1 測定誤差の基本
1.1 定義と位置づけ
1.1.1 測定誤差（観測誤差）の意味
測定誤差（観測誤差）とは、観測で得られる値が、対象に対して想定される真の値と比べてずれる度合いを指す。ここでの「真の値」は、理想化した基準として扱われる概念であり、現実には完全な基準が存在しない場合もある。したがって実務では、校正された基準、参照測定、あるいは理論上の期待値に置き換えながら、ずれの大きさを評価する。
観測誤差は、測る段階で生じる現象として位置づけられる。たとえば装置の応答、測定手順、作業者の扱い、計測環境の変動などが、観測値の変動や系統的なズレにつながる。
1.1.2 真の値・真度・精度との関係
真度（トゥルーネス）は測定値の平均が基準にどれほど近いかに関係し、系統的なズレの程度を表す概念として用いられることが多い。精度は測定値がどれほど再現性良く揃うか、すなわちばらつきの大きさと結びつく。
両者は同時に扱われる。真度が高くても、ばらつきが大きければ推定結果は不安定になる。逆に、ばらつきが小さくても平均が基準から外れていれば、系統的な誤りが残る。測定誤差の評価では、平均のズレと分散の大きさを分けて理解することが重要になる。
1.2 発生要因
1.2.1 系統誤差（バイアス）
系統誤差は、繰り返し測っても一貫して同じ方向にズレが現れるタイプの誤差である。原因としては校正の誤り、器差や感度の仕様逸脱、測定単位変換の取り違え、温度や湿度依存の未補正などが挙げられる。
系統誤差は平均値に現れやすいため、反復測定だけでは消えない。適切な校正、補正係数の導入、測定条件の管理、そして参照値との比較により、ズレの方向性を把握して補正・抑制する必要がある。
1.2.2 偶然誤差（ばらつき）
偶然誤差は、測定ごとに符号や大きさがばらつき、平均化によって相対的に縮まる性質を持つことが多い。原因は微小な環境変動、ノイズ、操作のわずかな違い、観測窓の揺らぎなどである。
偶然誤差は分散や標準偏差として扱われやすい。さらに、分布形状（正規性の近さ、裾の重さなど）が推定に影響するため、データの実態に即した誤差モデルを選ぶことが望ましい。
1.2.3 測定環境・操作・設計要因
測定環境は、温度・湿度・振動・電磁ノイズ・照明条件など、装置の外部要因を含む。これらは感度やオフセットに影響し得るため、同じ物体を測っても観測値が揺れる。また操作要因として、測定位置の取り方、取り付けの締め付け、立ち上げ時間、サンプリング手順などが誤差の発生に関与する。
設計要因は、測定系そのものの構成に由来する。分解能、サンプリング周期、測定レンジの選定、フィルタリング設定などが、情報の欠落や遅れを生み、観測値に偏りまたは追加ノイズを持ち込む。したがって誤差低減は「測っている最中」だけでなく「測り方を決めた段階」から始まる。
1.3 分類と表現方法
1.3.1 絶対誤差と相対誤差
絶対誤差は、観測値と基準（真値または参照値）の差の大きさとして表される。単位を持つため、測定対象のスケールに応じて解釈が変わる。相対誤差は、基準値に対する比率として定義され、スケールの違いを補正して比較しやすい。
実務では、どちらを用いるべきかが用途で決まる。小さな値域の測定では絶対誤差が効きやすい一方、大きな範囲をまたぐ比較では相対誤差が扱いやすい。さらに、単純な差よりも比の方が現象の性質に合う場合もあるため、目的に応じて使い分ける。
1.3.2 分散・標準偏差・信頼区間
分散は誤差のばらつきの強さを示す量であり、標準偏差は分散の平方根として、誤差の単位と整合しやすい。これらは偶然誤差の大きさを定量化する際に広く用いられる。
信頼区間は、推定値に対して不確かさを区間として示す枠組みである。区間の幅は、誤差の大きさとサンプル数、そして仮定する誤差分布（または近似の妥当性）に依存する。信頼区間の解釈では「真値が含まれる確率」という理解が誤りになる場合があるため、定義（頻度論的かベイズ的か、何が確率変数か）を明確にする必要がある。
2 モデル誤差の基本
2.1 定義と位置づけ
2.1.1 モデル誤差（近似誤差）の意味
モデル誤差（近似誤差）とは、理論式や統計手法の形、採用した特徴量、表現能力の限界によって、真の関係を完全には再現できないことから生じるズレを指す。観測値を入力としても、モデル出力が現実を正確に捉えない場合に生じるため、推定段階のずれとして扱われる。
モデル誤差は「測定できていない部分」とは別である。観測が適切であっても、モデル化の仮定が不十分であれば誤差は残る。したがって測定誤差と区別しつつ、両者がどの程度寄与しているかを切り分ける発想が重要になる。
2.1.2 モデル化の仮定と限界
モデル化では、対象の複雑さを扱える形に落とし込むため、単純化や仮定を置く。たとえば線形性の仮定、誤差分布の形、独立性の想定、時間不変性、特徴量の選択などである。現実がこれらの仮定と一致しない場合、系統的な予測ずれが生まれやすい。
限界は「表現の不足」からも生じる。関数形が不適切、相互作用を表現できない、非線形性の扱いが不十分、あるいはデータ生成過程と統計モデルの対応が取れていないなどが理由となる。モデル誤差は設計段階での仮定の選び方に強く結びつく。
2.2 発生要因
2.2.1 モデル不適合（構造の不一致）
モデル不適合は、データの背後にある構造と、用いたモデルの構造が一致しないことから生じる誤差である。典型例として、ある要因が効いているのにモデルがそれを表せない、あるいは関係が非線形なのに線形表現だけを許す、といった状況がある。
不適合は残差に偏りとして現れやすい。もし残差が特定の入力領域で大きくなったり、入力に対して規則的に変化したりするなら、モデルの構造が不足している可能性が高い。診断と修正を繰り返し、仮定と実態の整合を高める必要がある。
2.2.2 パラメータ推定の誤差
パラメータ推定の誤差は、モデル形は正しいとしても、有限のデータから推定した係数やパラメータが真の値からずれることに由来する。サンプル数が少ない、ノイズが大きい、特徴量間の相関が強いといった状況では、推定の不確実さが増える。
この誤差は分散の増大や推定結果の不安定さとして表れやすい。推定量の分布を評価し、標準誤差や不確かさの区間を提示することで、信頼性の程度を把握できる。
2.2.3 データ不足・過学習・未学習
データ不足は、学習可能な情報量が足りず、推定が不安定または偏る原因になる。過学習は、訓練データの固有の揺らぎまで取り込んでしまい、未知データで性能が落ちる状態である。未学習は、その逆にモデルが複雑さを捉えきれず、系統的な誤差が残る。
これらは「どこまでの複雑さを許すか」と「データの量・質」の釣り合い問題として理解できる。正則化、モデル容量の調整、データ拡充、そして検証設計により、適切なバランスへ誘導する。
2.2.4 検証デザインの不備
検証デザインの不備とは、モデル評価の枠組みが実運用の状況を適切に反映していないために、誤差の評価が歪むことを指す。たとえば訓練と評価の分割が不適切で、同一の系列や近いサンプルが双方に混ざると、見かけの性能が過大評価される。
また、データの時系列性や収集過程の違いを無視すると、外部データへの適用時に誤差が増える。検証は単なる指標計算ではなく、データ生成と使用環境の対応を考えて設計する必要がある。
2.3 表現と評価指標
2.3.1 残差と誤差分布
残差は、観測値とモデルが予測した値の差として定義される。残差の平均や分散だけでなく、入力との関係、時間との変化、分布の歪みや外れ値の有無を見ることで、モデル誤差の特徴をつかめる。
誤差分布の仮定が現実と合わない場合、信頼区間や検定の妥当性が損なわれる。分布の形を点検し、必要なら頑健な手法や別の誤差モデルを検討することが望ましい。
2.3.2 当てはまり指標と予測性能
当てはまり指標は、訓練データまたは評価データにおける説明の度合いを反映する。例としては誤差の二乗に基づく指標などがあるが、指標の性質は目的により適切性が変わる。
予測性能は、未知の入力に対してどれだけ正確に出力できるかを見積もる概念で、汎化能力と結びつく。単に当てはまりが良いことは、必ずしも予測が良いことを意味しないため、評価手順の透明性が求められる。
2.3.3 モデル比較（多モデルの扱い）
複数のモデルを比較する際には、単一の当てはまり指標に依存しすぎない工夫が必要になる。モデルが複雑になるほど訓練への適合は改善しやすく、比較には複雑さのペナルティや検証性能の重視が重要になる。
また、多モデルを組み合わせる発想もある。アンサンブルや重み付き平均などでは、個々の欠点を補い合いながら期待性能を上げることがある。ただし、合成戦略の評価自体が誤差の伝播や相関を考慮する必要があるため、比較設計を丁寧に行うことが前提となる。
3 測定誤差とモデル誤差の関係
3.1 合成の考え方
3.1.1 独立性を仮定する場合
測定誤差とモデル誤差が統計的に独立とみなせる場合、合成の評価はしばしば分散の和として扱われる。直感的には、観測の揺れと推定段階の近似不足が別々に存在し、その影響が同じ出力に加わって見える、という構図である。
この仮定のもとでは、全体の不確かさを見積もる際に、測定系の不確かさと推定系の不確かさを合算し、区間幅や標準誤差を構成することができる。ただし、独立性は検証なしに採用すべきではない。
3.1.2 相関・依存がある場合
測定条件がモデルの学習に影響し、モデル誤差と測定誤差が絡み合う場合、単純な合算は不正確になる。たとえば観測の偏りが入力特徴量に系統的な歪みとして入り込み、結果として係数推定や構造選択を誘導してしまう場合がある。
依存があると、誤差の符号や分布の形によって全体の変動が増幅または相殺され得る。したがって、分割統治の発想は有効だが、相関構造を無視しない評価手段、あるいはモデル内に測定不確かさを組み込む枠組みを検討するのが望ましい。
3.2 誤差の伝播
3.2.1 伝播則の基本
誤差伝播は、入力側の不確かさが出力側にどのように影響するかを記述する考え方である。多くの場面では微分に基づく近似（感度分析）が利用され、入力の変動が出力に与える寄与を整理する。
ただし非線形が強い場合、線形近似だけでは誤差の形を取り違える恐れがある。そこで、近似誤差の評価や、サンプル分布に基づく別の方法を併用することが、判断の堅牢性につながる。
3.2.2 モンテカルロ法による評価
モンテカルロ法は、不確かな入力を乱数で生成し、モデルを繰り返し適用することで出力分布を推定する方法である。測定不確かさを確率分布として表し、モデル誤差の要因も可能な範囲で反映させることで、合成された結果の不確かさを直接見積もる。
この手法は非線形や相関がある場合にも適用しやすい。一方で計算コストが増えることや、入力分布の設定が結果に強く影響することが課題になる。したがって分布仮定の妥当性確認と、十分な反復回数の確保が重要になる。
3.3 推定プロセスでの切り分け
3.3.1 キャリブレーションと校正の役割
キャリブレーションと校正は、測定段階の系統誤差を把握し、観測値を補正することでモデル入力の品質を高める役割を担う。校正により器差やオフセットを縮めると、測定誤差のうち特定成分が減り、その後の推定で残るズレがよりモデル側に集中して観測される。
その結果、残差診断がモデル誤差の発見に寄与しやすくなる。逆に校正が弱いままだと、観測の偏りがモデル側の欠陥に見えてしまい、原因同定が難しくなる。
3.3.2 設計実験による誤差分離
設計実験は、条件を計画的に変えたデータを得ることで、要因ごとの寄与を分離する考え方である。たとえば温度や装着条件、前処理手順を系統的に操作し、観測値への影響を評価することで測定誤差の成分を推定できる。
また、実験計画によりモデル推定に必要な情報を効率よく集めることもできる。誤差分離の鍵は、変えた要因以外の条件を揃える設計と、測定条件とモデル設計の双方を理解した上での実装にある。
3.3.3 ホールドアウト・外部検証の活用
ホールドアウトは、学習に使わないデータで性能を評価し、汎化の程度を確認する方法である。測定誤差が固定された環境で起きているだけなら、学習と評価が同条件であれば一定の範囲で同様の影響が現れる。すると性能低下はモデル側の構造不足として現れやすい。
外部検証はさらに踏み込んで、異なる環境や収集時期、別個の装置設定などに対する適用可能性を確かめる。外部の変化は測定誤差にもモデル誤差にも影響し得るため、差分として現れる挙動を手掛かりに、どちらの寄与が大きいかを推定する材料になる。
4 実務での誤差評価と改善
4.1 不確かさの報告
4.1.1 不確かさの見積もり手順
不確かさの見積もりは、まず誤差要因を分類し、それぞれの大きさを測る（あるいは根拠をもって設定する）ことから始まる。測定系については校正データ、反復測定、環境条件の変動幅などが根拠になりやすい。モデル系については残差解析、推定の分散、検証性能のばらつきが根拠になる。
次に、合成方法を選ぶ。独立を仮定するのか、相関を扱うのか、あるいはシミュレーションで分布を直接推定するのかを決める。最後に、区間推定と報告形式を整え、前提条件や適用範囲を明記する。
4.1.2 期待値・分散・区間の報告
期待値は平均的な推定の位置を示し、分散は揺れの程度を表す。区間は、利用者が意思決定に使える形に落とすための要素である。実務では、中心推定と不確かさの幅をセットで提示することが多い。
報告の透明性として、どの分布仮定に基づくか、信頼区間か予測区間か、区間の解釈がどの枠組みに属するかを明確にすることが重要になる。これにより、解釈の取り違えによる誤判断を減らせる。
4.2 改善策
4.2.1 計測側の改善（器差・手順・環境）
計測側の改善では、器差の管理、校正頻度の見直し、測定手順の標準化が中心になる。さらに環境要因を制御できない場合は、代替として温度補正やフィルタリングなどの補償を設計する。
操作のばらつきを減らすには、手順書の整備、教育、取り付け治具の統一などが有効である。加えて、ノイズ源を特定し、サンプリング設計や測定レンジの適合を行うことで、偶然誤差を抑えられる。
4.2.2 モデル側の改善（仮定の見直し・拡張）
モデル側の改善では、残差の診断結果を手掛かりに仮定を更新する。線形性の不一致が疑われるなら非線形項や特徴量の拡張を検討し、誤差分布の歪みが見える場合は頑健化や別の誤差モデルを用いる。
また、検証で過学習や未学習が疑われる場合は、正則化やモデル容量の調整、データ分割の見直しが効果を持つ。重要なのは「当てはまりを良くする」ことと「未知データでの再現性を高める」ことを区別し、後者に結びつく改善として設計する点である。
4.2.3 ハイブリッド評価（計測とモデリングの統合）
ハイブリッド評価は、測定不確かさを単なる後付けではなく、推定・検証の枠組みに統合する発想である。たとえば観測誤差の分布を考慮した推定（誤差込みのモデル化）や、モンテカルロで合成不確かさを推定するなどの手法が該当する。
統合することで、測定と推定の寄与が混同されにくくなり、改善の優先順位を決めやすくなる。計測の改善で足りない部分がモデル由来だと判断できれば、次の打ち手が明確になり、全体のコスト効率が上がる。
4.3 よくある落とし穴
4.3.1 「誤差を一括り」にする問題
測定の不確かさとモデルの不確かさを区別せずに同じ扱いでまとめると、原因が見えなくなる。たとえば推定のばらつきに見えていたものが、実は測定側の校正不備由来だった、という状況は起こり得る。
一括りは報告を簡略化する一方で、改善方向を誤らせる。要因分解の枠組みを最初から用意し、中心推定と不確かさの内訳を整理することが、回避策になる。
4.3.2 過度な信頼と誤った解釈
不確かさの提示があっても、利用者が区間や推定値を誤って解釈するケースがある。たとえば区間の意味（どの確率論的枠組みか）を曖昧にすると、「保証」と「推定」を取り違えた意思決定につながる。
また、訓練データでの指標が高いのを理由に、未知環境でも同程度の性能を期待してしまうことも多い。信頼性は検証設計に強く依存するため、根拠の範囲を明示することが重要になる。
4.3.3 検証不足によるモデル誤差の見落とし
検証が不十分だと、モデル不適合が残っていても気づきにくい。特に同一条件でしか評価しない場合、誤差が偶然に相殺されて見かけ上の性能が良くなることがある。
外部データや条件の違いを含めた検証がないと、モデル誤差の存在は表に出にくい。したがって、ホールドアウトだけでなく、運用に近い形での外部検証や再現性確認を組み込むことが、見落としを減らす鍵になる。