1 相関比の概要
1.1 定義と基本概念
相関比は、説明変数 \(X\) によって目的変数 \(Y\) のばらつきがどの程度“系統的に”説明されるかを、分散の内訳という観点から数値化する指標である。線形相関が「\(X\) と \(Y\) の結びつきが直線的であるか」を捉える性質が強いのに対し、相関比は \(X\) による条件付き平均の変化として、非線形な関係にも対応しやすい。
典型的には、\(X\) によって \(Y\) を条件づけたときの平均のばらつき（群の中心の違い）と、各条件内で残るばらつき（ばらつきの残差成分）を比較する形で定義される。特に、\(X\) をいくつかの群に分けた状況では、群平均間の差が大きいほど相関比は高くなる。
1.2 指標の範囲と解釈
相関比は一般に \(0\) から \(1\) の範囲に入るよう設計される。分散分解を用いて定義されるため、解釈は「説明される分散の割合」として整理できる。
1.2.1 0の場合の意味
相関比が \(0\) のとき、\(X\) の情報から予測される \(Y\) の変動（条件付き平均の変化）が存在しないことを示す。言い換えると、\(X\) によって群分けしても、群ごとの中心（平均）の差がほとんどなく、観測されるばらつきは全て条件付けしても残る成分に相当する。
1.2.2 1の場合の意味
相関比が \(1\) のとき、\(X\) によって \(Y\) が完全に説明されている状態に対応する。具体的には、群内に残る分散が消え、同じ条件に属する観測値は同じ（予測される）中心値に一致する。現実データでは厳密に \(1\) になることは稀であるが、非常に強い説明力を示す目安として解釈される。
1.3 分散分解との関係
相関比の本質は分散の分解にある。全体のばらつき（全分散）は、\(X\) によって説明される部分（条件付き平均のばらつき）と、説明されずに残る部分（条件内のばらつき）に分けられる。このとき、相関比は「説明される部分が全体に占める比率」として定義されるため、統計学的な意味が明確である。
この分解により、単に当てはまりの良し悪しを見るだけでなく、「どの程度が条件により構造化され、どの程度が残差として残っているか」を理解しやすくなる。群分けが明確な場合には分散分析の考え方とも親和性が高い。
2 計算方法
2.1 分散の要素の整理
相関比の計算では、まず分散をいくつかの構成要素に整理する必要がある。ここでの要点は、\(X\) が定義する“条件”のもとで平均とばらつきを評価することである。
2.1.1 全分散
全分散は、目的変数 \(Y\) の観測値が全体平均からどれほど離れているかを表す。サンプルベースでは \(Y\) の平均との差の二乗の平均として表現され、分母に全体のばらつき量が置かれる。
2.1.2 群間分散
群間分散は、\(X\) によって決まる条件ごとの平均（群平均や条件付き平均）が、全体平均からどれほど離れているかを表す。これが大きいほど、\(X\) を知ることで \(Y\) の中心が動き、説明される成分が増えることになる。
2.1.3 群内分散
群内分散は、各条件内で観測される \(Y\) のばらつきを表す。条件付き平均の周りにどれだけ散らばっているかに対応し、残差的な要素として解釈される。群内分散が小さいほど、同じ条件では \(Y\) がほぼ一定になっているため、相関比は上がる方向に働く。
2.2 相関比の算出手順
計算手順は、分散分解の考え方に沿って整理できる。まず \(X\) を条件として扱い、各条件ごとに \(Y\) の平均を求める。次に、全分散を算出し、同時に群間分散と群内分散を算出する。最後に、説明される部分としての群間分散を全分散で割ることで相関比が得られる。
より具体的には、相関比は「群間分散／全分散」の形、あるいは条件付き期待値を用いた等価な表現として書ける。群分けされた \(X\) のケースでは、群の比率（各群のサンプル数に基づく重み）を用いて群平均のばらつきを評価するのが一般的である。
2.3 実務上の注意点
相関比は解釈がしやすい一方で、実装上の前提やデータ特性により見かけの値が動く。特に、偏りや外れ値、欠測への配慮が重要になる。
2.3.1 観測値の偏り
各群のサイズが極端に異なる場合、群平均の推定精度に差が生じ、相関比の評価が不安定になりうる。少数サンプルの群では平均の揺らぎが大きく、見かけ上の群間差を押し上げたり押し下げたりする可能性がある。群の設計（ビニング）や重み付けの扱いを確認することが望ましい。
また、\(X\) の分布が偏っていると、条件付き平均の推定が「データが多い範囲」に引き寄せられる。結果として、相関比が示す説明力が、全領域の関係を正確に反映していない場合がある。
2.3.2 欠測と外れ値への対処
欠測が \(X\) と \(Y\) の関係に関連していると、条件ごとの平均や分散が歪み、相関比が過大・過小に見える恐れがある。欠測機構を仮定して補完する手法、もしくは欠測パターンを層化して評価するなど、目的に応じた方針が必要になる。
外れ値は群内分散を大きくしやすく、説明される割合を下げる方向に作用することが多い。外れ値の定義や検出基準を事前に定め、単純な削除に留まらずロバストな推定（例えば条件平均のロバスト化）を検討することがある。
3 応用
3.1 群分けされた説明変数への適用
相関比は、\(X\) が離散的である、あるいは連続量をビニングして群にすることで分析できる場合に特に扱いやすい。たとえば顧客属性をカテゴリ化し、そのカテゴリに応じて購買金額のばらつきがどの程度変わるかといった問題で、群の中心差と残差を分散として比較できる。
ビニングの粒度が粗すぎると条件が混ざり、群間差が小さく見えて説明力が過小評価されることがある。逆に細かすぎると群内平均の推定が不安定になりやすい。相関比はこのトレードオフに影響されるため、区間設計や十分なサンプル確保が実務上のポイントになる。
3.2 非線形依存の検出
相関比は、\(X\) と \(Y\) の関係が直線的でなくても、条件付き平均が系統的に変化していれば高くなりうる。したがって、線形相関では見落とされがちなパターンの存在をスクリーニングする用途に向く。
例として、\(X\) に対する \(Y\) の平均が曲線状に変化する場合を考える。線形相関は直線への当てはまりとして弱く見えることがあるが、相関比は条件付き平均の移動量を直接評価するため、説明される成分の割合を拾い上げやすい。結果は「関係の強さ」だけでなく、「どの程度が平均の移動により説明され、残りがばらつきとして残るか」という形で整理できる。
3.3 回帰・分散分析との関連
相関比は、回帰や分散分析の文脈で理解しやすい。特に、群平均の差を扱う分散分析との結びつきは直感的である。
3.3.1 分散分析（ANOVA）との位置づけ
分散分析では、グループ間の平均差が統計的に有意かを検定するために分散を分解する。相関比は、その分解の考え方に沿って「平均差によって説明される割合」を効果量のように数値化する点で位置づけられる。
つまり、ANOVAが“差が偶然ではないか”を確かめる方向性を持つのに対し、相関比は“差がどれほどの大きさか”を分散比として示す役割を担うことが多い。推定した相関比は、モデル改善や追加説明変数の検討に利用されることがある。
4 関連指標と比較
4.1 相関（線形相関）との違い
線形相関は、変数間の単調な直線関係を捉えるのに適している。一方で、相関比は条件付き平均の変化に基づくため、非線形の依存でも値が上がりやすい。結果として、同じデータでも線形相関が小さいのに相関比が大きいという状況が起こりうる。
また、線形相関は符号付きで方向性を示すことがあるのに対し、相関比は説明される割合に重点が置かれ、方向性の解釈は本質的ではない。目的が「関係の形」なのか「説明の強さ」なのかで、適した指標が変わる。
4.2 相互情報量などとの比較
相互情報量は、\(X\) と \(Y\) の依存関係を確率分布の観点から測る指標であり、一般に非線形にも強い。相関比との違いは、評価の中心が分散の分解か、情報量の概念かにある。相互情報量はより広い依存構造を捉えうる一方で、推定には分布推定や離散化の影響が入りやすい。
相関比は、平均の変化に焦点を当てるため、分布の形や高次の構造よりも“平均を動かす力”に敏感である。このため、データの目的（平均関数の説明が欲しいのか、分布全体の依存を測りたいのか）によって選択が分かれる。
4.3 効き方の違いと使い分け
指標の選択では、まず「どの種の関係を知りたいか」を明確にすることが重要になる。相関比は、条件付き平均が変わることで \(Y\) のばらつきが縮む度合いを見たい場合に適する。群分けが可能で、説明変数がカテゴリや条件として扱えるほど相性が良い。
一方、依存関係の検出が主目的で、分布の非ガウス性や複雑な依存も含めた全体像が欲しい場合には、相互情報量のような情報理論系の指標が有力になる。最終的には、指標の前提（離散化、推定安定性、平均中心の評価かどうか）を理解し、複数の指標を併用して解釈の整合性を確認する運用が望ましい。