1 等分散の基本概念
1.1 分散とばらつき
1.1.1 分散の定義
分散は、データが平均のまわりにどれだけ散らばっているかを数量化する指標である。確率変数 \(X\) に対して分散は \(\mathrm{Var}(X)=\mathbb{E}[(X-\mathbb{E}[X])^2]\) で与えられる。実データでは標本分散として計算され、平均推定の誤差も含めて分散の大きさが評価される。
1.1.2 標準偏差との関係
標準偏差は分散の平方根であり、ばらつきの単位が元の変数と同じになる。分散は二乗のスケールで増減するため直感的な比較が難しい場合があるが、標準偏差にすると変動幅を見積もりやすい。等分散の議論では、分散そのものを扱うことが多いが、図示や解釈では標準偏差が補助的に用いられる。
1.2 等分散の意味
1.2.1 条件（群）間での分散の一致
等分散とは、異なる群や条件のもとで各観測のばらつきの大きさが同程度であることを指す。代表的には、回帰の誤差項が一定の分散を持つ、あるいは群間で誤差分散が一致するといった形で現れる。数学的には、条件付きで見ると \(\mathrm{Var}(Y\mid \text{群})\) が群に依存しない という状態として表現できる。
1.2.2 期待値と独立性の位置づけ
等分散は「平均が同じ」こととは別概念である。期待値（平均水準）は群や説明変数によって変わり得る一方、分散の大きさが変わらないことが焦点になる。加えて回帰・分散分析の文脈では、観測が互いに独立であることや、誤差が同一分布に従うこと（少なくとも分散が一定であること）が前提に含まれる場合がある。等分散は主として誤差のばらつきに関する仮定であり、平均や相関の有無とは切り分けて考える必要がある。
1.3 等分散が必要になる場面
1.3.1 分散分析での前提
分散分析は群の平均差を検定するための枠組みであり、誤差の分散が群ごとに同程度という前提を置く設計になっている。仮定が成立すると、分散の推定量が適切な分布に従うため、検定の有意水準や信頼区間の妥当性が確保されやすい。逆に分散が大きく異なると、分散比に基づく検定が期待通りの性能を示さないことがある。
1.3.2 回帰分析での仮定
線形回帰では、誤差項の分散が説明変数の値に依存しないことが等分散性の仮定として置かれることが多い。これが崩れると、推定値自体の偏りとは別に、標準誤差の見積もりが不適切になり、係数の有意性評価が歪む。結果として、信頼区間の幅や検定の結論が実際の不確実性を反映しなくなる可能性がある。
2 等分散の確認と診断
2.1 グラフによる点検
2.1.1 残差プロット
残差プロットは、当てはめたモデルから得られる残差がどのようにばらつくかを可視化する手法である。典型的には、縦軸に残差、横軸に予測値または説明変数の値を置き、残差の広がりが一定かどうかを観察する。予測値が大きい範囲で残差が扇状に広がる、あるいは一定の縞状パターンが出るなどの場合、分散の一定性が疑われる。
2.1.2 散布図・箱ひげ図
群比較では箱ひげ図や群別散布の配置が役立つ。箱（分位範囲）やひげ（外れ値を含む範囲）が群によって大きく変化しているなら、群ごとにばらつきが異なっている可能性が高い。観測数が少ない場合は形が不安定になりやすいため、視覚的判定は診断の入口として位置づけ、追加の検定や頑健手法と併用するのが望ましい。
2.2 検定による評価
2.2.1 分散の比の考え方
等分散の検定は、群やモデル成分ごとの分散推定量の比がどれほど極端かを評価する枠組みが多い。分散比が大きいほど「ばらつきが一致していない」ことを示唆するが、推定の揺らぎや標本サイズの影響も受ける。したがって、分散比の大きさだけではなく、想定した仮定下での棄却可能性（p値）を併せて解釈する。
2.2.2 検定の使い分け
代表例として、群が複数ある場合の方法、回帰の残差に基づく方法など、目的に応じて検定法が分かれる。検定法には前提条件や感度の特徴があり、外れ値が多いと結果が振れやすいこともある。さらに、サンプルが小さいと検出力が低下するため「等分散である」という結論に近づけるには注意が必要である。実務では、1つの検定結果を過度に重視せず、図示と組み合わせ、必要なら頑健手法へ切り替える方針が採られる。
2.3 ロバスト推定・代替指標
2.3.1 分散の推定方法
不等分散が疑われるときは、分散推定の工夫が有効になる。例えば、残差に基づく重み付けや、分散が説明変数に依存する形を仮定したモデル化（条件付き分散の記述）を用いることがある。また、単純な分散推定に限らず、分散のかわりに分散構造を示す指標や、期待される誤差の変形に焦点を当てた推定が選択される場合もある。
2.3.2 外れ値の影響
外れ値は、見かけの不均一さを作り出すことがある。極端な観測が残差の分布を歪めると、等分散の検定が「分散が違う」と誤って示す可能性がある。対処としては、外れ値の原因（入力ミス、測定エラー、別生成過程）を確認し、必要に応じて再測定やデータクリーニングを検討する。一方で、正当な極端値を削除するとバイアスが生じ得るため、判断は統計的検出だけでなく背景情報と合わせて行う。
3 不等分散への対処
3.1 モデルの見直し
3.1.1 変数変換
分散が平均とともに増減するような状況では、変数変換によりばらつきを均すことがある。対数変換や平方根変換などは、正の値に対して分散のスケールを縮め、条件付き分散をより一定に近づけることを狙う。変換後に解釈を元の尺度へ戻す手順（逆変換の扱い）も併せて設計する必要がある。
3.1.2 共変量の追加
見落としている説明変数があると、残差に未説明の構造が残り、不等分散として現れることがある。例えば、時間帯や地域などの要因をモデルに加えることで誤差のばらつきが説明され、残差の散らばりが改善する場合がある。追加する共変量は、統計的にだけでなく理論や実験設計に照らして妥当性があるものが望ましい。
3.2 頑健な推定・検定
3.2.1 分散不均一に対応した方法
不等分散が残存する状況でも推論を成立させるため、分散不均一に頑健な推定（分散・標準誤差の頑健化）を用いる手段がある。これにより係数の標準誤差が不適切に過小・過大になるリスクを抑え、検定や信頼区間が現実のばらつきを反映しやすくなる。加えて、状況によっては分位点回帰やブートストラップなど、分布仮定への依存を下げた推定も選択肢となる。
3.2.2 有意性評価の考え方
頑健化の目的は「有意・非有意の境界を正しくする」ことである。検定のp値は、モデルの誤差分散が適切に扱われたときにのみ一定の解釈可能性を持つ。したがって、不等分散への対応後は、以前の結論との比較を行いつつ、効果量の大きさや推定の不確実性（区間推定）に重心を置くのが実務的である。統計的有意性だけでなく、実際の意味での重要性も併せて評価する。
3.3 実務上の注意点
3.3.1 標本サイズの影響
標本数が少ないと、分散構造の推定が不安定になりやすく、診断も検定も揺らぎが大きくなる。逆に大きいと微細な差でも検定が有意になり、実用上はほとんど問題にならない変化まで「不等分散」として扱う可能性がある。従って、統計的手がかりと同時に、予測精度や意思決定に与える影響の観点で判断することが重要になる。
3.3.2 診断結果の解釈
不等分散が示唆された場合、その原因は一様ではない。生成過程の違い、測定誤差の増大、分布の歪み、外れ値の存在など、複数要因が絡むことがある。単に「等分散が崩れた」という事実の記述に留めず、残差の形や変換後の挙動、効果推定の安定性を確認することで、次に取るべき対策を絞り込める。
4 関連する概念と実例
4.1 分散の同質性（同じ意味としての用語）
等分散は「分散の同質性」という呼称でも言及されることがある。意味は概ね同じで、群や条件の違いにかかわらずばらつきの大きさが変わらないことを表す。ただし文献や分野によってニュアンスが異なる場合があるため、対象（誤差分散か観測値の分散か、条件付きかどうか）を明確にして読み替えるのが望ましい。
4.2 尤度・誤差構造との関係
等分散性は、統計モデルの誤差分布仮定と密接に結び付く。例えば正規誤差を想定する場合、尤度の形や推定量の性質が等分散の仮定に影響される。誤差分散が説明変数に依存するモデル（条件付き分散の考慮）を組み込むと、尤度に含まれる分散パラメータの扱いが変わり、同じデータでも推論の手続きが変化する。したがって、等分散は単なる技術条件ではなく、モデル化の前提として位置付けられる。
4.3 具体例（実験・A/Bテスト・観測データ）
4.3.1 群比較の設計例
製品の改良A/Bテストで、応答時間のばらつきがユーザー層によって大きく変わるようなケースでは、不等分散が生じやすい。例えば、特定の操作を行う層ほど個人差が大きいとすると、群間の構成比が少し違うだけでも分散がずれる。設計段階では層化やランダム化、解析段階では頑健な推定や適切な分散モデリングが対策となる。
4.3.2 回帰モデル適用例
需要予測で、価格が高いほど売上の変動幅が大きくなる場合、残差の分散が予測値に応じて広がることがある。このとき、線形回帰を等分散のまま当てると標準誤差が歪み、係数の検定結果が不安定になり得る。実務では、対数変換や、分散が価格に依存する形を組み込むモデル選択、あるいは頑健な標準誤差を併用して推論の妥当性を確保する。
4.4 よくある誤解
4.4.1 「等分散＝平均が同じ」ではないこと
等分散はばらつきの一致を意味し、中心位置（平均）の一致を含意しない。平均が違う状況でも分散が同じなら等分散は成り立つ。一方で平均が同じでも分散が異なれば不等分散である。分散分析や回帰の文脈では、検定対象（平均差なのか、ばらつきなのか）を混同しないことが重要である。
4.4.2 検定結果の過信の回避
等分散検定が有意かどうかだけで結論を固定すると、過剰な確信につながりやすい。検定はサンプル数と診断したい構造に依存し、外れ値や非正規性の影響も受ける。したがって、図示の確認、効果推定の安定性、頑健手法の適用による再評価を通じて、統計的仮定の扱いを現実に即して調整することが求められる。