調査研究手法

調査では「偏り」と「ばらつき」を考える

母集団について正しく推測するためには、 どのようにデータを集めるのか が重要です。

そのときに意識したいのが、 偏りとばらつきです。

調査研究では、この偏りやばらつきをできるだけ小さくしたり、 その大きさを把握したりすることが重要になります。

実験研究では2つの群を比べる

実験研究では、 対象を実験群と対照群に分け、 その結果の差を比較します。

実験群には、薬の投与などの 処理・介入を行います。

ただし、単に2つの群を作るだけでは、 その差が本当に処理によるものなのか判断できません。

そこで重要になるのが、 フィッシャーの3原則です。

無作為化で偏りを抑える

フィッシャーの3原則の1つ目が、 無作為化です。

無作為化の目的は、 処理以外の条件による偏りを抑えること です。

繰り返しで偶然のばらつきを見積もる

2つ目の原則が、 繰り返しです。

実験結果には、 処理の効果とは関係なく、 偶然によるばらつきも生じます。

偶然のばらつきがどの程度あるのかがわかれば、 それを超える差が処理によって生じているのかを判断しやすくなります。

局所管理で余計な違いを小さくする

3つ目の原則が、 局所管理です。

処理以外にも結果へ影響しそうな条件がある場合、 その条件が似た対象どうしを ブロックにまとめます。

このように、 投与環境が同じ対象どうしで比較することで、 環境の違いによる影響を小さくできます。

フィッシャーの3原則を整理する

ここまでの3つを、 何を目的としているのかで整理しておきましょう。

この「偏り」と「ばらつき」を区別する考え方は、 統計学だけでなく、機械学習などでも重要になります。

標本調査ではどうやって抽出する？

次は、 標本調査です。

標本調査では、 母集団から一部の標本を抽出して、 その標本から母集団について推測します。

代表的な標本抽出法には、 次の5つがあります。

単純無作為抽出と系統抽出

まず、 単純無作為抽出は、 母集団から完全にランダムに標本を選ぶ方法です。

理論的にはわかりやすい方法ですが、 母集団が大きいと、実際に完全なランダム抽出を行うのは 労力や費用の面で難しい場合があります。

そこで使われる方法の1つが、 系統抽出です。

層に分けてからランダムに抽出する

層化無作為抽出では、 母集団をいくつかの層に分け、 それぞれの層からランダムに標本を抽出します。

たとえば性別や年代などで層を分けておけば、 特定の層だけが標本から抜け落ちるのを防ぎやすくなります。

また、似た特徴をもつ対象を同じ層にまとめることで、 層内のばらつきを小さくし、 推定精度を高められる場合があります。

多段抽出とクラスター抽出を区別する

最後に、 多段抽出と クラスター抽出を見ていきます。

多段抽出

多段抽出では、 ランダムな標本抽出を 何段階かに分けて行います。

調査対象を段階的に絞れるため、 全国に散らばった対象を1人ずつ探すより、 調査を効率化できます。

ただし、段階を重ねるほど、 最終的な標本に含まれない地域や集団も増えるため、 推定精度とのバランスが重要です。

クラスター抽出

クラスター抽出では、 母集団を小集団に分け、 抽出したクラスターの中は全数調査します。

クラスター単位で調査できるため便利ですが、 抽出するクラスターが少ないと、 特定のクラスターの特徴に結果が左右されやすくなります。