され、複数点が重なる場合は後述のジッター処理などで対応する。
1.3 変数の種類（連続変数とカテゴリ変数の扱い）
散布図は本質的に連続変数向けだが、カテゴリ変数は色やマーカー形状で表現可能である。ただし、カテゴリ変数そのものを軸に割り当てると点が一直線に並び、散布図としての意味を失うため注意が必要である。
2 歴史と発展
2.1 初期の使用例（フランシス・ガルトンなど）
19世紀末、フランシス・ガルトンが親子の身長データを用いて相関関係を視覚化したのが初期の著名な例である。彼は散布図をもとに回帰直線の概念を発展させた。
2.2 近代統計学における位置づけ
20世紀前半、カール・ピアソンらが相関係数を定式化し、散布図は相関分析や回帰分析の前提確認に不可欠なツールとして確立された。
2.3 コンピュータによる可視化の普及
1980年代以降、コンピュータの普及により誰でも容易に散布図を作成できるようになった。統計ソフトや表計算ソフトの標準機能として組み込まれ、データ可視化の基本手法となった。
3 散布図の構成要素
3.1 軸のスケーリングとラベル
軸のスケールはデータの範囲を適切にカバーし、等間隔または対数目盛を選択する。ラベルには変数名と単位を明記し、読み手が直感的に理解できるようにする。
3.2 点のマーカーと色・サイズ
3.2.1 マーカーの種類と視認性
円、四角、三角などのマーカー形状があり、データ数が多い場合は円が視認性に優れる。点の重なりが問題になる場合は透明度を調整する。
3.2.2 色による追加変数の表現（バブルチャートとの関係）
色で第3の変数（カテゴリや連続値）を表現できる。さらに点のサイズで第4変数を加えたものがバブルチャートであり、散布図の拡張形である。
3.3 トレンドラインと回帰直線
最小二乗法などで求めた回帰直線や平滑化曲線を追加することで、データの全体的な傾向を明確に示す。ただし、曲線の当てはめには過学習に注意する。
3.4 凡例と注釈
色分けやマーカー分けの意味を説明する凡例を配置する。特に外れ値や特徴的な点には注釈を付けると解釈が容易になる。
4 散布図の読み取り方
4.1 相関の種類（正・負・無相関）
右上がりの点の分布は正の相関、右下がりは負の相関、ランダムな分布は無相関を示す。
4.2 相関の強さ（強い・弱い・曲線的）
点が直線に近いほど相関が強い。点が広くばらつく場合は弱い相関。直線ではなく曲線的なパターンを示す場合は非線形関係の可能性がある。
4.3 外れ値と異常点の検出
他の点から大きく離れた点は外れ値の候補である。データ入力ミスや特殊なケースの可能性を検討する。
4.4 クラスターとグループ分け
点が複数の塊を形成する場合、データにグループ構造が存在する可能性を示唆する。色分けなどで確認する。
4.5 偽相関と交絡変数への注意
見かけ上の相関が第3の交絡変数による場合がある。例えばアイスクリームの売上と水難事故の相関は気温が交絡変数である。
5 主なバリエーションと拡張
5.1 対散布図行列（スキャッタープロットマトリックス）
複数変数間の散布図を行列状に並べたもので、全体的な変数間関係を一覧できる。データ探索の初期段階で多用される。
5.2 3次元散布図と回転操作
3変数を3次元空間にプロットする。回転操作により異なる角度から分布を観察できるが、重なりや視点の問題で解釈が難しい場合がある。
5.3 密度散布図（ヒートマップ風）
点の密度を色の濃淡で表現したもので、点の重なりが多い大規模データに適する。六角形ビニングなどが用いられる。
5.4 ジッタープロット（重なり補正）
整数値データなどで点が重なる場合、微小なランダムノイズを加えて重なりを解消する。分布の密度が視認しやすくなる。
5.5 カテゴリ変数を含む散布図（色分け・形状分け）
カテゴリ変数に応じて点の色や形状を変えることで、グループ間の関係比較が可能になる。
6 作成方法とツール
6.1 手描きによる作図（教育的利用）
方眼紙とペンで手描きする方法は、散布図の原理を理解する教育目的で有効である。軸の設定や点の配置を手作業で体験できる。
6.2 表計算ソフト（Excel、Googleスプレッドシート）
セルにデータを入力し、グラフ機能から散布図を選択するだけで簡単に作成できる。トレンドラインの追加も容易である。
6.3 統計ソフトウェア（R、Pythonのmatplotlib/seaborn、SPSS）
高度なカスタマイズが可能で、大規模データや複数変数への対応に優れる。コードベースのため再現性が高い。
6.4 オンラインツールとBIツール
Plotly、Tableau、Google Data Studioなど、ブラウザ上で対話的に散布図を作成できるツールが増えている。データのフィルタリングやマウスオーバーによる値表示が可能。
7 応用分野
7.1 自然科学（気温と降水量の関係など）
気温と降水量の関係をプロットし、地域ごとの気候パターンを視覚化する。また、化学実験での濃度と反応速度の分析にも用いられる。
7.2 経済学（所得と消費の関係）
個人の所得と消費支出の関係を分析し、限界消費性向などの経済指標を推定する。国ごとのGDPと平均寿命の比較も典型的な例である。
7.3 医学・疫学（薬の投与量と効果）
薬の投与量と患者の治療効果の関係を散布図で示し、最適な投与量を探る。また、喫煙量と肺がん罹患率の関係など疫学研究でも使用される。
7.4 マーケティング（広告費と売上）
広告費と売上の関係を可視化し、投資対効果を評価する。キャンペーンごとの効果比較にも応用される。
7.5 機械学習（特徴量間の関係分析）
説明変数間の相関や非線形関係を確認し、モデルの設計や特徴量選択の参考にする。対散布図行列がよく使われる。
8 注意点と落とし穴
8.1 相関と因果の混同（ネットミーム「相関は因果を意味しない」）
相関関係が存在しても因果関係があるとは限らない。インターネット上では「アイスクリームの売上と水難事故の相関」のような例がミームとして広がっている。
8.2 外れ値の影響と見落とし
少数の外れ値が回帰直線や相関係数を大きく歪めることがある。散布図を見る際は外れ値の存在を常に意識する必要がある。
8.3 サンプルサイズと過剰解釈
サンプルサイズが小さいと偶然のパターンを誤って有意な関係と解釈しやすい。適切な統計的検定を併用することが望ましい。
8.4 軸スケールの操作による誤解（ユーモア例：y軸を途中から切る嘘グラフ）
y軸のスケールを操作することで微小な差を誇張できる。ネット上では「y軸をゼロから始めない嘘グラフ」がジョークのネタになることがある。
9 関連図表との比較
9.1 棒グラフ・折れ線グラフとの違い
棒グラフはカテゴリ別の値比較、折れ線グラフは時間変化に適する。散布図は2変数間の関係性の有無やパターンを探る点が異なる。
9.2 バブルチャートとの関係
バブルチャートは散布図に第3変数を点のサイズで加えたものである。散布図の拡張形として位置づけられるが、サイズの比較が人間の視覚では難しいという課題がある。
9.3 箱ひげ図との併用
散布図でデータの全体的な関係を見た後、各変数の分布を箱ひげ図で確認すると、外れ値や分布の歪みをより詳細に把握できる。
10 学習リソースと発展的トピック
10.1 初心者向けチュートリアル
「データ可視化の教科書」やオンライン学習プラットフォーム（Coursera、Udacity）の入門コースで、散布図の基本が学べる。実際のデータセットを使った演習が効果的である。
10.2 高度な可視化手法（平滑化曲線、自己相関プロット）
LOESSなどの局所回帰による平滑化曲線を散布図に重ねると、非線形傾向が明確になる。時系列データの自己相関プロットは、散布図を応用した特殊なケースである。
10.3 散布図を用いたデータジャーナリズムの実例
ニューヨーク・タイムズやガーディアンなどのデータジャーナリズムでは、散布図を用いて社会現象を可視化する例が多数ある。例えば「所得と平均寿命の関係」や「教育年数と投票率の関係」などが挙げられる。