2026年10月8日にNISTの統計技法と探索的データ分析本文を再確認した。統計の出発点は母集団・標本・測定単位・代表性・独立性を明記することで、平均・中央値・分散・相関は異なる要約である。分布、欠測、外れ値、区間、単位を確認し、相関や記述統計を因果・予測・母集団の確定値へ読み替えない。
これだけは知っておきたい！データ分析のための統計学超入門
「平均の訪問者数は増えた」と報告されても、毎日少しずつ増えたのか、一日だけ急増したのかで、次の判断は変わります。統計は、データを短い数字にまとめる方法と、その数字からどこまで言えるかを考える方法です。
この入門では、難しい手法に進む前に、集計の対象、中心、散らばり、二つの変数の関係を確かめます。登場する訪問者数や件数は、説明のための架空データです。
30秒で要点
- 数字を計算する前に、対象・期間・一行の単位を決める。
- 平均、中央値、最頻値は、それぞれ違う意味の「代表」を示す。
- 同じ平均でも散らばりは違う。元の値や図も一緒に見る。
- 手元の記述、対象全体への推定、施策の因果効果を区別する。
誰の、どの期間のデータを知りたいのか
ある店の今月の購入者全員を知りたいなら、その全体が母集団です。そこから調べた一部が標本です。回答してくれた人だけのアンケートは、購入者全員をそのまま表しているとは限りません。
カナダ統計局の標本選択の説明でも、対象を単位や期間などで定義し、実際に観測できる範囲との差を明らかにします。件数が多くても、特定の曜日や回答しやすい人に偏れば、その選び方の問題は残ります。表が収まらない場合は、横にスクロールできます
| 先に決めること | 例 | 混ぜると起きる問題 |
|---|---|---|
| 対象 | 一つのサイトの訪問者 | サイトや地域が違う数字を一緒にする |
| 期間 | 同じ六日間 | 片方だけ休日やキャンペーン日を含める |
| 単位 | 一日ごとの訪問者数 | 訪問回数と人数を混同する |
| 計測方法 | 同じ集計設定 | 計測設定の変更を利用者の変化と読む |
| 欠けた記録 | 計測できなかった日を区別 | 欠測を訪問者ゼロとして計算する |
訪問者を日ごとに数えた場合、同じ人が別の日にも来れば、日別人数の合計には再び含まれます。日別合計を期間中の異なる人の人数と呼ばないようにします。
手元の値を要約するのが記述統計です。一部から、観測していない全体の性質を考えるのが推測統計です。まず六日を記述できたことと、来月も同じ状況になると予測できたことは分けます。
平均・中央値・最頻値は、何を代表するのか
同じ計測方法による五日間の訪問者数を、100、120、110、105、1000人と置きます。最後の日にはキャンペーンがあったという架空設定です。
表が収まらない場合は、横にスクロールできます
| 指標 | 求め方 | この例 |
|---|---|---|
| 平均 | 合計をデータの個数で割る | 1435÷5＝287人／日 |
| 中央値 | 小さい順に並べた中央。偶数個なら中央二つの平均 | 100、105、110、120、1000の中央は110人／日 |
| 最頻値 | 最も多く現れる値 | 全て一回ずつで、一つの値は選べない |
一方、中央値110だけを見て「普段は110人」と決めるのも早計です。普段という言葉が通常営業日を指すなら、その条件に合う日を定義して調べる必要があります。この例でキャンペーン日を除く四日の平均は108.75人／日ですが、除外する目的と条件は明示します。
大きい値は、誤入力かもしれませんし、本当に起きた負荷かもしれません。都合よく平均を整えるために削ると、必要な人員や設備を見誤ります。合計負担を考えるときには平均、偏った分布の中心を読むときには中央値も添える、という使い分けです。
同じ平均100でも、忙しさの形は違う
次は、同じサイト・同じ六日間・同じ計測定義を想定した二つの仮想シナリオです。実際の二つの施策を比較した結果ではありません。
表が収まらない場合は、横にスクロールできます
| 日 | 1 | 2 | 3 | 4 | 5 | 6 |
|---|---|---|---|---|---|---|
| A：小さく変動 | 95 | 105 | 95 | 105 | 95 | 105 |
| B：一部の日に集中 | 50 | 50 | 200 | 50 | 50 | 200 |
両方とも合計600、六日平均100人／日です。ただしAの中央値は100、Bの中央値は50人／日です。Bでは二日間に訪問が集中しています。日別の最大負荷を考えるなら、平均だけでは違いを捉えられません。
なお、50と200を同じ回数ずつ交互に並べれば、平均は125です。平均をそろえた比較にするには、値だけでなく、それぞれが何回現れるかも確かめる必要があります。
分散は差の二乗、標準偏差は元の単位
平均からの差をそのまま足すと、プラスとマイナスが打ち消し合います。そこで差を二乗して集計したものが分散、その平方根が標準偏差です。標準偏差は元データと同じ単位で散らばりを示します。
この六日を記述する全体として、差の二乗の合計を6で割ると、Aの分散は25、Bは5000です。平方根を取った標準偏差は、Aが5人、Bが約70.71人になります。人数としての値を二乗する分散の単位は人数の二乗で、標準偏差とは違います。
表が収まらない場合は、横にスクロールできます
| 集計の目的 | 分散を計算するときの確認 |
|---|---|
| この六日間自体を要約する | 差の二乗和を個数nで割った記述を用いる |
| 標本から母集団の分散を推定する | 独立で同じ分布からの標本などの前提のもと、n - 1で割る標本分散を用いる |
ここで比べているのは日別値の散らばりです。平均の推定の不確かさを示す標準誤差とは別です。また、六日間が似た条件で独立して観測できたとは限らないので、件数だけから将来の推定精度を保証しません。
標準偏差も極端値に影響されます。大きな値が混じるなら、最小・最大や、中央半分の値が占める幅である四分位範囲、元の分布も確認します。「標準偏差を出したから十分」とは考えない方が、数字の偏りを見つけやすくなります。
割合を比べるときも、分母を先に見る
問い合わせが前日は10件、当日は12件だったとしても、訪問者がそれぞれ100人と200人なら、問い合わせ数は増え、単純に割った率は10%から6%に下がります。分子と分母が違う問いに答えているためです。
この率を「問い合わせた人の割合」と呼ぶなら、問い合わせ件数ではなく、重複を除いた人数を数えるなど、分子・分母の単位をそろえる必要があります。同じ人の複数送信を含む件数率は、人数の確率とは限りません。
相関は一緒に動く関係、因果は変化を生む関係
広告費が多い月ほど売上も高い場合、正の関連が見えます。しかし繁忙期だから両方を増やした可能性や、売上見込みに応じて広告予算を変えた可能性もあります。観測した関係を、広告の因果効果とすぐ呼ぶことはできません。
Pearsonの相関係数は、二つの量の直線的な関係の向きと強さを、−1から1の間で表します。負の値は片方が増えるともう片方が減る方向です。ゼロに近くても、曲線的な関係まで否定するものではありません。
NISTの散布図の解説が示すように、まず点の並び、曲線、極端値を見ます。同じ月同士の広告費と売上を対応させるなど、二つの値の組が何を表すかも重要です。施策の効果を知りたいなら、施策がなかった場合との比較が必要です。無作為に割り付ける実験や、観測データから因果を考える方法には、それぞれ設計上の条件があります。集計や相関の段階では、候補となる説明と、まだ区別できない別の説明を残します。
最小の検証は、一つの表から別の説明を探す
手元の記録のうち一つの期間を選び、次の順で確かめます。
- 知りたい対象、一行の単位、期間、除外条件を一文にする。
- 元の件数と欠測数を確認し、合計・平均・中央値を再計算する。
- 日別の図や分布を描き、極端な値が計測ミスか実際の出来事かを調べる。
- 「この記録では言えること」と「別期間や別の人にはまだ言えないこと」を分ける。
- 結論が変わりそうな条件を一つ選び、次の収集・比較を決める。
この確認は、必要なサンプル数の計算や正式な効果検証の代わりではありません。まず、手元の数字に付けていた意味を点検する作業です。
平均の使い分けは平均の罠、推定や比較への進み方は統計の判断ハブで掘り下げています。計算の前提が説明できると、分析ツールが出した数字も確かめやすくなります。