統計検定2級 対策テキスト 第3回|2変数データ(相関係数・偏相関・クロス集計表・単回帰・時系列データ)

こんにちは。ゆうせいです。

統計検定2級 対策テキスト(全10回)の第3回です。今回は、出題範囲表の「2変数以上のデータ」を学びます。2つの変数の関係を、図と数値で調べる方法です。相関係数と回帰直線は計算問題の定番で、第10回の線形モデルの土台にもなります。

この回で学ぶこと

  • 散布図、共分散、相関係数
  • 見かけの相関と偏相関係数
  • 質的変数どうしの関係を見るクロス集計表
  • 単回帰(最小二乗法、決定係数、残差)
  • 時系列データ(成長率、指数、移動平均、自己相関)

1. 散布図と相関係数

2つの量的変数の関係を調べるときは、最初に散布図を描きます。横軸に x、縦軸に y をとり、データを点で表した図です。

  • 正の相関:x が大きいほど、y も大きい傾向がある
  • 負の相関:x が大きいほど、y は小さい傾向がある
  • 相関なし:直線的な傾向が見られない

関係の向きと強さを数値にしたものが、共分散と相関係数です。

s_{xy} = \frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})

r = \frac{s_{xy}}{s_x s_y}

1つ目の式は共分散です。x の偏差と y の偏差を掛けて合計し、n - 1 で割ります。2つ目の式は相関係数で、共分散を x の標準偏差と y の標準偏差で割った値です。

共分散は、単位を変えると値が変わります。相関係数は、標準偏差で割ることで単位の影響をなくしており、必ず -1 から 1 の間の値になります。1 に近いほど強い正の相関、-1 に近いほど強い負の相関を表します。

5組のデータ (1, 2)、(2, 3)、(3, 5)、(4, 4)、(5, 6) で計算します。x の平均は 3、y の平均は 4 です。

  • x の偏差:-2、-1、0、1、2。2乗の合計は 10
  • y の偏差:-2、-1、1、0、2。2乗の合計は 10
  • 偏差の積:4、1、0、0、4。合計は 9
  • 相関係数:9 ÷ (10 の平方根 × 10 の平方根) = 9 ÷ 10 = 0.9

n - 1 で割る部分は、分子と分母で打ち消し合うので、「偏差の積の合計」と「偏差の2乗の合計」だけで計算できます。

相関係数と散布図の形。強い正の相関、負の相関、相関なし、曲線の関係の4つの散布図と相関係数の値

相関係数の注意点

  • 相関係数は、直線的な関係の強さだけを表す。曲線の関係があっても、0 に近くなることがある
  • 外れ値が1つあるだけで、値が大きく変わる
  • x と y をそれぞれ a 倍して b を足す変換(a は正の数)をしても、相関係数は変わらない
  • 相関があっても、因果関係があるとは限らない

ここで確認

問い:身長の単位をセンチメートルからメートルに、体重の単位をキログラムからグラムに変えました。身長と体重の共分散と相関係数は、それぞれどうなるでしょうか。

答え:身長は 0.01倍、体重は 1000倍になるので、共分散は 0.01 × 1000 = 10倍になります。相関係数は変わりません。

2. 見かけの相関と偏相関係数

小学生の「足の大きさ」と「漢字のテストの点数」には、正の相関があります。足が大きいと漢字が得意になるわけではありません。どちらも「学年」という第3の変数と関係しているために、相関があるように見えるのです。このような相関を、見かけの相関(擬相関)と呼びます。

第3の変数 z の影響を取り除いた x と y の相関を、偏相関係数と呼びます。

r_{xy \cdot z} = \frac{r_{xy} - r_{xz} r_{yz}}{\sqrt{(1 - r_{xz}^2)(1 - r_{yz}^2)}}

左辺は、z の影響を除いた x と y の偏相関係数です。右辺の r は、それぞれの組の相関係数です。

x と y の相関係数が 0.6、x と z が 0.8、y と z が 0.7 だとします。分子は 0.6 - 0.8 × 0.7 = 0.04 です。分母は (1 - 0.64) × (1 - 0.49) = 0.1836 の平方根で、約 0.428 です。偏相関係数は 0.04 ÷ 0.428 = 約 0.09 になります。z の影響を除くと、x と y にはほとんど相関がないと分かります。

データを第3の変数の値で分けて散布図を描く方法(層別した散布図)でも、見かけの相関を確かめられます。3つ以上の変数の相関係数をまとめた表は、相関行列と呼びます。

コラム 相関と因果を取り違えないために

「アイスクリームの売上が多い月は、水難事故も多い」というデータがあったとします。アイスクリームの販売をやめても、水難事故は減りません。どちらも「気温」の影響を受けているだけです。

相関が見つかったときは、次の4つの可能性を順に考えます。

  • 偶然:データが少ないときは、関係がなくても相関が出ることがある
  • 第3の変数:気温のように、両方に影響する別の要因がある
  • 逆の因果:x が y の原因ではなく、y が x の原因になっている
  • 本当の因果:x が y の原因になっている

因果関係を確かめるための最も確実な方法は、第4回で学ぶ実験です。対象を無作為に2つのグループに分け、片方だけに処理を行って結果を比べます。

問い:「朝食を毎日食べる子どもは、成績が良い」という相関があったとき、「朝食を食べれば成績が上がる」と言い切れない理由を1つ挙げてください。

答え:家庭の生活習慣や学習環境など、朝食と成績の両方に影響する第3の変数が考えられるためです。生活が規則正しい家庭では、朝食を食べる割合も、学習時間も多い可能性があります。

ここで確認

問い:x と y の相関係数が 0.5、x と z の相関係数が 0、y と z の相関係数が 0.6 のとき、z の影響を除いた x と y の偏相関係数を求めてください。

答え:分子は 0.5 - 0 × 0.6 = 0.5 です。分母は (1 - 0) × (1 - 0.36) = 0.64 の平方根で 0.8 です。偏相関係数は 0.5 ÷ 0.8 = 0.625 です。

3. クロス集計表

質的変数どうしの関係は、クロス集計表(2元クロス表)で調べます。性別と商品の購入の有無を集計した例です。

  • 男性:購入 30人、非購入 70人(計 100人)
  • 女性:購入 50人、非購入 50人(計 100人)

クロス集計表を読むときは、割合に直します。

  • 行比率:行の合計を 100% とした割合。男性の購入率は 30%、女性の購入率は 50%
  • 列比率:列の合計を 100% とした割合。購入者 80人のうち、男性は 37.5%、女性は 62.5%

「性別によって購入率が違うか」を知りたいときは行比率を、「購入者の男女の構成」を知りたいときは列比率を見ます。問いに合った割合を選ぶことが大切です。2つの変数に関係があるかどうかを確かめる独立性の検定は、第9回で学びます。

ここで確認

問い:上の例で、非購入者に占める男性の割合はいくつでしょうか。

答え:非購入者は 70 + 50 = 120人です。男性は 70人なので、70 ÷ 120 = 約 58.3% です。

4. 単回帰と予測

相関係数は関係の強さを表しますが、「x が 1 増えると y はいくつ増えるか」は教えてくれません。その問いに答えるのが回帰分析です。説明に使う変数 x(説明変数)が1つの場合を、単回帰と呼びます。

データに最もよく合う直線 y = a + bx を、回帰直線と呼びます。直線と各点の縦方向のずれ(残差)の2乗の合計が最小になるように、a と b を決めます。最小二乗法です。

b = \frac{s_{xy}}{s_x^2}

a = \bar{y} - b \bar{x}

b は傾き(回帰係数)で、共分散を x の分散で割って求めます。a は切片です。2つ目の式から、回帰直線は必ず点(x の平均、y の平均)を通ると分かります。

先ほどの5組のデータで計算します。偏差の積の合計は 9、x の偏差の2乗の合計は 10 でした。

  • 傾き:b = 9 ÷ 10 = 0.9
  • 切片:a = 4 - 0.9 × 3 = 1.3
  • 回帰直線:y = 1.3 + 0.9x
  • x が 6 のときの予測値:1.3 + 0.9 × 6 = 6.7

決定係数と残差

回帰直線の当てはまりの良さは、決定係数で測ります。y の変動(偏差の2乗の合計)は、回帰直線で説明できる部分と、説明できない部分(残差の2乗の合計)に分けられます。

R^2 = 1 - \frac{\sum (y_i - \hat{y}_i)^2}{\sum (y_i - \bar{y})^2}

y に山形の記号が付いたものは、回帰直線による予測値です。決定係数は 0 から 1 の値で、1 に近いほど当てはまりが良いことを表します。単回帰では、決定係数は相関係数の2乗と等しくなります。

上の例で確かめます。予測値は順に 2.2、3.1、4.0、4.9、5.8 で、残差は -0.2、-0.1、1.0、-0.9、0.2 です。残差の2乗の合計は 0.04 + 0.01 + 1.00 + 0.81 + 0.04 = 1.9 です。y の偏差の2乗の合計は 10 なので、決定係数は 1 - 1.9 ÷ 10 = 0.81 です。相関係数 0.9 の2乗と一致しています。

残差には、次の性質があります。

  • 残差の合計は 0 になる
  • 横軸に x、縦軸に残差をとった残差プロットに、曲線や扇形の模様が見える場合は、直線の当てはめが適切でない

直線に合わないデータは、対数をとるなどの変数変換をしてから回帰分析を行うことがあります。

ここで確認

問い:x の平均が 10、y の平均が 50、x の分散が 4、x と y の共分散が 6 のとき、回帰直線の式を求めてください。

答え:傾きは 6 ÷ 4 = 1.5 です。切片は 50 - 1.5 × 10 = 35 です。回帰直線は y = 35 + 1.5x です。

5. 時系列データ

時間の順に並んだデータを、時系列データと呼びます。

  • 成長率(変化率):(今期の値 - 前期の値)÷ 前期の値。売上が 100、110、121 と変わると、成長率はどちらも 10%
  • 指数化:基準の時点の値を 100 として表す。基準の年が 200、今年が 230 なら、指数は 230 ÷ 200 × 100 = 115
  • 移動平均:前後のいくつかの値の平均をとって、細かい変動をならす。トレンド(長期的な傾向)を見やすくする

データ 10、13、16、12、18 の3項移動平均を求めます。2番目の位置は (10 + 13 + 16) ÷ 3 = 13、3番目は (13 + 16 + 12) ÷ 3 = 約 13.7、4番目は (16 + 12 + 18) ÷ 3 = 約 15.3 です。両端の値は計算できないので、データの数が2つ減ります。

時系列データの変動は、トレンド、季節変動、不規則な変動に分けて考えます。月ごとのデータで12か月の移動平均をとると、季節変動が消えてトレンドが見えます。

もとのデータと、時間を k 期ずらしたデータとの相関係数を、自己相関係数(系列相関)と呼びます。ずらす幅 k を横軸に、自己相関係数を縦軸にとったグラフがコレログラムです。月ごとのデータで、12期ずらしたときの自己相関が高ければ、1年周期の季節変動があると読み取れます。

ここで確認

問い:ある商品の価格が、2年間で 100円から 144円になりました。1年あたりの平均の上昇率を求めてください。

答え:2年間の倍率は 1.44 です。第2回で学んだ幾何平均を使い、1.44 の平方根 1.2 が1年あたりの倍率です。平均の上昇率は 20% です。(44 ÷ 2) = 22% ではない点に注意してください。

確認問題

問1

相関係数について、正しい説明を1つ選んでください。

  1. 相関係数が 0 であれば、2つの変数の間には何の関係もないと言える
  2. 相関係数が 0.9 であれば、一方が他方の原因であると結論づけられる
  3. 2つの変数の単位を変えると、相関係数の値もそれに応じて変化する
  4. 単回帰では、決定係数は相関係数を2乗した値に等しくなる

問1の解答と解説

正解は 4 です。

  • 1 は誤りです。相関係数は直線的な関係だけを測ります。曲線の関係があっても 0 に近くなることがあります
  • 2 は誤りです。相関が強くても、因果関係があるとは限りません。第3の変数の影響かもしれません
  • 3 は誤りです。相関係数は標準偏差で割っているので、単位を変えても値は変わりません。変わるのは共分散です
  • 4 が正解です。相関係数が 0.9 なら、決定係数は 0.81 です

問2

x の偏差の2乗の合計が 20、y の偏差の2乗の合計が 45、偏差の積の合計が 24 のとき、相関係数と回帰直線の傾きの組み合わせとして正しいものを1つ選んでください。

  1. 相関係数 0.53、傾き 1.2
  2. 相関係数 0.80、傾き 1.2
  3. 相関係数 0.80、傾き 0.53
  4. 相関係数 0.53、傾き 0.80

問2の解答と解説

正解は 2 です。

  • 相関係数は 24 ÷ (20 × 45 の平方根) = 24 ÷ 30 = 0.80 です
  • 傾きは、偏差の積の合計 ÷ x の偏差の2乗の合計 = 24 ÷ 20 = 1.2 です
  • 1 と 4 の 0.53 は、24 ÷ 45 の値です。y の偏差の2乗の合計で割るのは誤りです
  • 3 は、相関係数は正しいものの、傾きを y の側の値で割っています

講師向けの補足

  • 相関係数の計算は、偏差の表(x の偏差、y の偏差、積、2乗)を作らせると、共分散と分散の関係が見えてきます
  • 「相関と因果の違い」は、受講者に身近な見かけの相関の例を考えてもらうと盛り上がります。ニュース記事の見出しを題材にするのも効果的です
  • 回帰直線の傾きと相関係数を混同する受講者が多くいます。「傾きは単位を持つが、相関係数は単位を持たない」と対比させてください
  • 移動平均は、表計算ソフトで実際に計算してグラフを重ねると、「ならす」という意味が伝わります

まとめ

  • 相関係数は、共分散を2つの標準偏差で割った値で、-1 から 1 の値をとる
  • 相関があっても因果があるとは限らない。第3の変数の影響を除いた相関が偏相関係数
  • クロス集計表は、問いに合わせて行比率か列比率を選んで読む
  • 回帰直線の傾きは「共分散 ÷ x の分散」。直線は平均の点を通る
  • 単回帰の決定係数は、相関係数の2乗
  • 時系列データは、成長率、指数、移動平均、自己相関で特徴をつかむ

次回は、推測のためのデータ収集法を学びます。標本の選び方と、実験の計画の立て方です。

統計検定は、一般財団法人統計質保証推進協会の登録商標です。この記事の例題と問題は、公表されている出題範囲表をもとに独自に作成したもので、過去の試験問題ではありません。

投稿者プロフィール

山崎講師
山崎講師代表取締役
セイ・コンサルティング・グループ株式会社代表取締役。
岐阜県出身。
海外放浪の末、2000年創業、2004年会社設立。
IT企業向け人材育成研修歴業界歴20年以上。
すべての無駄を省いた費用対効果の高い「筋肉質」な研修を提供します!
この記事に間違い等ありましたらぜひお知らせください。

学生時代は趣味と実益を兼ねてリゾートバイトにいそしむ。長野県白馬村に始まり、志賀高原でのスキーインストラクター、沖縄石垣島、北海道トマム。高じてオーストラリアのゴールドコーストでツアーガイドなど。現在は野菜作りにはまっている。