その数字はどこから来たのか: 表の読み方と標本の不確実性を一つの地図で理解する

「東京都の平均所得は高い」「若者の満足度が下がった」「この商品の利用者の七割が支持している」。こうした数字を見たとき、私たちはすぐに意味を読み取ろうとします。しかし、本当に最初に問うべきなのは、その数字が何を意味するかではありません。

その数字は、データの地図上でどこに置かれているのか。

いつの数字なのか。誰の数字なのか。何を測った数字なのか。そして、全員を調べた結果なのか、それとも一部を調べて全体を推定した数字なのか。この四つを確認しないまま数字を解釈すると、精密な計算から、間違った結論を作り出してしまいます。

統計表の構造を読む技術と、標本調査の不確実性を理解する技術は、別々の知識に見えます。前者は数字の位置を確かめる方法であり、後者は数字の揺れを見積もる方法です。しかし実際には、どちらも同じ問題に答えています。

限られた観測から、私たちはどこまで現実を語ってよいのか。

数字は「値」ではなく「住所」を持っている

統計表の一つのセルには、数字だけが入っています。たとえば、ある自治体の総人口が「1,973,395」と記載されているとします。この数字だけを切り出しても、ほとんど何も分かりません。どの年の人口か。どの地域か。総人口なのか、男性人口なのか。表のどの行とどの列が交差した値なのかを確認して初めて、その数字は意味を持ちます。

つまり、統計表のセルは、数字の容器ではありません。条件の交差点です。表側には地域や年齢層などの分類が並び、表頭には指標や性別などの分類が並びます。セルの値は、これらの条件が交差した場所に置かれています。

この見方を、数字の「住所」と呼んでみましょう。住所には少なくとも次の情報があります。

• いつの観測か
• 誰、または何を対象にしたか
• 何を測定したか
• どの単位で表現されているか

「札幌市の人口」という表現にも、実は複数の住所があります。国勢調査の人口なのか、住民基本台帳の人口なのか。調査時点はいつなのか。居住者を数えたのか、登録者を数えたのか。外国人を含むのか。数字が似ていても、住所が違えば比較できない場合があります。

ここで重要なのは、表を正しく読むことは、単に行と列を追うことではないという点です。表題、表頭、表側、注記、脚注を読み、数字が成立する条件を復元することです。数字を使う前に、その数字の身分証明書を確認するような作業です。

時間の切り取り方が、見える現実を変える

データの住所を考えるとき、時間の扱いは特に重要です。同じ対象でも、時系列データとして見るか、ある時点の横断面として見るか、同じ対象を追跡するパネルデータとして見るかで、見える現実が変わります。

時系列データは、パラパラ漫画に似ています。日本の人口を五年ごとに並べれば、増加や減少の流れを見られます。東京の一日の気温を時間順に並べれば、変化のリズムを捉えられます。しかし、時系列は変化を見せる一方で、その変化が誰によって生じたのかを隠すことがあります。

一方、クロスセクションデータは写真です。ある一時点で都道府県別の住宅状況を比較すれば、地域ごとの差を見られます。しかし、その差が以前から存在したのか、最近生まれたのか、今後も続くのかは分かりません。

パネルデータは動画です。同じ個人、企業、自治体などを時間に沿って追跡するため、集団間の違いと、同じ対象の変化を区別しやすくなります。たとえば、ある地域の平均所得が上昇したとして、それは住民一人ひとりの所得が増えたからでしょうか。それとも、高所得者が新たに流入したからでしょうか。地域を一時点で比較するだけでは、この二つを区別できません。同じ世帯や個人を追えば、見え方は変わります。

この三種類のデータは、単なる保存形式の違いではありません。どのような問いを立てられるかを決める観測装置です。

「地域によって違うのか」はクロスセクション向きです。 「時間とともに変わったのか」は時系列向きです。 「同じ人や企業がどう変わったのか」はパネル向きです。

問いとデータの型が合っていないと、数字は答えていない質問に答えたように見えてしまいます。写真から成長の物語を作ったり、動画の一場面だけで因果関係を断定したりする誤りです。

標本は現実の縮図だが、完全な複製ではない

もう一つの問題は、誰を調べたかです。日本の全人口に同じ質問をするのは、現実的ではありません。そのため、母集団から一部を取り出し、その結果から全体を推定します。これが標本調査です。

標本調査は、現実を小さくした模型に似ています。ただし、模型は現実そのものではありません。模型の大きさや形だけでなく、どの部分を残し、どの部分を省いたかによって、現実の再現度が変わります。

サイコロを例に考えると分かりやすいでしょう。理想的なサイコロを何度も振れば、出る目の平均は3.5に近づきます。しかし三回しか振らなければ、5、3、6が出て平均4.6になることもあります。十回振れば、平均は3.5になる場合もありますが、別の十回では異なる値になるでしょう。

ここで、4.6が「間違い」だと考えるのは適切ではありません。それは三回の観測から計算された標本平均としては正しい値です。ただし、サイコロ全体の性質である母平均3.5を正確に表しているとは限りません。

この区別は、世論調査や顧客調査にもそのまま当てはまります。ある調査で支持率が52パーセントだったとしても、母集団全体の真の支持率が正確に52パーセントだと決まったわけではありません。別の標本を選べば、49パーセントや55パーセントになる可能性があります。

同じ母集団から何度も標本を取り出し、それぞれの標本平均や標本比率を計算すると、値の集まりができます。この集まりが標本分布です。標本分布は、推定値がどれほど揺れるかを見せる地図です。

標本サイズが小さいほど、標本分布の幅は広くなります。少数の観測は、一人の極端な回答や一回の偶然に強く左右されるからです。標本サイズが大きくなると、個々の偶然が平均化され、分布の幅は狭くなります。

しかし、ここで見落とされやすい重要な点があります。

標本サイズを大きくすれば、偶然による揺れは小さくなる。だが、選び方が偏っていれば、安定して間違えることがある。

たとえば、全国の消費者の満足度を調べるために、ある高級会員制サービスの利用者を十万人集めたとします。標本サイズは非常に大きいので、結果はきわめて安定するでしょう。しかし、その結果が全国の消費者を代表するとは限りません。これは偶然による誤差ではなく、標本の選び方による偏りです。

無作為抽出は、母集団の各対象が選ばれる機会を持つようにする方法です。一方、調査者が代表的だと思う人だけを選ぶ有意抽出では、選ぶ人の判断が入り込みます。典型的な人を集めたつもりでも、実際には声の大きい人、参加しやすい人、関心の高い人に偏る可能性があります。

ここで、データの信頼性を二つに分けて考えると理解しやすくなります。

精度とは、同じ方法で繰り返したときに結果がどれほど揺れないかです。主に標本サイズと関係します。

妥当性とは、そもそも測定した結果が知りたい母集団を適切に表しているかです。主に標本の選び方、質問方法、定義と関係します。

大きな標本は精度を高めます。しかし、妥当性を自動的に保証しません。この二つを混同すると、「人数が多いから正しい」という危険な結論に近づいてしまいます。

表の構造と標本の構造を重ねて読む

ここで、統計表の読み方と標本分布の考え方を一つに接続できます。表は、観測された現実を行と列に整理したものです。標本調査は、現実に含まれる対象を一部に整理して取り出したものです。

つまり、データには二段階の圧縮があります。

第一に、現実を項目に変換する圧縮です。人口、所得、満足度、利用回数といった指標に、複雑な生活を置き換えます。

第二に、母集団を標本に変換する圧縮です。全員を調べず、一部の観測から全体を推定します。

表のセルは、この二つの圧縮の結果です。だからこそ、一つの数字を読むときには、「そのセルの住所」と「そのセルに至る抽出過程」を同時に確認する必要があります。

たとえば、ある県の若者の生活満足度が68点だったとします。まず表の住所を確認します。調査年はいつか。若者の定義は何歳から何歳までか。平均値か中央値か。満足度は何段階で測ったのか。

次に抽出過程を確認します。回答者は何人か。無作為に選ばれたのか。回答しなかった人はどの程度いるのか。オンライン回答だけなのか。調査対象に含まれなかった人はいないか。

さらに、時間の型を確認します。これは一時点の写真でしょうか。過去数年の時系列でしょうか。同じ若者を追ったパネルでしょうか。もし一時点の県別比較なら、「その県の若者は時間とともに満足度が下がった」とは言えません。県別の差と、個人の変化は別の現象だからです。

この読み方を、四つの住所と二つの誤差という簡単な枠組みにできます。

四つの住所は、時点、対象、指標、単位です。

二つの誤差は、標本の偶然による揺れと、選び方や定義による偏りです。

数字を見たら、まず四つの住所を埋め、その後に二つの誤差を問います。この順序が大切です。住所が分からないまま誤差を計算しても、何の数字を精密にしているのか分からないからです。

数字を使う前にできる実践的な読み方

ニュース記事、社内資料、行政統計、マーケティングレポートを読むとき、次の手順を使えます。

1. 表題と注記を先に読む

数字そのものより先に、表題、調査時点、対象範囲、単位、脚注を確認します。注記には、除外された対象、定義の変更、集計方法、推計値であることなど、結論を左右する情報が隠れていることがあります。

2. 行と列を指でたどる

目的のセルを見つけたら、表側の分類から右へ進み、表頭の分類から下へ進むというように、行と列を実際にたどります。近くに似た指標が並んでいるとき、人は意図せず別のセルを読むことがあります。セルの数字だけをコピーせず、行名と列名も一緒に記録しましょう。

3. 写真か、パラパラ漫画か、動画かを判定する

一時点の比較なのか、時間の変化なのか、同じ対象の追跡なのかを確認します。「高い」「低い」という差と、「上がった」「下がった」という変化は、同じ言葉で語れません。

4. 母集団と標本を分ける

調査結果が誰についての推定なのかを確認します。全国の成人なのか、回答した利用者なのか、特定地域の世帯なのか。標本サイズだけでなく、抽出方法と未回答の扱いにも注目します。

5. 数字を点ではなく幅で考える

標本から得た平均や比率は、一つの確定した点というより、揺れを伴う推定値です。52パーセントと48パーセントの差が、実質的な違いなのか、標本の偶然で生じた差なのかを考えます。特に標本サイズが小さい場合は、順位や優劣を急いで決めないことが重要です。

Key Takeaways

• 数字には住所があると考え、時点、対象、指標、単位を必ず確認する。
• 統計表では、表題と脚注を読んでから、表側と表頭の交差点としてセルを読む。
• データが時系列、クロスセクション、パネルのどれなのかを判定し、答えられる問いの範囲を見極める。
• 標本サイズが大きいことは偶然による揺れを減らすが、標本の偏りを消すわけではない。
• 推定値を絶対的な点ではなく、標本分布を背景に持つ幅のある値として扱う。

データリテラシーとは、グラフをきれいに作る技術でも、難しい統計用語を暗記することでもありません。それは、数字がどのような経路を通って自分の目の前に現れたのかをたどる能力です。

一つのセルは、現実の全体ではありません。特定の時点から、特定の対象を選び、特定の質問をし、特定の方法で集計した結果です。その限界を知ることは、数字を疑うことではありません。むしろ、数字を適切に信頼するための条件を知ることです。

私たちはしばしば、数字が細かいほど現実に近いと思い込みます。しかし、1,973,395という精密な数字も、52パーセントという明快な数字も、住所と抽出過程を失えば、ただの印象に変わります。

これから数字を見るとき、最初に「これは何を意味するのか」と問う必要はありません。先にこう問いかけてください。

この数字は、どの現実を、どの場所から、どれほどの不確実性を伴って切り取ったものなのか。

その問いを持てる人は、数字に振り回される人ではなく、数字を使って現実をより正確に考えられる人です。