1 序論：次数分布の位置づけ
次数分布は、ネットワーク（グラフ）の基本統計量の一つであり、各ノードが持つ「接続の多寡」を集約して表現する分布である。次数（degree）は、あるノードに接続する辺の本数として定義されることが多く、次数分布は「次数が何に現れるか」と「その頻度」を同時に扱う。
ネットワーク科学では、次数分布を入口として、構造の大域的な性格（たとえば少数のハブが支配するか、次数が均等にばらけるか）を読み取る。さらに、同じ次数分布でも他の構造指標と組み合わせないと不十分な場合があるため、分析の段階で役割を明確に位置づけることが重要になる。
1.1 ネットワークにおける次数の定義
次数は、無向グラフでは各ノードに incident（端点として関与）する辺の本数として定義される。ノード \(i\) の次数を \(k_i\) と書くと、\(k_i\) は隣接行列の \(i\) 行の合計（多重辺を考慮する場合はその反映を含む）に等しいことが多い。
有向グラフでは通常、入次数（in-degree）と出次数（out-degree）に分ける。入次数は他から入ってくる辺の数、出次数は当該ノードから出ていく辺の数を指す。また重み付きグラフでは、次数を単純な本数ではなく重みの総和として定義する場合もあるが、その場合は用語の扱いが変わるため明記が必要になる。
1.2 次数分布の目的と役割
次数分布の目的は、ネットワーク内の接続量のばらつきを圧縮された形で記述し、モデル同士や観測ネットワーク同士の比較可能な指標にすることである。たとえば、次数が大きいノードが希少ながらも目立つなら、分布の裾（tail）が重いと表現され、ハブの存在や到達性への影響が示唆される。
また、次数分布は生成過程の仮説検証にも用いられる。観測された形が特定の分布型（べき型、指数型など）に整合するかを調べることで、ネットワークがどのようなメカニズムで形成されたかという推論の足場になる。さらに、同じ平均次数でも分布の形が異なれば、拡散や耐性（頑健性）などの挙動も変わり得るため、単なる平均値より情報量が大きい。
1.3 関連する分布概念との違い
次数分布は「ノードごとの次数」を集計する分布である。これに対して、辺ごとの属性や、距離・クラスタ係数などの局所指標の分布は別個の概念に属する。たとえば縮退（縮退とは一部のノードが極端に目立つことを含む状況を指す文脈が多い）を議論する際も、次数分布はその入口となるが、同時に隣接関係や相関構造を反映しないため、単独では完結しない。
また、次数分布としばしば混同されるのが「次数相関」や「隣接者の次数分布」である。次数相関はノード間の結びつきの依存性を扱い、隣接者の次数分布はランダムに選んだ辺の端が持つ次数の分布として定義されることがある。これらは次数分布を補う位置づけにある。
2 数学的表現
次数分布は確率分布として定式化できる。離散的な次数 \(k\) に対し、その値を持つノードの割合を \(P(k)\) とするのが基本形である。無向グラフの場合、総ノード数を \(N\) とし、次数が \(k\) であるノードの集合の大きさを数えることで推定される。
ただし、データ解析の場面では「理論上の母集団分布」か「観測からの推定分布」かを区別する必要がある。さらに、有限サイズ効果や測定条件がある場合、分布の裾や小さい次数側が系統的に歪むことがある。
2.1 分布の基本形
次数分布 \(P(k)\) は、ノードが次数 \(k\) をとる確率（あるいは頻度）を表す。無向グラフで \(k\in\{0,1,2,\dots\}\) の範囲にあるとすると、理論上は \(\sum_k P(k)=1\) が成り立つ。
有限個のノードに対しては、観測された次数の度数から \[ P_{\text{emp}}(k)=\frac{\#\{i:\,k_i=k\}}{N} \] のように経験分布として定義する。重複辺や自己ループがある場合、次数の計数規則が変わり得るため、定義を合わせることが数学的整合性を保つ上で不可欠である。
2.1.1 絶対度数と確率の関係
絶対度数（degree histogram の棒の高さ）として次数 \(k\) の出現回数 \(n_k=\#\{i:\,k_i=k\}\) を用いると、経験分布は \[ P_{\text{emp}}(k)=\frac{n_k}{N} \] で結びつく。したがって、どちらを表示するかは可視化や統計誤差の扱いに影響するが、本質的に同じ情報を別スケールで表現している。
ログスケールの図では、どちらの量をプロットしているかで解釈が変わることがある。たとえば対数頻度で直線性が見えるかどうかは分布型の推定に直結するため、正規化（分母 \(N\)）を含めて一貫させる必要がある。
2.2 連続近似と離散分布
次数は本来離散値であるため、理論上は離散分布として扱うのが自然である。しかし次数が大きい領域では、サンプル数が少なく階段状の見え方になる。その結果、見かけ上の滑らかさを得るために連続変数として近似し、確率密度 \(p(x)\) のように表現することがある。
このとき注意すべき点は、連続化の操作が分布型の推定や裾の指数（べき指数など）の値に小さな変化を与える場合があることである。実務では、連続近似を使う場合は「近似である」ことを明記し、パラメータ推定は離散モデルとも整合させて比較するのが望ましい。
2.3 生成関数による記述（基本）
生成関数（generating function）は、次数分布の全ての確率を一つの関数にまとめて扱う道具である。無向ネットワークでは、次数分布 \(P(k)\) に対して \[ G_0(x)=\sum_{k=0}^{\infty} P(k)x^k \] のように定義されることが多い。
生成関数は平均次数や分散などのモーメントを導出するのに便利で、さらに連結成分サイズや探索過程の解析へ拡張できる。特に多項式状の \(G_0(x)\) は、次数分布の情報を連続体のように操作できるため、解析的な議論で重宝される。
3 推定と実データ解析
次数分布は観測データから推定されるのが一般的であり、手順の設計が結果に大きく影響する。まずネットワークの構築（ノードと辺の定義、データ欠損の扱い）を明確にし、その上で各ノードの次数を計算し、頻度分布へ集計する。
次に、可視化やモデル当てはめに進む前に、有限サンプルのばらつき、特に裾の推定不確かさを考慮する必要がある。さらに、観測の方式（どのノードが記録されるか）によって分布が歪むため、バイアスの補正方針が重要になる。
3.1 観測データからの推定手順
最も基本的な手順は、1) ノード集合を確定し、2) 各ノードの次数 \(k_i\) を計算し、3) \(n_k\) を数えて経験分布 \(P_{\text{emp}}(k)=n_k/N\) を作る、という流れである。複数のネットワークがある場合は、同一の計数規則で統一して比較する。
連続した次数をそのまま棒にするだけでなく、図示や推定を安定化させるためにビニング（区間集約）を行う場合がある。ただし、ビニングは情報を減らすため、選び方次第で見かけの分布型が変化し得る。従って、ビン幅の妥当性を検証するか、主要な結論は離散のまま再計算して確認するのが実務ではよい。
3.1.1 集計の方法（ビニング等）
ビニングは、次数を \(k\) ごとの離散値として扱う代わりに、例えば \([k_1,k_2)\) のような区間にまとめて度数を割り当てる方法である。対数スケールの図では、次数が大きくなるほど観測頻度が減るため、固定幅のビンでは裾が粗くなることがある。そこで対数間隔でビンを切ると、見た目の安定性が上がることがある。
一方で、ビンの選択は推定結果にバイアスを導入し得る。モデル当てはめを行う場合は、ビニング前の離散データを優先し、どうしても必要な場面に限ってビニングを使うと、解釈の頑健性が増す。
3.2 推定バイアスの要因
推定バイアスの中心要因は「観測が一様ではない」ことである。例えばウェブや通信のログでは、測定装置の配置、アクセスの偏り、セッションの取りこぼしなどにより、真のネットワーク全体が観測できない場合がある。その結果、次数分布の形が歪む。
さらに、有限サイズの影響により、裾の形は統計誤差が大きくなりやすい。裾をべき型とみなして指数を推定する場合、サンプルが少ない領域での当てはめは不安定になりやすい。従って、推定時に信頼区間や代替推定（別指標による検証）を併用することが望ましい。
3.2.1 サンプリングと観測誤差
サンプリングの代表例として、部分ネットワークのみを抽出する手法がある。ノードを無作為に選ぶ形と、辺をたどる形（探索型サンプリング）では、観測される次数の分布が一般に一致しない。後者では高次数ノードに到達しやすくなるため、見かけの分布が高次数側に偏ることがある。
観測誤差も同様に作用する。ある辺が取りこぼされれば次数が過小評価される可能性があり、偽陽性の辺が混入すれば逆に次数が過大になる。これらの影響を理解するために、可能ならばデータの品質管理、閾値設定の根拠、感度分析を行う。
3.3 分布型の当てはめと比較
次数分布の形を特定の分布型に当てはめる試みは多い。代表例として、指数型（急速に減衰）、べき型（裾が重い）、さらに裾切り（切断されたべき）や対数正規型などが挙げられる。どの型が適切かは、推定されたデータ全体と整合するか、かつ統計的に妥当かを評価して決める必要がある。
モデル比較は、単なる目視の良さに依存してはいけない。尤度や情報量基準、残差の系統性、複数初期条件での頑健性などを用い、推定手順の不確かさを含めて結論を形成することが重要である。
3.3.1 代表的なモデル（べき型・指数型など）
べき型は \(P(k)\propto k^{-\gamma}\) の形に近い挙動を示すもので、裾がゆっくり減衰するためハブの寄与が大きくなる。指数型は \(P(k)\propto e^{-\lambda k}\) のように急速に減衰し、極端な次数が現れにくい傾向を反映する。
実データでは、完全なべき則が成立せず、有限サイズや形成メカニズムの制約により裾が切れて見えることが多い。そのため、べき則の拡張（裾切り）や別分布（対数正規など）が比較対象として選ばれることがある。適合の良さだけでなく、推定の安定性と解釈可能性を同時に考えることが実務上のポイントになる。
4 構造的含意と応用
次数分布の形はネットワークのダイナミクスや代替的な指標に影響し得る。特に、高次数ノードの存在や、分布の裾の重さは、到達性、拡散の速度、障害への耐性などに関係することが多い。
ただし、次数分布だけでは説明できない現象も残る。たとえば同じ分布型でも、次数相関（高次数同士が結びやすい等）やクラスタリングが異なると、挙動は変化する。そのため、構造的含意は「次数分布が与える一次近似」として理解し、必要に応じて追加指標で検証するのが適切である。
4.1 ハブ形成と分布形状の関係
分布の裾が重い場合、少数のノードが非常に多くの接続を持つ可能性が高くなる。これがハブ形成の背景になり、探索や伝播の経路がこれらのノードを経由しやすくなる。
一方で、裾の重さが必ずしもハブの「支配性」を意味するとは限らない。ネットワーク全体の連結性や、ハブがどのように相互接続しているか（相関構造）によって、実際の影響度は変わる。したがって、分布の形状とハブの役割は別個に点検する必要がある。
4.2 ネットワークの頑健性・脆弱性との関係
次数分布の観点では、攻撃や障害が高次数ノードを標的にする場合に、構造が大きく変わりやすい可能性がある。高次数ノードが経路の中核になっているなら、除去により到達性が急速に低下し得る。
ただし、ランダム障害では別の振る舞いが出ることがある。ランダムに取り除くと、平均的には低次数ノードが先に影響を受けるため、分布の裾が重いネットワークでは一定の期間、全体構造が保たれる場合がある。これらの差は、次数分布が一次の要因として働くことを示すが、結局は連結性や相関も含めて評価する必要がある。
4.3 異種ネットワーク間の比較指標としての利用
次数分布はネットワーク間比較の出発点として有用である。異なる領域で構築されたネットワークが、同様の次数分布を示すなら、形成の特徴や機能的な制約が部分的に似ている可能性を議論できる。
比較を行う際には、次数の定義（無向か有向か、重みの扱い、自己ループや多重辺の有無）を統一し、サンプリング方式の違いも考慮する必要がある。さらに、分布型だけでなく、平均、分散、裾指標など複数の要約量を組み合わせると、比較の誤解が減る。
5 拡張概念
次数分布は基礎であるが、より詳細な構造を掘り下げるには拡張概念が必要になる。特に、ノード間の依存性を扱う方向や、条件付きの見方、データの種類に合わせた一般化が重要である。
拡張では、分析の目的に応じてどこまで次の情報を取り込むかを調整する。次数分布だけでは見えない相関や条件を導入すれば、解像度が上がる一方で推定の難易度も増す。
5.1 端点次数（次数相関）との結びつき
次数相関は、辺の両端に位置するノードの次数同士がどの程度似る（あるいは異なる）かを表す考え方である。たとえば同じ次数のノード同士が結びやすい構造か、次数の異なるノードが結びやすい構造かで性質が変わる。
次数分布が「個々のノードの接続量の分布」であるのに対し、次数相関は「接続関係の依存性」を表す。これにより、同一の \(P(k)\) でもネットワークの探索や拡散の経路に差が生じ得ることが説明できる。
5.2 条件付き次数分布の考え方
条件付き次数分布は、「ある条件を満たすノード（あるいは位置）」に限定したときに、次数がどのように分布するかを調べる枠組みである。たとえばクラスタが高い領域に属するノードに限定したときの次数の分布など、条件の種類は多様である。
この考え方は、単一の分布が平均的な性格を示すのに対し、局所的な環境による違いを明確にする。条件を導入すると情報量が増えるため、推定にはより多くのデータが必要になりやすい点に注意が要る。
5.3 有向・重複・重み付きへの拡張
有向ネットワークでは入次数と出次数に分けて次数分布を定義し、場合によっては両者の同時分布（2次元の分布）として扱うこともある。入出の偏りは機能の違い（受けやすさと送りやすさ）に対応し得るため、分解したほうが解釈しやすいことが多い。
重複辺（同じ2ノード間に複数の辺が存在）を許す場合、次数は多重度を反映するか、単一の接続として数えるかで意味が変わる。重み付きの場合は、接続の強さを加味した指標として「重みの総和」が次数の役割を担うことがあり、その場合は分布の意味が「接続数」から「接続強度の分布」へ移る。したがって拡張では定義の明確化が必須である。
6 まとめと実務上の注意点
次数分布は、ネットワーク構造のばらつきを要約する基本的な統計量であり、ハブの有無や分布型の推定、モデル比較などに広く利用される。実務では、定義の整合性と推定手順の透明性が結果の信頼性を左右する。
また、分布型を断定することよりも、データの制約（サンプリング、欠測、有限サイズ）を踏まえて解釈する姿勢が重要になる。特に裾の振る舞いは誤差が大きくなりやすいため、結論の強さを適切に調整する必要がある。
6.1 解釈の落とし穴
第一の落とし穴は、観測ネットワークが真の構造を一様に代表していないことを見落とす点である。サンプリングや記録方式が偏っていると、見かけの \(P(k)\) は真の分布と異なる。
第二の落とし穴は、分布型の良さを目視で判断し、推定の不確かさを軽視する点である。特にべき型のような裾依存のモデルでは、評価範囲（どの \(k\) 以上を対象にするか）で結果が大きく変わることがある。
第三に、次数分布だけでネットワークの機能やダイナミクスが決まるように解釈してしまう点がある。同じ次数分布でも相関構造やコミュニティ構造が異なると挙動は変化するため、補助指標を併用することが望ましい。
6.2 レポートでの推奨記載内容
レポートでは、次数の定義と計数規則を明記することが推奨される。有向か無向か、入出の扱い、自己ループや多重辺の扱い、重みがある場合の「次数」の定義（本数か重み和か）を明示する。
次に、推定手順として経験分布の作成方法、ビニングの有無と設定、ログ表示を用いた場合の正規化条件などを記載する。さらに、推定バイアスに関する検討として、データ取得方式、欠測や打ち切りの可能性、サンプルサイズ、裾の不確かさの扱いを示すと、再現性が高まる。
最後に、分布型の当てはめを行った場合は、採用したモデル、推定法、評価指標、比較対象、評価範囲の根拠をまとめる。可能ならば代替モデルや感度分析の結果も添えると、結論の頑健性を評価しやすくなる。