1 定義と基本概念
1.1 統計量の定義
統計量（statistic）とは、観測データの集合から計算される、データの特徴を要約・記述するための数値である。具体的には、データの平均値や分散、標準偏差、中央値などが該当する。統計量はデータそのものの関数であり、観測値から一意に定まる。記述統計学ではデータの特徴を簡潔に表現するために用いられ、推測統計学では標本から母集団の特性を推測するための基礎となる。
1.2 母集団と標本
母集団（population）は、調査や研究の対象となる全個体の集合を指す。一方、標本（sample）は母集団から無作為抽出などによって選ばれた部分集合である。統計量は通常、標本データから計算される。標本統計量は母集団の特性（母数）を推定するために用いられ、その信頼性は標本の抽出方法や大きさに依存する。
1.3 推定量と統計量の関係
推定量（estimator）とは、母集団の未知のパラメータ（母数）を推定するために標本データから計算される統計量の一種である。統計量が推定量として用いられる場合、その値は推定値（estimate）と呼ばれる。推定量には不偏性や一致性などの望ましい性質が求められ、統計量はこれらの性質を評価する対象となる。すべての統計量が推定量として適切であるわけではなく、目的に応じた統計量の選択が重要である。
2 代表的な統計量の種類
2.1 位置の統計量
2.1.1 平均（算術平均、幾何平均、調和平均）
平均はデータの中心的傾向を表す代表的な統計量である。算術平均は全データの合計をデータ数で割った値であり、最も一般的に用いられる。幾何平均はデータの積のn乗根で定義され、成長率や比率の平均に適している。調和平均はデータの逆数の算術平均の逆数であり、速度や密度の平均などに用いられる。これらはデータの性質に応じて使い分ける必要がある。
2.1.2 中央値
中央値（median）はデータを昇順に並べたときの中央に位置する値である。データ数が奇数の場合は中央の値、偶数の場合は中央二つの値の平均となる。平均と異なり、外れ値の影響を受けにくいため、分布が歪んでいる場合や外れ値が存在する場合に頑健な統計量として利用される。
2.1.3 最頻値
最頻値（mode）はデータの中で最も頻繁に出現する値である。離散データやカテゴリカルデータに適しており、複数の最頻値が存在することもある（多峰性）。連続データでは度数分布の最頻クラス（モーダルクラス）として表現されることが多い。
2.2 散布度の統計量
2.2.1 分散と標準偏差
分散（variance）はデータの散らばりの程度を表す統計量で、各データと平均との差の二乗の平均として定義される。標準偏差（standard deviation）は分散の正の平方根であり、元のデータと同じ単位を持つため解釈が容易である。これらはデータのばらつきを測る最も基本的な指標であり、正規分布を仮定した統計的推測において重要な役割を果たす。
2.2.2 範囲と四分位範囲
範囲（range）はデータの最大値と最小値の差であり、最も単純な散布度であるが外れ値に影響されやすい。四分位範囲（interquartile range, IQR）は第3四分位数と第1四分位数の差であり、データの中央50%の範囲を示す。四分位範囲は外れ値の影響を受けにくい頑健な散布度であり、箱ひげ図などでよく利用される。
2.2.3 変動係数
変動係数（coefficient of variation, CV）は標準偏差を平均で割った値で、単位に依存しない相対的な散布度である。異なる尺度や平均値の異なるデータセット間でのばらつきを比較する際に用いられる。平均がゼロに近い場合や負の値の場合には適切でないことに注意が必要である。
2.3 形状の統計量
2.3.1 歪度
歪度（skewness）は分布の非対称性を測る統計量である。歪度が正の値であれば右裾が長い分布（右に歪む）、負の値であれば左裾が長い分布（左に歪む）を示す。歪度がゼロの場合は対称な分布を表す。標本歪度はデータの分布形状を理解するために用いられ、金融や保険の分野でリスク分析に活用される。
2.3.2 尖度
尖度（kurtosis）は分布の裾の重さや峰の尖り具合を測る統計量である。正規分布の尖度を基準（3または0、定義による）として、それより大きい場合を「裾が重い」、小さい場合を「裾が軽い」と評価する。尖度が高い分布は外れ値が発生しやすいことを示し、リスク管理や異常値検出において重要である。
2.4 関連性の統計量
2.4.1 共分散
共分散（covariance）は二つの変数の間の線形的な関係の方向と強さを測る統計量である。正の共分散は一方の変数が増加するともう一方も増加する傾向を示し、負の共分散は一方が増加するともう一方が減少する傾向を示す。しかし、共分散の値は変数の尺度に依存するため、解釈には注意が必要である。
2.4.2 相関係数
相関係数（correlation coefficient）は共分散を各変数の標準偏差で割って標準化した値で、-1から1の範囲をとる。ピアソンの積率相関係数が最も一般的であり、二変数の線形的な関係の強さと方向を評価する。相関係数は無次元量であるため、異なる尺度の変数間でも比較可能である。ただし、非線形な関係や外れ値の影響を受けることがある。
3 統計量の性質
3.1 不偏性
不偏性（unbiasedness）は、推定量の期待値が母数の真の値に一致する性質である。不偏推定量は系統的な誤差（バイアス）を持たない。例えば、標本分散をn-1で割った不偏分散は母分散の不偏推定量である。不偏性は推定量の望ましい性質の一つだが、他の性質とのトレードオフが存在する場合がある。
3.2 一致性
一致性（consistency）は、標本サイズが無限に大きくなるにつれて推定量が母数の真の値に確率収束する性質である。一致性を持つ推定量は、十分なデータがあれば真の値に近づくことを保証する。大数の法則と関連が深く、多くの基本的な統計量（標本平均など）は一致性を持つ。
3.3 有効性
有効性（efficiency）は、推定量の分散の小ささを比較する概念である。同じパラメータに対する複数の不偏推定量が存在する場合、分散が最小のものを最尤推定量などと呼ぶ。有効性はクラメール・ラオの下限などの理論を用いて評価される。有効な推定量は少ない標本でも精度の高い推定を可能にする。
3.4 頑健性
頑健性（robustness）は、データに外れ値や分布の仮定からの逸脱があっても、統計量が安定した性能を示す性質である。中央値や四分位範囲などは外れ値に強い頑健な統計量として知られる。一方、平均や標準偏差は外れ値の影響を大きく受ける。実データ分析では頑健性と効率性のバランスが重要である。
4 統計量の計算と表現
4.1 データの種類による統計量の選択
4.1.1 名義尺度
名義尺度（nominal scale）は、カテゴリに分類されるデータであり、数値的な順序や間隔を持たない。性別や血液型などが該当する。名義尺度に適した統計量は最頻値や割合（比率）であり、平均や中央値は意味を持たない。カイ二乗検定などのカテゴリカルデータ解析が適用される。
4.1.2 順序尺度
順序尺度（ordinal scale）は、カテゴリに順序があるが、間隔が等しいとは限らないデータである。満足度のランクや学歴などが該当する。中央値や四分位範囲、最頻値が適切な統計量であり、平均は解釈が難しい。ノンパラメトリック検定（マン・ホイットニーのU検定など）が用いられる。
4.1.3 間隔尺度・比例尺度
間隔尺度（interval scale）は等間隔だが絶対的なゼロ点を持たないデータ（温度など）、比例尺度（ratio scale）は等間隔かつ絶対的なゼロ点を持つデータ（身長、収入など）である。これらのデータには平均、標準偏差、相関係数など、ほとんどの統計量が適用可能である。特に比例尺度では幾何平均や変動係数も意味を持つ。
4.2 統計量のグラフ表現
4.2.1 ヒストグラムと箱ひげ図
ヒストグラムはデータの度数分布を棒グラフで可視化したもので、分布の形状や中心、ばらつきを直感的に把握できる。箱ひげ図は最小値、第1四分位数、中央値、第3四分位数、最大値（または外れ値を別途表示）を箱と線で表現する。外れ値の検出や複数グループの比較に適しており、分布の頑健な要約を提供する。
4.2.2 QQプロット
QQプロット（Q-Q plot）は、データの分位数を理論分布の分位数と比較してプロットした図である。点が直線上に乗ればデータがその理論分布に従っていることを示す。正規QQプロットは正規性の評価に広く用いられる。分布の適合度を視覚的に確認する手法であり、統計モデルの前提条件のチェックに役立つ。
5 実践における統計量の注意点
5.1 外れ値の影響
外れ値（outlier）はデータの分布から大きく外れた値であり、平均や標準偏差のような非頑健な統計量を大きく歪める可能性がある。外れ値の存在を検出するには箱ひげ図や標準化残差が利用される。外れ値への対処法として、トリム平均や winsorization（両端の値を置き換える）などの頑健な統計量を用いるか、外れ値を除去した上で解析を行うことが検討される。
5.2 多重比較問題
多数の統計量や仮説検定を同時に行う場合、偶然に有意な結果が得られる確率が増加する（多重比較問題）。例えば、多くの変数間の相関係数を計算すると、本来無関係な変数間でも有意な相関が現れることがある。ボンフェローニ補正やホルム補正、FDR制御など、多重性を考慮した調整手法が用いられる。
5.3 統計量の誤用と誤解
統計量は誤って解釈されることが多い。例えば、相関係数が因果関係を意味しないこと、平均値だけでは分布の全体像が捉えられないこと、小標本における統計量の信頼性が低いことなどが挙げられる。また、選択バイアスや生存者バイアスなど、データの収集方法に起因する歪みも統計量に影響を与える。統計量を解釈する際には、データの背景や限界を常に考慮する必要がある。