データの収集と調査設計

このモジュールで学ぶこと これまでのChapter 1では、データの整理・可視化から2変数の相関分析まで、「手元に揃ったデータを読み解く」方法を学んできました。しかし、そのデータはどうやって集められたのでしょうか？集め方が偏っていると、どれだけ上手に分析・可視化しても、間違った結論につながります。「日本人の平均睡眠時間を調べたい」——1億人全員に聞くのは不可能です。だから私たちは「一部を調べて全体を推測する」という戦略をとります。しかし、その「一部」の選び方が偏っていたら、推測は外れてしまいます。このモジュールでは、信頼できるデータを得るための「調査設計」の基本を学びます。試験では「この調査には何というバイアスがあるか」「無作為抽出はなぜ重要か」という理解が問われます。 全数調査と標本調査：調べる範囲の選択 全数調査（悉皆調査）とは、母集団のすべてのメンバーを調査する方法です。日本の国勢調査はその代表例で、5年ごとに全世帯を対象に実施されます。全数調査は完全な情報が得られる一方、コスト・時間・労力が膨大になります。また、食品の品質検査のように「全部調べたらサンプルがなくなる」場合には物理的に不可能です。 標本調査とは、母集団から一部（標本）を取り出して調査し、その結果から母集団全体を推測する方法です。視聴率調査・選挙の出口調査・工場の品質管理など、日常のほとんどの統計調査は標本調査です。 全数調査：対象は全体のすべて。コストは高く、精度は完全（誤差なし）。例：国勢調査、全数検査 標本調査：対象は一部のみ。コストは低く、標本誤差が必ず生じる。例：視聴率調査、品質管理 標本調査では必ず「標本誤差」（偶然による推測のブレ）が生じます。しかしこれは統計的手法で定量化できます（信頼区間、Chapter 4で学習）。また、取り出す標本の個数を標本の大きさ（サンプルサイズ）といい、標本の大きさが大きいほど標本誤差は小さくなります。 無作為抽出：代表性の確保 標本調査で最も重要な原則は「無作為抽出（ランダムサンプリング）」です。これは「母集団の全メンバーが等しい確率で選ばれる」ような抽出方法のことです。 なぜ無作為抽出が必要か？「インターネットで『スマートフォンの所持率』を調査した」——この調査は既にネットを使える人（＝スマホ保有率が高い層）にしか届きません。結果は実際より高い所持率を示してしまいます。このように偏った選び方をすると、標本が母集団を正しく代表せず、推測が外れてしまいます。これをサンプリングバイアスといいます。 代表的な無作為抽出の方法： 単純無作為抽出：乱数表やコンピュータを使い、母集団から完全にランダムに選ぶ。最もシンプルな方法。 系統抽出（等間隔抽出）：リスト順に並べたデータから、一定間隔おきに選ぶ（例：1000人リストから10番おきに100人選ぶ）。実用的だが、リストに周期性があるとバイアスが生じる。 層化抽出：母集団をいくつかのグループ（層）に分け、各層から比例配分で無作為抽出する。年齢層別に分けて抽出するなど、母集団の構成を反映しやすい。 クラスター抽出（集落抽出）：母集団をいくつかのクラスター（集落）に分け、クラスター単位で無作為に選ぶ。学校単位で選んでその学校の全生徒を調査するなど、地理的に分散した調査に向く。 乱数表の使い方：乱数表とは、0〜9の数字が規則性なく並んだ表です。調査対象に番号を割り当て、乱数表をどこかから読み始めて対応する番号の人を選ぶことで、恣意性なく標本を選べます。 試験ポイント： 「恣意的な選び方（調査員が選ぶ・自己申告）」はバイアスを生む。「無作為抽出でない」とは、ある人や物が他より選ばれやすい状況を指します。 実験研究と観察研究：因果関係の探り方 データ収集には大きく「実験研究」と「観察研究」の2種類があります。 実験研究とは、研究者が条件を意図的に操作して、原因と結果の関係を調べる方法です。「薬 A を飲む群（処理群）」と「偽薬を飲む群（対照群）」にランダムに割り当て、結果を比較するランダム化比較試験（RCT）が代表例です。 処理群（実験群）：介入（処置）を施すグループ 対照群（コントロール群）：介入を施さないグループ（比較の基準） ランダム化：参加者を処理群・対照群に無作為に割り当てること。これにより、「もともと健康だった人が偶然処理群に集まった」という交絡を防げる 観察研究とは、研究者が条件を操作せず、自然に起きていることを観察・記録する方法です。疫学研究（「喫煙者と非喫煙者を10年追跡して肺がん発症を比較する」）はその典型です。 観察研究の限界：交絡因子（confounding factor）の存在です。「コーヒーを飲む人はがんになりやすい」