Day 1の記事：推測統計って何？〜母集団と標本の話〜
はじめに
初めまして。大学1年のAmanoと申します。普段はエンジニアのインターンをしながら、大学で情報科学を学んでいます。(尚数学は苦手である)
今回、大学授業の復習を兼ねて、クリスマスまでの25日間、推測統計の基礎をアドベントカレンダー形式でまとめていくことにしました。「統計学って難しそう」「授業で習ったけどよくわからなかった」という方に向けて、大学1年生の視点から、できるだけわかりやすく解説していきます。
エンジニアとしても、データ分析のスキルは今後必須になると思っているので、自分自身の学びを深める意味も込めています。それでは、25日間よろしくお願いします！
記述統計学と推測統計学
統計学は大きく2つの分野に分かれます。
記述統計学（Descriptive Statistics）
収集したデータを整理・要約し、その特徴を記述する手法です。平均値、中央値、標準偏差などの要約統計量や、ヒストグラムなどの可視化によって、データの全体像を把握します。
例：「このクラスの数学テストの平均点は75点、標準偏差は12点である」
推測統計学（Inferential Statistics）
限られたデータ（標本）から、より大きな集団（母集団）の特性を推測する手法です。標本から得られた情報をもとに、母集団についての結論を導きます。
例：「100人のアンケート結果から、母集団全体の傾向を推定する」
母集団と標本
推測統計学において最も基本的な概念が「母集団」と「標本」です。
母集団（Population）
調査が想定している、明らかにしたい集団全体を指します。
- 例：日本国民全体、早稲田大学の全学生、ある工場で製造される全製品
標本（Sample）
母集団から実際に抽出・観測されたデータの集合です。
- 例：アンケートに回答した1000人、品質検査のために抽出した100個の製品
統計量
平均や分散など、データから計算して得られる値です。母集団の統計量は「母平均」「母分散」「母標準偏差」と呼び、標本集団の統計量は「標本平均」「標本分散」「標本標準偏差」と呼びます。
全数調査と標本調査
データ収集の方法は大きく2つに分かれます。
全数調査（悉皆調査）
調査対象が母集団と一致している調査です。
例：
- 国勢調査：総務省統計局が日本に住むすべての人と世帯を対象に5年ごとに実施
- 人口動態調査：厚生労働省が全国民を対象に、出生票・死亡票等をもとに集計
メリット：
- 母集団全体の正確なデータが得られる
- 推測の誤差がない
デメリット：
- 時間とコストがかかる
- 実施が困難な場合が多い
標本調査（サンプル調査）
母集団から無作為に選定した対象者に対する調査です。
例：
- 社会生活基本調査：総務省統計局が約8万8千世帯の10歳以上の世帯員約20万人を対象に5年ごとに実施
メリット：
- 時間とコストを削減できる
- 迅速に実施可能
デメリット：
- サンプリング誤差が生じる
- 適切な抽出法を使わないと偏りが生じる
実務や研究においては、全数調査が困難な場合が多く、標本調査が広く用いられます。その際、標本から母集団を推測する手法が推測統計学です。
ランダムサンプリング（無作為抽出）の重要性
なぜ無作為抽出が必要か
例えば、大学生のゲームプレイ時間を調査するとき、自分のゲーム仲間10人だけを対象にすると、母集団（日本の大学生全体）より平均が高くなりますよね？これは「標本バイアス（サンプリングバイアス）」と呼ばれる問題です。
無作為抽出を行うことで、母集団の特性を偏りなく反映した標本を得ることができます。
ランダムサンプリングの方法
主な無作為抽出の方法は以下です。
1. 単純無作為抽出
母集団から乱数表やExcelのRAND関数を用いて必要数だけサンプルを抽出する最もシンプルな方法です。
2. 系統抽出
母集団に通し番号をつけ、等間隔で標本を抽出します。例えば、先頭から2人目を開始点として、3人飛ばしにサンプリングします。
3. 層化抽出（重要）
母集団をあらかじめいくつかの層（グループ）に分け、各層から必要な数を無作為に抽出する方法です。
例：A大学内で一般入試入学生100人、推薦入試入学生50人の場合、15名のサンプルを抽出するとき、一般入試から10人、推薦入試から5人を抽出します。
メリット：各層の特徴を反映できる
デメリット：層の設定が適切でないと偏りが生じる
4. クラスター抽出
母集団を小集団（クラスター）に分け、いくつかのクラスターを無作為抽出し、そのクラスター内で全数調査を行います。
例：全国の各大学をクラスターとして大学単位で無作為抽出し、抽出した大学内で全数調査を実施します。
注意：クラスターごとに偏りが生じる可能性があります。
ランダムサンプリングではない方法
以下はよく使われますが、厳密なランダムサンプリングではありません。
- 典型法：条件に合致する対象を探して調査依頼
- 機縁法（スノーボール型）：最初の対象者に友人・知人を紹介してもらう
- 街角調査：道行く人にマイクを向けて調査（母集団が不明瞭、協力率も不明）
これらの方法では標本に偏りが生じる可能性が高いため、結果の解釈には注意が必要です！
具体例
前期の授業では、標本の偏りについて具体的な事例を通して学びました。
授業評価アンケートの事例
ある塾の授業Xでは、当初100人が履修していましたが、60人が学期の途中で脱落しました。最後の授業で記名式のアンケートを実施したところ、9割近くが「満足している」と回答しました。
この結果の問題点：
-
生存者バイアス（Survivorship Bias）
- 脱落した60%の学生の意見が全く反映されていない
- 最後まで残った40人は授業に適応できた学生のみ
-
標本の偏り
- 母集団は当初の履修者100人全員であるべき
- しかし実際の標本は最後まで残った60人のみ
- 不満を持って脱落した人の声が除外されている
-
記名式による回答バイアス
- 教員に名前が知られるため、正直な回答を避ける傾向(これを社会的望ましさバイアス といいます)
-
調査タイミングの問題
- 成績確定前に実施されたため、教員の印象を悪くしたくない心理が働く
このように、標本の取り方によって結果が大きく変わってしまう事があります。
データを読み取る3つの観点
データを正しく理解するためには、以下の3点を必ず確認する事を心がけましょう。
- 調査主体：誰が調査を行っているのか
- 調査対象：誰を対象に調査を行っているのか
- 調査方法：どのように調査が行われているのか
例えば、企業が自社製品の満足度調査を実施した場合と、第三者機関が実施した場合では、結果の信頼性が異なる可能性があります。調査主体や方法を確認することで、データの質を評価できます。
データリテラシーの重要性
現代社会では、様々な統計データがニュースやSNSで日常的に流れてきます。
「支持率○○%」「効果が実証された」「△△%の人が満足」
しかし、これらの数字を鵜呑みにすることは危険と言えます。
- どのような母集団から、どのように標本が抽出されたのか
- 標本数は十分か
- 標本に偏りはないか（生存者バイアスなど）
- 質問の仕方に誘導がないか
- 調査主体に利害関係はないか
こうした点を批判的に評価する力が、データリテラシーなのです。
推測統計学を学ぶことで、データの背後にある前提や限界を理解し、適切に情報を読み解く力が身につくのです。
まとめ
- 推測統計学は、標本から母集団の特性を推測する学問である
- 母集団は調査対象の全体、標本はその一部である
- 全数調査と標本調査にはそれぞれメリット・デメリットがある
- 無作為抽出（ランダムサンプリング）が偏りを防ぐために重要である
- 単純無作為抽出、系統抽出、層化抽出、クラスター抽出などの方法がある
- 標本の偏り（サンプリングバイアス）には様々な種類がある
- データを読み取るには、調査主体・調査対象・調査方法の3つを確認する
- データを正しく読み解くリテラシーが現代社会で求められている
次回（Day 2）は、推測統計の基本である「区間推定」の考え方について解説します！25日まで頑張ります🙇