🔖 キーワード索引

「adjusted r squared」は統計データ分析の文脈で扱う重要概念のひとつ。 本ページでは「adjusted r squared」を取り巻く中核キーワードを以下にチップで一覧化する。 各キーワードは関連する概念・手法・道具立てを含み、 文献検索や学習計画の起点になる。

これらのキーワードは「adjusted r squared の理解 → 適用 → 検証」のプロセスを構成する。 以降の各セクションで詳しく解説する。

🎨 直感で掴む — 自由度調整済み決定係数

Adjusted R² は「説明変数を増やすと自動で上がる R² を、 自由度で罰則を入れて補正したもの」。 モデル比較に使う。 SSDSE-B-2026 で説明変数を A1101 → +A1303 → +B4101 と増やすと、 R² は単調増加するが Adjusted R² は途中で下がりうる。

自由度調整済み決定係数 は「回帰」カテゴリの中核概念。 初めて触れる読者は、 まずこの「🎨 直感」セクションだけ通読し、 必要になった時点で「📐 数式」「🐍 Python」「⚠️ 落とし穴」へ戻る読み方が定着しやすいです。

🎨 概念図で押さえる（調整済み決定係数の可視化）

調整済み決定係数（$\bar{R}^2$）は「変数を増やしても自動的に上がる $R^2$ の弱点」を補正した指標。 回帰直線・残差プロット・多重共線性の 3 枚で、 $\bar{R}^2$ が捉える適合度のニュアンスを把握する。

→ 単回帰（基準）、 残差（適合度の質）、 多重共線性（ペナルティ効果）の 3 段階で、 $\bar{R}^2$ が「変数の質」を測る理由が理解できる。

✅ 理解度チェック

1. $R^2$ と $\bar{R}^2$ の数式上の違いを 1 行で説明できるか？
2. 変数を追加したとき、 $\bar{R}^2$ が下がるのはどのような場合か？
3. $\bar{R}^2$ と AIC・BIC の関係はどう整理されるか？
4. $\bar{R}^2$ がマイナス値になる場合の解釈は？
5. サンプルサイズ $n$ が大きいとき、 $\bar{R}^2$ と $R^2$ の差はどうなるか？

→ すべて即答できれば、 重回帰モデル選択で $\bar{R}^2$ を適切に使い分けられる基礎力は十分。

🧾 発表前の最終確認

自由度調整済み決定係数は、 説明変数を増やすほど単純に上がる通常の決定係数を補正する指標です。 ただし高い値は因果関係や外部データでの予測性能を保証しないため、 残差診断や交差検証と併用します。

📐 定義・数式 — 自由度調整済み決定係数

やさしい説明で掴んだ感覚を、ここで 自由度調整済み決定係数 の定義式に対応づけます。下の式は左辺 $\bar{R}^2$ が何で決まるかを右辺で書き下したもので、R̄²（自由度で調整した決定係数）、分数（割り算） が現れます。それぞれの記号が何の量を指すのかは、次の「🔬 数式を言葉で読み解く」で 1 つずつ確かめてください。

なぜ R² は変数を増やすと「必ず」上がるのか

最小二乗法（OLS）は残差平方和 SSE を最小化する。 新しく追加した変数の係数を 0 と置けば元のモデルをそのまま再現できるため、 変数追加後に最適化した SSE は必ず元以下になる。 したがって 決定係数 $R^2 = 1 - \mathrm{SSE}/\mathrm{SST}$ は変数追加で決して下がらず、 全く無関係な変数でも標本内の偶然の相関を拾ってわずかに上がる。 この「必ず上がる」バイアスを打ち消すのが自由度比 $(n-1)/(n-k-1)$ のペナルティで、 変数を 1 つ増やしたときの R² の増分が自由度 1 個分の偶然の説明力に見合わなければ $\bar{R}^2$ はむしろ低下する。 だからこそ $\bar{R}^2$ は説明変数の数が異なるモデル同士の比較（モデル選択）に使える。 なお常に $\bar{R}^2 \le R^2$ であり、 モデルが「全体平均で予測する」より悪ければ $\bar{R}^2$ は負にもなる。

🔬 数式を言葉で読み解く — 数式を「言葉」に翻訳

上の数式を眺めるだけでは身につかないので、 各記号がどんな役割を担っているかを言葉で押さえます。 「数式を音読する習慣」がつくと、 論文や教科書を読むスピードが体感で 2 倍ほど上がります。

左辺 $\bar{R}^2$（調整済み決定係数）

このページで定義したい量。 1 以下の無単位量で、 R² と違って負にもなり得る（モデルが全体平均より悪い場合）。

$R^2$（通常の決定係数）

$R^2 = 1 - \mathrm{SSE}/\mathrm{SST}$。 目的変数の分散のうちモデルが説明できた割合。 詳細は 決定係数 R² を参照。

$n$（サンプルサイズ）

観測数。 SSDSE-B-2026 の 1 時点クロスセクションなら n=47（都道府県）。 n が大きいほど自由度比が 1 に近づき、 ペナルティは小さくなる。

$k$（説明変数の数）

モデルに入れた説明変数の個数（切片は数えない）。 教科書によっては p と書く。 k が増えるほど分母 $n-k-1$ が小さくなり、 罰則が強まる。

自由度比 $\dfrac{n-1}{n-k-1}$

全体平方和の自由度 $n-1$ と残差の自由度 $n-k-1$ の比。 常に 1 以上で、 $(1-R^2)$（説明できなかった割合）をこの比で「拡大」してから 1 から引くことがペナルティの実体。 k=0 のとき比は 1 になり $\bar{R}^2 = R^2$ に一致する。

🎮 触って理解する

スライダーを動かすと、 説明変数の数 p・サンプルサイズ n・本当に効く変数の割合 に応じて、 通常の決定係数 $R^2$ と調整済み決定係数 $\bar{R}^2 = 1-(1-R^2)\dfrac{n-1}{n-p-1}$ が下の図でリアルタイムに変化します。 役に立つ変数を先に、 無意味な変数を後から投入したときに、 「R² は必ず上がるのに、 調整済み R² はどこかで頭打ち・下降に転じる」様子を体感してください。 図はタップ／ドラッグで任意の変数個数 k を選べます。

💡 直感 — 「ペナルティ」として読む

調整済み R² は、 通常の R² から説明変数を増やした代償を差し引いた指標です。 式の $(1-R^2)$ は「まだ説明できていない割合」で、 これに自由度比 $\dfrac{n-1}{n-p-1}\ (\ge 1)$ を掛けて水増ししてから 1 から引きます。 変数 p を 1 本足すと分母 $n-p-1$ が小さくなり罰則が強まるので、 その変数が罰則を上回る説明力を持たない限り、 調整済み R² は下がります。 上のスライダーで「本当に効く変数の割合」を下げると、 R² と R̄² の差（水増し分）が広がるのが見えるはずです。

⚠️ よくある落とし穴 — 過学習と変数選択

• R² の最大化を目的にしてしまう：R² は変数を足せば必ず上がるため、 R² だけを見て変数を増やすと過学習に直結します。 調整済み R² や交差検証で歯止めをかけます。
• ステップワイズ選択への過信：調整済み R² を基準に変数を機械的に出し入れするステップワイズ法は、 多重比較的に「たまたま上がった」変数を拾いやすく、 再現性が低いことが知られています。 モデル選択は分野知識と併用が原則。
• サンプル内指標である点の見落とし：調整済み R² は同じデータ内の罰則付き指標にすぎず、 未知データへの性能を保証しません。 汎化性能は交差検証で別途測るべきです。 上図で n を小さく・p を大きくすると調整済み R² が急落（さらに負にもなり得る）することを確認してください。

🚀 発展 — AIC / BIC との関係

調整済み R² は「自由度で罰則を与える」という発想の入口です。 同じ発想を尤度ベースで一般化したのが情報量規準で、 AIC は罰則項 $2p$、 BIC は罰則項 $p\log n$ を用います（$n$ が大きいほど BIC の罰則が強い＝一致性重視）。 線形回帰・正規誤差なら調整済み R² と AIC は概ね同じ変数を選びますが、 GLM や非線形モデルでは R² 自体が定義しづらいため AIC/BIC が標準になります。 「変数を足す価値があるか」をより厳密に測りたい場面では、 調整済み R² から情報量規準へステップアップしましょう。 通常の R² の定義自体は 決定係数 R² を参照。

🧮 SSDSE-B-2026 実値計算例 — 変数を増やすと R² と調整 R² はどう変わるか

「消費支出（L3221、 1世帯あたり）」を目的変数として、 説明変数の数を段階的に増やしながら R² と調整 R² を比較します。 R² は単調に増えるが、 調整 R² は変数追加が無意味なら逆に下がるのがポイントです。

※ n=47（2023 年の 47 都道府県）、 目的変数は L3221（1 世帯あたり消費支出）。 M1〜M5 はいずれも実データで実測した値（M4 は標準地価 C5401、 M5 は np.random.RandomState(2) で生成した無相関のランダム列を追加）。 いずれも定義式 $\bar{R}^2 = 1-(1-R^2)(n-1)/(n-k-1)$ で検算できる（例: M4 は $1-(1-0.209)\times46/42=0.133$、 M5 は $1-(1-0.209)\times46/41=0.112$）。 気温 B4101 の追加（M2）は R² も調整 R² も押し上げるが、 標準地価 C5401（M4）やランダム列（M5）は R² をほぼ動かさない一方、 調整 R² は罰則で 0.153→0.133→0.112 と低下する。 調整 R² は M3（k=3）で最大となり、 変数選択の観点でこれが最良のモデルである。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import pandas as pd, statsmodels.api as sm
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023]          # 2023年・47都道府県
y = d['L3221']                               # 消費支出（世帯あたり）
for cols in [['A1101'], ['A1101','B4101'],
             ['A1101','B4101','A1303']]:
    X = sm.add_constant(d[cols])
    r = sm.OLS(y, X).fit()
    print(f'k={len(cols)}: R²={r.rsquared:.3f}, '
          f'adj R²={r.rsquared_adj:.3f}')

🧮 数式に値を入れて手で計算する

合成設定 ($R^2 = 0.84$、 $n = 10$、 $k = 2$) を調整済み R² の数式に代入し、 Step 1〜3 で手計算する。 同じ計算を Python で再現し、 結果が完全一致することを確認する。

📐 調整済み R² (再掲)

$$ \bar{R}^2 = 1 - \frac{(1-R^2)(n-1)}{n-k-1} $$

Step 1: データ準備 (合成)

Step 2: 数式の各部品

Step 3: 調整済み R²

🐍 同じ計算を Python で再現

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

R2 = 0.84
n = 10
k = 2

# Step 2 の各部品
num = (1 - R2) * (n - 1)   # 分子
den = n - k - 1             # 分母
ratio = num / den           # 引き算する項

# Step 3 の調整済み R²
adj_R2 = 1 - ratio

print(f"1 - R^2          = {1 - R2}")
print(f"(1 - R^2)(n - 1) = {num}")
print(f"n - k - 1        = {den}")
print(f"ratio            = {ratio:.6f}")
print(f"adjusted R^2     = {adj_R2:.6f}")

📤 実行結果

💬 手計算 (Step 2〜3) と Python 出力が完全一致 (調整済み R² = 0.794286)。 R² = 0.84 から 0.045714 だけ下方修正されており、 これが「説明変数の数 $k=2$ に対する罰則」の実体である。

🧮 実値で計算してみる — SSDSE-B-2026

数式だけでは「実感」が湧きにくいので、 実データ data/raw/SSDSE-B-2026.csv（47 都道府県 × 16 年）で 1 度手計算してみると理解が定着します。

SSDSE-B-2026 (2023, n=47) で y=L3221 に対して、 X1=A1101 単独では R²=0.111（Adjusted R²=0.091）、 X={A1101, A1303} では R²=0.115（Adjusted R²=0.075）と、 65 歳以上人口 A1303 を足しても R² はほとんど動かず Adjusted R² はむしろ低下する。 つまり A1303 追加に意味がない可能性が高い。 一方 X={A1101, B4101}（気温を追加）では R²=0.185・Adjusted R²=0.148 へ実質的に上昇する。

上記は SSDSE-B-2026 (2023) からの抜粋。 手計算で確認した値が、 後述の Python 実装で得る値と一致することを確認すると、 「数式とコードの対応関係」がクリアに見えるようになります。

🐍 Python 実装バリエーション（statsmodels / scikit-learn / 自前計算）

🅰️ statsmodels — 一番素直

1
2
3
4
5
6
7

import pandas as pd, statsmodels.api as sm
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023]
X = sm.add_constant(d[['A1101','B4101','A1303']])
r = sm.OLS(d['L3221'], X).fit()
print(f'R² = {r.rsquared:.3f}')
print(f'adj R² = {r.rsquared_adj:.3f}')

🅱️ scikit-learn — 自前計算（score は R² だが調整版なし）

1
2
3
4
5
6
7
8

from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import StandardScaler
X = StandardScaler().fit_transform(d[['A1101','B4101','A1303']])
y = d['L3221']
r2 = LinearRegression().fit(X, y).score(X, y)
n, k = len(y), 3
adj_r2 = 1 - (1 - r2) * (n - 1) / (n - k - 1)
print(f'R² = {r2:.3f}, adj R² = {adj_r2:.3f}')

🅲 scipy.stats.linregress — 単回帰のみ

1
2
3

from scipy import stats
slope, intercept, r, p, se = stats.linregress(d['A1101'], d['L3221'])
print(f'R² = {r**2:.3f}')  # 単回帰なので調整版は意味が薄い

🅳 CV-R² で過学習を見抜く

1
2
3

from sklearn.model_selection import cross_val_score
cv_r2 = cross_val_score(LinearRegression(), X, y, cv=5, scoring='r2').mean()
print(f'CV-R² = {cv_r2:.3f}')   # 調整 R² より厳しい

📦 R² 系統指標早見表

🐍 Python 実装 — 自由度調整済み決定係数

公的統計（SSDSE-B-2026）を題材に、 最小限の Python コードで 自由度調整済み決定係数 を動作させます。 まずはこのまま実行してみてください。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

# 自由度調整済み決定係数 を SSDSE-B-2026 で実行する最小コード
import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]  # 2023 年のみ抽出
print(df.shape)  # (47, 112)
print(df[['Prefecture','A1101','A1303','L3221']].head())

from sklearn.linear_model import LinearRegression
import numpy as np
y = df['L3221'].astype(float).values
for cols in [['A1101'], ['A1101','A1303'], ['A1101','A1303','B4101']]:
    X = df[cols].astype(float).values
    lr = LinearRegression().fit(X, y)
    n = len(y); k = X.shape[1]
    r2 = lr.score(X, y)
    adj = 1 - (1-r2)*(n-1)/(n-k-1)
    print(f'{cols}: R^2={r2:.3f}  Adj R^2={adj:.3f}')

▶ 実行 を押せばこのページの中でそのまま動きます（ライブラリもデータも同梱済みで、 準備は要りません）。 手元の Python に移して動かすときは pip install matplotlib numpy pandas scikit-learn scipy seaborn が必要です。 読んでいるデータは data/raw/SSDSE-B-2026.csv。 日本語を含むので encoding='cp932' の指定を落とさないでください。

⚠️ 落とし穴（補強版 — 調整 R² で踏みやすい7つの罠）

⚠️ よくある落とし穴 — 自由度調整済み決定係数

自由度調整済み決定係数 を使うときに初学者が踏みやすい失敗パターン。 1 度経験してしまえば次から避けられますが、 先に知っておくに越したことはありません。

🌐 関連手法・派生 — 自由度調整済み決定係数 の周辺

自由度調整済み決定係数 の周辺にある、 セットで覚えておきたい関連手法を整理しました。 状況によって使い分けが必要なので、 「強みと弱み」を 1 行で言えるようにしておくと、 場面に応じた選択が可能になります。

このうち 決定係数 R²・AIC・BIC・重回帰・線形回帰 は本サイトに個別ページがあります。 表の右列は「この用語との違い」を書いたものなので、まず違いが腑に落ちない行のリンクから開くと、 差分だけを追えて速く読めます。

🔗 関連用語（前提・並列・発展）

自由度調整済み決定係数 と直接つながる前後関係。 「前提」=先に知っておくと理解が早い／「並列」=同じ問題に別の角度／「発展」=応用・拡張版。 学習計画の参考にどうぞ。

前提概念 — 自由度調整済み R² を計算するために理解しておく語

並列概念 — 別の角度からモデル当てはまりを測る

発展概念 — 多変量・正則化・診断への接続

📚 統計学習の総合ガイド

🎯 学習目標

このページの概念をマスターすることで、 以下のスキルが身につきます：

• 定義と公式を正確に理解
• 適切な使用場面を判断
• Python で実装し、 結果を可視化
• 仮定の確認と診断
• 結果の解釈と報告
• 限界と注意点の理解
• 関連手法との使い分け

📊 SSDSE-B-2026 データの構造

このコンペの主要データセット SSDSE-B-2026（独立行政法人統計センターが提供する教育用標準データセット）の構造：

• 47都道府県 × 過去複数年（パネル形式）
• 112列の社会経済指標
• 人口、 出生、 死亡、 婚姻、 経済、 教育、 環境、 家計など多次元
• 政府統計を統合した信頼性の高いデータ

🔍 主要な変数群

💡 ジャストインタイム型学習

このガイドは「必要なときに必要な知識」を提供する設計：

• 論文中の用語をクリック → 該当の用語解説へジャンプ（ポップアップ）
• 概念マップで関連用語を辿る
• 包含マップで体系を把握
• ツリーマップで全体を俯瞰
• Python コードをコピーして実行
• SSDSE データで実際に試す

🛠️ Python データサイエンス環境

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22

# 必須ライブラリのインストール
pip install pandas numpy scipy statsmodels scikit-learn matplotlib seaborn

# 標準的なインポート
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score, mean_squared_error

# 日本語表示の設定（matplotlib）
plt.rcParams['font.family'] = 'Hiragino Sans'
plt.rcParams['axes.unicode_minus'] = False

# データ読み込み（SSDSE は cp932 エンコーディング）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932')
print(df.shape)
print(df.head())
print(df.describe())

🌟 効果的なEDAテンプレート

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

def quick_eda(df, target=None):
    """探索的データ分析の基本テンプレート"""
    print(f"Shape: {df.shape}")
    print(f"\nColumn types:\n{df.dtypes}")
    print(f"\nMissing values:\n{df.isnull().sum()}")
    print(f"\nBasic stats:\n{df.describe()}")

    # 数値列の可視化
    numeric_cols = df.select_dtypes(include=[np.number]).columns
    df[numeric_cols].hist(bins=20, figsize=(15, 10))
    plt.tight_layout()
    plt.show()

    # 相関ヒートマップ
    if len(numeric_cols) > 1:
        plt.figure(figsize=(12, 10))
        sns.heatmap(df[numeric_cols].corr(), annot=True, fmt='.2f',
                    cmap='RdBu_r', center=0)
        plt.show()

    # ターゲットがあれば散布図行列
    if target and target in df.columns:
        sns.pairplot(df[numeric_cols[:5]], hue=target if df[target].dtype == 'O' else None)
        plt.show()

📈 報告書テンプレート

分析結果を報告する際の標準的な構成：

1. 背景・目的：なぜこの分析が必要か
2. データ：出所、 サンプルサイズ、 期間
3. 方法：使用した統計手法、 仮定
4. 結果：図表、 統計量、 検定結果
5. 解釈：結果が何を意味するか
6. 限界：分析の制約
7. 結論：要点まとめ、 今後の課題

自由度調整済み決定係数 の全体像を学ぶには、 横断的な教材から入るのが効率的：

• 📚 論文一覧 — 回帰 の再現論文を一覧できる
• 📚 用語集トップ — 自由度調整済み決定係数 の周辺概念を一気に俯瞰
• 📚 概念マップ — 自由度調整済み決定係数 がどの位置にあるか確認

🗺️ 概念マップ — 自由度調整済み決定係数の位置づけ

調整済み R² は「モデルの当てはまり指標」のうち、 説明変数の数で R² を罰則修正したもの。 中心ノードを「調整済み R²」とし、 上位 (回帰モデル評価)、 並列 (R²、 AIC、 BIC、 Mallows Cp)、 下位 (重回帰、 多項式回帰、 ステップワイズ選択) を放射状に配置する。

調整済み R² は R²・AIC・BIC・Mallows Cp と並列の「モデル選択基準」群を成し、 重回帰・多項式回帰・ステップワイズ選択など複数の説明変数を含む回帰モデルの比較で用いる。

Q1: 何を知りたい？（調整済み R² が登場するのはどの段階か）

• 記述したい → 平均、 分散、 ヒストグラム
• 比較したい → t検定、 ANOVA、 χ²検定
• 関係を見たい → 相関、 回帰
• 予測したい → 回帰、 機械学習
• 分類したい → ロジスティック回帰、 SVM、 RF
• グループ分けしたい → クラスタリング
• 次元を減らしたい → PCA、 因子分析
• 因果関係を知りたい → RCT、 IV、 DiD、 PSM

Q2: データの種類は？

• 連続値 → t検定、 ANOVA、 線形回帰
• カテゴリ → χ²検定、 ロジスティック回帰
• 順序 → ノンパラ検定、 順位回帰
• カウント → ポアソン回帰、 負の二項回帰
• 時系列 → ARIMA、 VAR、 状態空間
• パネル → 固定効果、 ランダム効果

Q3: サンプルサイズは？

• n < 30：ノンパラ、 ベイズ、 ブートストラップ
• 30 ≤ n < 200：古典的検定、 単純な回帰
• n ≥ 200：複雑なモデル、 機械学習
• n ≥ 10000：深層学習も可能

Q4: 仮定は？

• 正規性：満たす → パラメトリック / 満たさない → ノンパラ
• 独立性：必須 / 違反 → クラスター調整、 時系列モデル
• 等分散性：満たす → OLS / 違反 → WLS、 ロバスト

📏 効果量の参照表

p値だけでなく効果量も併記するのが現代統計の標準。 主要な指標と Cohen の解釈基準：

🗺️ 概念マップ — 3つの視点で体系を理解する

調整済み決定係数 がデータサイエンスの体系の中でどこに位置するかを、 3つの異なる視点で可視化します。 同じ情報でも見方を変えると気付きが変わります。

📍 体系階層のパス

🌐 統計・データサイエンス › 関連・回帰 › 回帰 › 調整済み決定係数

① 🔗 関係マップ — 「他の手法とどう繋がっているか」

中心に 調整済み決定係数 を置き、 そこから R²・重回帰・残差・分散・最小二乗法・単回帰 など 計 7 個の用語へ、 前提・兄弟・発展形といった関係を矢印で結んでいます。 線がどちら向きかを見れば、 先に読むべき用語とあとから読む用語が分かります。 ノードはドラッグで動かせ、 ホイールでズーム、 クリックでその用語のページへ遷移します。

② ⭕ 包含マップ — 「どのカテゴリに含まれているか」

大きな円が小さな円を包含する Circle Packing 図。 「調整済み決定係数」は緑色でハイライト。

• カテゴリ円をクリック：その内部にズームイン
• 白背景クリック：1階層戻る
• 用語円をクリック：詳細ページへ遷移
• マウスホバー：階層パス表示

③ 🌳 ツリーマップ — 「面積で見るボリューム比較」

長方形を入れ子に分割した Treemap 図。 各分野の規模感を面積で比較。 「調整済み決定係数」は緑色でハイライト。

• カテゴリ矩形をクリック：その内部にドリルダウン
• パンくず（上のリンク）クリック：その階層に戻る
• 用語矩形をクリック：詳細ページへ遷移
• マウスホバー：階層パスと値を表示

🎯 3つのマップの使い分け

💡 3 つの図は同じことを違う角度から見ています。 関係マップでは 調整済み決定係数 の隣に何が並ぶかが、 包含マップとツリーマップでは 統計・データサイエンス から 回帰 へ絞り込んだ先に 調整済み決定係数 がある、 という入れ子の位置が見えます。 「回帰に何が含まれるか思い出せない」ときは包含マップを、 「次に何を読むか決めたい」ときは関係マップを開いてください。

🔗 隣接手法への橋渡し

「自由度調整済み決定係数」は単独で読む数字ではなく、 周辺指標との接続・統合・比較の中で意味を持つ。 「🌐 関連手法・派生」の節が「派生指標カタログ」、 「🌳 手法選択フロー」の節が「最初に何を見るか」のフローなら、 本節は「隣接指標とどう切り替え・組み合わせるか」の意思決定マップ。

① 接続 — 上流から下流への橋

• 上流（前提）: 重回帰分析 の OLS 推定が出発点。 線形性・等分散・独立性・正規性の前提が崩れていると、 R²_adj の値そのものが信頼できない。 まず残差プロット → 多重共線性 (VIF) を確認してから R²_adj を比較する。
• 下流（応用）: 交差検証 による out-of-sample MSE で「実際の汎化性能」を確認。 R²_adj は in-sample 指標なので、 ホールドアウト or k-fold CV と必ずペアで読む。 47 都道府県のような小標本では LOO-CV が現実的。

② 統合 — 同時に使う組合せ

• R²_adj + AIC + BIC の三点見: 説明変数を増やしたときの罰則方向が三者で一致すれば「変数追加は正当」と強く言える。 一致しない場合は理論的根拠が弱く、 領域知識で最終判断。
• R²_adj + 残差診断: R²_adj が高くても残差に系統パタン (curvature / 不等分散 / 自己相関) が残れば、 線形モデル自体が不適。 R²_adj の高さは「線形仮定が正しい前提下での説明力」にすぎない。
• R²_adj + 正則化 (Ridge / Lasso): 説明変数が多い (p ≈ n) ときは R²_adj の罰則が弱く、 過学習を見逃す。 Lasso / Ridge で係数縮小 → CV 誤差で評価へ切替。

③ 比較 — 隣接モデル選択指標の使い分け

役割分離: 「🌐 関連手法・派生」の節が「派生指標のカタログ」、 本節（🔗 隣接手法への橋渡し）が「指標間の接続・統合・比較」、 「🌳 手法選択フロー」の節が「最初に何を見るかの分岐」。 まず本節で隣接指標との関係を把握 → 「🌳 手法選択フロー」で初期選択 → 結果が直感に反したら本節に戻って AIC/BIC/CV の三角検証、 のループで運用する。

🌳 手法選択フロー

調整済み R² を使うか、 別のモデル選択規準に切り替えるかは モデル種類・目的・サンプル規模・多重共線性・運用評価 の 5 段で判定する。 状況を見ずに「R² が高いほうがいい」と言うのは禁物。

5 段分岐フロー

1. 分岐 1（モデルの種類）: 線形回帰 (OLS) か？ Yes → 調整済み R² + 残差プロットを主指標に。 No (GLM / ロジスティック / ポアソン / 非線形) → AIC / BIC / Pseudo R² (McFadden / Nagelkerke) へ切替。 OLS 前提が崩れた状態で R² を語ると誤解釈になる。
2. 分岐 2（評価目的）: 「同データで複数モデル比較」なら 調整済み R²、 「未知データへの予測性能」なら CV による予測 R² / PRESS 統計量、 「真モデル選択 (一致性)」なら BIC。 目的に応じて指標を変えるのが最重要。
3. 分岐 3（サンプルサイズ）: n ≥ 30 → 調整済み R² で実用可。 n < 30 → 調整済み R² + leave-one-out CV 併用、 もしくは AICc (補正版 AIC) を採用。 小標本では自由度の効きが過剰で R² が負になりやすい。
4. 分岐 4（多重共線性）: VIF ≤ 5 → 調整済み R² をそのまま信頼。 5 < VIF ≤ 10 → 調整済み R² は使うが係数推定の標準誤差に注意。 VIF > 10 → 調整済み R² だけでは不足 → Ridge / Lasso の正則化指標 (CV-MSE / Information Criterion) に切替。
5. 分岐 5（運用後の検証ループ）: 残差診断 (等分散・正規性・独立性) → 異常 → 分岐 1 へ戻り GLM 検討。 Cook 距離で影響点検出 → 該当値除外で R² が劇変 → モデル再定式化。 5-fold CV R² と訓練 R² の差大 → 過学習、 分岐 4 (正則化) へ戻る。 「🔗 隣接手法への橋渡し」の節と本節を往復するループ運用が前提。

分岐 1-5 は順に進めるが、 単独で固定するのではなく 分岐 5 で検証 → 分岐 1-4 のどこかへ戻る ループ運用が必須。 「🗺️ 概念マップ」で全体像、 「🔗 隣接手法への橋渡し」で関連指標、 本節（🌳 手法選択フロー）で初期選択、 と階段状に使い分けると迷いが減る。

調整済み R² 選択の 4 判定（参考表）

選択後の検証 5 ステップ

1. 残差診断: 残差プロットで等分散・正規性・独立性を確認（OLS の前提が崩れていると調整済み R² は嘘をつく）
2. 外れ値・影響点: Cook 距離 / レバレッジで R² を歪める観測値を特定
3. 変数選択の感度: 1 変数追加 / 削除で調整済み R² がどう動くか確認（劇的に変わるなら多重共線性疑い）
4. CV との整合: 5-fold CV の R² と訓練 R² の差が大きすぎないか（差大 → 過学習）
5. 分野知識との照合: 変数の符号・大きさが理論と整合するか（統計的に有意でも理論に反すれば再検討）

🎨 直感をさらに深める — なぜ「罰則」が必要なのか

通常の決定係数 $R^2$ には、 説明変数を 1 本増やすたびに必ず（少なくとも同じか）大きくなるという構造的なクセがある。 これは新しい変数が完全な乱数であっても、 最小二乗法が「その乱数を使えば残差をほんの少しでも減らせる」係数を必ず見つけてしまうため。 つまり $R^2$ の上昇には「本物の説明力」と「偶然の当てはめ（過大評価）」の 2 つが混ざっている。

そこで、 変数を 1 本足すごとに「その 1 本ぶんの当てはめは、 偶然でもこれくらいは上がるはず」という下駄を差し引くのが調整済み決定係数 $\bar{R}^2$ の発想。 数式 $\bar{R}^2 = 1 - (1 - R^2)\cdot\dfrac{n-1}{n-k-1}$ の $\dfrac{n-1}{n-k-1}$ が、 まさに「変数の数 $k$ が増えるほど大きくなる拡大鏡（＝罰則）」として残差ぶんを膨らませている。 無意味な変数を足したときの $R^2$ の微増よりも、 この罰則の効きが勝てば $\bar{R}^2$ は下がる。 これが「無駄な変数を混ぜると値が悪化する」フィルター機能の正体。

📊 実データで「R² は上がるのに調整済み R² は下がる」を確認（SSDSE-B-2026・2023年・47県）

出生数（A4101）を総人口（A1101）で予測する強いモデルに、 出生数とは本質的に無関係な家計支出変数（住居費 L322102 → 食料費 L322101）を順に足していく。 総人口だけでほぼ説明が尽きているため、 追加変数は $R^2$ をほとんど動かさない（あるいは 6 桁目でしか動かさない）。 一方で罰則が効くため $\bar{R}^2$ は毎回はっきり下がり、 AIC・BIC も悪化（増加）する。

出典: SSDSE-B-2026.csv（cp932, skiprows=[1]）から 2023 年の 47 都道府県を抽出し、 statsmodels.OLS(...).fit() の rsquared / rsquared_adj / aic / bic を実測。 M1→M3 で $R^2$ は 0.990871→0.990908 と（非減少で）微増するのに対し、 $\bar{R}^2$ は 0.990668→0.990274 と単調減少。 「$R^2$ の増加＝改善」ではないことが実データで確認できる。

⚠️ 落とし穴を深掘り — 調整済みでも「唯一の基準」にはならない

$\bar{R}^2$ は $R^2$ の過大評価を和らげるが、 それでもモデルの良し悪しを 1 つの数字で決められるわけではない。 ここでは特に誤解の多い点を、 既出の 7 罠を補う形で整理する。

🚀 発展 — 情報量規準・交差検証・予測R²への地図

$\bar{R}^2$ は「当てはまりに変数数の罰則を入れる」という発想の最も素朴な実装。 同じ発想をより厳密・汎用にした一群がモデル選択規準と検証手法である。 それぞれの位置づけを表で俯瞰する。

🧭 決定係数そのものの限界

• 説明力≠正しさ：$R^2$・$\bar{R}^2$ が高くても、 モデルが誤設定（非線形を線形で近似、 交絡の無視）なら数値は意味を失う。 残差診断が先。
• 因果を語らない：高い $\bar{R}^2$ は相関構造の説明にすぎず、 重回帰の係数を因果効果と読み替える根拠にはならない。
• 多重共線性に無防備：多重共線性があっても $\bar{R}^2$ は高いまま。 個々の係数の不安定さは VIF で別途チェック。
• OLS 前提が土台：$\bar{R}^2$ は OLS／線形回帰の枠組みの指標。 GLM では擬似 R² を、 正則化（Ridge／Lasso）では CV 指標を使う。