1 標本抽出の概観
1.1 概念と目的
1.1.1 母集団と標本の関係
母集団とは、推定や意思決定の対象となる全体集合である。標本は、その母集団から抽出した観測単位（個人、世帯、施設など）の集合であり、通常は全数調査が困難なために用いられる。標本抽出は「誰（どの単位）を対象に観測するか」を決める工程であり、結果の妥当性は、標本がどの程度母集団の特徴を反映するかに大きく左右される。
1.1.2 推定・検定への影響
標本抽出は、推定量（平均、比率、分布など）や検定（仮説に対する意思決定）に対し、ばらつきと誤差の性質を規定する。とくに確率的に選んだ場合は、抽出の仕組みを前提として分散や信頼区間を評価できる。一方、非確率的な選択では、推定の不確実性を設計に基づいて定量化しにくく、解釈には追加の慎重さが求められる。
1.2 抽出の基本原理
1.2.1 代表性とバイアス
代表性とは、標本が母集団の分布や関係構造をどれだけ歪めずに再現しているかを意味する。代表性を損なう要因は総称してバイアスと呼ばれ、抽出方式そのものの偏り（選択バイアス）だけでなく、実施過程で生じる不参加や測定の違いも含むことがある。代表性を高めるには、母集団の構造に即した層化や、偏りやすい領域を適切に扱う設計が有効になる。
1.2.2 誤差（標本誤差・非標本誤差）
誤差は大きく標本誤差と非標本誤差に分けて考えられる。標本誤差は、偶然により標本が母集団からずれることに起因し、確率抽出では抽出設計にもとづき見積もりが可能である。非標本誤差は、対象外の混入、フレーム不備、回答拒否、測定・記録の誤りなど、抽出以外の要因から生じる。実務上は非標本誤差が支配的になることもあるため、抽出と同程度に運用品質が重要になる。
1.3 設計における要件
1.3.1 研究目的との整合
研究目的（探索か検証か、どの指標を主結果とするか）により、必要な精度や推定単位、許容できる誤りの種類が変わる。たとえば、地域差を評価したいなら地域単位の層化やクラスター設計が適する場合があるし、特定の属性集団の平均を高精度に知りたいなら配分設計や非回答対策を重視する。設計は目的に対して「どの誤差を小さくし、どの不確実性を説明するか」を明確にする作業である。
1.3.2 実施可能性と費用
標本抽出は理論だけで完結せず、名簿（フレーム）の利用可能性、現地調査の移動コスト、回答率、実施期間などの制約に合わせて成立させる必要がある。精度を高めるために標本数を増やすと費用が増えるため、目標精度とコストのバランスをとる設計が求められる。結果的に、多段抽出のように効率性を優先する設計が選ばれることも多い。
2 確率標本抽出
2.1 単純無作為抽出
2.1.1 方法の考え方
単純無作為抽出は、母集団の各単位が同じ確率で選ばれるように標本を取り出す方式である。基本的な考え方は、抽出過程で事前に定めた手続き（乱数発生など）により選択を行い、選ばれた単位に偏りが生じないようにすることにある。フレームが整っており、全単位が同様の取り扱いで観測できる場合に適用しやすい。
2.1.1.1 無作為化と乱数の利用
実装では、乱数や乱数表にもとづいて抽出対象を決定する。重要なのは、運用上の変更（現地事情での入れ替え、選択の恣意性）を最小化し、抽出手続きの再現性を確保する点にある。乱数の生成方法やシード管理は、第三者が追跡できる形で記録しておくことが望ましい。
2.1.2 利点と注意点
利点として、設計が単純であり、推定・分散評価の理論が明快であることが挙げられる。一方で、特定地域や属性で観測が難しい場合、または単位間のばらつきが大きい場合には、必要標本数が増えることがある。さらにフレーム不備があると、「無作為でも母集団を代表していない」状態が起こり得るため、抽出以前の名簿品質の確認が必要になる。
2.2 層化抽出
2.2.1 層の定義と作り方
層化抽出では、母集団を相互に重ならないグループ（層）に分け、各層から標本を抽出する。層は、結果指標に関係があり、かつ層内のばらつきが相対的に小さいように設定するのが基本である。作り方としては、既存の統計や事前情報（地域区分、規模区分、年齢帯など）にもとづいて層を設計する。
2.2.2 配分（等配分・最適配分）
配分は、各層からどれだけ標本を取るかを決める工程である。等配分は同数を割り当てる考え方で、単純で運用しやすい。最適配分は、層ごとのばらつきやコスト条件を考慮して、精度の向上が見込める割り振りを行う。一般に、ばらつきが大きい層や観測にコストがかかりにくい層に標本を厚くするほど効率が高まる。
2.2.3 推定への反映
層化抽出では、推定において層ごとの抽出確率や配分を反映する必要がある。単純に標本をまとめて計算すると、層の取り扱いが設計と一致せず、歪みの要因になる。通常は層別の推定値を統合し、各層の母集団比率や割当条件を考慮して推定量を構成する。
2.3 集落（クラスター）抽出
2.3.1 集落の設定
クラスター抽出では、母集団を「集落」と呼ばれる単位にまとめ、集落を選んでその中の要素を観測する。集落は地理的近接や組織単位など、実査の効率化につながる単位として設計される。典型的には、まず地区を選び、その地区内の世帯や個人を調べる形になるため、移動や実施コストを抑えやすい。
2.3.2 一段・二段抽出
一段抽出は、選んだ集落の全要素を観測する方式である。二段抽出では、まず集落を抽出し、次に各抽出集落の中から要素をさらに抽出する。二段にするとコスト調整がしやすい一方で、階層化に比べて誤差の性質が変わりやすく、設計効果の評価が重要になる。
2.3.3 精度と設計効果
クラスターでは集落内の観測値が似やすいことがあるため、単純無作為に比べて有効な情報量が減る場合がある。これを設計効果として捉え、標本サイズの増加が同じ精度向上につながらない可能性を考える。対策として、より細かな集落単位の設定や、階層構造を調整する設計（層化と組み合わせる等）が検討される。
2.4 系統抽出
2.4.1 間隔の設定
系統抽出は、フレームを一定の順序で並べ、一定間隔で要素を選ぶ方式である。例えば、並び順に沿って先頭からランダムに開始し、その後は固定間隔で抽出する。間隔は母集団規模と希望標本数から決められ、開始点の無作為性が偏りを抑える役割を担う。
2.4.2 周期性リスクの管理
系統抽出には、並び順に周期的なパターンが存在すると偶然ではない偏りが生じるリスクがある。たとえば、並びが地域の区分や年代の区切りと関連している場合、抽出間隔がその周期と一致してしまう可能性がある。これを避けるために、並び順の選び方を検討したり、開始点を十分にランダム化したりする必要がある。
2.5 多段抽出と複合設計
2.5.1 設計の組み合わせ
実務では、層化とクラスターを併用し、さらに複数段階の抽出を組み合わせることが多い。たとえば、地域で層化したうえで各層から地区をクラスターとして抽出し、その地区内で世帯を二段目として選ぶといった構成が考えられる。複合設計は柔軟な調整を可能にするが、設計に応じた重み付けや分散評価が不可欠になる。
2.5.2 重み付けの考え方
多段・複合設計では、各単位の抽出確率が一様でないため、推定では逆数にもとづく重み付けが用いられることが多い。基本的な考え方は「選ばれにくい単位をより強く重みづけ、選ばれやすい単位を相対的に軽くする」という調整である。適切な実装には、各段の選択確率を正しく把握し、欠測や置換の扱いを含めて一貫性を保つ必要がある。
3 非確率標本抽出
3.1 目的別（便宜）抽出
3.1.1 利用場面と限界
便宜抽出は、アクセス可能な対象や協力が得やすい対象を優先して選ぶ方式である。初期探索や迅速なフィードバック収集など、厳密な代表性よりも実務上の素早さが価値を持つ場面で用いられる。一方、抽出が結果に関連する属性と結びつきやすいため、推定を母集団へ一般化する際には限界が大きい。
3.1.2 バイアスの特徴
この方式では、協力しやすい層や特定の場に現れやすい層が過大に含まれやすい。たとえばオンライン調査なら利用環境が抽出条件になり、オフライン中心の集団は系統的に取り残される可能性がある。加えて、調査参加の動機も結果指標と相関し得るため、単純な統計処理だけでは歪みが解消されない。
3.2 誘導（スノーボール）抽出
3.2.1 人脈・ネットワークの活用
スノーボール抽出は、初期の参加者を起点として、その知人や関連者へ連鎖的に依頼を広げていく方法である。ネットワークを介して到達できる対象（連絡先が一般に公開されていない集団など）で有効性が高い。進行の過程で、連鎖の輪が広がるように設計することが実務上重要になる。
3.2.2 推定上の問題点
ネットワーク中心性の高い人物が集まりやすくなり、周縁部の参加が不足しやすい。また、連鎖が指標と関連する場合、分布は母集団と一致しない可能性が高い。さらに、リクルートが進むにつれて状況が変化することがあり、時間的な偏りも生じ得る。そのため、推定に用いる場合は代表性の主張が難しく、記述的理解や仮説生成に寄せる運用が多い。
3.3 クォータ抽出
3.3.1 割当条件の設定
クォータ抽出は、母集団の構成比に近づけることを目的に、属性の組み合わせごとに目標人数（割当）を設定して収集する方式である。性別、年齢帯、地域などを条件として設け、割当を満たすまで対象を集める。数値上の目標は明確だが、対象の選び方が非無作為であるために、割当条件以外の属性で歪みが残る。
3.3.2 実査で起こりやすい偏り
実査では、割当を満たすための探索が働き、結果として「都合の良い候補」への依存が高まる場合がある。加えて、回答拒否が特定の層で集中すると、割当そのものが崩れたり補正の恣意性が入りやすくなる。割当以外の変数に関する偏りが残存するため、推定一般化の強い根拠にはなりにくい。
3.4 目的に応じた使い分け
3.4.1 研究段階（探索・検証）
探索段階では、仮説や観測項目の発見、研究設計の改善を目的として非確率方式が選ばれることがある。検証段階では、推定の不確実性を設計に基づいて評価できる確率抽出が望ましい。したがって段階に応じて、どこまでを結論として言えるか（一般化の範囲、主張の強さ）を切り分けることが実務上の鍵になる。
3.4.2 結果の解釈
非確率標本の結果は、「この標本が示す傾向」として解釈し、母集団への厳密な外挿には慎重であるべきである。とはいえ、適切な工夫（割当の設計、追加情報を用いた調整、感度の検討）を行えば、実用的な意思決定に資する場合もある。解釈では、どの歪みが入り得るかを明示し、過度な一般化を避ける運用が重要となる。
4 標本抽出設計の運用論点
4.1 標本サイズと精度設計
4.1.1 規模決定の考え方
標本サイズは、目標とする精度（誤差範囲や検出力）と、想定するばらつき、費用条件から決める。設計段階では、主要指標の分散や相関構造を仮定し、それに応じた最小必要数を算定する。実務では、過大な見積りを避けつつ、主要なサブグループ分析が可能な規模を確保することが求められる。
4.1.2 誤差許容度と信頼性
誤差許容度は、推定のブレが意思決定に与える影響を基準に設定される。信頼性を高めるには標本数だけでなく、設計効果の小さい構成（層化の工夫、クラスターの粒度）や非回答対策が効く。信頼性の議論では、どの種類の誤差（標本誤差、非標本誤差）が支配的かを見極め、対策の優先順位を決める必要がある。
4.2 層・クラスターの設定
4.2.1 データの前提（フレーム）
層やクラスターを作るには、その単位を識別できるフレームが必要である。フレームは名簿、地図、施設リストなどの基礎情報で、欠落や誤りがあると抽出確率が崩れる。したがって、利用可能なデータの粒度、更新頻度、重複の有無を確認し、設計に反映させる工程が含まれる。
4.2.2 重複や欠落の扱い
名簿には同一単位の重複登録や、実際の母集団に存在するが名簿にない単位（欠落）が含まれる場合がある。重複があると抽出の見かけの確率が変わり、欠落は母集団の一部が体系的に除外される原因になる。運用では、名寄せや補完、除外基準の明確化などにより、抽出枠の整合性を高める。
4.3 重み付けと推定
4.3.1 逆確率重み付けの基本
逆確率重み付けでは、各観測単位の重みを概ね「選ばれた確率の逆数」に対応させる。これにより、標本で過小に取りこぼされた属性の影響を補正し、推定が母集団へ近づくことを狙う。重みの算出には、抽出設計に基づく選択確率（多段なら各段の積）を正確に反映させることが重要である。
4.3.2 推定量の選択
推定量は研究目的に従って選ぶ。平均や比率に加え、分布の指標や差の推定などがあるが、重み付けの実装方法は推定量の種類によって変化する。さらに、重みをどのように標準化するか（合計重みの扱い等）も推定の性質に影響するため、目的と要件に合わせて手続きを統一する必要がある。
4.4 欠測・非回答への対処
4.4.1 非回答バイアス
非回答はランダムな欠落でないことが多く、特定の属性や意見を持つ人ほど回答しない場合がある。その結果、推定値が母集団の真値から系統的にずれる可能性がある。非回答バイアスは、抽出設計と独立とは限らず、同じ標本サイズでも精度の実態を悪化させることがある。
4.4.2 フォローアップと補正
対処としては、督促や再接触などのフォローアップにより回答率を高める方法がある。加えて、回答しなかった人の特徴に関する情報が得られるなら、補正（調整重み、再重み付け、回帰にもとづく手法など）を検討する。補正の妥当性は仮定に依存するため、モデル選択の根拠や感度確認が必要になる。
4.5 品質管理
4.5.1 実査手順の標準化
品質管理では、接触から記入・回収までの手順を標準化し、インタビューのばらつきや記録の誤りを抑える。抽出で決まった対象を確実に追跡し、入れ替えが必要な場合は事前ルールに従うことが重要である。標準化は再現性の確保にもつながる。
4.5.2 逸脱の記録と再現性
現場では予定外の事象が起きることがあるため、逸脱の有無、理由、対応を記録しておく必要がある。抽出手続きの変更や置換の条件、回答状況のログなどが残っていれば、後から設計に整合する形で推定を組み立てられる。記録の整備は監査可能性を高める。
5 推定・検定への接続
5.1 設計に基づく分散推定
5.1.1 標準誤差の考え方
標準誤差は、推定値のばらつきの大きさを表す指標である。確率抽出では、抽出設計（層化、クラスター、重みなど）を踏まえて分散を推定できるため、信頼区間や検定が設計整合的になる。逆に設計を無視して単純に計算すると、ばらつきの見積りが過小または過大になり得る。
5.1.2 設計効果とデザイン対応
設計効果は、ある設計が単純無作為に比べてどれだけ効率を変えるかを示す概念である。クラスターでは同一集落内の相関により増大しやすく、層化では改善する場合がある。設計効果を意識すると、必要標本数の不足や過剰を避け、推定・検定の信頼性を高めやすい。
5.2 重み付き解析の基本
5.2.1 重みの整合性確認
重み付き解析では、抽出確率にもとづく重みと、欠測補正に用いた調整が整合していることを確認する必要がある。整合性が崩れると、推定値が意図した母集団に向かう性質を失う。重みの分布（極端な値の有無、平均やばらつきの確認）も実務上のチェック項目となる。
5.2.2 極端な重みへの対策
極端な重みは推定の分散を増やし、結果が不安定になりやすい。対策としては、重みの上限設定（ウィンザー）や、補正設計の再点検、モデルの見直しなどが検討される。ただし過度な修正はバイアスを再導入するため、精度と整合性の間でバランスを取る。
5.3 感度分析
5.3.1 前提の変化に対する頑健性
感度分析は、非回答補正の仮定やモデル仕様を少し変えたときに結論がどれだけ揺れるかを確認する手続きである。結果が大きく変わる場合、結論は特定の仮定に依存している可能性がある。逆に安定していれば、推定の信頼性が増すと解釈できる。
5.3.2 代替抽出案の比較
代替案の比較では、同じ目的に対し標本設計を変えたときの精度や実行性を評価する。たとえばクラスターの粒度を粗く／細かくした場合、あるいは配分ルールを等配分／最適配分にした場合に注目する。比較結果は、費用対効果の観点でも価値がある。
6 関連領域と実例の捉え方
6.1 調査設計（質問票・実施設計）との関係
標本抽出は、質問票設計や実施手順と密接に関係する。質問の内容が特定の層で理解しにくい場合、非回答や誤記が増え、抽出設計の効果が相殺されることがある。したがって、対象の選び方だけでなく、回答を得る過程の設計を含めて全体最適を考える必要がある。
6.2 実験・観察研究での位置づけ
実験では、ランダム化が介入効果の推定に直接関わる。観察研究では、標本抽出の設計が外的妥当性に影響し、推定の解釈可能性を左右する。どちらの場合も「データがどのように集まり、その不確実性がどう扱われるか」という観点で、抽出方式は中心的な役割を持つ。
6.3 よくある誤りと学び
6.3.1 「無作為」の誤解
「無作為に選んだ」という言い方が、実際には恣意的な置換や途中変更を含む場合がある。無作為化とは、開始点のランダム性だけでなく、選択が規則に従って一貫していることを意味する。抽出の記録が不十分だと、推定の前提が崩れるため、手続きの透明性が学びとして残る。
6.3.2 フレーム不備による偏り
フレームが母集団と一致していないと、抽出確率が母集団全体を基準に定義できず、代表性が損なわれる。更新漏れや分類の誤り、重複登録などが典型である。経験的には、抽出設計より先にフレーム整備の重要性を認識することが、後工程の問題を減らす近道になる。