1 絶対誤差の定義

1.1 数式による表現

1.1.1 真の値と観測値の差

絶対誤差は、真の値（または基準値）と観測値（推定値）の差を取り、その符号を除いた量として定義される。観測値が基準値より大きいか小さいかは符号で区別されるが、絶対誤差ではその区別を行わず、ずれの大きさだけを扱う。

1.1.1.1 符号を除いた値としての絶対値

一般に、基準値を \(x\)、観測値を \(\hat{x}\) とすると、絶対誤差 \(e\) は \[

e =x-\hat{x}

\]

で表される。ここで \(\cdot\) は絶対値を意味し、負の差が生じても大きさは非負の値として評価される。

1.1.2 単位と次元

絶対誤差が持つ単位は、扱っている量の単位と同じである。たとえば距離を対象にするならメートル、温度を対象にするなら摂氏やケルビンといった同種の次元を持つ。差の絶対値を取っても次元は変わらないため、結果は現場で解釈しやすい指標となる。

1.2 概念としての意味

1.2.1 「ずれ」の大きさ

絶対誤差は、推定や測定が基準からどれほど離れているかを、直感的に表す。負方向か正方向かを捨てることで、大小の比較に焦点が当たり、誤差の“幅”を把握しやすい。

1.2.2 個々の観測に対する指標

絶対誤差は1つの観測（1回の測定・1件の推定）に対して定義できるため、個別の出来具合を一覧化する用途に向く。複数観測を持つ場合は、これを集計して平均や分位点として要約することで、全体傾向を評価できる。

2 絶対誤差の計算方法

2.1 基本手順

2.1.1 真の値（基準値）の設定

計算に必要なのは、比較の基準となる値である。真値が既知の実験設定（例：既知の標準物質の計測）では真の値を用い、未知の場合は基準として別の信頼できる参照値を置く。基準の置き方は結果の解釈に直結するため、何を基準として扱うかを明確化する。

2.1.2 観測値（推定値）の取得

次に、実際に得た観測値または推定値を用意する。測定なら機器の出力、推定ならモデルの予測値など、基準値と同一の定義・スケールで比較可能な形に整えることが前提になる。

2.1.3 差の絶対値の算出

基準値と観測値の差を取り、その絶対値を計算する。符号による向きは残さず、非負の数として得られる。計算自体は単純だが、後段の集計や比較ではスケールの整合性が重要になる。

2.2 例題による理解

2.2.1 直接測定の例

例えば、ある長さ \(x=10.0\) cm を測る状況を考える。観測値が \(\hat{x}=9.6\) cm であれば、差は \(x-\hat{x}=0.4\) cm、絶対誤差は \(0.4=0.4\) cmとなる。測定が短めに出ていても長めに出ていても、結果は“どれだけ外れたか”だけを表す。

2.2.2 推定値を用いる例

別の例として、回帰モデルがある量を予測する場合を考える。真の値（基準値）を \(x=3.2\)、予測値を \(\hat{x}=3.7\) とすると、差は \(-0.5\) となる。絶対値を取ることで絶対誤差は \(0.5\) に整理され、予測が過大側か過小側かに依存せず誤差の大きさとして扱える。

3 絶対誤差の統計指標としての派生

3.1 平均絶対誤差（MAE）

3.1.1 平均を取る意義

単発の絶対誤差は個別のずれを表すが、複数データに対しては集計が必要になる。平均絶対誤差（MAE）は、各データ点の絶対誤差を平均し、誤差の“典型的な大きさ”を示す指標として用いられる。外れた値を完全に無視するわけではないが、二乗に比べると過大評価の度合いが抑えられることが多い。

3.1.2 複数データへの拡張

データ数を \(n\) とし、各点の基準値と推定値を \(x_i\)、\(\hat{x}_i\) とすると、MAE は \[

\mathrm{MAE}=\frac{1}{n}\sum_{i=1}^{n}x_i-\hat{x}_i

\] のように表される。これにより、個々の誤差の集合を単一の尺度に落とし込み、比較や追跡に使える形に整える。

3.2 分布としての評価

3.2.1 絶対誤差のヒストグラム

絶対誤差の値そのものは幅広く変化し得るため、分布の形を見ると情報が増える。ヒストグラムでは、誤差の頻度がどの程度の範囲に集中しているか、長い尾が現れているかなどを確認できる。平均だけでは捉えにくい偏りや、局所的に悪い領域の存在も視覚化される。

3.2.2 分位点（中央値など）による要約

分位点は、分布の位置情報を示す。特に中央値（50パーセンタイル）は、大小の影響を比較的受けにくい要約として利用される場合がある。例えば「半数の予測がこの誤差以内に収まる」といった解釈が可能になり、MAEとは別の視点で性能を説明できる。

3.3 他の誤差指標との対比

3.3.1 二乗誤差・二乗平均誤差との違い

二乗誤差（または二乗平均誤差、いわゆるRMSE）は、ずれを二乗して扱うため、大きな誤差が相対的に強く効く傾向がある。絶対誤差は一次の大きさを使うため、同じ外れ具合でも影響の与え方が異なる。結果として、どちらの指標が適するかは、評価の目的や許容する失敗の性質に依存する。

3.3.2 相対誤差との関係

相対誤差は、絶対量のずれを基準値の大きさで割り、比の形で表す指標である。絶対誤差が“単位そのままのズレ”を示すのに対し、相対誤差は“相対的にどれだけの割合か”を表す。基準値が小さい場合には比が大きくなりやすく、絶対誤差と同じ結論にならないことがあるため、用途に応じて選択する必要がある。

4 絶対誤差の解釈と注意点

4.1 外れ値の影響

4.1.1 二乗系より緩やかな場合

絶対誤差は二乗の形を取らないため、極端に大きな誤差の増幅が相対的に弱くなることが多い。そのため、外れ値が混入しても指標が過度に引きずられにくい、という実務上の利点が語られることがある。ただしゼロではないため、外れ値が大量に存在する場合には結果へ影響が及ぶ。

4.1.2 それでも生じる偏り

外れ値が“少数でも非常に大きい”タイプの場合、平均などの集計量はやはり動き得る。さらに、外れ値が偶然ではなく特定の条件で系統的に出ているなら、平均絶対誤差の値は全体の改善度合いを誤って見せる可能性がある。したがって、分布の確認やデータ分割（区間ごとの評価）を併用するのが望ましい。

4.2 真の値が不明な場合

4.2.1 推定基準の置き方

基準値が真の意味で確定できないときは、代替となる参照を設定する必要がある。例えば、別測定の結果、上位精度の推定、理論計算に基づく推定などが考えられる。基準の不確かさが無視できない場合、絶対誤差は“モデル誤差”だけでなく“基準誤差”も含む混合量として解釈される。

4.2.2 検証データと学習データ

機械学習などで評価する場合、学習に使ったデータと、性能を見るための検証データ（またはテストデータ）を区別することが重要になる。学習データでの見かけの成績は過大評価になり得るため、絶対誤差を用いてもデータ分割を誤ると妥当な判断が難しくなる。適切な分割や交差検証を通じて、汎化性能として解釈できる形に整える。

4.3 比較の妥当性

4.3.1 単位・スケールの揃え方

絶対誤差は単位を持つため、異なる単位や異なる前処理でスケールが変わったデータ同士をそのまま比較すると意味が崩れる。例えば正規化の有無、対数変換の有無、測定条件による換算の違いなどにより値の大きさが変化する。比較の前に、同一の表現体系へ揃えることが必要である。

4.3.2 条件を揃えた比較の必要性

同じ指標でも、データの性質が異なると結論は変わる。対象範囲（小さい値が多いか大きい値が多いか）、観測条件、欠測や打ち切りの扱いなどが違えば、絶対誤差の値だけで公平な比較はできない。可能な限り同一条件での評価、あるいは条件別の比較により解釈の安定性を高める。