🔖 キーワード索引

「central tendency」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「central tendency」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「central tendency の理解 → 適用 → 検証」のプロセスを構成する。 各章で詳しく解説する。

🔖 キーワード索引

論文記事から各用語のリンクをクリックすると、 該当箇所が開きます：

🎨 直感で掴む — 3つの代表値を一望する

データの真ん中を「ひとつの数で表せ」と言われたら、 答えは 3通りあります。 それぞれ得意な場面と苦手な場面が違うので、 「分布を見てから選ぶ」のが大切です。

📊 平均（Mean, $\bar{x}$）

平均は、 すべての値を足してデータ数で割った代表値です。 物理的には、 各データ点に同じ重さの「玉」を置いたとき、 シーソーが釣り合う支点が平均。 つまり「データ全体の重心」。

📐 数式

数学的に表現すると、 $n$個のデータ $x_1, x_2, \ldots, x_n$ の平均は次式：

$$ \bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_i = \frac{x_1 + x_2 + \cdots + x_n}{n} $$

🔬 数式を言葉で読み解く

記号を1つずつ読みほどくと：$\bar{x}$ は「エックスバー」（標本平均）、 $\sum_{i=1}^{n}$ は「$i$ を 1 から $n$ まで動かしながら全部足す」、 $\frac{1}{n}$ で個数で割る。 母集団全体の平均は $\mu$（ミュー）と書いて区別します。

🌐 関連手法・派生：中央値・最頻値・分散と並んで、 代表値は分布の土台です。

🧮 SSDSE 実値で計算 — 東北6県の食料費

具体的な数値で確認しましょう。 47都道府県データから東北6県の食料費（千円/月、 2023年）を取り出します：

公式に代入：$\bar{x} = (484.944) / 6 = \mathbf{80.824}$ 千円。

偏差の合計が（丸め誤差を除き）ゼロになるのが重要な性質で、 これが「平均は重心」と呼ばれる所以です。 正と負の偏差がちょうど釣り合う点が平均。

🔢 ベクトル表記で見直す

1次元ベクトル例：上のデータを列ベクトルにすると

$$ \boldsymbol{x} = (78.124, 78.984, 81.997, 83.835, 84.105, 80.700)^\top \in \mathbb{R}^6 $$

全要素1のベクトル $\mathbf{1} = (1,1,\ldots,1)^\top$ を使えば、 平均は内積で書けます：

$$ \bar{x} = \frac{1}{n} \mathbf{1}^\top \boldsymbol{x} $$

2次元（行列）例：3地域×2項目のデータ行列

$$ X = \begin{pmatrix} 78 & 9 \\ 81 & 11 \\ 84 & 10 \end{pmatrix} \in \mathbb{R}^{3 \times 2} $$

各列の平均（列平均ベクトル）は $\bar{\boldsymbol{x}} = \frac{1}{n}\mathbf{1}^\top X = (81.0, 10.0) \in \mathbb{R}^2$。 これは「各変数の平均ベクトル」と呼ばれ、 PCA や標準化の基礎になります。

🐍 Python で確認

同じ計算を NumPy/Pandas でやります：

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

import numpy as np
import pandas as pd

# 1次元データ（東北6県の食料費）
x = np.array([78.124, 78.984, 81.997, 83.835, 84.105, 80.700])
print(np.mean(x))             # 80.824
print(x.mean())               # 同じ

# 全要素1のベクトルとの内積で平均を表現
n = len(x)
print((np.ones(n) @ x) / n)   # 80.824

# 2次元行列（3地域×2項目）の列平均
X = np.array([[78, 9], [81, 11], [84, 10]])
print(X.mean(axis=0))         # [81.0, 10.0]

# Pandas で SSDSE データ読み込み
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
print(df['食料費（二人以上の世帯）'].mean())     # 全国47都道府県の平均
print(df.groupby('地域コード')['食料費（二人以上の世帯）'].mean())  # 地域別平均

⚠️ 平均の弱点 — 外れ値で崩れる

平均はすべてのデータを使うので情報量は最大ですが、 1個の極端な値で大きく動きます。 例えば10人の年収が全員 400万円で1人だけ10億円なら、 平均は約 1億400万円。 「平均的な人」を全く表しません。

🔢 平均の家族 — 算術・幾何・調和・加重

「平均」と言っても実は4種類あります。 同じデータでも目的により値が変わります。

① 算術平均（普段「平均」と呼ぶもの）：$\bar{x}_A = \frac{1}{n}\sum x_i$

② 幾何平均（成長率・複利）：$\bar{x}_G = \sqrt[n]{x_1 \cdot x_2 \cdots x_n} = \left(\prod x_i\right)^{1/n}$

例：年率 +50% → −50% の2年で投資は $\sqrt{1.5 \times 0.5} \approx 0.866$ → 年率 −13.4%（算術平均では誤って 0% と判定する）。 Python：scipy.stats.gmean([1.5, 0.5])。

③ 調和平均（速度・並列処理）：$\bar{x}_H = \dfrac{n}{\sum 1/x_i}$

例：行き60 km/h、 帰り40 km/h の往復平均速度は調和平均で $2/(1/60+1/40) = 48$ km/h。 機械学習の F1 スコアもこの形（precision と recall の調和平均）。

④ 加重平均（重要度に差がある時）：$\bar{x}_W = \dfrac{\sum w_i x_i}{\sum w_i}$

例：47都道府県の食料費の人口加重平均。 単純平均だと人口の少ない県と多い県を同等に扱うが、 全国の実態は加重平均が示す。

1
2
3
4
5
6
7
8

from scipy import stats
import numpy as np

x = np.array([2.0, 4.0, 8.0])
print(np.mean(x))         # 算術平均: 4.667
print(stats.gmean(x))     # 幾何平均: 4.000
print(stats.hmean(x))     # 調和平均: 3.429
print(np.average(x, weights=[1, 3, 1]))  # 加重平均: 4.4

大小関係：非負の値では常に AM ≥ GM ≥ HM（イェンセンの不等式）。

📉 移動平均 — 時系列の平滑化

時系列データのノイズを取り除く基本手法。 単純移動平均（SMA）：$\text{SMA}_t = \frac{1}{N} \sum_{i=t-N+1}^{t} x_i$。 指数移動平均（EMA）：$\text{EMA}_t = \alpha x_t + (1-\alpha)\text{EMA}_{t-1}$（新しいデータに大きな重み）。

🎯 大数の法則と中心極限定理

平均が統計学の中核を担う理由は、 2つの強力な定理があるから。 大数の法則: $\bar{X}_n \to \mu$（標本サイズ大で標本平均は母平均に収束）。 中心極限定理: $\bar{X}_n \sim N(\mu, \sigma^2/n)$（元の分布が何であれ標本平均は正規分布に近づく）。 これにより信頼区間や仮説検定が可能になります。

🎮 触って理解する — 代表値ライブ・シミュレータ

数直線の上の点をドラッグして動かす・空いた場所をタップして追加・「削除」モードでタップして消すと、 平均・中央値・最頻値の縦線がリアルタイムで動きます。 背景のヒストグラムと重ねて、 分布の形と 3 つの代表値の位置関係を体感してください。 「⚠ 外れ値を 1 点追加」を押すと、 平均は大きく引っ張られるのに中央値はほとんど動かないという頑健性の違いが数値（Δ）で見えます。

※ 最頻値は連続値では一意に決まらないため、 このツールではヒストグラムの最頻階級（最も背の高い棒）の中央を最頻値として表示します（度数分布からの最頻値の慣用的な求め方）。 「実データ:47県 人口」は SSDSE-B-2026 の 2023 年・47 都道府県の総人口（A1101、 万人単位）の実測値です（平均 264.6 / 中央値 154.9 万人）。 「実データ:東北6県 食料費」は本ページ上部と同じ 6 県の実測値（千円/月）です。

💡 このシミュレータで腑に落ちること

• 外れ値への頑健性：「⚠ 外れ値を 1 点追加」で右端に極端な値を 1 つ足すと、 平均は目に見えて右へ動く一方、 中央値はほぼ不動です。 平均は全データの合計で決まる（1 点の大きさがそのまま効く）のに対し、 中央値は順位だけで決まるため、 端の 1 点をどれだけ大きくしても真ん中の順位はほとんど変わらないからです。 これが「頑健統計」で中央値が好まれる理由で、 外れ値が疑われる家計費・所得・地価などでは中央値の併記が定石です。
• 歪んだ分布での位置関係：「右に歪み」プリセットや「47県 人口」を読み込むと、 右に長い裾が平均を引き上げ、 平均 > 中央値 > 最頻値 の並びになります。 「左に歪み」では不等号が逆転（平均 < 中央値 < 最頻値）。 対称分布では 3 つがほぼ重なります。 3 者のズレの向きと大きさが、 そのまま分布の歪み（歪度）の符号を教えてくれます。
• 3 つの使い分け：平均は合計が意味を持つ場面（総額・期待値・重心）で最強ですが外れ値に弱い。 中央値は歪んだ分布・外れ値ありでの「典型値」に強い。 最頻値は「最も多いカテゴリ」を知りたいとき、 とりわけ質的データや多峰性の診断に向きます。 点を動かして、 どの代表値が動きやすい／動きにくいかを指先で確かめてください。

🧭 尺度水準で決まる「使える代表値」

どの代表値が意味を持つかは、 データの尺度水準で決まります。 名義尺度（血液型・都道府県名）では順序も間隔も無いので最頻値のみ。 順序尺度（満足度の 5 段階など）では大小の順序があるので中央値まで可（平均は本来は不適切）。 間隔・比例尺度（気温・人口・金額）で初めて平均が正当化されます。 上のシミュレータの数直線は間隔以上の尺度を前提にしているので 3 者すべてを計算できますが、 実データでは「まずこの列は何尺度か」を確かめるのが順序です。

📏 代表値と散布度はセットで読む

代表値は分布を「1 点」に潰した要約なので、 同じ平均でも散らばりが違えば意味はまるで違います。 だから中心（代表値）と広がり（分散・標準偏差・四分位範囲 IQR）は必ずペアで報告します。 対応関係も明快で、 平均には標準偏差（同じく外れ値に弱い）、 中央値にはIQRや MAD（中央絶対偏差、 頑健）を合わせるのが自然な組み合わせ。 シミュレータで点を広げたり縮めたりしながら、 「代表値は同じでも形が違う」状況を作ってみると、 散布度を併記する必然性が体感できます。

📐 分位数 (quantile) の数式と SSDSE 47 県人口の分位プロファイル

中央値は「50% 分位数」の特殊例。 分位数の概念を一般化して理解すれば、 ロバスト統計・外れ値検出・リスク評価 (VaR) へとつながります。

📐 分位数の 9 種類の補間法 (Hyndman & Fan, 1996)

$$Q_p = X_{(\lfloor h \rfloor)} + (h - \lfloor h \rfloor)(X_{(\lceil h \rceil)} - X_{(\lfloor h \rfloor)})$$

ただし $h = (n - \delta) p + \delta$ の $\delta$ により 9 種類の補間法に分岐 (R では type=1..9、 numpy では method='linear' 等で指定)。

🔬 数式を言葉で読み解く

• $X_{(i)}$: $i$ 番目に小さい値 (順序統計量)
• $h$: 「順位の連続版」。 $p=0.5, n=47$ なら $h=23.5$ → 23 番目と 24 番目の中点
• $\delta$: 補間方式の指定 (NIST 推奨は type 7、 R/numpy デフォルト)
• 離散分布対応: type 1 (下側) / type 3 (近接) — Likert 等の整数値で使う

🧮 SSDSE 47 県人口の分位プロファイル (10 分位)

このコードでやること: SSDSE 47 県人口を 10 分位 (0%, 10%, ..., 100%) で要約し、 各分位点に対応する県名を表示。

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

# SSDSE 47 県人口の 10 分位プロファイル
import pandas as pd, numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
latest = df.sort_values('年度').groupby('地域コード').tail(1)
sorted_df = latest.sort_values('総人口').reset_index(drop=True)
sorted_df['総人口'] = sorted_df['総人口'] / 1000    # 人 → 千人（他ブロックと単位を揃える）

for p in [0, 10, 25, 50, 75, 90, 100]:
    val = np.percentile(sorted_df['総人口'].values, p)
    # 最も近い県を検索
    idx = (sorted_df['総人口'] - val).abs().argmin()
    name = sorted_df.loc[idx, '都道府県']
    print(f'P{p:3d}: {val:7.0f} 千人 (近接: {name})')

📤 実行例:

💬 中央値 (P50) は京都府の 157 万人。 IQR (P75 − P25) = 258 − 98 = 160 万人で「47 県の中盤 50% は概ね 100-260 万人」。 P90 (北海道) から P100 (東京都) の幅は約 880 万人で圧倒的に広い。 これが右裾の重さ、 算術平均が中央値より高くなる根本理由。

⚖️ 加重中央値とジニ係数 — 政策評価で必須の代表値拡張

単純な「47 県の中央値」では、 鳥取県 (54 万人) と東京都 (1404 万人) を 1 票として扱うことになります。 実態 (全国民の中央値) を見たいなら人口加重中央値が必要。 これは「全国民を 1 列に並べたとき、 真ん中の人が住んでいる県」と読めます。

📐 加重中央値の定義

$$M_w = \arg\min_m \sum_{i=1}^{n} w_i |x_i - m|$$

あるいは「累積重みが全体の 50% を初めて超える $x_i$」とも定義可能 (両者は連続データで一致)。

🔬 数式を言葉で読み解く

• $w_i$: 重み (例: 県人口、 標本ウェイト、 売上比率)
• 絶対偏差の重み付き和を最小化: 通常の中央値の自然な拡張
• 累積重み視点: $\sum_{x_i \le M_w} w_i \ge \frac{1}{2}\sum w_i$ を満たす最小の $x_i$

🧮 SSDSE 47 県の単純 vs 人口加重中央値

このコードでやること: SSDSE-B-2026 の実在列 G7101（延べ宿泊者数）について単純中央値と人口加重中央値（重みは A1101 総人口）を計算。 「県別中央値」と「国民全体の中央値」がどう違うかを実感する。

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

# 単純中央値 vs 人口加重中央値
# 値 = 延べ宿泊者数 (G7101), 重み = 総人口 (A1101)
import pandas as pd, numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df.rename(columns={df.columns[0]: 'Year'})
latest = df[df['Year'] == 2023]              # 最新年 (2023) の 47 都道府県
sub = latest[['Prefecture', 'A1101', 'G7101']].dropna()
sub = sub.sort_values('G7101').reset_index(drop=True)

def weighted_median(values, weights):
    sorter = np.argsort(values)
    v = values[sorter]; w = weights[sorter]
    cum = np.cumsum(w)
    return v[np.searchsorted(cum, w.sum() / 2)]

simple_med = np.median(sub['G7101'].values)
weighted_med = weighted_median(sub['G7101'].values, sub['A1101'].values)

print(f'単純中央値 (県別)       = {simple_med:.0f}')
print(f'人口加重中央値 (国民別) = {weighted_med:.0f}')
print(f'比率 = {weighted_med/simple_med:.3f}')

📤 実行例:

💬 加重中央値は単純中央値の約 2.9 倍。 つまり「都道府県を 1 票として並べた中央県の延べ宿泊者数（約 585 万人泊）」と「全国民を 1 列に並べた中央の人が住む県の延べ宿泊者数（約 1721 万人泊）」では約 3 倍の差が出る。 人口の多い都府県ほど宿泊者数も多いため、 国民を単位にすると中央がぐっと上振れする。 政策報告で「全国の中央値」を語るときは、 どちらの中央値かを必ず明示する必要がある。 国民個人の経験を反映するなら加重中央値が正しい。

🔬 数式を言葉で読み解く

前節の数式に含まれる記号を、 日本語の意味に翻訳する。

• X, Y — 観測されたデータ系列 (SSDSE-B-2026 の各列など)
• n — 標本サイズ (47 都道府県データなら 47)
• θ, β, α — 推定すべき未知パラメータ
• ε, u — 観測されない誤差項・撹乱項
• E[·] — 期待値 (母集団平均)
• Var, Cov — 分散・共分散
• arg min / arg max — 「最小化 / 最大化するパラメータ」の意

central tendency の数式は、 これらの記号を組み合わせて「データから未知量を推定する」あるいは「データの構造を要約する」プロセスを記述している。

🧮 幾何平均・調和平均で SSDSE-B 47 県を比較する

🧮 幾何平均・調和平均で SSDSE-B 47 県を比較する

中心傾向には算術平均 (mean) 以外に、 幾何平均 (geometric mean) と 調和平均 (harmonic mean) がある。 どちらを使うかは「データが何を表しているか」で決まる。 SSDSE-B-2026 の都道府県データで違いを実感しよう。

大小関係: 常に $H \le G \le \bar{x}$ (等号成立は全データ同値時のみ)。 この不等式は中心傾向の選択基準として極めて重要。

🎯 このコードでやること: SSDSE-B-2026 の都道府県人口について算術平均・幾何平均・調和平均を計算し、 $H \le G \le \bar{x}$ を実値で確認する。

📥 入力データ (SSDSE-B-2026 総人口 A1101、 2023 年 47 県):

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import pandas as pd
from scipy.stats import gmean, hmean

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
pop = df[df.iloc[:, 0] == 2023]['A1101'] / 1000   # 2023 年 47 県・千人

print(f"算術平均 = {pop.mean():.1f}")
print(f"幾何平均 = {gmean(pop):.1f}")
print(f"調和平均 = {hmean(pop):.1f}")
print(f"H <= G <= mean: {hmean(pop) <= gmean(pop) <= pop.mean()}")

📤 実行例:

💬 算術 2646 → 幾何 1831 → 調和 1423 と階段状に下がる（2023 年・千人）。 東京 (14,086 千人) と鳥取 (約 537 千人) の大きな差が、 算術平均を大きく押し上げている。 県別人口分布のように右に裾の長い分布では、 算術平均は「典型的な県」を表さない。 報告書で「平均人口」と書くときは、 どの平均かを必ず明示する。

🧪 中心傾向の頑健性 (Robustness) — トリム平均・Winsor 平均の徹底解説

「平均値が外れ値に弱い」「中央値は外れ値に強い」と一般論で語られるが、 その間には連続的なスペクトラムがある。 ここではトリム平均 (Trimmed Mean) と Winsor 平均 (Winsorized Mean) を SSDSE-B-2026 47 都道府県データで計算し、 「外れ値耐性」と「情報損失」のトレードオフを定量化する。

🔬 数式を言葉で読み解く：頑健中心傾向の数学的定義

$n$ 個のデータを昇順に並べた $x_{(1)} \le x_{(2)} \le \cdots \le x_{(n)}$ について:

• $\alpha$-トリム平均: $$\bar{x}_\alpha = \frac{1}{n-2k}\sum_{i=k+1}^{n-k} x_{(i)}, \quad k = \lfloor \alpha n \rfloor$$ 両端から $\alpha$ 割ずつ捨てて中央 $1 - 2\alpha$ 割の平均を取る。 $\alpha = 0$ で算術平均、 $\alpha = 0.5$ で中央値。
• Winsor 平均: 両端 $\alpha$ 割を捨てるのではなく、 $x_{(k+1)}$ と $x_{(n-k)}$ で置き換える。 情報量はトリム平均より大きい。
• ブレイクダウン点 (BP): 推定量が「壊れる」までに必要な汚染データ割合。 算術平均は BP = 0 (1 個の外れ値で壊れる)、 中央値は BP = 0.5 (半分壊れるまで頑健)、 $\alpha$-トリム平均は BP = $\alpha$。

📊 SSDSE-B-2026 で 4 種類の中心傾向を比較

🐍 Python 実装 — 4 種類の中心傾向を SSDSE-B-2026 で計算

🎯 このコードでやること：SSDSE-B-2026 の都道府県総人口について、 算術平均・10%-トリム平均・10%-Winsor 平均・中央値の 4 種類を scipy.stats.trim_mean・scipy.stats.mstats.winsorize・numpy.median で計算し、 外れ値 (東京) を除外したときの変化幅で頑健性を定量化する。

📥 入力データ (SSDSE-B-2026 47 都道府県)：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

import pandas as pd
import numpy as np
from scipy import stats
from scipy.stats.mstats import winsorize

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
x = df[df.iloc[:, 0] == 2023]['A1101'].astype(float).values / 1000  # 2023年・千人

# 1. 算術平均
mean_full = x.mean()
# 2. 10%-トリム平均
trim_full = stats.trim_mean(x, 0.10)
# 3. 10%-Winsor 平均
wins_full = winsorize(x, limits=[0.10, 0.10]).mean()
# 4. 中央値
med_full  = np.median(x)

print(f'全 47 県:')
print(f'  算術平均       = {mean_full:8.1f}')
print(f'  10%トリム平均  = {trim_full:8.1f}')
print(f'  10%Winsor 平均 = {wins_full:8.1f}')
print(f'  中央値         = {med_full:8.1f}')

# 東京を除外して再計算 → 各指標の変化幅
x_no_tokyo = x[x < 10000]
print(f'\n東京除外後:')
print(f'  算術平均       = {x_no_tokyo.mean():8.1f}  Δ={mean_full - x_no_tokyo.mean():+.1f}')
print(f'  10%トリム平均  = {stats.trim_mean(x_no_tokyo, 0.10):8.1f}')
print(f'  中央値         = {np.median(x_no_tokyo):8.1f}')

📤 実行結果：

💬 結果の読み方：東京 1 県を除外しただけで算術平均は 約 249 千人 (9.4%) も動くが、 トリム平均は約 137 千人 (6.5%)、 中央値は 約 41 千人 (2.6%) しか動かない。 「47 県の典型的な人口を 1 つの数字で表す」目的なら算術平均は明らかに不適。 報告書で「平均人口」を語る際は、 トリム平均か中央値の併記が誠実。

⚠️ 中心傾向選択の落とし穴 5 件

• 算術平均と裾：所得・人口・売上のような右に裾の長い分布では、 算術平均は中央値の 1.3〜2 倍にズレる。 「平均年収」が「典型的な年収」とは限らない。
• 0 を含むデータの幾何平均：幾何平均は $\prod x_i$ なので 1 つでも 0 があると全体が 0 になる。 株価リターンの $0\%$ の月を含むときは $\log(1 + r)$ の算術平均を取って指数を戻す。
• 調和平均の符号：負の値があると調和平均は意味を失う。 速度・密度・PER のような比率のデータでのみ使う。
• トリム平均の対称性：両端から同じ割合を捨てるので歪んだ分布では本質を取り違える。 右に歪んだ分布なら右端を 20%、 左端を 5% といった非対称トリムが必要。
• 中央値の連続性問題：偶数個のデータでは中央 2 値の平均を取るが、 厳密には「観測されていない値」になる。 順位検定では中央値の点推定より順位差に基づく方が頑健。

🖼 図と表で読む代表値 — 平均・中央値・最頻値の比較

代表値 (中心傾向) はデータの「典型」 を 1 つの数値で表す。 SSDSE-B-2026 の都道府県データを題材に、 平均・中央値・最頻値が分布形状によってどう乖離するかを実値で示す。 これは記述統計の基礎中の基礎だが、 「どの代表値を使うか」 で結論が変わる場面が実務に多い。

🖼 図1: 右に歪んだ分布での平均 vs 中央値

都道府県人口は典型的な右に歪んだ分布。 平均は東京・神奈川・大阪に引っ張られて大きく、 中央値はほぼ無影響。 SSDSE-B-2026 の 2023 年・47 都道府県の総人口（A1101）では、 「平均人口 264.6 万人」 と聞くと「都道府県の典型」 のように思えるが、 中央値は 154.9 万人で、 47 都道府県のうち 24 県が中央値以下。

→ 右に歪んだ分布では平均 > 中央値。 SSDSE-B の 2023 年人口データでは「平均 264.6 万人」 ではなく「中央値 154.9 万人」 と報告すべき場面が多い。 「典型」 を語るなら中央値、 「総量」 を語るなら平均、 という使い分けが基本。

🖼 図2: 4 つの代表値が一致する分布 (正規分布)

正規分布では平均 = 中央値 = 最頻値が一致する。 SSDSE-B-2026 の「平均寿命」 がこれに近い。 男女別平均寿命の分布は 47 都道府県でほぼ対称、 平均 ≒ 中央値 ≒ 84.2 歳。 こうした「対称分布」 では代表値の選択に悩まない。

→ 正規分布なら平均で十分。 ただし「正規分布に見える」 だけで実は歪んでいる場合があるので、 必ずヒストグラムで分布形状を確認するのが鉄則。

🖼 図3: 大数の法則と中心極限定理

サンプル平均の挙動を理解するには大数の法則 (LLN) と中心極限定理 (CLT) が不可欠。 SSDSE-B から無作為抽出した小さな標本でも、 標本サイズを大きくすれば母平均に収束し、 分布は正規分布に近づく。 代表値の信頼性を測る土台。

→ n=10 では標本平均がばらつくが、 n=100 では母平均近傍に集中、 n=1000 ではほぼ点に収束。 「平均値の信頼性」 はサンプルサイズに依存する。 SSDSE-B のような全数調査では問題ないが、 標本調査なら CLT を意識して標準誤差を併記すべき。

🔬 数式を言葉で読み解く — 代表値の数学的定義

3 つの代表値の式:

$$ \bar{x} = \frac{1}{n}\sum_{i=1}^n x_i,\quad \tilde{x} = x_{(\lceil n/2 \rceil)},\quad \text{Mode} = \arg\max_x f(x) $$

• $\bar{x}$ (算術平均): 全データの和を n で割る。 外れ値に弱い。 「総和を等分する値」。
• $\tilde{x}$ (中央値): ソート後の中央位置の値。 外れ値に強い。 「順位の真ん中」。
• Mode (最頻値): 確率密度 $f(x)$ が最大になる値。 カテゴリカルデータでも定義可能。

右に歪んだ分布では Mode < Median < Mean、 左に歪んだ分布ではこの逆。 この順序を覚えておくと、 平均と中央値の差から分布の歪みを推定できる。

🧮 表で整理: 代表値の特性比較

→ 分布が対称なら平均、 歪んでいるなら中央値、 カテゴリカルなら最頻値、 比率なら幾何/調和平均。 SSDSE-B の各指標に対して「どの代表値が適切か」 を分布形状から判断するのが基本姿勢。

🐍 Python 実装 — SSDSE-B-2026 で代表値を一括計算

このコードでやること: SSDSE-B-2026 の主要 4 指標 (総人口 A1101、 延べ宿泊者数 G7101、 合計特殊出生率 A4103、 消費支出 L3221) について、 算術平均・中央値・最頻値・幾何平均を一括計算し、 分布形状による差を可視化する。 総人口と延べ宿泊者数は右に強く歪み、 合計特殊出生率と消費支出はほぼ対称、 という対比が要点。

📥 入力データ (SSDSE-B-2026 抜粋、 2023 年):

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

import pandas as pd
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df.rename(columns={df.columns[0]: 'Year'})
df = df[df['Year'] == 2023]                       # 最新年の 47 都道府県

# 主要 4 指標 (実在列): A1101 総人口 / G7101 延べ宿泊者数
#                       A4103 合計特殊出生率 / L3221 消費支出
cols = ['A1101', 'G7101', 'A4103', 'L3221']
result = pd.DataFrame({
    '平均': df[cols].mean().round(1),
    '中央値': df[cols].median().round(1),
    '最頻値': df[cols].mode().iloc[0].round(1),
    '幾何平均': df[cols].apply(lambda x: stats.gmean(x)).round(1),
})
result['歪み比 (平均/中央値)'] = (result['平均'] / result['中央値']).round(3)
print(result)

📤 実行例 (実際の出力):

💬 総人口 (A1101) の歪み比 1.71、 延べ宿泊者数 (G7101) は 1.82 — どちらも右に大きく歪んでいる (東京・大阪が引っ張る)。 合計特殊出生率 (A4103) は 1.00 でほぼ対称、 消費支出 (L3221、 二人以上の世帯) も 0.98 でほぼ対称。 「対称な指標なら平均、 延べ宿泊者数のように歪んだ量なら中央値」 がデータ駆動の結論。

⚠️ 落とし穴 — 代表値の選択で陥りやすい 5 つの罠

• 歪み分布で算術平均を使う: 所得・売上・人口など右に歪んだデータで平均だけ報告すると「典型を歪める」。 中央値も併記する。
• 最頻値の連続データ適用: 連続変数では厳密な最頻値は存在しない (確率 0)。 KDE で密度ピークを取るか、 ビン化して扱う。
• カテゴリで平均を計算: 名義尺度 (例: 血液型) に平均は無意味。 最頻値のみ可。
• 幾何平均で 0 や負を含める: $\log(0) = -\infty$ で計算不能。 株価の前日比なら $\log(1+r)$ で扱う。
• 中央値だけで分布を語る: 中央値が同じでも分布形状は全く違うことがある。 必ず IQR や標準偏差と併記。

📝 理解度チェック

1. SSDSE-B の都道府県人口は対称分布か歪み分布か? (答: 右に歪んだ分布)
2. 右に歪んだ分布での 3 代表値の大小関係は? (答: Mode < Median < Mean)
3. 外れ値に最も強い代表値は? (答: 中央値)
4. カテゴリカルデータで唯一使える代表値は? (答: 最頻値)
5. SSDSE-B の平均寿命の歪み比が ≈1.0 になる理由は? (答: 正規分布に近いから)

→ 5 問のうち 4 問以上正解できれば代表値の選択は適切にできる。 特に問 2 の大小関係は分布の歪みを瞬時に判定する道具。

🌐 関連用語と発展

代表値をマスターしたら次は: 平均 / 中央値 / 最頻値 / 分散 / 標準偏差 / 四分位数 / 箱ひげ図 / ヒストグラム / 正規分布 / 分布 へ。

📐 深掘り — 代表値の頑健性と実務での選択

統計学では「頑健性 (robustness)」 が代表値の重要な性質。 算術平均は 1 つの外れ値で大きくズレるため「破壊点 0%」 (どんなに小さな汚染にも弱い)。 一方、 中央値は データの半分以上が同じ場所にある限り変化しないため「破壊点 50%」 (極めて頑健)。 トリム平均 (両端 α% を捨てる) は破壊点 α%。 SSDSE-B-2026 のような実データでは、 外れ値が必然的に混入するため、 頑健代表値の併用が望ましい。

実務での選択指針: (1) 「典型を語る」 なら中央値、 (2) 「総量との関係を語る」 なら平均、 (3) 「最も多いカテゴリを語る」 なら最頻値、 (4) 「成長率を語る」 なら幾何平均、 (5) 「速度や効率を語る」 なら調和平均。 SSDSE-B の各指標について、 この 5 つの問いに答えてから代表値を選ぶ。 「とりあえず平均」 は素人の選択。

プロフェッショナルな統計報告では、 代表値を 1 つだけ報告するのは禁物。 必ず「平均 + 中央値 + (分散 or IQR)」 のセットで報告する。 これは ICMJE (国際医学雑誌編集者委員会) の医学論文ガイドラインや、 OECD の経済統計報告基準でも明示されている標準。 SSDSE-B を扱う政策立案でも、 この三点セットを最低限提示すべきである。

🔬 補足 — 代表値の哲学と歴史

算術平均は古代から知られた概念だが、 「最小二乗の意味で最適」 という現代的解釈は Gauss (1809) と Legendre (1805) による。 中央値は Fechner (1878) が体系化、 最頻値は Pearson (1895) が「mode」 と命名。 これら 3 つは独立に発展したが、 19 世紀末にようやく「代表値」 として統一概念になった。

統計学者 Tukey は「平均と中央値のどちらを使うか」 という議論に対して「両方使え。 違いがあれば、 それ自体が有用な情報」 と述べた。 平均と中央値の差は「分布の歪み」 を測る最も簡単な指標であり、 SSDSE-B-2026 の各指標について平均/中央値の比を計算することで、 47 都道府県データの分布構造が一望できる。 この観点こそが、 代表値を「データを要約する手段」 から 「データを理解する手段」 へと昇華させる鍵である。

📖 ケーススタディ — SSDSE-B-2026 の 5 指標で代表値を使い分ける

SSDSE-B-2026 の代表的な 5 指標について、 どの代表値を使うべきかを実値で議論する。

1. 総人口 (右に強く歪む): 算術平均 265 万人、 中央値 155 万人。 「典型的な都道府県」 を語るなら中央値 155 万人を選ぶべき。 「総人口」 「国全体の規模」 を語るなら算術平均 (× 47 ≈ 1.24 億人) が合う。
2. 延べ宿泊者数 (右に強く歪む): 平均/中央値 = 1.82 で大きな歪み。 中央値は約 585 万人泊 (最少の徳島 170 万人泊の約 3.4 倍)。 「典型」 を語るなら中央値必須。
3. 平均寿命 (ほぼ対称): 平均 ≒ 中央値 ≒ 84.2 歳。 どちらを使っても結論は変わらない。 算術平均で OK。
4. 高齢化率 (ほぼ対称、 やや左に裾): 平均 29.8%、 中央値 30.2%。 「典型」 はどちらでも近い。 ただし秋田 (37.5%) のような外れ値は別途言及すべき。
5. 人口あたり所得 (やや右に歪む): 東京・愛知が引っ張る。 中央値 287 万円、 算術平均 304 万円。 5% 程度のズレなので、 文脈次第。 政策議論なら中央値、 経済集計なら平均。

これらの判断は「データの形を見てから決める」 ことが肝心。 「とりあえず平均」 では、 政策議論で「庶民感覚との乖離」 を生む。 SSDSE-B-2026 を使った教育では、 学生に「平均と中央値の差から何が読み取れるか」 を考えさせることが、 統計リテラシーの第一歩。

🛠 実装チェックリスト — 代表値の選択と報告

統計レポートや論文で代表値を扱うときの確認項目。

• □ 分布形状をヒストグラム/箱ひげで必ず確認したか?
• □ 平均と中央値の両方を報告したか?
• □ 分布が歪んでいる場合、 どちらを「典型」 として強調するかを明示したか?
• □ 散らばり (分散・IQR・範囲) も併記したか?
• □ 外れ値の存在と扱いを記述したか?
• □ 尺度水準に合った代表値を選んだか? (名義尺度に算術平均はダメ)
• □ 標本データなら標本サイズと標準誤差を明示したか?
• □ 比率データなら幾何平均・調和平均の併用を検討したか?

→ このチェックリストの 8 項目すべてに「はい」 と答えられれば、 統計報告のプロ水準。 SSDSE-B-2026 を扱う論文・レポートでも、 ここまで意識すれば査読者から「代表値の選択が不適切」 という指摘を受けることはない。

📋 FAQ — 代表値でよくある質問

Q1: 「平均値」 と聞いたら算術平均でいい?

通常は算術平均を指すが、 分野によって違う。 金融の「平均リターン」 は幾何平均、 物理の「平均速度」 は調和平均、 統計学の「期待値」 は確率重み付き算術平均。 文脈を必ず確認。 SSDSE-B-2026 の「平均寿命」 は算術平均だが、 「平均成長率」 を計算するなら幾何平均が正確である。 文脈を読む力こそが、 真の統計家の素養と言える。

Q2: 中央値の方が常に外れ値に強いの?

概ね正しい (破壊点 50% vs 0%)。 ただし「外れ値が両側に対称」 ならば算術平均も中央値も影響を受けない。 「外れ値が片側に集中」 する場合 (典型: 所得) で中央値の優位性が顕著。 SSDSE-B の総人口・延べ宿泊者数のような右に歪むデータでは中央値必須。 ただし中央値だけでは情報損失も大きいので、 必ず平均と併記するのが推奨される報告形式である。

Q3: 最頻値はいつ使う?

カテゴリカルデータ (名義尺度) では唯一使える代表値である。 例: 都道府県別の「最も多い世帯構成タイプ」、 「最も人気の業種カテゴリ」。 連続データでは KDE のピーク (モード推定) を使う。 多峰分布 (2 つ以上のピーク) では、 1 つの最頻値で代表させると本質を失う。 例えば「年収分布」 が双峰 (低所得層と高所得層) になっている場合、 最頻値を 1 つ報告するだけでは、 社会構造を正しく伝えられない。 多峰分布は別途、 各ピークを明示する必要がある。

Q4: 平均と中央値の差をどう解釈する?

平均 > 中央値 という関係が見られたら、 右に歪む分布 (高額・大規模が引っ張る、 所得・人口・売上) を疑う。 平均 < 中央値 → 左に歪む (低額・小規模が引っ張る、 寿命・温度の下限境界)。 平均 ≒ 中央値 → 対称分布。 比 (平均/中央値) を歪み指標として使うと、 1.0 で対称、 1.5 以上で「強く歪み」 と評価できる。 SSDSE-B の人口データの平均/中央値 ≈ 1.6 はまさにこの「強く歪み」 ゾーンに入っている。

Q5: 代表値を学ぶ最良の入門書は何でしょうか?

日本語なら『統計学入門』 (東京大学教養学部統計学教室) の第 2 章が体系的で分かりやすく入門に最適である。 『データ視覚化のデザイン』 (永田ゆかり) は代表値の選び方を実例で学べる定番書である。 英語なら『The Visual Display of Quantitative Information』 (Tufte) が古典中の古典。 数学的に深掘りしたいなら『Robust Statistics』 (Huber) で破壊点・影響関数を学べる。 オンラインなら Khan Academy の Statistics & Probability コースが分かりやすく、 無料で学べる。 日本語訳 (Khan Academy 日本語版) もあり、 アクセシブル。 さらに、 統計検定 2 級・準 1 級の公式テキストも、 代表値を体系的に学ぶ良い教材である。 試験勉強の副産物として、 統計の基礎が固まる、 という一石二鳥の効果がある。 これらの学習資源を組み合わせて、 自分のペースで代表値の理解を深めていくことをお勧めしたい。

🧭 まとめ — 代表値を貫く 3 つの原則

代表値全体を一本の糸で貫くと、 次の 3 つの原則に集約される。

1. 「分布を見てから選ぶ」 原則: 代表値の選択はデータの形状次第。 ヒストグラムや箱ひげを見ずに代表値を選ぶのは、 地図を見ずに目的地へ向かうようなもの。
2. 「平均と中央値を併記する」 原則: どちらか 1 つに絞らず、 両方を提示する。 両者の差から「分布の歪み」 が読める。 OECD, ICMJE などの国際基準でも標準的な報告様式。
3. 「文脈に合わせる」 原則: 「典型」 なら中央値、 「総量」 なら算術平均、 「成長率」 なら幾何平均、 「速度」 なら調和平均。 文脈と目的を明確にした上で代表値を選ぶ。

これらを意識して代表値を扱えば、 単なる「数値の平均化」 ではなく「データの本質を抽出する技術」 として機能する。 SSDSE-B-2026 を扱うすべての分析者にとって、 代表値の選択は最初の関門であり、 ここを正しく通れば、 その後の統計分析全体が安定する。 代表値は統計学のすべての基礎であり、 これを深く理解することは、 統計リテラシーそのものを高めることに直結する。

📊 47 都道府県データで代表値の具体実演 (詳細)

SSDSE-B-2026 の主要 5 指標について、 4 つの代表値 (平均、 中央値、 最頻値、 幾何平均) の数値と、 それぞれの選択理由を詳細に検討する。

指標 1: 総人口。 47 都道府県の平均 265 万人、 中央値 155 万人、 最頻値は連続変数なので KDE ピークから 130 万人付近、 幾何平均 183 万人。 「日本の典型的な都道府県は人口 155 万人前後」 と語るなら中央値、 「日本全体の人口は 265 × 47 ≈ 1.24 億人」 と語るなら算術平均が正しい。 47 都道府県を一様にサンプルしたときの平均値の期待値は算術平均と一致するため、 「無作為に 1 県選んだら、 何人住んでいると期待されるか」 という問いには平均が答え。

指標 2: 延べ宿泊者数。 平均 1064 万人泊、 中央値 585 万人泊、 平均/中央値 = 1.82。 これは「右に強く歪んだ分布」 の典型例。 東京 (8027 万人泊)、 大阪 (4401 万人泊)、 北海道 (3278 万人泊)、 京都 (2646 万人泊) が引っ張る。 「典型的な都道府県の宿泊需要」 を語るなら中央値 585 万人泊。 これは最少の徳島 (170 万人泊) の約 3.4 倍、 鳥取 (188 万人泊) の約 3.1 倍、 という比較ができる。

指標 3: 平均寿命 (男女平均)。 平均 84.2 歳、 中央値 84.3 歳、 ほぼ一致。 これは「対称分布」 の典型例。 47 都道府県は概ね 82-86 歳の範囲に収まり、 外れ値は少ない。 「平均寿命は 84 歳前後」 という単純な要約が許される稀なケース。

指標 4: 高齢化率。 平均 29.8%、 中央値 30.2%、 ほぼ対称だがやや左に裾。 秋田 (37.5%)、 高知 (35.7%) が右に外れ、 沖縄 (22.4%)、 東京 (23.3%) が左に外れる。 全体としては中央値 30% が典型と言ってよい。

指標 5: 1 人あたり所得 (県民所得÷人口)。 平均 304 万円、 中央値 287 万円、 やや右に歪み。 東京 (435 万円)、 愛知 (375 万円) が引っ張る。 5% 程度の乖離なので、 文脈次第。 「都道府県格差」 を強調するなら中央値で、 「日本全体の平均」 なら算術平均で。

これら 5 指標を一覧すると、 「対称か歪みか」 「歪みの程度」 によって代表値の選び方が決まることが分かる。 ヒストグラムで分布形状を確認することが、 すべての出発点である。 SSDSE-B-2026 を扱う初学者は、 まずこの 5 指標についてヒストグラムを描き、 代表値を計算するところから始めるとよい。 統計リテラシーの第一歩であり、 同時に最重要のステップである。

🧩 代表値の発展 — 高次の中心極限

代表値の概念は、 「データの中心」 から「データの形」 へと拡張される。 中央値は分布の 50% 位置、 四分位数は 25%/75% 位置を表す。 さらに 一般化して「分位数 (quantile)」 という概念が定義される: $Q_p$ は分布のパーセンタイル $p$ に対応する値。 SSDSE-B の延べ宿泊者数で $Q_{0.95} \approx 3089$ 万人泊なら、 「47 都道府県のうち、 延べ宿泊者数 3089 万人泊以下が 95%」 という意味。

分位数は多変量データの分析でも重要。 分位数回帰 (Quantile Regression) は、 平均ではなく分位数を予測する手法。 「平均的にこうなる」 ではなく「上位 10% はこうなる、 下位 10% はこうなる」 を直接モデル化できる。 経済格差の研究や医療データ分析で使われる。

さらに、 信頼区間 (Confidence Interval) は「代表値の周辺の不確実性」 を表現する。 サンプル平均だけでなく「平均 ± 標準誤差」 として報告するのが現代統計の標準。 SSDSE-B-2026 は全数調査だが、 サンプリングデータを扱うときは必ず信頼区間を併記する習慣を身につけたい。

最後に、 「代表値だけでデータを語るのは限界がある」 という認識を持つことが大切である。 Anscombe's quartet (1973) は、 同じ平均・分散を持つが分布形状が全く異なる 4 つのデータセットを示した。 代表値は出発点であり、 終点ではない。 ヒストグラム・箱ひげ・散布図と組み合わせて、 データの全体像を捉えることが、 真の統計リテラシーである。

🎓 代表値学習の到達点 — 統計コンペで何が問われるか

本記事のテーマである SSDSE-B-2026 を使った「統計データ解析コンペ」 では、 代表値の正しい選択と提示が予選通過の最低ラインとなる。 過去のコンペで頻出する代表値関連の出題傾向を整理する。

• 分布形状の判定: 与えられたデータが対称か歪みかを、 ヒストグラム・平均/中央値比・歪度から判定する。 SSDSE-B の各指標が良い練習材料。
• 代表値の選択: 「典型」 「総量」 「成長率」 「速度」 など文脈に応じて代表値を選び、 その理由を 1-2 文で説明する。
• 外れ値の扱い: 外れ値を除外するか、 ロバスト代表値 (中央値、 トリム平均) を使うか、 外れ値を別途報告するか、 の判断と根拠説明。
• 地域比較: SSDSE-B の都道府県データから「東日本 vs 西日本」 「人口大都市圏 vs 地方」 などの比較で、 代表値の差から構造を読み取る。
• 政策提言: 代表値だけでなく、 分布形状全体を踏まえた政策提言。 「中央値より下の都道府県を底上げ」 のような具体的な戦略を導く。

これらの問いに自信を持って答えられれば、 統計コンペの予選は通過できる。 さらに上を目指すなら、 信頼区間、 分位数回帰、 ロバスト推定、 多変量代表値 (重心、 メドイド) などへ学習を広げる。 本記事の内容を完全に理解した上で、 SSDSE-B-2026 を題材に手を動かす — これが代表値マスターへの確実な道である。 統計コンペで上位入賞する分析チームの共通点は、 「代表値を正しく選び、 分布全体を踏まえて議論する」 という基本姿勢を徹底していることである。 派手な手法を使う前に、 まず代表値を完璧にする。 これが優勝への王道である。 そして、 この王道を歩むための最良のテキストは、 本記事と SSDSE-B-2026 の実データそのものである。 手を動かし、 試行錯誤し、 自分の言葉で説明できるようになるまで、 繰り返し練習することをお勧めしたい。 代表値は統計学の入り口だが、 同時に統計学の終点でもある。 この入り口から終点まで貫く視点が、 統計家としての成熟度を決める。 ぜひ、 本記事を何度も読み返し、 SSDSE-B-2026 の各指標について自分なりの分析を組み立ててみてほしい。 きっと、 代表値を語ることで、 47 都道府県の姿が立体的に見えてくるはずである。 それが、 統計学の魅力であり、 データ分析の本質である。

記述統計の 3 本柱である 平均 (mean)・中央値 (median)・分散 (variance) に、 多様な整数の合成データ ($n=5$) を代入して計算過程を Step 1〜4 で展開する。 同じ計算を Python (numpy) で再現し、 結果が一致することを確認する。

📐 用語の主要数式 (再掲)

$$ \bar x = \frac{1}{n}\sum_{i=1}^{n} x_i, \quad \text{median} = x_{((n+1)/2)}, \quad s^2 = \frac{1}{n-1}\sum_{i=1}^{n}(x_i - \bar x)^2 $$

$\bar x$ は標本平均、 median はソート済みの真ん中の値、 $s^2$ は不偏標本分散 ($n-1$ で割る形式)。

Step 1: データ準備 (合成、 多様な整数)

Step 2: 平均 $\bar x$

Step 3: 中央値 (ソート → 真ん中)

Step 4: 不偏分散 $s^2$

🐍 同じ計算を Python で再現

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import numpy as np

x = np.array([4, 7, 2, 8, 5])

mean   = x.mean()
median = np.median(x)
var    = x.var(ddof=1)    # ddof=1 で不偏分散 (n-1 で割る)

print(f"mean   = {mean}")
print(f"median = {median}")
print(f"var    = {var}")

📤 実行結果

💬 手計算 Step 2-4 (平均 5.2, 中央値 5, 不偏分散 5.7) と Python (`ddof=1`) の出力が完全一致。 平均 5.2 と中央値 5.0 がほぼ等しいので、 このデータは大きな歪みを持たない。 仮に $x_5$ を 5 から 500 に置換すると平均は 104 に跳ね上がるが中央値は 7 に留まり、 中央値の頑健性が確認できる。

🧮 数式に値を入れて手で計算する: 平均・中央値・最頻値の比較

合成データ [2,4,7,5,3,7,9] で 3 種類の代表値を計算する。

Step 1: 並べ替え

Step 2: 平均

Step 3: 中央値 (n=7 → 4 番目)

Step 4: 最頻値

🐍 Python で再現

1
2
3
4
5
6

import numpy as np
from scipy import stats
x = np.array([2, 4, 7, 5, 3, 7, 9])
print(f"平均: {x.mean():.3f}")
print(f"中央値: {np.median(x)}")
print(f"最頻値: {stats.mode(x, keepdims=True).mode[0]}")

📤 実行結果

💬 手計算 (Step 2-4) と Python 出力が完全一致。 平均 < 中央値 < 最頻値 で右に長い分布。

🐍 Python 実装バリエーション

A. numpy・pandas（最頻出）

1
2
3
4
5

import numpy as np, pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
x = df['食料費（二人以上の世帯）']
print(x.mean(), x.median(), x.mode().iloc[0])
print(np.mean(x), np.median(x))

B. scipy.stats（mode 厳密版・幾何/調和平均）

1
2
3
4
5

from scipy import stats
print(stats.mode(x, keepdims=False))       # 最頻値
print(stats.gmean(x))                       # 幾何平均
print(stats.hmean(x))                       # 調和平均
print(stats.trim_mean(x, proportiontocut=0.1))  # 10% トリム平均

C. statistics（標準ライブラリ・教育用）

1
2
3
4

import statistics as st
print(st.mean(x), st.median(x), st.mode(x))
print(st.fmean(x))            # float 高速版（Python 3.8+）
print(st.geometric_mean(x))

D. 加重平均と移動平均

1
2
3
4
5
6

weights = df['総人口']
weighted = np.average(x, weights=weights)
print('人口加重平均 =', weighted)

# 時系列の移動平均
ma = x.rolling(window=5, center=True).mean()

E. ロバスト推定（Huber / 中央値ブートストラップ）

1
2
3
4

from scipy.stats import bootstrap
rng = np.random.default_rng(42)
res = bootstrap((x,), np.median, n_resamples=5000, random_state=rng)
print('中央値の 95% CI:', res.confidence_interval)

⚠️ 代表値の落とし穴 7 連発

📜 歴史 — 4000年の知恵

• 古代バビロニア（紀元前2000年頃）：天体観測の誤差を補正するため、 算術平均が使われた
• ピタゴラス学派（紀元前500年頃）：算術・幾何・調和の3平均を「音楽の調和」と結びつけた
• Edward Wright（1599）：航海術で複数方位観測の中央値を提案
• Gauss（1809）：最小二乗法を発明、 平均が正規分布の最尤推定量
• Galton（1869）：「median」という用語を導入
• Karl Pearson（1895）：「mode」という用語を提唱、 ピアソンの経験式
• Tukey（1977）：トリム平均などロバスト統計を体系化

🌐 関連手法・派生

代表値（central tendency）は記述統計の中核をなす量で、 周辺の概念と連携することで分析の意味が深まる。 平均・中央値・最頻値はそれぞれ別の損失関数 (L2/L1/L0) の最適解として導出され、 分布形状によって優劣が入れ替わる。

• 上位概念: 記述統計 (descriptive statistics) — 代表値・散らばり・形状の三本柱の一角。
• 並列手法 (同カテゴリ): トリム平均・幾何平均・調和平均・加重平均 — 算術平均の派生で、 外れ値耐性や比率データに対応。
• 前段処理: 尺度水準の確認 (名義は最頻値のみ、 順序は中央値、 間隔/比例は全て可) と外れ値検出 (IQR ルール) が必須。
• 後段処理: 信頼区間 (CLT またはブートストラップ) で標本代表値の不確かさを定量化、 散布図と組み合わせて2変量へ拡張。
• 派生・拡張: 分位点 (中央値の一般化)、 カーネル密度推定 (連続版モード)、 ベイズ事後平均 (事前分布込み)。
• 競合・代替: 分布全体を要約する箱ひげ図・ヒストグラム — 1 点要約では失われる情報を補完する。

SSDSE-B-2026 の家計費データのように右に裾を引く分布では、 平均だけ報告すると典型像を歪める。 中央値と併記、 さらに形状指標（歪度）まで添えるのが標準的な作法である。

🔗 関連用語 — 前提・並列・発展

📚 前提（先に理解しておくと良い）

• 尺度水準 — 名義・順序・間隔・比例。 どの代表値が使えるかが決まる
• 量的変数 / 質的変数
• 母集団 / 標本

🔀 並列（似た目的の他の指標）

• 分散・標準偏差（ばらつき）
• 四分位・IQR（順位ベースのばらつき）
• 共分散（2変数の関係）

🚀 発展（次に学ぶ）

• ヒストグラム・箱ひげ図（分布の可視化）
• 標準化（平均0・分散1への変換）
• 正規分布 + 信頼区間（標本平均の推定）
• 相関係数・単回帰（平均的関係）

📘 前提となる用語（4 個以上）

• 尺度水準 — 名義/順序/間隔/比例で使える代表値が決まる。
• 量的変数 vs 質的変数 — 平均は量的変数のみ。
• 母集団と標本 — 標本平均は母平均の推定量。
• 分布の概念 — 代表値は分布を 1 点で要約する量。
• 外れ値 — 平均と中央値の振る舞いの違いを決める。

⚖️ 並列で比較する用語

• トリム平均・ウィンザー化平均 — 両端を切り捨て・置換した頑健平均。
• 四分位範囲（中点の代替） — (max+min)/2 より頑健な広がり指標。
• 分位点 — 中央値の一般化。
• 形状指標（歪度・尖度） — 代表値と相補。

🚀 発展で学ぶ用語

• カーネル密度推定 — モードを連続的に推定。
• ブートストラップ — 中央値の標準誤差・CI を作る現代的方法。
• ベイズ平均推定（ベイズの定理） — 事前分布を組み込む。
• 頑健統計 — Huber 推定・M 推定。
• 損失関数と代表値 — 平均=L₂、 中央値=L₁、 最頻値=L₀ の最適解。

📚 さらに学ぶ — 参考文献とリソース

古典・基本書

• John W. Tukey "Exploratory Data Analysis" (1977) — 中央値・箱ひげ図・ロバスト統計の原典
• Casella & Berger "Statistical Inference" — 推定論の教科書
• Wasserman "All of Statistics" — 現代統計の総論
• 東京大学教養学部統計学教室編 『統計学入門』 — 日本の標準教科書

実装・実務

• Jake VanderPlas "Python Data Science Handbook" — NumPy/Pandas/Matplotlib の総合
• Wes McKinney "Python for Data Analysis" — Pandas の決定版
• scipy.stats 公式ドキュメント — 統計関数のリファレンス

Web リソース

• SSDSE 統計データ活用コンペティション — 47都道府県の社会経済データ
• 政府統計の総合窓口（e-Stat）— 一次データ
• scipy.stats / pandas / NumPy 公式ドキュメント

このページで使ったデータ

• SSDSE-B-2026：47都道府県×112指標のパネルデータ（2023年データを使用）
• 主な変数：食料費 (L322101)、 住居費 (L322102)、 教育費 (L322108)

📚 「平均」7 種類のカタログ — それぞれの数式・使い時・実値

日常的に「平均」と呼ばれる量には少なくとも 7 種類あります。 用途を間違えると数値が大きく狂います。 ここでは SSDSE-B-2026 の 47 都道府県データを使って各平均の 実値を計算し、 違いを具体的に示します。

📐 7 種類の平均の定義

🔬 数式を言葉で読み解く

• 算術平均: 全部足して個数で割る。 線形性 (加法性) を持つ唯一の平均
• 幾何平均: 対数を取ってから算術平均し、 expで戻す。 「年率の合成」で必須
• 調和平均: 逆数の算術平均の逆数。 「平均速度」「F1 スコア」で正解
• 加重平均: 重みつき合計。 重みが全部同じなら算術平均と一致
• トリム平均: 上下 α% を捨ててから算術平均。 外れ値耐性が中央値と算術平均の中間
• ウィンザライズ: 捨てる代わりに上下 α% を「上限値・下限値」で置換 (情報を残す)
• 関係性: HM ≤ GM ≤ AM (AM-GM-HM 不等式、 等号成立は全要素一致)

🧮 SSDSE 47 県人口で 7 種の平均を計算

このコードでやること: SSDSE-B-2026 の 47 都道府県人口について 7 種類すべての平均を計算し、 「東京の外れ値」がどの程度効くかを定量化する。

📥 入力例 (SSDSE-B-2026 の 2023 年・47 都道府県):

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

# SSDSE-B-2026 47 県人口で「平均」7 種類を計算
import pandas as pd, numpy as np
from scipy import stats

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
pop = d['A1101'].values / 1000            # 総人口 A1101 → 千人

am = pop.mean()
gm = stats.gmean(pop)
hm = stats.hmean(pop)
wm = np.average(pop, weights=pop)         # 人口加重平均（重み=人口自身）
tm = stats.trim_mean(pop, 0.1)            # 上下 10% を除外
wz = stats.mstats.winsorize(pop, limits=[0.1, 0.1]).mean()
md = np.median(pop)

print(f'算術平均     AM = {am:7.0f} 千人')
print(f'幾何平均     GM = {gm:7.0f} 千人')
print(f'調和平均     HM = {hm:7.0f} 千人')
print(f'人口加重平均 WM = {wm:7.0f} 千人')
print(f'10%トリム平均 TM= {tm:7.0f} 千人')
print(f'ウィンザ平均 WzM= {wz:7.0f} 千人')
print(f'中央値        Md = {md:7.0f} 千人')
print(f'AM/Md 倍率 = {am/md:.3f}  (1.0 から離れるほど右裾長い)')

📤 実行例:

💬 算術平均 2646 千人と中央値 1549 千人は 71% も乖離。 これは東京・神奈川など首都圏の極大値が AM を引き上げているため。 トリム平均 (上下 10% 削除) は 2109 千人と中庸的な値に落ち着く。 人口加重平均 (重み=人口自身) は 5541 千人と AM の 2 倍以上に跳ね上がるが、 これは「平均的な日本人が住んでいる県の人口規模」を表し、 多数派が大都市圏に集中するため大きくなる (加重平均は重みが偏るほど大きい値へ引っ張られる)。 「平均人口」と言う時は、 どの平均かを明示しないと誤解を生む。 GM<AM、 HM<GM が成立しているのも確認できる。

🎯 中央値の 95% 信頼区間 — ノンパラ + ブートストラップ

「中央値」を点推定値として出すだけでなく、 95% 信頼区間を併記することで「サンプル変動による不確実性」を可視化できます。 中央値の CI には 2 つの主な方法があります: (1) 二項分布に基づく順序統計量法 (Hettmansperger-McKean)、 (2) ブートストラップ法 (BCa が推奨)。

📐 順序統計量法

$$P(X_{(j)} \le \text{median} \le X_{(k)}) = \sum_{i=j}^{k-1}\binom{n}{i}\frac{1}{2^n}$$

🔬 数式を言葉で読み解く

• $X_{(j)}, X_{(k)}$: $j$ 番目・$k$ 番目に小さい値 (順序統計量)
• $j, k$ を「合計確率が 95% を超える最小区間」になるよう選ぶ
• 大標本近似: $j = \lfloor n/2 - 1.96\sqrt{n/4} \rfloor$、 $k = \lceil n/2 + 1.96\sqrt{n/4} \rceil$
• 長所: 分布形を仮定しない / 短所: 連続性補正なしだとカバレッジが粗い

🧮 SSDSE 47 県人口の中央値 CI

このコードでやること: SSDSE 47 県人口の中央値について、 順序統計量法とブートストラップ法の 2 通りで 95% CI を計算し比較する。

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

# SSDSE 47 県人口の中央値 95% CI を 2 通り計算
import pandas as pd, numpy as np
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
latest = df.sort_values('年度').groupby('地域コード').tail(1)
pop = np.sort(latest['総人口'].values / 1000)   # 人 → 千人（他ブロックと単位を揃える）
n = len(pop)
md = np.median(pop)

# 方法 1: 順序統計量法 (大標本近似)
j = int(np.floor(n/2 - 1.96 * np.sqrt(n/4)))
k = int(np.ceil (n/2 + 1.96 * np.sqrt(n/4)))
ci_order = (pop[j], pop[k])

# 方法 2: パーセンタイルブートストラップ
rng = np.random.default_rng(42)
medians = [np.median(rng.choice(pop, n, replace=True)) for _ in range(5000)]
ci_boot = (np.percentile(medians, 2.5), np.percentile(medians, 97.5))

print(f'中央値             = {md:.0f} 千人')
print(f'95% CI (順序統計量) = [{ci_order[0]:.0f}, {ci_order[1]:.0f}]')
print(f'95% CI (ブートストラップ) = [{ci_boot[0]:.0f}, {ci_boot[1]:.0f}]')

📤 実行例:

💬 中央値 1549 千人の 95% 信頼区間は順序統計量法で [1184, 2004]、 ブートストラップ法で [1184, 1931]。 「47 県の典型的な人口は概ね 118-200 万人の間」と要約できる。 下限は両法とも 1184 千人で一致し、 上限だけ 73 千人ずれる。 N が 30 以上あれば両方の方法はほぼ同じ結果を返す。

📊 最頻値 (mode) の落とし穴 — 連続値ではどう定義するか

離散変数 (血液型・サイコロ目) では「最も頻度が高い値」が一意に定義できますが、 連続変数 (人口・所得・身長) では同じ値が複数現れない (タイがほぼ起きない) ため、 「最頻値」を素朴に定義できません。 解決策は: (1) ビン化してヒストグラムから推定、 (2) KDE (カーネル密度推定) のピーク、 (3) Half-Sample Mode (HSM) などのモード推定アルゴリズムを使用、 の 3 通り。

📐 KDE モード

$$\hat f_h(x) = \frac{1}{nh}\sum_{i=1}^{n} K\left(\frac{x - x_i}{h}\right), \quad \hat M = \arg\max_x \hat f_h(x)$$

🔬 数式を言葉で読み解く

• $K$: カーネル関数 (ガウスカーネルが標準)
• $h$: 帯域幅 (バンド幅)。 Silverman / Scott / cross-validation で選択
• $\hat M$: 推定密度のピーク位置 = 最頻値推定値
• 多峰性: ピークが複数あれば多峰分布 → 単一の「最頻値」では不十分

🧮 SSDSE 47 県人口の最頻値 (KDE 推定)

このコードでやること: SSDSE 47 県人口を scipy.stats.gaussian_kde で KDE 推定し、 ピーク位置を最頻値として求める。 ビン化ヒストグラムからも推定し比較する。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

# SSDSE 47 県人口の最頻値を KDE 推定
import pandas as pd, numpy as np
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
latest = df.sort_values('年度').groupby('地域コード').tail(1)
pop = latest['総人口'].values / 1000            # 人 → 千人（他ブロックと単位を揃える）

# 方法 1: KDE (ガウスカーネル)
kde = stats.gaussian_kde(pop, bw_method='silverman')
x_grid = np.linspace(pop.min(), pop.max(), 1000)
density = kde(x_grid)
mode_kde = x_grid[density.argmax()]

# 方法 2: ヒストグラム (10 ビン)
counts, edges = np.histogram(pop, bins=10)
mode_hist = (edges[counts.argmax()] + edges[counts.argmax()+1]) / 2

# 方法 3: 最頻ビン (Half-Sample Mode 簡易版)
sorted_pop = np.sort(pop)
n_half = len(pop) // 2
gaps = sorted_pop[n_half:] - sorted_pop[:len(pop) - n_half]
hsm_idx = gaps.argmin()
mode_hsm = (sorted_pop[hsm_idx] + sorted_pop[hsm_idx + n_half]) / 2

print(f'KDE モード    = {mode_kde:.0f} 千人')
print(f'ヒストグラムモード = {mode_hist:.0f} 千人')
print(f'Half-Sample Mode = {mode_hsm:.0f} 千人')
print(f'参考: 中央値 = {np.median(pop):.0f}, 算術平均 = {pop.mean():.0f}')

📤 実行例:

💬 47 県人口の最頻値は推定法によって 104〜141 万人 (Half-Sample Mode 1043 千人 / ヒストグラム 1214 千人 / KDE 1405 千人) と幅があり、 いずれも中央値 (155 万人) より小さい。 これは「人口 100 万人前後の中堅県」が最も多く、 東京・大阪のような超大型は少数派という構造を示す。 算術平均 265 万人は典型値から大きく外れる → 「県別平均人口は約 265 万」と書くのは 政策報告では誤解を招く。 なお 3 つの推定値が 36% も開くこと自体が、 連続量の最頻値が定義に依存する不安定な指標であることの証拠でもある。

🛡️ ロバスト統計入門 — ブレイクダウン点と効率性

「外れ値に強い代表値」を作る理論を ロバスト統計 (robust statistics) と呼びます。 重要指標は: (1) ブレイクダウン点 — 何 % の外れ値で推定値が破綻するか、 (2) 効率性 — 正規分布下での分散最小化能力、 (3) 影響関数 — 1 個の外れ値の影響度。

📐 主要代表値のブレイクダウン点

🔬 数式を言葉で読み解く (ブレイクダウン点)

• ブレイクダウン点 50% = データの半分まで外れ値に置き換えても推定値が破綻しない。 中央値は理論的最大値で「最強の頑健性」
• ブレイクダウン点 0% = 1 個の外れ値で推定値が無限大に。 算術平均はこのカテゴリ
• 効率 100% = 正規分布の母平均推定で最小分散。 ロバスト性とのトレードオフ
• 実用推奨: 「中央値 (50%・63.7%)」と「10% トリム平均 (10%・96%)」のバランスが良い

🧮 SSDSE 人口データへの外れ値混入実験

このコードでやること: SSDSE 47 県人口に「架空の超大都市 1 億人」を 1 件混入し、 各代表値がどう変化するかを比較。 ロバスト性の差を可視化。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

# 外れ値 1 個混入による代表値の変化
import pandas as pd, numpy as np
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', header=1)
latest = df.sort_values('年度').groupby('地域コード').tail(1)
pop = latest['総人口'].values / 1000       # 人 → 千人（他ブロックと単位を揃える）

def summary(arr, label):
    return (label,
            arr.mean(),
            np.median(arr),
            stats.trim_mean(arr, 0.1),
            stats.trim_mean(arr, 0.25))

label, am, md, tm10, tm25 = summary(pop, '元データ')
print(f'{label}: AM={am:.0f}, Md={md:.0f}, TM10={tm10:.0f}, TM25={tm25:.0f}')

# 外れ値 1 億人 (現実の 7 倍) を混入
pop_outlier = np.append(pop, 100000)
label, am, md, tm10, tm25 = summary(pop_outlier, '+外れ値')
print(f'{label}: AM={am:.0f}, Md={md:.0f}, TM10={tm10:.0f}, TM25={tm25:.0f}')

# 変化率
print(f'変化率: AM={am/pop.mean()*100-100:+.1f}%, Md={md/np.median(pop)*100-100:+.1f}%')

📤 実行例:

💬 たった 1 個の外れ値 (1 億人 = 100,000 千人) で算術平均は 2646 → 4674 千人と 76.7% 増、 中央値は 1549 → 1629 千人で 5.2% 増 (順位が 1 段ずれただけ)、 25% トリム平均は 1626 → 1651 千人で 1.5% 増にとどまる。 ロバスト統計の威力が一目瞭然。 政策議論で「ロバスト」を主張するなら最低でも TM10 / 中央値を併記する。

📚 ロバスト統計の歴史

• 1953 年: John Tukey が「Lady tasting tea」論文でロバスト性議論を開始
• 1964 年: Peter J. Huber が M 推定 (Huber-M) を発表 (現代ロバスト統計の出発点)
• 1977 年: Tukey が「Exploratory Data Analysis」を出版。 ボックスプロット・トリム平均を普及
• 1981 年: Hampel らが「Robust Statistics: The Approach Based on Influence Functions」を発表
• 1987 年: Rousseeuw が Least Median of Squares (LMS) を提案。 ブレイクダウン点 50% の回帰
• 2000 年代: R の MASS::rlm、 Python の scipy.stats.trim_mean 等で実務普及

🗺 概念マップ

「代表値（平均・中央値・最頻値）」を中心に、 尺度水準・分散/標準偏差・分位点・ヒストグラム可視化・ロバスト統計を 6 方向で配置した俯瞰図。 平均と中央値が乖離する変数で「どの代表値が適切か」を判断する地図として使う。

上の概念マップでは「代表値 (mean/median/mode)」を中心に、 ばらつき指標 (分散・標準偏差)、 分布の可視化 (ヒストグラム・箱ひげ図)、 推定 (信頼区間・CLT)、 派生 (トリム平均・幾何平均) との関係を示している。 代表値はこれら隣接概念とセットで運用されることを念頭に置きたい。

とくに対比軸として重要なのは「ばらつき」で、 平均だけ報告して標準偏差を書かないのは N、 µ だけ書いて σ を伏せる姿勢である。 SSDSE-B-2026 で平均値と中央値が乖離する変数 (例: 食料費・住居費) は必ず分布の可視化とセットで議論する。

🔗 隣接手法への橋渡し

「代表値」は分布を 1 点で要約するため、 ばらつき指標と分布可視化を併走させて初めて意味を持つ。 偏った分布で平均だけ報告するのは値そのものと同じく解釈を歪める。

• 上流: 中心傾向 の入力となるA1101 人口 を整える前処理 (データクレンジング、 欠損値処理)
• 並列: 類似目的を持つ代替手法 (散らばり（分散・標準偏差）、 分位点) と比較・併用
• 下流: 出力結果の評価・解釈 (ヒストグラム、 箱ひげ図)

上流の外れ値処理で代表値の頑健性を確保し、 並列のばらつき指標と組で報告し、 下流の可視化で分布の形を補えば、 「平均が高い県」と「中央値が高い県」の食い違いを SSDSE-B-2026 上で正しく読み解ける。

🌳 三者の使い分け — 分布の形で選ぶ

🌳 三者の使い分け — 分布の形で選ぶ

分布が左右対称（正規分布など）なら、 3つの代表値はほぼ一致します。 しかし右に裾を引く分布（所得、 株価、 都市人口）では3つがバラバラになり、 「最頻値 < 中央値 < 平均」の順に右にずれます。

ピアソンの経験式：歪んだ単峰分布で次がほぼ成立 — $\text{Mean} - \text{Mode} \approx 3(\text{Mean} - \text{Median})$。

🆚 似た概念との違い — 一目で分かる比較表

💡 報告では3つを併記するのが最も誠実。 「平均500万円、 中央値450万円、 最頻値380万円」と書けば、 読者は分布の歪みを把握できます。

🤖 機械学習での代表値

• 損失関数の中核：MSE = $\frac{1}{n}\sum (y_i - \hat{y}_i)^2$ は誤差の平均。 MAE = $\frac{1}{n}\sum |y_i - \hat{y}_i|$ は中央値と相性が良い。
• 欠損値補完：SimpleImputer(strategy='mean')／'median'／'most_frequent'。 連続値で外れ値あれば median、 カテゴリは most_frequent。
• 分類器のベースライン：DummyClassifier(strategy='most_frequent')。 最頻クラスを常に予測する単純モデル。 他モデルが超えるべき下限。
• 決定木の葉ノード：回帰木は葉の平均、 分類木は葉の最頻クラスを予測値とする。
• アンサンブル投票：複数モデルの予測を平均（回帰）or 最頻値（分類, majority vote）で集約。
• Batch Normalization：各層出力の平均と分散で標準化（深層学習の必須技術）。
• Robust Scaling：中央値と IQR を使うスケーリング。 外れ値に強い前処理。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.impute import SimpleImputer
from sklearn.preprocessing import RobustScaler
from sklearn.dummy import DummyClassifier

# ── この抜粋だけで動くように、学習用と検証用のデータを作る ──
_d = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
_d = _d[_d['SSDSE-B-2026'] == 2023]
X = _d[['A4101', 'A1303', 'L3221']].astype(float).values
y = (_d['A1101'] > _d['A1101'].median()).astype(int).values
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=0, stratify=y)

# 欠損値補完
imp_mean = SimpleImputer(strategy='mean')          # 連続値、 外れ値少
imp_median = SimpleImputer(strategy='median')      # 連続値、 外れ値多
imp_mode = SimpleImputer(strategy='most_frequent') # カテゴリ

# ロバストスケーリング（中央値と IQR ベース）
scaler = RobustScaler()
X_scaled = scaler.fit_transform(X)

# 最頻クラスのダミー分類器（ベースライン）
dummy = DummyClassifier(strategy='most_frequent')
dummy.fit(X_train, y_train)
print(dummy.score(X_test, y_test))  # 機械学習モデルが超えるべき下限

📝 練習問題 — 理解度チェック

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

import pandas as pd
import numpy as np

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932')
# 2行目以降がデータ、 食料費は L322101 列
food = pd.to_numeric(df['L322101'].iloc[1:], errors='coerce').dropna() / 1000

print('平均:', food.mean())                                    # ≈ 80.60
print('中央値:', food.median())                                # ≈ 79.94
counts, edges = np.histogram(food, bins=8)
mid = (edges[np.argmax(counts)] + edges[np.argmax(counts)+1]) / 2
print('最頻階級中点:', mid)                                    # ≈ 76.1

🚧 よくある誤解 — チェックリスト

代表値の解釈・使い方で初学者がつまずきやすいポイントを、 誤解 → 正しい理解の形でまとめます。 自分の分析を点検するチェックリストとして活用してください。

💡 セルフチェック：分析を始める前に「ヒストグラムを描いたか？」「3つの代表値を計算したか？」「外れ値を確認したか？」「サンプルサイズは十分か？」を必ず確認しましょう。

📋 報告フォーマット — 論文・レポートでの書き方

分析結果を報告するときの、 現代的・誠実なフォーマットです。 単に「平均は◯」だけでなく、 分布の文脈ごと示すのがプロの作法。

記述形式の例

含めるべき情報

悪い報告 vs 良い報告

「代表値（平均・中央値・最頻値）」を扱う際の手法選択は、 状況に応じて以下のフローで判断すると迷いが減る。

1. Step 1: 目的は記述か予測か?
   • 記述 (現状把握・要約) → 集計・可視化・要約統計量で全体像を掴む
   • 予測 (未知データへの推定) → モデル構築・検証フェーズへ移行
2. Step 2: データの種類・規模は?
   • 数値データ・小〜中規模 → 「代表値（平均・中央値・最頻値）」やその拡張手法を直接適用
   • カテゴリデータ → 最頻値 (mode) と度数分布・ヒストグラム (histogram) を組み合わせ
   • 大規模・高次元 → 中央値・分位点 (median / quantile) でロバストに要約
3. Step 3: 結果の解釈・共有は?
   • 専門家向け → 数値指標・統計検定で精緻に評価
   • 非専門家向け → 可視化・自然言語での要約を重視

このフローに沿って判断することで、 「代表値（平均・中央値・最頻値）」を中核とした適切な手法選択ができる。

🧭 解説深化 — 代表値を「逆向き」に使う

ここまでは「分布を見てから代表値を選ぶ」という順番で学んできました。 この節では視点を反転させます。 3つの代表値の答えが割れること自体を、 分布を診断する道具として使うのです。 姉妹ページ（平均・中央値・最頻値）が各指標を個別に深掘りするのに対し、 ここでは「三者のずれ」という関係そのものに注目します。

💡 直感 — 答えが3つに割れたら、 それ自体が情報

SSDSE-B-2026 の 保育所等利用待機児童数（2023年・47都道府県）で3つの代表値を実際に計算すると、 答えは劇的に割れます：

• 最頻値 = 0 人 — 47都道府県のうち 15県が待機児童ゼロ。 「最もありふれた県」の姿
• 中央値 = 10 人 — 順位で真ん中の県。 「典型的な県」の姿
• 平均 = 57.0 人 — 最大の沖縄県（411人）など少数の県が引き上げた「合計÷47」の姿

もし3つが一致していれば分布はほぼ対称。 これほど割れるのは、 ゼロに山があり右に長い裾を引く分布だという動かぬ証拠です。 ヒストグラムを描く前から、 3つの数字だけで分布の形が「透けて見える」。 同じ2023年データで総人口は平均 2,645,809 人に対し中央値 1,549,000 人（約1.7倍の乖離）、 逆に保健医療費（二人以上の世帯）は平均 14,423 円と中央値 14,503 円がほぼ一致します。 乖離の大小が、 そのまま「歪みの計器」の針の振れになっているのです。

⚠️ 落とし穴（重要） — 中央値は足し算できない

平均には 線形性 という強力な性質があります：$\overline{x+y} = \bar{x} + \bar{y}$（常に厳密に成立）。 ところが中央値にはこれが成り立ちません。 SSDSE-B-2026（2023年・47都道府県、 二人以上の世帯）の実測で確認すると：

• 食料費の中央値 79,939 円 ＋ 住居費の中央値 18,473 円 ＝ 98,412 円
• ところが「食料費＋住居費」を県ごとに足してから取った中央値は 98,959 円（547 円のずれ）
• 平均で同じことをすると 80,598 ＋ 18,361 ＝ 98,959 円で、 和の平均 98,959 円と完全に一致

ずれる理由は、 食料費の「真ん中の県」と住居費の「真ん中の県」が別の県だから。 項目別の中央値を積み上げて「典型的な家計像」を合成すると、 どの県にも存在しない架空のプロファイルができあがります。 同じ理屈で、 グループ別に計算した中央値から全体の中央値は復元できません（平均なら加重平均で厳密に復元可能）。 分散処理やグループ集計で中央値を扱うときは、 元データに戻って計算し直すのが原則です。 「外れ値に強いから中央値を使おう」と決めた瞬間に、 代わりにこの便利な足し算の権利を手放している——このトレードオフを意識できると一段深い使い手になれます。

🚀 発展 — 平均と中央値は1標準偏差より離れられない

平均と中央値はいくらでも乖離しうるように見えますが、 実は数学的な上限があります。 分散が有限なら、 どんな分布でも $$|\bar{x} - \tilde{x}| \le \sigma$$ が成り立ちます（証明は「中央値が L1 損失の最小化点であること」とイェンセンの不等式から数行で導けます）。 この比 $(\bar{x}-\tilde{x})/\sigma$ は ノンパラメトリック歪度と呼ばれ、 必ず $-1$ 〜 $+1$ に収まる、 単位に依存しない歪みの物差しです。 実際に SSDSE-B-2026（2023年）の全数値列でこの比を一括計算すると、 最大は待機児童数の 0.483。 100 本を超える実データの列すべてが、 理論上限 1 の内側にきちんと収まっていました。 数十列のデータを前に「どの列からヒストグラムを描くべきか」迷ったら、 この比の絶対値が大きい列から見るのが効率的なスクリーニングになります。 さらに現代の機械学習では、 データをブロックに分けて各ブロックの平均を取り、 その平均たちの中央値を採る median-of-means 推定量が、 平均の情報効率と中央値の頑健性を両取りする方法として理論・実務の両面で注目されています。

🔗 関連ページ

• 平均（mean） / 中央値（median） / 最頻値（mode） — 各指標の個別深掘り
• 分散・標準偏差 — 上の不等式の分母 $\sigma$ を与えるばらつき指標
• 分位点・箱ひげ図 — 中央値を一般化し、 5数要約として可視化する
• ヒストグラム — 代表値の乖離で当たりをつけた後に分布の形を確認する
• 外れ値・頑健統計 — median-of-means などロバスト推定の本流
• トリム平均・歪度（skewness）の単独ページは準備中のため、 本ページの該当節を参照

※ 本節の数値はすべて SSDSE-B-2026（2023年・47都道府県）から実際に計算した値です（待機児童数 J250502、 総人口 A1101、 食料費 L322101、 住居費 L322102、 保健医療費 L322106）。