潜在変数（Latent variable）とは、直接観測することができないが、観測可能な変数（顕在変数）の背後に存在すると仮定される変数のことである。統計学や機械学習、心理学、経済学など広範な分野で用いられ、例えば知能（IQ）や満足度、潜伏病の状態などが典型的な例として挙げられる。潜在変数を推定する手法には因子分析、構造方程式モデリング、潜在クラス分析などがあり、観測データから確率モデルを通じてその分布や構造を明らかにする。現代では深層学習における潜在表現（VAEの潜在空間など）としても重要な概念である。
1.1 潜在変数と顕在変数の関係
潜在変数は、観測可能な顕在変数（観測変数）の背後にある仮想的な構成概念である。顕在変数は直接測定できるが、潜在変数は間接的にしか観測できない。両者の関係は通常、確率的な関数によってモデル化される。例えば、知能テストの得点（顕在変数）は、個人の真の知能（潜在変数）に測定誤差が加わったものと解釈される。この関係は「潜在変数モデル」または「測定モデル」と呼ばれ、多くの統計手法の基礎となっている。
1.2 潜在変数の種類
潜在変数はその値の取り方によって、連続型と離散型に大別される。連続潜在変数は因子分析などで用いられ、離散潜在変数は潜在クラス分析などで用いられる。
1.2.1 連続潜在変数
連続潜在変数は、実数値または実数ベクトルとして定義される。典型的な例として、知能指数（IQ）や性格特性（ビッグファイブ）、主観的ウェルビーイングのスコアなどが挙げられる。これらの変数は、複数の観測指標（テスト項目やアンケート質問）から連続尺度上で推定される。因子分析では、観測変数を連続潜在変数（因子）の線形結合と誤差項で表現する。深層学習における潜在空間も連続潜在変数の一種であり、例えば変分オートエンコーダー（VAE）では連続的な潜在ベクトルが学習される。
1.2.2 離散潜在変数（潜在クラス）
離散潜在変数は、有限個のカテゴリまたはクラスとして定義される。観測データは各クラスに属する確率に従って生成されると仮定する。例えば、消費者セグメント（「経済重視派」「品質重視派」など）、病気のサブタイプ、回答スタイル（「賛成」「反対」「中立」）などが典型例である。潜在クラス分析（LCA）では、複数の観測変数のパターンから、個人がどの潜在クラスに属するかを確率的に推定する。隠れマルコフモデル（HMM）の状態変数も離散潜在変数の一種である。
2.1 初期の心理測定学（スピアマンの因子分析）
潜在変数の概念は20世紀初頭の心理測定学に起源を持つ。1904年、チャールズ・スピアマンは知能検査の成績間に相関があることに着目し、「一般知能因子（g因子）」という単一の潜在変数を仮定した。これが因子分析の始まりであり、観測変数間の共分散構造を少数の潜在変数で説明する試みであった。スピアマンは二因子理論（一般因子＋特殊因子）を提唱し、後の多因子分析や確認的因子分析の基盤を築いた。
2.2 20世紀後半の統計モデル
1960年代から1970年代にかけて、潜在変数モデルは統計学の枠組みで体系的に発展した。カール・ヨレスコーグは確認的因子分析（CFA）と構造方程式モデリング（SEM）を開発し、潜在変数間の因果関係の検証を可能にした。また、ラザースフェルドとヘンリーは潜在クラス分析（LCA）を提唱し、カテゴリカル観測データに対する潜在変数モデルを導入した。この時期、最尤推定法やEMアルゴリズム（デンプスター、レアード、ルービン、1977年）の普及により、複雑な潜在変数モデルの推定が実用的になった。
2.3 21世紀の機械学習への拡張
2000年代以降、機械学習の隆盛に伴い、潜在変数は新たな展開を遂げた。特にトピックモデル（潜在ディリクレ配分法、2003年）は文書集合の潜在トピックを推定する手法として広く使われた。2010年代には変分オートエンコーダー（VAE、2013年）や敵対的生成ネットワーク（GAN）が登場し、深層学習における潜在表現の学習が活発化した。VAEは潜在変数の事後分布をニューラルネットワークで近似する手法であり、画像生成や表現学習に革命をもたらした。現在では、潜在変数は統計学から深層学習まで横断する中核的概念として位置づけられている。
3.1 因子分析
因子分析は、観測変数間の相関構造を、少数の連続潜在変数（因子）で説明する統計手法である。各観測変数は因子の線形結合と独自因子（誤差）の和としてモデル化される。
3.1.1 探索的因子分析（EFA）
探索的因子分析（EFA）は、因子の数や因子負荷パターンに事前仮説を置かず、データから因子構造を探索的に抽出する手法である。主因子法や最尤法が推定に用いられ、因子の回転（バリマックス回転など）によって解釈可能性を高める。心理尺度の開発や新たな構成概念の探索に広く用いられる。
3.1.2 確認的因子分析（CFA）
確認的因子分析（CFA）は、理論や先行研究に基づいて因子構造（どの観測変数がどの因子に影響されるか）を事前に仮定し、その適合度を検証する手法である。SEMの一種であり、因子負荷の有意性やモデル適合指標（CFI、RMSEAなど）によって仮説を評価する。尺度の妥当性検証や理論的な因果モデルのテストに不可欠である。
3.2 構造方程式モデリング（SEM）
構造方程式モデリング（SEM）は、潜在変数間の因果関係（構造モデル）と、潜在変数と観測変数の関係（測定モデル）を同時に推定する統計手法である。パス図によって仮説を視覚的に表現し、最尤推定法やベイズ推定によってパラメータを推定する。SEMは心理学、社会学、マーケティングなどで広く使われ、複雑な因果仮説の検証を可能にする。
3.3 潜在クラス分析（LCA）
潜在クラス分析（LCA）は、カテゴリカル観測変数から離散潜在変数（潜在クラス）を推定する手法である。各個人はある潜在クラスに属する確率を持ち、観測変数のパターンはクラスごとに異なる条件付き確率で生成されると仮定する。EMアルゴリズムまたはベイズ推定によってパラメータを推定し、最適なクラス数は情報量基準（BICなど）で決定する。市場セグメンテーションや医学的サブタイピングに応用される。
3.4 変分オートエンコーダー（VAE）
変分オートエンコーダー（VAE）は、深層学習を用いて観測データの潜在変数表現を学習する生成モデルである。エンコーダーは観測データから潜在変数の事後分布（平均と分散）を推定し、デコーダーは潜在変数からデータを再構成する。VAEは潜在空間に滑らかな構造を仮定し、データ生成や補完、異常検知などに活用される。
3.4.1 潜在空間の解釈
VAEの潜在空間は連続的な低次元空間であり、各次元がデータの意味的特徴に対応することがある。例えば顔画像のVAEでは、潜在次元が「表情」「向き」「年齢」などの属性に対応する場合がある。しかし、その解釈は必ずしも一意ではなく、教師なし学習では抽象的な表現が学習される。潜在空間の可視化（t-SNEなど）や属性操作（潜在ベクトルの線形加算）によって解釈可能性を高める研究が行われている。
3.5 ベイズ推定とMCMC
ベイズ推定は、潜在変数の事後分布を計算する枠組みである。観測データと事前分布から、マルコフ連鎖モンテカルロ法（MCMC）を用いて事後分布からのサンプリングを行う。ギブスサンプリングやハミルトニアンモンテカルロ法が代表的であり、複雑な潜在変数モデル（階層モデル、混合モデルなど）の推定に強力である。ベイズ推定は潜在変数の不確実性を定量化できる利点があり、特にサンプルサイズが小さい場合に有効である。
4.1 心理学と教育測定
心理学では、知能、性格、態度などの直接観測できない構成概念を潜在変数としてモデル化する。教育測定では、学力や能力を潜在変数とし、テスト得点から推定する項目応答理論（IRT）が広く使われる。
4.1.1 知能検査
知能検査では、複数の下位テスト（言語、数理、空間など）の得点から、一般知能因子（g因子）や群因子を潜在変数として推定する。ウェクスラー知能検査やスタンフォード・ビネー検査は因子分析に基づいて設計されており、知能の構造や個人差の理解に貢献している。
4.1.2 態度尺度
態度測定では、リッカート尺度などの項目への回答から、対象に対する態度（政治意識、消費者満足度など）を潜在変数として測定する。確認的因子分析によって尺度の一次元性や信頼性を検証し、構造方程式モデリングによって態度と行動の因果関係を分析する。
4.2 経済学（効用・主観的ウェルビーイング）
経済学では、消費者の効用や主観的ウェルビーイングを潜在変数として扱う。選択実験データから効用関数のパラメータを推定するランダム効用理論や、主観的幸福度のアンケート回答から生活満足度の潜在因子を抽出する分析が行われる。潜在変数モデルは、市場調査や公共政策の評価に応用されている。
4.3 医学（潜伏疾患・症候群）
医学では、疾患のサブタイプや病態の進行度を潜在変数としてモデル化する。例えば、うつ病の症状パターンから潜在クラスを抽出して治療反応性を予測する研究や、複数のバイオマーカーから疾患の潜伏ステージを推定する潜在マルコフモデルが用いられる。また、画像診断における深層学習の潜在表現が病変の特徴を捉える。
4.4 自然言語処理（トピックモデル）
自然言語処理では、潜在ディリクレ配分法（LDA）が文書集合の潜在トピックを推定する代表的手法である。各文書は複数のトピックの混合として表現され、各トピックは単語の分布として定義される。LDAはトピックモデリング、文書分類、情報検索などに広く応用され、その後Transformerベースのモデルにおける潜在表現にも影響を与えた。
4.5 推薦システム（ユーザー嗜好の潜在因子）
推薦システムでは、ユーザーとアイテムの相互作用データから、ユーザーの嗜好とアイテムの属性を潜在因子として推定する行列分解モデルが用いられる。Netflix Prizeで有名になったSVD（特異値分解）や確率的行列分解は、潜在因子モデルの一種であり、ユーザーとアイテムの潜在ベクトルの内積で評価値を予測する。ディープラーニングを組み合わせたニューラル協調フィルタリングも広く研究されている。
5.1 識別可能性と解釈可能性
潜在変数モデルでは、同じ観測データを生成する異なるパラメータセットが存在する識別可能性の問題が生じる。例えば因子分析では因子の回転の不定性が存在し、解が一意に定まらない（回転の任意性）。また、深層学習の潜在空間はしばしば解釈が難しく、潜在変数の意味を人間が理解できるとは限らない。このため、識別可能性を確保するための制約（因子負荷の固定など）や、解釈可能性を高める手法（スパース符号化、解釈可能な潜在次元の学習）が研究されている。
5.2 過剰仮定への批判（因子数の決定）
潜在変数モデルは、因子やクラスの数を事前に決定する必要がある。適切な数は情報量基準（AIC、BIC）や適合度検定で判断されるが、過剰に多くの潜在変数を仮定すると過学習や解釈不能な結果を招く。逆に少なすぎるとデータの重要な構造を見落とす。この問題は「因子数の決定問題」として長く議論されており、スリーパラメータ法や平行分析、クロスバリデーションなど様々な解決策が提案されている。
5.3 潜在変数と因果推論
潜在変数は因果推論において重要な役割を果たすが、誤った因果仮定がモデルに組み込まれるリスクもある。構造方程式モデリングは因果関係を仮定するが、観測データだけから因果を特定できるわけではなく、外的な知識や実験操作が必要である。また、潜在変数の存在が因果効果の推定にバイアスをもたらすこともあり、操作変数法や器質的変数アプローチとの関連が議論されている。
5.4 ポップカルチャーにおけるミーム的用法（「陰の変数」ジョーク）
潜在変数という用語は、統計学以外の文脈でも遊び心を持って使われることがある。例えば「成功の秘訣には『努力』『才能』『運』という三つの潜在変数がある」といった身近な比喩や、「すべてを潜在変数で説明する」という極端な還元主義ジョークがネットミームとして流通している。特にTwitterやRedditでは、複雑な社会現象を「ただの潜在変数」と片付ける皮肉な用法や、陰謀論的な「隠された変数」を揶揄する用法が散見される。これらは潜在変数モデルの哲学的な含意（現実は単純な因子で説明できるのか）を軽妙に風刺するものである。
6.1 観測変数・顕在変数
観測変数（顕在変数）は、直接測定可能な変数である。アンケートの回答、センサー値、テスト得点などが該当する。潜在変数モデルでは、観測変数は潜在変数の確率的な関数として生成されると仮定する。観測変数と潜在変数の区別はモデルの設計次第であり、あるモデルで潜在変数とされたものが別のモデルでは観測変数として扱われることもある。
6.2 隠れマルコフモデル（HMM）
隠れマルコフモデル（HMM）は、時系列データに対する離散潜在変数モデルである。各時点の観測データは、観測できない「状態」という潜在変数から生成され、状態間の遷移はマルコフ過程に従う。HMMは音声認識、ゲノム配列解析、行動認識などに広く使われ、前向き後ろ向きアルゴリズムやビタビアルゴリズムで推定される。
6.3 潜在ディリクレ配分法（LDA）
潜在ディリクレ配分法（LDA）は、文書コレクションの潜在トピックを推定するための生成確率モデルである。各文書はトピックの混合分布を持ち、各トピックは単語の分布として表現される。LDAは教師なし学習でトピック構造を抽出し、トピックモデリングの標準的手法として広く使われる。変分ベイズ法やギブスサンプリングによって推定される。
6.4 潜在因子と主成分分析（PCA）の違い
主成分分析（PCA）は観測変数の分散を最大化する直交変換を行い、低次元の主成分を得る手法である。主成分は観測変数の線形結合であり、誤差項を明示的にモデル化しない。一方、因子分析は観測変数間の共分散構造を説明するために潜在因子を仮定し、独自因子（誤差）が明示的にモデル化される。PCAは次元削減やデータ圧縮に適し、因子分析は潜在構造の解釈や因果モデリングに適する。両者は目的と仮定が異なるが、数学的に関連する部分もある。