はじめに

気象庁の40年分データを分析し続けた。

すると、

「東京が一番暑い」
「温暖化は一直線に進む」
「暖冬なのに大雪が増えた」

という当たり前だと思っていた話が、ことごとく "半分だけ正しかった" 。

そして振り返ってみると、間違っていたのは気候の理解だけではない。私自身も、データ分析で典型的な罠に何度もハマっていた。

この記事では、3本の記事を振り返りながら、データ分析で繰り返し現れた6つの罠を紹介する。

分析を振り返ると、私は何度も同じような落とし穴にハマっていた。

平均だけ見て安心する
一本のトレンド線を信じる
集計単位の影響を忘れる
印象的な出来事を過大評価する
統計が言える範囲を超えて解釈する
面白い結果をそのまま信じる

どれも気候分析だけの話ではない。売上分析でも、アクセス解析でも、アンケート集計でも、同じ罠が繰り返し現れる。

3本シリーズのまとめ

この半年間、気象庁の公開データをPythonで分析し、3本の記事を書いた。

記事	直感	データが示したこと
第1作：東京の猛暑日は40年で13倍。それでも全国1位ではなかった。なぜ香川が1位？	東京が猛暑日増加1位のはず	香川が1位だった
第2作：東京の猛暑日13倍の裏で起きていたこと──気温と海面水温を重ねたら「停滞期」が見つかった	温暖化は一直線に進んでいる	1998〜2010年に停滞期があった
第3作：「暖冬なのに大雪」は半分本当だった──40年分の気象庁データで検証した	暖冬なのに大雪が増えた気がする	降雪量は減少、ただし変動が拡大

3本に共通しているのは、直感が完全に外れていたのではなく、「半分は正しかった」 という点だ。

この「半分の誤差」が、データ分析で繰り返し現れるパターンを教えてくれた。

なぜ直感は「半分だけ正しい」のか

直感は経験の蓄積から生まれる。だから完全に外れることは少ない。

問題は直感が経験の特定の部分しか反映しないことだ。

人間の直感が拾うもの:
  ・記憶に強く残った出来事（ニュース・体験）
  ・目につきやすいもの（大都市・極端な事象）
  ・最近のこと（遠い過去より近い数年）

人間の直感が見落とすもの:
  ・平均的な状態（普通の日はニュースにならない）
  ・長期の変化（10年単位の変化は体感しにくい）
  ・自分が観察していない地域・指標

気象データの分析でこれが如実に現れた。

罠1: 平均だけ見ていると見落とす ── 分散も確認する

第3作の教訓

北陸の降雪量を調べると、1981〜1990年の平均（278cm）より2015〜2024年の平均（185cm）は33%も少ない。

「雪は減った」という結論は正しい。

しかし年ごとの変動係数を計算すると：

時代	平均最深積雪	変動係数（CV）
1990年代	39cm	34%（安定・少雪）
2010年代	42cm	70%（不安定・ドカ雪）

平均は似ているのに、ばらつきが2倍になっていた。

この差こそが「暖冬なのにドカ雪ニュースが増えた気がする」の正体だった。

平均が安定していた1990年代:
  30, 35, 40, 42, 38, 45, 37 cm  ← 毎年似たり寄ったり。大ニュースなし

変動が大きい2010年代:
  20, 25, 120, 15, 18, 95, 22 cm ← 普段は少ない。でも突然ドカ雪。ニュース2回

📌 教訓：平均だけでなく分散（標準偏差・変動係数）を必ず確認する。

→ 詳しい分析過程は第3作「「暖冬なのに大雪」は半分本当だった」で紹介しています。

罠2: 一本の線で説明しない ── 構造変化がないか疑う

第2作の教訓

日本の年平均気温偏差を1981〜2024年で見ると、上昇トレンドは明らか。

しかし全期間を一本の直線で引くのは粗すぎた。

期間を分けてみると：

期間	変化速度
1981〜1997年	+0.51℃/10年 *
1998〜2010年	±0.00（停滞）
2011〜2024年	+1.12℃/10年 ***

1998〜2010年の13年間は停滞期だった。 全期間で線形回帰を引いても、この停滞は見えない。

from scipy import stats

# ❌ 全期間一本の線で引く（構造変化を見落とす）
slope_all, *_ = stats.linregress(years, temp)

# ✅ 期間を分けて比較する
for y0, y1 in [(1981,1997), (1998,2010), (2011,2024)]:
    mask = (years >= y0) & (years <= y1)
    sl, _, _, pv, _ = stats.linregress(years[mask], temp[mask])
    print(f"{y0}-{y1}: {sl*10:+.2f}℃/10年  p={pv:.3f}")

さらに「本当にブレークがあるのか」は Chow検定（特定の年を境に傾向が変化したかどうかをF検定で調べる手法）で確かめた。

日本近海SST → Chow(2010年) : **p = 0.0008 *（強く有意）

グラフで「見える」と、統計的に「言える」は別の話だ。

📌 教訓：長期データを分析するとき、期間全体で一本の線を引く前に、構造変化がないか疑う。Chow検定は手軽で強力。

→ 詳しい分析過程は第2作「気温と海面水温を重ねたら停滞期が見つかった」で紹介しています。

罠3: 集計単位を変えると違う顔が見える ── スケールを疑う

第1作の教訓

「猛暑日が増えた都道府県ランキング」を作ると、東京は全国20位だった。

東京に住んでいる人が「東京が一番暑いはず」と感じるのは自然だ。だが全国47県のデータを見ると、香川（+23.0日）が1位だった。

統計では「集計単位を変えると結果が変わる問題」（MAUP: Modifiable Areal Unit Problem）として知られている。

全国平均を見ると: 日本全体で猛暑日が増えた
東京だけ見ると: 東京は13倍になった（印象は強烈）
47県で見ると: 香川が1位、東京は20位

どの「スケール」で見るかで、見える景色が変わる

データを集計する前に「このスケールで集計して何が見えなくなるか」を考えること。

📌 教訓：全体平均・地域別・個別の3レベルで確認する習慣を持つ。集計すると消える情報がある。

→ 詳しい分析過程は第1作「東京の猛暑日は40年で13倍。それでも全国1位ではなかった」で紹介しています。

罠4: 人は派手な出来事を覚えている ── 印象を数えない

第3作の教訓

「最近の夏は異常に暑い気がする」という感覚は正しい。

しかし「2010年代から急に変わった気がする」という感覚については、もう少し精密に考える必要があった。

人間の記憶に強く残るのは平均的な日ではなく、例外的な出来事だ。

北陸の冬（1990年代）:
  30, 35, 40, 42, 38, 45 cm  ← 毎年似たり寄ったり。記憶に残らない。

北陸の冬（2010年代）:
  20, 25, 120, 15, 18, 95 cm ← 普段は少ない。でも120cmの年がニュースに。

2018年の福井147cm、2021年の関越道立ち往生。これらは強烈に記憶に残る。「そうでもない年」はほとんど記憶されない。

これは認知科学でいう可用性ヒューリスティック（頭に浮かびやすいもの＝頻繁に起きているもの、と脳が誤解する現象）によるものだ。

平均が下がったことで、極端な年のインパクトが相対的に大きくなった。

📌 教訓：「○○が増えた気がする」という直感を検証するとき、全年の平均・中央値を必ず計算する。人の記憶は極値に偏っている。

→ 詳しい分析過程は第3作「「暖冬なのに大雪」は半分本当だった」で紹介しています。

罠5: 「言えること」と「まだ言えないこと」を混ぜない

第2作の教訓

Chow検定で2010年のブレークを検定したとき、結果は：

指標	Chow(2010年)
日本年平均気温偏差	p = 0.044 *
日本近海SST（海面水温）	p = 0.0008 ***
猛暑日数	p = 0.209 n.s.

SSTは非常に有意だが、猛暑日数はChow検定で有意でなかった。

記事ではこれを正直に書いた。

✅ 言えること
「2010年前後に、気温偏差とSSTの上昇速度が統計的に変化した」

❌ まだ言えないこと
「猛暑日の増加ペースが2010年を境に変わった」
（傾向は見えるが、Chow検定で確定できない）

p=0.044は有意水準0.05をわずかに下回るものの、「強い証拠」とは言えない。本文では「2010年前後」という表現にとどめた。

📌 教訓：p値の大小で主張の強さを変える。「有意だった」だけで強い主張をしない。「言えること/まだ言えないこと」を明示する習慣が信頼性を高める。

→ 詳しい検証過程は第2作「気温と海面水温を重ねたら停滞期が見つかった」で紹介しています。

罠6: 面白い結果をそのまま信じない ── 自分で疑う

第1作の教訓

香川が猛暑日増加1位という結果が出たとき、最初に疑った。

2024年が外れ値では？ → 2024年を除いた2020〜2023年でも20.8日で1位
観測点変更では？ → 急変年（1994、2010、2024）は全国的猛暑年と一致。変更の痕跡なし
集計ミスでは？ → コードを再確認

3点を確認して初めて「香川1位は信頼できる」と判断した。

この「自分の面白い結果を自分で疑う」プロセスこそが、データ分析記事の信頼性を生む。

Qiita読者が反応するのは「香川が1位でした」という結論より「香川が1位だったので自分で疑った」という過程だ。

# 外れ値確認の例
# 2024年を除いた2020-2023年平均
d_ex2024 = df_agg[(df_agg["pref"]=="香川") & 
                   df_agg["year"].between(2020, 2023)]
print(d_ex2024["mosho_days"].mean())  # 出力: 20.75 → 依然として1位

📌 教訓：面白い結果が出たときこそ、外れ値・データ品質・集計ミスを疑う。「自分で疑って確認した」というプロセスの透明性が読者の信頼を得る。

→ 詳しい検証過程は第1作「東京の猛暑日は40年で13倍。それでも全国1位ではなかった」で紹介しています。

まとめ：直感とデータは敵ではない

6つの気づきをまとめると：

#	罠	対応する分析技術
1	平均だけ見ていると見落とす	分散・変動係数を必ず確認する
2	一本の線で説明してしまう	期間を分けて比較、Chow検定
3	集計単位の影響を忘れる	複数スケールで確認（MAUP(可変面積単位問題)意識）
4	印象的な出来事を過大評価する	全年の平均・カウントで検証
5	言えることと言えないことを混ぜる	p値の大小で主張の強さを調整
6	面白い結果をそのまま信じる	外れ値・データ品質・再現確認

直感は否定するものではない。長年の経験や肌感覚は「何かが変わっている」というシグナルとして機能する。

データ分析の役割はそのシグナルを精密にすることだ。

「なんとなくそう思ってた」→「データで確認すると半分正しかった」→「残り半分に意外な構造があった」

この流れが繰り返されるのが、データ分析の面白さだと思う。

気候変動は単純な「暑くなる・寒くなる」の話ではない。平均と極端現象、そして人間の記憶が重なることで、私たちはしばしば実際とは違う景色を見ている。

データはその「違い」を教えてくれる。

使用データ：気象庁日次観測・年次統計（47都道府県 1981〜2024年）
分析言語：Python（pandas, scipy, matplotlib）