統計学における信頼区間とは，あるパラメータを推定するための方法の一つで，点推定（1つの値）ではなくパラメータが取り得る範囲（区間）を与えるものです。観測データ（サンプル）に基づいて区間を構成し，その構成手順を繰り返したときに、真のパラメータがその区間に入る割合が所定の値（信頼度）になるように設定します。信頼度は通常パーセンテージで示され、例えば「95%信頼区間」といえば信頼度が95%であることを意味します。区間の上下の値は信頼限界と呼ばれます。一般に同じ推定法を用いると，信頼度が高いほど区間は広くなり，逆に信頼度が低いほど区間は狭くなります。
信頼区間の算出には推定手順や母集団に関する仮定が必要になることが多く，これは主にパラメトリックな手法です。よくある仮定の一つは母集団が正規分布に従うことですが，サンプルサイズが大きければ中心極限定理により正規近似が使える場合もあります。仮定が破られると，得られた信頼区間は厳密には正しくない可能性があるため，頑健な手法やブートストラップなどの非パラメトリック手法で補強することができます。
代表的な計算式（概要）
- 母分散が既知の場合（稀）：平均の信頼区間は x̄ ± z_{α/2} · σ / √n （ここで z_{α/2} は標準正規分布の上側確率 α/2 の分位点，σ は母標準偏差，n はサンプルサイズ）
- 母分散が未知の場合（通常）：平均の信頼区間は x̄ ± t_{α/2, ν} · s / √n （s は標本標準偏差，ν = n − 1 は自由度，t_{α/2, ν} は t 分布の分位点）
- 比率（割合 p）の場合：標準的なワルド区間は p̂ ± z_{α/2} · √(p̂(1−p̂)/n) だが，n が小さいか p̂ が 0 または 1 に近い場合は Wilson スコア区間や正規近似を補正した方法が推奨される
95%信頼区間の具体例
たとえばサンプルサイズ n = 25，標本平均 x̄ = 100，標本標準偏差 s = 15 のとき，母分散が未知なので t 分布を用います。自由度 ν = 24 に対する t_{0.975,24} ≈ 2.064。標準誤差は s / √n = 15 / 5 = 3。したがって 95% 信頼区間は
100 ± 2.064 × 3 = 100 ± 6.192 → （約 93.81，106.19）
この区間は「同じ方法で多数回サンプリングして信頼区間を作ると，そのうち約95%の区間が真の母平均を含む」と解釈します。
解釈とよくある誤解
- 正しい解釈（頻度主義）：95%信頼区間とは「同じ手順で無限に近い回数のサンプリングを繰り返して区間を作ると，約95%の区間が真の値を含む」という意味です。
- よくある誤解：単一の得られた区間について「この区間に真のパラメータが95%の確率で入っている」と言うのは誤りです。点推定とは異なり，区間は既に観測で確定しており，確率的記述は構成手順全体に対しての頻度的なものです（ただしベイズ統計の「信用区間（credible interval）」は事後確率的解釈を与えます）。
- 信頼区間はデータとモデルに依存します。モデルの仮定（分布形，独立性など）が破られると覆い方が変わる可能性があります。
幅に影響する要因
- サンプルサイズ n：大きいほど幅は狭くなる（√n に反比例）。
- データのばらつき（標準偏差 s）：大きいほど幅は広くなる。
- 信頼度（例：90% vs 95% vs 99%）：高い信頼度ほど対応する z や t の分位点が大きくなり，区間は広くなる。
仮定が満たされない場合の代替法
- ブートストラップ法：元のサンプルから再標本抽出を多数回行い，その分布のパーセンタイルから区間を作る。分布の形を仮定しないため柔軟性が高い。
- ロバスト推定：外れ値や非正規性に強い推定量（トリム平均やM推定量など）と対応する信頼区間を用いる。
- 比率の信頼区間：小サンプルや極端確率のときは Wilson 法や Agresti–Coull 法を使うことが推奨される。
報告の仕方（実務的な注意）
- 点推定とともに信頼区間を示す：例「平均 = 100（95% CI: 93.8–106.2）, n = 25」
- 使用した信頼水準（例：95%）と計算方法（t 分布，正規近似，ブートストラップなど）を明記する。
- 必要に応じて自由度や母分散が既知か否かも記載する。
- 多重比較を行う場合は有意水準の補正だけでなく，区間幅の解釈にも注意する。
まとめると，信頼区間は点推定だけでは伝わらない不確実性を定量的に示す有用な手段です。ただしその解釈は頻度主義的なものであり，計算に用いる仮定やサンプルの特性に注意して使用・報告する必要があります。必要ならばブートストラップやロバスト法を併用して頑健性を確認してください。
![{\displaystyle {\begin{aligned}\Phi (z)&=P(Z\leq z)=1-{\tfrac {\alpha }{2}}=0.975,\\[6pt]z&=\Phi ^{-1}(\Phi (z))=\Phi ^{-1}(0.975)=1.96,\end{aligned}}}](https://www.alegsaonline.com/image/0e80e68d525d87d1b722d1150abda18cecb8f684.svg)
![{\displaystyle {\begin{aligned}0.95&=1-\alpha =P(-z\leq Z\leq z)=P\left(-1.96\leq {\frac {{\bar {X}}-\mu }{\sigma /{\sqrt {n}}}}\leq 1.96\right)\\[6pt]&=P\left({\bar {X}}-1.96{\frac {\sigma }{\sqrt {n}}}\leq \mu \leq {\bar {X}}+1.96{\frac {\sigma }{\sqrt {n}}}\right)\\[6pt]&=P\left({\bar {X}}-1.96\times 0.5\leq \mu \leq {\bar {X}}+1.96\times 0.5\right)\\[6pt]&=P\left({\bar {X}}-0.98\leq \mu \leq {\bar {X}}+0.98\right).\end{aligned}}}](https://www.alegsaonline.com/image/2437ee6c7c0320fa30cec1de64773a6e7cc3a095.svg)
