標本（統計学／サンプル）とは？定義・種類・無作為抽出とバイアス解説

統計学の基礎「標本」を定義から種類、無作為抽出の手法とバイアス対策まで実例でやさしく解説。

統計学では，標本は母集団の一部である．標本は慎重に選ばれる。標本は，偏りのない公正な全体の母集団を代表しなければならない．サンプルが必要とされる理由は，母集団が非常に大きく，すべての個体を数えることが不可能であったり，現実的ではないかもしれないからである．

したがって、統計学の問題を解くことは、通常、サンプリングから始まります。サンプリングは、後の分析のために取るべきデータを選択することについてです。例として，湖の汚染が研究のために分析されるべきであると仮定する．水のサンプルがどこで採取されたかによって、研究は異なる結果をもたらす可能性があります。一般的なルールとして、サンプルはランダムである必要があります。これは、ある個体を選択するチャンスや確率が、他の個体を選択するチャンスと同じであることを意味します。

実際には、無作為標本は常に明確に定義された手順を用いて採取されます。手順とは、一連のルール、紙に書き留められた一連の手順であり、文字通りに守られています。そうであっても、サンプルにはいくつかのバイアスが残っているかもしれません。選挙投票の結果を予測するためにサンプルを設計する問題を考えてみましょう。既知の方法はすべて問題があり、選挙の結果はサンプルに基づく予測とは異なることが多い。電話を使って意見を集めたり、街で人に会って意見を集めたりすると、サンプルには必ずバイアスがかかります。そのため、このような場合、完全に中立なサンプルはありえません。このような場合、統計学者はどのようにしてバイアスの量を測るかを考えることになりますが、これを推定する方法があります。

同じような状況は、科学者が物理的な特性、例えば金属片の重さや光の速さを測定した時に起こります。繊細な機器を使って物体の重さを測ると、微妙に異なる結果が得られます。どんな測定システムも完璧ではありません。私たちは一連の推定値を得ますが、その一つ一つが測定値です。これらはサンプルであり、ある程度の誤差があります。統計学は、誤差を記述し、この種のデータを分析するために設計されています。

サンプルには種類があります。

標本（サンプル）の定義と役割

標本（サンプル）とは、研究対象となる母集団（全体）の性質を推測するために実際に観測・測定される部分集合です。母集団全体を調べられないときに、有限の時間と資源で代表的な情報を得るために用いられます。良い標本は母集団の特徴（平均・分散・割合など）を偏りなく反映し、推定量に対して信頼できる不確かさの評価（例えば信頼区間）を与えます。

主なサンプリング方法（種類）

• 単純無作為抽出（単純ランダムサンプリング）：母集団からあらゆる個体が同じ確率で選ばれるようにランダムに抽出する方法。実装には完全なサンプリングフレーム（一覧）が必要。長所は理論が単純で分散や標準誤差の計算が容易なこと。短所はフレーム作成が難しい場合がある。
• 系統抽出（システマティックサンプリング）：例えばリストの中から一定間隔ごとに選ぶ方法（毎10番目など）。実務上簡単で均等に分布していれば良いが、周期性と一致すると偏りが生じることがある。
• 層化抽出（ストラティファイドサンプリング）：母集団を重要な属性（年齢層・地域など）で層に分け、各層から無作為抽出する方法。各層の代表性を確保でき、少数群の推定精度を高められる。サンプルサイズの配分（比例配分・最適配分）を工夫する。
• 集落抽出（クラスタサンプリング）：母集団が地理的・組織的にまとまり（クラスタ）を持つ場合に、まずクラスタをランダムに選び、その中の全員または一部を調査する方法。コスト効率が良いが、クラスタ内で似た特徴があると分散が大きくなる（デザイン効果）。
• 多段抽出（マルチステージサンプリング）：上の方法を組み合わせ、段階的に抽出する。大規模国勢調査などで使われる。
• 便宜抽出（コンビニエンスサンプリング）：調査しやすい人を選ぶ方法（通りがかり、店頭など）。コストは低いが代表性は保証されない。
• 自発回答（ボランタリー）サンプリング：参加者が自ら回答する方式（ネットの意見募集など）。極端な意見に偏る傾向があり、推論には注意が必要。
• スノーボールサンプリング：対象が見つけにくい集団（特殊な技能や病気の患者など）で、既知の被験者から他の被験者を紹介してもらう方式。非確率抽出である点に留意。

バイアス（偏り）と誤差の違い

バイアス（偏り）は系統的なずれで、推定量が母集団の真の値から一方向に外れる傾向です。例えば、電話調査で電話を持たない層が除外されると選択バイアスが生じます。代表的なバイアスには次のようなものがあります：

• 選択バイアス（selection bias）：サンプリング方法が特定の個体を排除または過剰に含める場合。
• 非回答バイアス（nonresponse bias）：回答しない人の属性が回答者と異なる場合。
• 測定バイアス（measurement bias）：質問の仕方や測定器の問題で系統的に誤った値が得られる場合。
• 回答バイアス（response bias）：社会的望ましさなどで本音と異なる回答が出る場合。
• カバレッジバイアス（coverage bias）：サンプリングフレームが母集団を十分に覆っていない場合。

誤差（サンプリング誤差）はランダムなばらつきで、異なる無作為抽出をしたときに推定量が偶然変動することです。誤差はサンプルサイズを増やすと小さくなり、信頼区間や標準誤差として定量化できます。重要なのは、バイアスはサンプルサイズを増やしてもなくならない点です。

標本設計と推定の実務的要点

• サンプルサイズ：推定の精度を決める重要な要素。必要な精度（許容誤差・信頼水準）と母集団の分散をもとに計算する。比率推定と平均推定で式が異なる。
• デザイン効果（design effect）：クラスタ化や重み付けによって生じる実効的な分散増大を表す。設計効果を考慮して標本サイズを調整する。
• 重み付け（ウェイト）：サンプルの構成が母集団と異なるとき、年齢・性別などで重みをつけて推定を補正する。ただしウェイトは分散を大きくする可能性がある。
• 信頼区間と標準誤差：確率的なサンプリングでは標準誤差を計算して信頼区間を報告する。これにより推定の不確かさが明示できる。
• 前調査（パイロット）：調査票や手順を本番前に試し、問題点を修正することで測定誤差や非回答を減らす。

バイアスを減らすための実務的対策

• 可能なら確率サンプリング（ランダム抽出）を用いる。
• 最新かつ十分にカバーするサンプリングフレームを用いる。
• 多様な接触手段（電話・郵送・オンライン・対面）を組み合わせることでカバレッジを改善する。
• 追跡やインセンティブで非回答率を下げる。
• 層化や適切な重み付けで既知の偏りを補正する。
• 質問文の中立化や回答モードの工夫で回答バイアスを減らす。

実例の解説：湖の汚染と選挙予測

最初に挙げた例を詳しく考えてみましょう。湖の汚染を調べる場合、表層だけを採れば浮遊性物質の濃度は過小評価されるかもしれません。流入地点や底泥近傍、季節や時間帯をランダムに選ぶか、層化（深さや場所ごと）することで代表性を高められます。また、複数地点の混合サンプル（コンポジット）を用いる手法もあります。

選挙の世論調査では、電話調査が伝統的だが、固定電話のみだと若年層が除外される。携帯・オンラインを混ぜる、回答者の年齢や性別で重み付けする、投票に行きそうな人をどうモデル化するか（ターンアウト予測）が重要です。過去の失敗例の多くは、非回答やサンプリングフレームの古さ、投票行動のモデル化ミスが原因でした。統計学者はこれらの偏りを定量化・推定し、報告書で透明性を保つことが求められます。

理論的根拠：大数の法則と中心極限定理（簡潔に）

無作為抽出が成り立つ場合、大数の法則によりサンプル平均は母平均に近づく（サンプルサイズを増やすと誤差は小さくなる）。また、中心極限定理により、十分大きなサンプルではサンプル平均の分布はほぼ正規分布になり、これが信頼区間や検定の理論的根拠になります。ただし、これらは「無作為抽出」が前提です。バイアスがあると理論は当てはまりません。

まとめ（実務者へのアドバイス）

• 可能な限り確率サンプリングを用いて、サンプリング手順を明示する。
• バイアスと誤差は区別して扱い、両方を評価・報告する。
• サンプルサイズ、層化、重み付け、追跡調査などを組み合わせて精度と代表性のトレードオフを管理する。
• 調査の限界（サンプリングフレームの欠陥、非回答、測定誤差など）を明確に記述し、結果の解釈に注意する。

標本設計は統計的推論の出発点であり、適切な設計と透明な報告が正しい結論を導く鍵です。

質問と回答

Q:統計学でいうサンプルとは何ですか?

Q:なぜ標本が必要なのですか?

Q:サンプルはどのように表現されるのですか?

Q:サンプルはどのようなものであるべきですか?

Q: サンプルにバイアスが残ることはありますか?

Q:サンプルには種類があるのですか?

文字で検索