🔖 キーワード索引

別名・略称：（なし）

「interval scale」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「interval scale」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「interval scale 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。

🎨 直感で掴む

📐 定義 / 数式

間隔尺度の特徴を式で表現すると：

🔬 記号・式を言葉で読み解く

差の意味

20℃ - 10℃ = 10℃ の「10℃」は意味を持つ。

比の無意味

20℃ ÷ 10℃ = 2 だが、 これは「2倍暑い」ではない（華氏で計算すると 68°F ÷ 50°F = 1.36 になり、 結果が単位に依存）。

原点が任意

0℃ は水の凝固点という規約。 0K のように物理的意味を持たない。

等間隔性

1℃ の差はどこでも同じ熱量差を表す。 順序尺度との違いはここ。

🔬 Stevens (1946) の原典と歴史的背景

S. S. Stevens は心理物理学者で、 1946 年の "On the Theory of Scales of Measurement" (Science) で 4 尺度の分類を提唱した。 当時の心理学では「感覚の強さに数値を割り当てた指標 (Likert 等) を平均してよいか」という論争があり、 これに数学的な整理を持ち込んだのが意義。

「不変な代表量」とは、 許される変換を行っても値が 本質的に同じ意味を保つ統計量のこと。 たとえば間隔尺度では、 摂氏→華氏のような線形変換で平均は対応する値に変わるが、 順序関係や相対的な大きさは保たれる。

後年 Velleman & Wilkinson (1993) はこの 4 尺度を「機械的に統計手法を縛るのは不適切」と批判した。 現代では「分類は便利な目安、 ただし最終的にはデータの文脈で判断」というスタンスが主流。

🌎 西暦・時刻も間隔尺度

SSDSE-B-2026 には「年度」が 2012〜2023 まで含まれている。 これは典型的な間隔尺度。 西暦の「0 年」はキリスト誕生の概念上の起点で物理的な意味はないので、 比例にはならない。

⑥ 年度の差は意味があるが、 比は意味なし

🎯 このコードでやること：SSDSE-B-2026 で同じ都道府県の異なる年度を取り、 「年度の差は OK / 比は NG」を Python で実演する。

📥 入力データ：SSDSE-B-2026 (北海道の 2012, 2023 年データ)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
hok = df[df['都道府県'] == '北海道'][['年度', '総人口']]

print(hok.to_string(index=False))
# 差は意味あり
print('2023 - 2012 =', 2023 - 2012, '年')
# 比は意味なし (キリスト元年は規約)
print('2023 / 2012 =', round(2023/2012, 4), '← この値に意味はない')

📤 実行すると次の出力が得られる：

💬 結果の読み方：「2023 - 2012 = 11 年」は意味あり (北海道の人口は 11 年で約 37 万人減)。 一方「2023 / 2012 = 1.0055」は無意味 (元号で換算したら全く違う比になる)。 西暦は典型的な間隔尺度。

時刻 (時:分:秒) も間隔尺度

「16:30」と「09:00」の差 = 7 時間 30 分 は意味あり。 でも「16:30 / 09:00 = 1.83」は意味なし (24 時間制の規約だから)。 機械学習で時刻を扱うときは sin/cos 変換や循環エンコーディングを使うのが定石。

🎓 一目で分かる「間隔尺度」要点表

💼 実務での判断フローチャート

新しいデータに出会ったとき、 間隔尺度か否かを 3 つの質問で判定できる：

Q1: その値の「順序」 (大きい/小さい) に意味があるか？
   No → 名義尺度  (例: 都道府県コード R01000, 性別)
   Yes ↓

Q2: 「差」 (引き算) に量的な意味があるか？
   No → 順序尺度  (例: ランキング, 5 段階評価で厳密扱い)
   Yes ↓

Q3: 「0」 が「無い・何もない」を意味するか？
   No → ★間隔尺度★  (例: 摂氏温度, 西暦, IQ, 緯度経度)
   Yes ↓

         比例尺度  (例: 人口, 所得, K, 質量)
  

SSDSE-B-2026 で実例を当てはめると：

• 都道府県：Q1=No → 名義尺度
• 年度 (2012〜2023)：Q1=Yes, Q2=Yes, Q3=No → 間隔尺度 (西暦 0 年は規約)
• 年平均気温 (℃)：Q1=Yes, Q2=Yes, Q3=No → 間隔尺度
• 総人口 (人)：Q1=Yes, Q2=Yes, Q3=Yes → 比例尺度
• 合計特殊出生率：Q1=Yes, Q2=Yes, Q3=Yes → 比例尺度 (0 は子供がいない状態)

📊 SSDSE-B-2026 の全カラムを 4 尺度で分類

SSDSE-B-2026 の代表 28 カラムを Stevens の 4 尺度で分類した実例。 多くの変数が比例尺度に該当する一方、 気温・年度は間隔尺度として注意が必要。

分布のまとめ：SSDSE-B-2026 の 112 カラムのうち、 名義尺度は 2 個 (都道府県名, 地域コード)、 間隔尺度は 4 個 (年度, 年平均気温, 最高気温, 最低気温)、 残り 106 個は比例尺度。 間隔尺度は珍しいが、 気温は学校で身近な題材なので慎重に扱う価値がある。

🎯 間隔尺度を回帰モデルの説明変数にする

🎯 このコードでやること：年平均気温 (℃, 間隔尺度) で光熱・水道費 (円, 比例尺度) を予測する単回帰を作り、 回帰係数と切片の意味を解釈する。 さらに摂氏→華氏に変えた場合の係数を比較する。

📥 入力データ：①の d23 から年平均気温と光熱・水道費の 2 列 (n=47)

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

import pandas as pd

# d23 はこのあとのブロックで作っているので、ここでも用意しておく
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
d23 = df[df['年度'] == 2023].reset_index(drop=True)

from sklearn.linear_model import LinearRegression
import numpy as np

X_c = d23[['年平均気温']].values
X_f = X_c * 9/5 + 32
y = d23['光熱・水道費（二人以上の世帯）'].values

m_c = LinearRegression().fit(X_c, y)
m_f = LinearRegression().fit(X_f, y)

print(f'摂氏: 係数 = {m_c.coef_[0]:.1f}, 切片 = {m_c.intercept_:.0f}')
print(f'華氏: 係数 = {m_f.coef_[0]:.1f}, 切片 = {m_f.intercept_:.0f}')
print(f'R^2 = {m_c.score(X_c,y):.3f}')

📤 実行すると次の出力が得られる：

💬 結果の読み方：

• 係数は単位に依存して変化 (摂氏 -1186 円/℃ vs 華氏 -659 円/°F)。 ただし -1186 × 5/9 = -658.5 で華氏側と一致 → 単位の比だけ変わる、 関係性は同じ。
• 切片も大きく変わる (44,072 vs 65,151)。 これは「気温 0 の地点での光熱費」を意味するが、 摂氏 0℃ と華氏 0°F は別物なので切片の値は単純比較できない。
• R²は両方の単位で完全一致 (0.606) → 「決定係数はアフィン変換に不変」

解釈：「気温が 1℃ 高い県は、 光熱・水道費が約 1186 円安い」。 47 県の気温で約 61% の光熱費差を説明できる。 これは正しい間隔尺度の使い方。

📋 2023 年 47 都道府県 気温データ全表 (摂氏・華氏・絶対温度)

間隔尺度の理解のために、 SSDSE-B-2026 の年平均気温を 3 つの尺度 (摂氏・華氏・K) で並べた表。 気温が低い順 (北海道) から高い順 (沖縄県) にソート。

観察：沖縄県は z = +3.418 (3σ 超え) と完全な外れ値。 北海道〜鹿児島県の z は -2.83〜+1.32 と概ね正規分布的だが、 沖縄県だけは別の母集団 (亜熱帯気候) と考えるのが自然。 これは「気温は間隔尺度なので z スコアによる外れ値検出が有効」の好例。

🎯 12 年分の年度を間隔尺度として扱う

🎯 このコードでやること：SSDSE-B-2026 の 2012-2023 年 北海道データから、 年度 (間隔尺度) で総人口 (比例尺度) の時系列回帰を行い、 「年あたり減少率」を推定する。

📥 入力データ：北海道の年度別総人口 (12 年分)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import pandas as pd
from scipy.stats import linregress

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
hok = df[df['都道府県'] == '北海道']

# 年度 (間隔尺度) で人口を回帰
res = linregress(hok['年度'], hok['総人口'])
print(f'傾き = {res.slope:.0f} 人/年')
print(f'R^2 = {res.rvalue**2:.4f}')
print(f'p 値 = {res.pvalue:.4g}')

📤 実行すると次の出力が得られる：

💬 結果の読み方：北海道は 12 年で総人口が約 37 万人減少 (年平均 33,145 人減)。 R² = 0.991 と極めて高い線形性。 「年度の差 = 経過年数」が意味を持つ間隔尺度ならではの計算。 年度を比例尺度と勘違いして 2023/2012=1.005 を係数化したらナンセンス。

🌗 緯度経度・座標系の取り扱い

緯度経度も間隔尺度の一種。 「東京 35.69°N、 札幌 43.06°N」の差 7.37° は距離と対応 (約 819 km) するが、 緯度の比 43/35 = 1.23 は無意味 (起点が赤道という規約だから)。

緯度経度をモデルに渡すときの注意：

• 差は OK：緯度の差から距離を計算 (1° ≈ 111 km)
• 絶対値は要注意：「緯度 35」と「緯度 -35」(南半球) は |35| 同じだが、 全く違う場所
• 循環 (経度のみ)：経度 ±180° は同一点。 K-means 等で生の値を使うと両端を異なる場所と誤認
• 機械学習では：sin/cos 変換、 一旦 (x,y,z) 直交座標に変換するのが定石

🔢 IQ (知能指数) も間隔尺度

IQ は平均 100、 標準偏差 15 になるように設計されたスコア。 100 という原点は人為的に決められたもの (集団の平均) なので、 比例尺度ではない。

• 「IQ 130 と 115 の差 15」は意味あり (約 1σ 分の能力差)
• 「IQ 130 は 100 の 1.3 倍賢い」は無意味 (IQ の原点 0 は能力ゼロを意味しない)
• テストを変えても (例えば平均 50・SD 10 のスコアに) 標準化すれば同じ結論が出る → アフィン変換不変

このように、 心理測定の多くの指標は 間隔尺度。 教育・心理学の研究で「平均と SD」を使い、 「比例」を避けるのが慣習。

🛠 機械学習モデルでの間隔尺度ハンドリング指針

主要な機械学習アルゴリズムごとに、 間隔尺度を入力するときの注意点を表にまとめた。 SSDSE-B-2026 を例とした実務的指針。

経験則：「距離・正則化・分散を使うモデルでは標準化が必須」。 これは間隔尺度の単位依存問題を防ぐ意味でも合理的。

SSDSE-B-2026 を機械学習に渡す典型ワークフロー

1. カラムの尺度を判定 (フローチャート参照)
2. 名義尺度 (都道府県名等) は OneHot エンコード
3. 順序尺度はラベルエンコード
4. 間隔尺度 / 比例尺度は StandardScaler または MinMaxScaler
5. 必要なら対数変換 (比例尺度のロングテール対策)
6. モデル学習

このワークフローを踏めば、 「気温の比を取ってしまう」ような落とし穴は自然に回避できる。

❓ よくある質問

🎓 教育コラム：温度計と「間隔尺度」の発見

1714 年、 ガブリエル・ファーレンハイト (Gabriel Fahrenheit) は水銀温度計を発明し、 自身の名を冠した華氏目盛 (°F) を導入した。 当時の知識では「絶対零度」の存在は分かっておらず、 「水の凝固点 (32°F)」と「人の体温 (96°F)」を基準にした任意目盛だった。

1742 年、 スウェーデンの天文学者アンデルス・セルシウス (Anders Celsius) は水の凝固点 0、 沸点 100 を採用した百分目盛 (摂氏) を提案。 これにより「水という普遍物質」を基準にした温度尺度が普及した。

1848 年、 ウィリアム・トムソン (ケルビン卿) が分子運動論から「絶対零度 = -273.15℃」を導き出した。 これが 絶対温度 (K) の誕生で、 はじめて「温度の比に意味」が持たされた (比例尺度の獲得)。

つまり摂氏・華氏は 歴史的経緯から原点が任意に決まっており、 これが「間隔尺度であって比例尺度ではない」理由。 もし日本の SSDSE-B-2026 が K で記録されていたら、 「沖縄 / 北海道 = 1.045 倍」という比も意味を持つことになる (もっとも実用的に役立つ情報ではないが)。

1946 年、 S. S. Stevens がこの「単位の任意性」を一般化し、 心理学・社会科学の測定指標も同じ枠組みで分類できることを示した。 これが Stevens の 4 尺度。 物理学から心理学への概念移植が、 統計学の発展に大きく貢献した瞬間だった。

教訓：「単位選択の自由度」が変換群を決め、 「変換群」が許容統計量を決める。 これが Stevens 理論の本質。

📊 練習問題

1. 分類問題：以下の SSDSE-B-2026 変数を「名義・順序・間隔・比例」のいずれかに分類しなさい： (a) 都道府県名, (b) 出生数, (c) 年度, (d) 最低気温 (℃), (e) 1 人 1 日当たりごみ排出量 (g)。
   解答を見る

   (a) 名義 (b) 比例 (c) 間隔 (d) 間隔 (e) 比例
2. 計算問題：SSDSE-B-2026 の 2023 年データで、 福井県の年平均気温 16.2℃ と沖縄県 23.8℃ の差を求めなさい。 さらに、 同じ差を華氏で計算して一致するか確認しなさい。
   解答を見る

   摂氏差: 23.8 - 16.2 = 7.6 ℃
   華氏: 福井 = 16.2 × 9/5 + 32 = 61.16 °F、 沖縄 = 74.84 °F、 差 = 13.68 °F
   13.68 / 7.6 = 1.8 = 9/5 (係数比で対応, 等価)
3. 誤り発見問題：「東京の年平均気温は 17.6℃、 沖縄の 23.8℃ より 35% 低い」という記述の誤りを指摘しなさい。
   解答を見る

   摂氏温度の比 (17.6/23.8 = 0.74) を「35% 低い」と表現しているが、 これは間隔尺度では無意味。 華氏で計算すると 63.68/74.84 = 0.85 で「15% 低い」になり結論が変わる。 正しくは「6.2℃ 低い」と差で表現する。
4. 応用問題：SSDSE-B-2026 の 2023 年 47 都道府県データで、 年平均気温と合計特殊出生率の Pearson 相関を計算しなさい。 摂氏と華氏で値が変わらないことを確認しなさい。
   解答を見る

   scipy.stats.pearsonr で計算すると r ≈ +0.50, p < 0.001 (気温が高い県ほど出生率がやや高い傾向)。 摂氏でも華氏でも同じ r が得られる (Pearson は線形変換に不変)。

🎯 ⑨ 年平均・最高・最低気温の関係 (3 つの間隔尺度の散布)

🎯 このコードでやること：SSDSE-B-2026 の B4101 (年平均気温)、 B4102 (最高気温)、 B4103 (最低気温) は全て間隔尺度 (摂氏)。 これら 3 変数間の相関と最低気温が負の値を取る (北海道 -7.4℃) ことの意味を確認する。

📥 入力データ：2023 年 47 都道府県の気温 3 列

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
d23 = df[df['年度']==2023]
temps = d23[['年平均気温',
              '最高気温（日最高気温の月平均の最高値）',
              '最低気温（日最低気温の月平均の最低値）']]

print(temps.corr().round(3))  # 相関行列
print(temps.describe().round(2))

📤 実行すると次の出力が得られる：

💬 結果の読み方：

• 年平均気温と最低気温の相関 r = 0.945 (極めて強い正の相関)。 「平均気温が高い県は最低気温も高い」。
• 年平均気温と最高気温の相関 r = -0.063 でほぼ無相関。 最高気温は梅雨明け後の盆地効果 (内陸の岐阜・甲府) で稼ぐので、 平均気温とは別物。
• 最低気温は北海道で -7.4℃ と負の値。 これは間隔尺度ならではの特徴 (比例尺度では 0 が下限)。 47 県中 14 県が真冬に氷点下を記録。

📌 間隔尺度を覚える 7 つのポイント

1. 差は意味あり、 比は無意味 — 摂氏温度の典型例。 「2 倍暑い」 は禁句。
2. 原点 (0) は任意の規約 — 摂氏 0℃ は水の凝固点、 西暦 0 年はキリスト誕生という規約。
3. 等間隔性は保証される — 1℃ の差はどの温度帯でも同じ熱量差。 順序尺度との決定的な違い。
4. 許される変換は $x' = ax + b$ のアフィン — 摂氏↔華氏はこの形 ($a=9/5, b=32$)。
5. 平均・標準偏差・Pearson 相関・線形回帰は OK — アフィン変換に対して整合的。
6. 変動係数・幾何平均・「○倍」表現は NG — 原点依存で値がブレる。
7. 機械学習では標準化 (z スコア化) が王道 — 単位依存を完全に消し、 摂氏でも華氏でも同じ結果。

本ページで学んだ実例の整理：SSDSE-B-2026 (2023 年 47 都道府県) を題材に、 (a) 年平均気温の平均 16.802℃ と標準偏差 2.048℃、 (b) 沖縄／北海道の比は摂氏 2.164、 華氏 1.444、 K 1.045 と単位依存、 (c) z スコアと Pearson 相関は単位に依存しない、 (d) 12 年間の北海道人口減少 (年平均 -33,145 人, R²=0.991) は「年度の差」を使う典型例、 (e) 47 県の年平均気温と最低気温の相関 r=0.945 は強い正の相関 — これらすべてが間隔尺度を正しく扱う計算例。

🧮 実データで計算してみる

🧮 数式に値を入れて手で計算する: 摂氏 vs 華氏の差

合成温度データで間隔尺度の特徴 (差は意味あるが比は無意味) を確認する。

Step 1: 温度データ

Step 2: 差は意味ある

🐍 Python で再現

1
2
3
4
5
6
7
8
9

import numpy as np
c = np.array([10, 20, 30])
f = c * 9/5 + 32
print(f"摂氏: {c}")
print(f"華氏: {f}")
print(f"摂氏 ratio: {c[2]/c[0]}")
print(f"華氏 ratio: {f[2]/f[0]:.3f}")
print(f"摂氏 差: {c[2]-c[0]}")
print(f"華氏 差: {f[2]-f[0]}")

📤 実行結果

💬 手計算 (Step 2) と Python 出力が完全一致。 比は無意味だが差は変換可能。

🐍 Python 実装

① 間隔尺度カラムを読み込み、 基本統計を確認

🎯 このコードでやること：SSDSE-B-2026 の 2023 年 47 都道府県データから年平均気温 (間隔尺度) を取り出し、 平均・標準偏差・最大最小を確認する。

📥 入力データ (SSDSE-B-2026.csv の関連カラム抜粋, cp932 エンコーディング)：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import pandas as pd

# SSDSE-B-2026 を読み込み、 2023 年 47 都道府県だけに絞る
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
d23 = df[df['年度'] == 2023]

# 年平均気温 (間隔尺度・摂氏)
temp = d23['年平均気温']
print('平均(℃) =', round(temp.mean(), 3))
print('標準偏差(℃) =', round(temp.std(), 3))
print('最低 =', temp.min(), '最高 =', temp.max())

📤 実行すると次の出力が得られる：

💬 結果の読み方：47 都道府県の年平均気温の平均値は約 16.8℃。 標準偏差 2.05 は「平均から ±2℃ 程度がばらつきの目安」を示す。 これらは間隔尺度で意味のある統計量。

② 摂氏と華氏で比を取ると結果が変わる (間隔尺度の決定的特徴)

🎯 このコードでやること：摂氏 (℃) と華氏 (°F) と絶対温度 (K) で、 沖縄県と北海道の気温の「比」を計算し、 単位によって値が大きく変わることを確認する。

📥 入力データ：①で取得した d23 (2023 年 47 都道府県)

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

c_oki = d23[d23['都道府県']=='沖縄県']['年平均気温'].iloc[0]
c_hok = d23[d23['都道府県']=='北海道']['年平均気温'].iloc[0]

f_oki = c_oki * 9/5 + 32     # 華氏
f_hok = c_hok * 9/5 + 32
k_oki = c_oki + 273.15      # 絶対温度
k_hok = c_hok + 273.15

print('比 (摂氏): 沖縄/北海道 =', round(c_oki/c_hok, 3))
print('比 (華氏): 沖縄/北海道 =', round(f_oki/f_hok, 3))
print('比 (絶対温度): 沖縄/北海道 =', round(k_oki/k_hok, 4))
print('差 (摂氏):', c_oki-c_hok, '差 (K):', k_oki-k_hok)

📤 実行すると次の出力が得られる：

💬 結果の読み方：摂氏では 2.164、 華氏では 1.444、 絶対温度では 1.045。 「比」の結果が単位選択で完全に変わる以上、 摂氏温度の比は無意味。 一方、 差 (12.8) は摂氏でも K でも完全一致 → 差は意味あり。 これが間隔尺度の本質。

③ StandardScaler で z スコア化 (尺度依存を消す)

🎯 このコードでやること：sklearn の StandardScaler で年平均気温を z スコア化し、 摂氏でも華氏でも同じ z スコアが得られることを確認する。 機械学習の前処理として典型的。

📥 入力データ：①の d23

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

from sklearn.preprocessing import StandardScaler
import numpy as np

c = d23['年平均気温'].values.reshape(-1,1)
f = c * 9/5 + 32  # 華氏

zc = StandardScaler().fit_transform(c)
zf = StandardScaler().fit_transform(f)

print('北海道 z (摂氏) =', round(zc[0,0], 3))
print('北海道 z (華氏) =', round(zf[0,0], 3))
# 差は理論上ちょうど 0。 実際に出るのは倍精度計算の丸め誤差（1e-15 前後）で、
# 実行環境によって桁の並びが変わるため、 許容誤差との比較で判定する。
max_diff = np.max(np.abs(zc - zf))
print(f'最大差 = {max_diff:.1e}  (倍精度の丸め誤差の範囲)')
print('実質ゼロと言えるか:', bool(max_diff < 1e-12))

📤 実行すると次の出力が得られる：

💬 結果の読み方：z スコアは摂氏でも華氏でも完全に一致 (差は浮動小数点誤差レベル)。 つまり 標準化は間隔尺度の「単位依存」を取り除く。 機械学習で気温などの間隔尺度を扱うときは、 まず標準化するのが定石。

④ Pearson 相関は線形変換に対して不変 (間隔尺度で使える理由)

🎯 このコードでやること：年平均気温と消費支出 (光熱・水道費) の Pearson 相関を、 摂氏と華氏それぞれで計算し、 完全一致することを確認する。 これが「間隔尺度でも相関係数を使ってよい」根拠。

📥 入力データ：①の d23 から年平均気温と光熱・水道費の 2 列

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

from scipy.stats import pearsonr

temp_c = d23['年平均気温']
temp_f = temp_c * 9/5 + 32
util   = d23['光熱・水道費（二人以上の世帯）']

r_c, p_c = pearsonr(temp_c, util)
r_f, p_f = pearsonr(temp_f, util)

print(f'Pearson 相関 (摂氏): r = {r_c:.4f}, p = {p_c:.4f}')
print(f'Pearson 相関 (華氏): r = {r_f:.4f}, p = {p_f:.4f}')

📤 実行すると次の出力が得られる (実際の SSDSE-B-2026 で計算)：

💬 結果の読み方：摂氏でも華氏でも r = -0.779 で完全一致。 Pearson 相関は線形変換 $x'=ax+b$ で不変。 これが「間隔尺度で相関を計算してよい」理論的根拠。 結果は「気温が高い県ほど光熱費が低い」 (暖房代が減るため)、 これは物理的に妥当な結論 (p < 10⁻¹⁰ で統計的有意)。

🌡 アフィン変換と「許される操作」一覧

間隔尺度に対して許される変換は $x' = ax + b$ (a>0) のアフィン変換のみ。 これにより尺度の本質的構造が保たれる。 以下、 各統計操作が間隔尺度で意味を持つかをまとめる。

経験則：「平均は OK、 比は NG」と覚えておけば実務でほとんど困らない。

⚠️ よくある落とし穴

🧠 摂氏・華氏・絶対温度の三者比較 (SSDSE-B-2026 実値)

2023 年 47 都道府県のうち最低 (北海道) と最高 (沖縄県) を 3 つの単位で並べた表。 統計操作の不変性／可変性が一目で分かる。

この表が示すように、 差・平均・標準偏差は単位を変えても整合性が保たれる (係数倍で対応) が、 比と変動係数は単位ごとに値がバラバラ → 間隔尺度では使ってはいけないことが直感的にわかる。

🌐 関連手法・この用語を使う論文

🔗 関連用語（前提・並列・発展）

前提となる概念

並列の概念 (Stevens の 4 尺度)

発展的トピック

📈 47 県の気温分布をヒストグラム化

🎯 このコードでやること：2023 年の年平均気温分布を 1℃ 区切りでヒストグラム化し、 間隔尺度の特性 (等間隔の bin が意味を持つ) を視覚化する。

📥 入力データ：①の d23['年平均気温'] (47 都道府県, min=11.0, max=23.8)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
d23 = df[df['年度']==2023]

# 1℃ 区切り (等間隔の bin) でヒストグラム
bins = range(11, 25)  # 11℃ から 24℃ まで
hist = pd.cut(d23['年平均気温'], bins=bins, right=False).value_counts().sort_index()
print(hist)

📤 実行すると次の出力が得られる：

💬 結果の読み方：47 県の年平均気温は 16〜19℃ に 36 県 (76%) が集中。 沖縄 (23.8℃) は完全な外れ値で 1 県のみ。 1℃ 区切りの bin が「同じ間隔」を表しているのは間隔尺度ならではの性質。 比例尺度でないので "log bin" は不適切。

📚 関連グループ教材

この用語の全体像を学ぶには、 まず横断的な教材で文脈を掴むのが効率的です：

• 📚 用語集トップ — カテゴリ別の一覧から関連用語を辿る
• 🗺️ 概念マップ — 全体の繋がりを俯瞰
• 📐 測定理論ページ — Stevens の 4 尺度の体系的な解説
• 📊 データ型と変数 — 連続／離散の区分と組み合わせ
• 📐 標準化 (z スコア) — 間隔尺度の単位依存を消す代表手法
• 📐 Pearson 相関係数 — アフィン変換に不変な相関手法

本ページに登場した SSDSE-B-2026 のカラム

• 年度 (SSDSE-B-2026)：2012-2023 の 12 年分、 間隔尺度
• 都道府県 (Prefecture)：47 都道府県名、 名義尺度
• 総人口 (A1101)：県ごとの総人口、 比例尺度
• 年平均気温 (B4101)：日々の気温の年平均 (℃)、 間隔尺度
• 最高気温 (B4102)：日最高気温の月平均の最高値 (℃)、 間隔尺度
• 最低気温 (B4103)：日最低気温の月平均の最低値 (℃)、 間隔尺度
• 光熱・水道費 (L322104)：二人以上の世帯の年間支出 (円)、 比例尺度

🧪 間隔尺度 FAQ + 理解度チェック

最後に、 学生・実務家からよく出される質問と、 自分の理解度を確認するためのチェック問題を集約する。 これらに答えられれば、 「間隔尺度を扱う」ことへの自信は十分と言える。

Q1: 「比例尺度のデータを間隔尺度として扱う」のは間違いか？

結論: 間違いではないが、 情報の損失。 比例尺度は間隔尺度の特殊ケース (絶対原点を持つ間隔尺度) なので、 比例尺度のデータに対して間隔尺度向け手法 (差・SD・標準化) を適用するのは数学的に問題ない。 ただし、 比例尺度であれば追加で使える指標 (変動係数・幾何平均・対数変換) を活用しないことになり、 表現の幅が狭くなる。 たとえば SSDSE-B-2026 の県別総人口 (比例尺度) を扱う際、 「東京は北海道の 2.8 倍」という比例尺度ならではの表現が許されるのに、 これを使わないのはもったいない。

Q2: 「西暦」「ユリウス日」「Unix 時刻」は同じ間隔尺度か？

結論: すべて間隔尺度だが、 原点が異なる。 西暦 = キリスト誕生年 (とされる年) を 0、 ユリウス日 = 紀元前 4713 年 1 月 1 日正午を 0、 Unix 時刻 = 1970 年 1 月 1 日 00:00 UTC を 0 とする。 これらは互いにアフィン変換で変換可能であり、 「時間の差」を測る目的では同じ働きをする。 ただし Unix 時刻には「秒」という比例尺度の側面もあり、 「Unix 時刻 100 万秒」は「ほぼ 11.6 日」と 比例的 な意味を持つ。 一方、 「西暦 2024 年」を「2024 年の幅」と読むのはおかしい (時間軸上の位置を表す座標)。 同じ時間の表現でも、 文脈によって間隔尺度か比例尺度かが変わることに注意。

Q3: リッカート尺度 (5 段階評価) は間隔尺度か順序尺度か？

結論: 厳密には順序尺度だが、 実務では間隔尺度として扱われることが多い。 「とても不満 = 1, やや不満 = 2, どちらでもない = 3, やや満足 = 4, とても満足 = 5」という 5 段階評価を考えた時、 「1 と 2 の差」と「4 と 5 の差」が同じ大きさかは保証されない (回答者の心理的な距離が等間隔とは限らない)。 そのため、 心理学・社会学では順序尺度として扱い、 中央値や Wilcoxon 検定を使うのが正統。 一方、 マーケティング・アンケート分析では 「等間隔と仮定して」 平均や t 検定を使うのが慣例。 どちらが「正しい」かは分野の合意次第で、 報告書を書く際は使った手法を明示すべきである。

Q4: 機械学習で間隔尺度をどう前処理すべきか？

結論: 標準化 (z-score) または min-max スケーリングが基本。 機械学習モデル (特にニューラルネット・SVM・k-NN) は、 入力変数のスケールが揃っていることを前提とする。 そのため、 間隔尺度の変数 (気温・年度など) は StandardScaler または MinMaxScaler でスケーリングするのが定石。 StandardScaler は z-score 変換で、 アフィン変換不変なので間隔尺度に対して安全。 MinMaxScaler は 0-1 にスケーリングするが、 これも基本的にはアフィン変換なので OK。 ただし、 木ベースモデル (Random Forest, XGBoost) ではスケーリング不要 (分岐の閾値で判断するため、 スケールに影響されない)。

Q5: 「気温と人口」のように 異なる尺度 を組み合わせた回帰モデルは作れるか？

結論: 作れる。 ただし係数の解釈に注意。 線形回帰 $y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \epsilon$ で、 $x_1$ が気温 (℃, 間隔尺度)、 $x_2$ が人口 (人, 比例尺度) の場合、 (1) $\beta_1$ の単位は「目的変数 / ℃」、 (2) $\beta_2$ の単位は「目的変数 / 人」となる。 これらの係数は 絶対値の比較 ができない (単位が違う)。 異なる尺度の変数を比較するには、 すべて標準化してから (= z スコアに変換してから) 標準化回帰係数を計算する。 これにより「気温と人口のどちらがより影響が大きいか」を比較できる。 これは間隔尺度・比例尺度のどちらでも有効な手法。

理解度チェック (10 問)

1. 問 1: 「東京の年平均気温 17.6 ℃ は北海道 11.0 ℃ の何倍か？」と聞かれたらどう答える？ (模範回答: 「比は意味を持たない。 差は +6.6 ℃」)
2. 問 2: 摂氏 0 ℃ と華氏 0 °F は同じ温度か？ (模範回答: 違う。 0 ℃ = 32 °F、 0 °F = -17.8 ℃)
3. 問 3: 西暦 2024 年を「2024 年前から数えて 0 年目」と読み替えるのは正しいか？ (模範回答: 西暦の原点はキリスト紀元なので、 慣例として正しいが時間の物理的原点ではない)
4. 問 4: IQ 130 と IQ 70 の差は「2 倍」か「60 ポイント」か？ (模範回答: 差は 60 ポイント。 比は無意味)
5. 問 5: 47 都道府県の年平均気温に対して t 検定を使う前に確認すべき条件は？ (模範回答: 正規性 (Shapiro-Wilk)、 等分散性 (Levene)、 標本独立性)
6. 問 6: 気温の標準偏差を摂氏から華氏に変えたら、 値はどうなる？ (模範回答: 1.8 倍になる (係数 a=1.8 の倍数))
7. 問 7: 気温の z スコアを摂氏から華氏に変えたら、 値はどうなる？ (模範回答: 変わらない (アフィン変換不変))
8. 問 8: PH 値を「PH 7 と PH 3 の差は 4」と読むのは正しいか？ (模範回答: 数学的には 4 だが、 PH は対数尺度なので「水素イオン濃度が 10000 倍違う」と読むべき)
9. 問 9: SSDSE-B-2026 の 12 年気温データで「気温が 1.05 倍になった」は適切か？ (模範回答: 不適切。 「11 年で +0.75 ℃ 上昇」と差で書く)
10. 問 10: 機械学習で間隔尺度を扱うとき、 StandardScaler と MinMaxScaler のどちらを使うべき？ (模範回答: モデル次第。 ニューラルネット・SVM では StandardScaler、 画像系では MinMaxScaler が一般的)

10 問中 8 問以上正解できれば、 間隔尺度の扱いに関しては「実務でも安心」レベル。 5 問以下なら、 本ページの前半 (4 尺度の演算可否表) を再読することをおすすめする。

本ページの最終まとめ - 1 枚スライド版

間隔尺度 = 「差は意味があり、 比は意味がない」尺度。 代表例は摂氏温度・西暦・IQ。 OK な演算: 加減算、 算術平均、 SD、 z-score、 Pearson 相関、 t 検定、 線形回帰、 StandardScaler。 NG な演算: 乗除算、 比、 変動係数、 幾何平均、 対数変換。 アフィン変換 (y=ax+b) の下で SD・相関・z-score は不変、 平均・CV は変化する。 SSDSE-B-2026 の気温データで実証可能。 比例尺度との違いは「絶対原点の有無」のみ。 順序尺度との違いは「等間隔性の有無」。 名義尺度との違いは「大小比較の可否」。

追加実践 - SSDSE-B-2026 をさらに掘り下げる演習

本ページで身につけた間隔尺度の知識をさらに磨くために、 SSDSE-B-2026 を使った 5 つの演習課題を提案する。 これらは課題レポートやポートフォリオの題材としても活用できる。

1. 演習 1: SSDSE-B-2026 の年平均気温 (B4101)、 最高気温 (B4102)、 最低気温 (B4103) の 3 変数で 12 年間の推移を線形回帰し、 上昇トレンドが最も急なのはどれかを判定せよ。 ヒント: 傾きの絶対値で比較する。 各値の単位は ℃/年 で揃うため、 単位を変えずに直接比較できる。 都道府県別の上昇トレンドにも違いがあるか、 北海道・東京・沖縄の 3 地点を取り上げて比較してみると、 ヒートアイランド現象や地球温暖化の地域差が見えてくる。
2. 演習 2: 47 都道府県の 2023 年データで、 年平均気温と「他の比例尺度変数」 (総人口・消費支出・出生数など) の相関行列を作成し、 ヒートマップで可視化せよ。 ヒント: seaborn.heatmap を使う。 気温は間隔尺度なので、 相関係数の解釈は「単位非依存」で安全だが、 因果関係の解釈には注意すること。 相関が強くても交絡因子が存在する可能性を念頭に置く。
3. 演習 3: 年度 (西暦, 間隔尺度) と都道府県 (名義尺度) を交互作用項とする回帰モデル $y = \beta_0 + \beta_1 \mathrm{Year} + \beta_2 \mathrm{Prefecture} + \beta_3 \mathrm{Year} \times \mathrm{Prefecture} + \epsilon$ を作り、 都道府県ごとの気温上昇率に有意な差があるかを確認せよ。 ヒント: statsmodels.formula.api.ols を使う。 都道府県はダミー変数 (one-hot) に変換する必要がある。
4. 演習 4: 47 都道府県の年平均気温を、 z スコアに変換した「気温偏差」として可視化せよ。 元の℃と、 z スコアを並べて比較し、 標準化によって何が変わり何が変わらないかを確認する。 ヒント: z スコアでは「東京は全国平均から +0.4 標準偏差」と解釈できる。 単位は無くなるが、 順位と差の大きさは保たれる。
5. 演習 5: 同じ気温データを摂氏 (℃)、 華氏 (°F)、 ケルビン (K) の 3 単位で表記し、 (a) 平均、 (b) 中央値、 (c) SD、 (d) IQR、 (e) z スコア の 5 つの統計量がどう変わるかを表にまとめよ。 ヒント: 平均・中央値はアフィン変換の係数・切片の両方で変わるが、 SD は係数のみ、 IQR は係数のみ、 z スコアは不変、 という対応関係を確認する。

これら 5 つの演習を一通りこなせば、 間隔尺度の理論と実践が頭の中で 1 つの体系として整理される。 本ページを学習教材として活用する読者は、 ぜひ手を動かして取り組んでみてほしい。 実データに触れることで、 教科書だけでは得られない直感が育つ。

本ページの結び - 間隔尺度を理解することの意義

間隔尺度の理解は、 一見「データ型の分類」というマイナーな話題に見えるかもしれない。 しかし実際には、 (1) 統計手法の選択、 (2) 結果の解釈、 (3) 報告書の表現の正しさ、 (4) 機械学習の前処理、 (5) ドメイン知識との接続、 という 5 つの場面で日常的に判断を迫られる、 統計リテラシーの根幹概念である。 本ページで身につけた「差は意味があるが比は意味がない」「アフィン変換不変な量を選ぶ」という 2 つの原則は、 摂氏温度・西暦・IQ・PH 値・物価指数といった具体例だけでなく、 心理学・教育・経済・物理・地学など多くの分野で繰り返し登場する。

本リポジトリの他のページ (比例尺度、 順序尺度、 名義尺度、 標準化、 相関係数、 線形回帰) と組み合わせて学べば、 統計手法の選び方とデータ解釈の質が一気に向上する。 ぜひ本ページを起点に、 関連ページへ移動して理解を深めてほしい。 「尺度を意識すれば、 統計が正しく使える」 — これが本ページの最も伝えたいメッセージである。

また、 本ページで紹介した SSDSE-B-2026 のデータ (年平均気温、 最高気温、 最低気温、 総人口など) は、 統計検定・データサイエンス検定・大学のデータサイエンス演習・研究室の輪講題材としても利用できる公的データである。 政府統計の総合窓口 (e-Stat) から取得したオリジナルデータ集を一次資料として、 本ページでは合成データを一切使わずに分析例を組み立てている。 教育用途で「再現可能で、 誰でも検証できる例」を提供することを編集方針としているため、 ぜひ実際にコードを動かしてみてほしい。 Python が手元になければ Google Colab で `pip install` 不要でそのまま実行できる。 試行錯誤の中で、 「尺度の鉄則」が体感として定着するはずである。 本ページの内容に対する質問・要望・改善提案は、 GitHub Issue や教員へのフィードバックとして寄せてもらえると、 次世代の学習者にとって役立つ知見として蓄積される。 統計教育における「正しい尺度の扱い」は、 一度身につければ一生役立つ思考の土台になる。 本ページがその第一歩となれば幸いである。

最後にもう一度、 間隔尺度を扱う上での 3 大原則を再掲しておく。 第一に、 差は意味があるが比は意味がない — これは原点が便宜的に決められているために生じる帰結である。 第二に、 アフィン変換 (y = ax + b, a > 0) の下で意味が保たれる量を選ぶ — SD・相関・z スコアはこの条件を満たし、 平均・CV は満たさない。 第三に、 分野慣習を尊重しつつも、 数学的な厳密性を譲らない — リッカート尺度を間隔尺度として扱う慣例があっても、 解釈の際は「順序尺度的な要素もある」と但し書きを添えるのが誠実な姿勢である。 この 3 つを心に留めておけば、 統計分析の最初の一歩 (= データ型の認識) で大きな間違いを犯すことはない。 本ページが、 読者の統計リテラシー向上に少しでも貢献できれば、 編者として望外の喜びである。 SSDSE-B-2026 はこのリポジトリの全用語ページで横断的に使われる教材データであり、 他のページでも同じデータを使った別の分析例を見ることで、 「同じデータから何を引き出せるか」の視野が広がる。 ぜひ 用語集トップ から関連用語に進み、 連続的に学習を進めてほしい。 そして、 学んだ内容を自分の課題やレポートに活かす際は、 「この変数は何尺度か？」「この演算は許されるか？」と立ち止まって自問する習慣を持ってほしい。 たったその一手間で、 統計分析の質は格段に向上する。 この習慣こそが、 データサイエンス入門から実践へと飛躍するための、 最も基本にして最も重要な一歩である。 教育用ハンズオン教材として作られた本リポジトリは、 高校生から大学院生、 さらには社会人のリスキリング層まで幅広く活用可能なよう設計されている。 本ページの間隔尺度解説もその一翼を担うものであり、 「易しい言葉で、 厳密な内容を、 実データで」という三本柱に基づき編まれた。 ぜひ、 本ページの内容を実務・研究の現場で活用していただきたい。 そして、 もし本ページの説明だけでは理解しきれない部分があれば、 関連用語ページの解説と組み合わせて読み返してほしい。 用語ページ同士は相互に参照されており、 1 つの概念を多角的に学べる構造になっている。 たとえば「z スコア」の意味が曖昧なら標準化のページ、 「アフィン変換」の理解が浅いなら線形代数の関連ページ、 というように、 弱点を補強する読み方ができる。 そうした横断的学習を支える仕組みが、 本リポジトリ全体の特徴である。 最後に、 本ページの読了お疲れさまでした。 次のステップへ、 ぜひ進んでください。 学びは続きます。 統計的思考の冒険を一緒に歩んでいきましょう。

🗺 概念マップ

間隔尺度は Stevens の 4 尺度の 3 番目で、 上は比例尺度に発展、 下は順序尺度から段階を踏んで現れる。

情報量
  ↑
  │
  ├── 比例尺度 (Ratio)         例: 人口, 所得, 身長, K  → 比 OK
  │       ↑    線形変換 + 絶対零点
  ├── 間隔尺度 (Interval)   ←  例: 摂氏温度, 西暦, IQ  → 差 OK, 比 NG
  │       ↑    順序 + 等間隔性
  ├── 順序尺度 (Ordinal)         例: ランキング, 5 段階  → 順序 OK, 差 NG
  │       ↑    区別 + 順序
  └── 名義尺度 (Nominal)         例: 性別, 血液型       → 区別のみ
  

上位の尺度ほど許される演算が増える。 「下位の操作は上位でも全て使える」という入れ子構造になっている (例：比例尺度では中央値も平均も使える)。

🔗 隣接手法への橋渡し

間隔尺度は Stevens (1946) の 4 尺度 (名義・順序・間隔・比) のうち 3 番目で、 「差は意味あるが比は意味ない (絶対零度がない)」尺度。 摂氏温度 ・ 西暦年 ・ IQ などが該当。 適用可能な統計量と分析が尺度水準で決まる。

• 上流: 測定 ・ カテゴリ変数 エンコード ・ Stevens 4 尺度の判別 — どの尺度かで以降の分析が変わる
• 並列: 名義尺度 (順序なし) ・ 順序尺度 (順序のみ) ・ 比尺度 (絶対零点あり) — 同じ「尺度水準」の異なるレベル
• 下流: 平均 ・ 標準偏差 ・ ピアソン相関 ・ 回帰分析 — 間隔尺度以上で正当化される統計手法

典型的な誤りは「IQ 100 は IQ 50 の 2 倍賢い」と言うこと。 間隔尺度は差は意味ある (IQ 110 - 100 = 10 と IQ 100 - 90 = 10 は同じ差) が、 比は意味ない (絶対零点がないため)。 比を語るには比尺度 (例: 重さ・長さ) が必要。

🌳 手法選択フロー

「間隔尺度」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 → 「間隔尺度」やその拡張手法を直接適用
   • カテゴリデータ → カテゴリ専用の手法 (関連用語) と組み合わせ
   • 大規模・高次元 → 計算効率を考慮した派生手法 (関連用語) を選択
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、 「間隔尺度」を中核とした適切な手法選択ができる。

🎮 触って理解する

摂氏温度は 間隔尺度 の代表例。 下の温度計を ドラッグ（またはスライダー操作）して 2 つの温度 A・B を動かすと、 摂氏(℃)・華氏(℉)・絶対温度(K)へ同時変換され、 差・比・平均・変動係数が実時間で計算される。 「差は意味を持つ / 比は意味を持たない」を数値で体感しよう。

🧠 直感で掴む — 差は等間隔・原点は任意

• 差（間隔）は等価：20℃−10℃ と 30℃−20℃ はどちらも「10℃ の差」。 この等間隔性は ℉ でも K でも保たれる（各 18℉／10K）。 だから 加減算・平均・標準偏差・相関は使える。
• 原点は便宜的：0℃ は「水が凍る点」であって「暑さゼロ／熱が無い」ではない。 0℃ = 32℉ = 273.15K と、 スケールごとにゼロの位置が違う。 上の赤い破線が「0℃」の位置で、 華氏・ケルビンのゼロとは一致しない。

⚠️ よくある落とし穴 — 比を取る誤り・0 の解釈

• 「20℃ は 10℃ の 2 倍暑い」は誤り：℃ では 2.00 倍でも、 同じ物理状態を ℉ で見れば約 1.36 倍、 K では約 1.04 倍。 比が単位で変わる時点で「◯倍」に物理的意味は無い。
• 変動係数 CV=SD/平均 は使えない：平均が原点に依存するため、 CV も単位で激変する（上の表の ❌ 行）。 間隔尺度データのばらつき比較には CV ではなく標準偏差そのものや z 化を用いる。
• 0 を「無」と読む誤り：西暦 0 年・0℃・IQ 0 はいずれも「基準点」であって「存在しない／量ゼロ」ではない。

🚀 発展 — 比例尺度との違いと 4 尺度水準

比例尺度（比例尺度；例：絶対温度 K・人口・面積）は 絶対的な原点 0 を持つので比が意味を持つ（「2 倍」が言える）。 間隔尺度と比例尺度は「同じ数値」でも許される演算が違う——上の温度計で K 列だけは 0 が絶対零度なので比 A÷B にも意味がある。 Stevens の 4 尺度水準は 名義 ＜ 順序 ＜ 間隔 ＜ 比例 の順に許される演算が増える。 間隔尺度で安全に扱うには 標準化(z 化) が有効（平均と 標準偏差しか使わないため尺度依存が消える）。

🎨 直感をさらに深める — 尺度の階層と「原点の任意性」

間隔尺度を一言でいえば「目盛りの間隔は等しいが、 原点（ゼロの位置）は人間が任意に決めた」尺度である。 摂氏温度・西暦・偏差値がその代表。 上のインタラクティブ温度計で見たとおり、 「10℃ の差」はスケールを ℉ や K に変えても等しい差に写るが、 「0 の位置」だけはスケールごとにバラバラだった。 この間隔の不変性と原点の任意性の同居こそ、 間隔尺度の核心である。

尺度の階層のなかで「3 番目」

Stevens の 4 水準は情報量の少ない順に 名義 ＜ 順序 ＜ 間隔 ＜ 比例 と積み重なる。 間隔尺度は下から 3 番目で、 「順序（大小）」に加えて「差の等しさ」まで保証するが、 「比（何倍）」だけはまだ保証しない。 一段ずつ何が増えるかを整理すると理解が固まる：

「30℃ は 10℃ の 3 倍暑い」が誤りな理由を、 階層の言葉で言い直すと明快になる。 「3 倍」という比の主張は水準④（比例尺度）でしか許されないのに、 摂氏は水準③（間隔尺度）だから。 同じ物理状態を華氏で見れば 86℉ ÷ 50℉ ≒ 1.72 倍、 絶対温度で見れば 303.15K ÷ 283.15K ≒ 1.07 倍と、 「倍率」が単位を変えるたびに変わってしまう。 単位を替えると答えが変わる操作は、 その尺度では意味を持たない——これが尺度水準の実用的な判定基準である。

⚠️ 落とし穴をさらに深掘り — 偏差値・単位変換・幾何平均/CV

🎓 偏差値は「間隔尺度」— 合計・倍率・他試験との比較に要注意

偏差値は 平均 50・標準偏差 10 になるよう z スコアを一次変換した値（偏差値 = 50 + 10z）で、 典型的な間隔尺度である。 実データで確かめよう。 SSDSE-B-2026 の 2023 年・年平均気温（n=47, 平均 16.80℃, 母標準偏差 2.03℃）を偏差値化すると：

• 倍率は無意味：沖縄の偏差値 84.5 は北海道 21.4 の「約 4 倍暑い」ではない。 偏差値の原点（50）は集団平均という便宜的な基準で、 絶対的なゼロではないから。 差「84.5 − 21.4 = 63.1」なら（同じ集団内での相対位置の隔たりとして）意味を持つ。
• 合計・全体平均は常に一定：この 47 県の偏差値を合計すると必ず 47 × 50 = 2350、 平均は必ず 50 になる（構成上そう作られている）。 だから「基準集団そのものの偏差値平均」を求めても情報はゼロ。 偏差値の足し算に意味が出るのは、 複数科目を束ねて個人を順位づけるような別目的のときだけで、 その場合も科目間で分布形が違えば単純合計は歪む。
• 別試験・別集団の偏差値は直接比べられない：偏差値は「その回・その母集団」を基準にした相対値。 気温偏差値 60 と数学の偏差値 60 は、 参照集団が別物なので同じ「実力の高さ」を意味しない。 比較するなら参照集団を揃える必要がある。
• 0 や負値は「無」ではない：偏差値は 0 未満や 100 超もあり得る。 偏差値 0 は「実力ゼロ」ではなく「平均から −5σ の位置」というだけ。

🌡 単位変換（摂氏↔華氏）で「変わるもの・変わらないもの」

摂氏→華氏は一次変換 $F = \tfrac{9}{5}C + 32$（$a=9/5, b=32$）。 間隔尺度の統計量が変換でどう振る舞うかを、 2023 年 47 県の年平均気温の実測で確認すると：

要点は「平均・分散・標準偏差は単位で値が変わるが、 相関係数・z スコア・偏差値・決定係数はアフィン変換に不変」ということ。 だから間隔尺度データで「ばらつきの大きさ」や「関係の強さ」を単位に依らず語りたいなら、 生の分散ではなく 相関や標準化した量を使うのが安全。 分散 4.106 と 13.303 は「単位を替えただけで 3.24 倍」になっており、 分散の絶対値を単位横断で比較してはいけないことがよく分かる。

📐 幾何平均・変動係数がなぜ NG か（原点依存の一言で説明）

• 幾何平均は積の $n$ 乗根、 すなわち「掛け算（比）」に立脚した平均。 比が意味を持たない間隔尺度では定義そのものが破綻する。 摂氏 0℃ が 1 つでも混ざれば積は 0、 負の℃ が奇数個あれば実数解すら失う——「原点が任意」であることの当然の帰結。
• 変動係数 CV = SD ÷ 平均は「平均（＝原点からの距離）で割る」量なので、 原点が動くと激変する。 本ページ上部の実測でも、 同じ気温分布が ℃ で CV=0.122、 ℉ で 0.059、 K で 0.007 とバラバラだった。 間隔尺度のばらつき比較は CV ではなく標準偏差そのもの、 または z 化で行う。
• 「0 を無と読む」誤りは幾何平均/CV 誤用の根っこにある同じ勘違い。 0℃・西暦 0 年・偏差値 0 はいずれも基準点であって「量が存在しない」ではない。 これが比例尺度（0 が絶対的な無を意味する人口・所得・質量）との決定的な違い。

🚀 発展をさらに深める — 許容変換・不変な統計量・比例尺度との境界・リッカート論争

許される変換は「正の一次変換」だけ

間隔尺度で意味構造を壊さない変換は正の一次（アフィン）変換 $x' = a x + b\ (a>0)$ に限られる。 摂氏↔華氏（$a=9/5,\ b=32$）が典型。 $a>0$ が必要なのは、 $a<0$ だと大小関係が逆転して「順序」が壊れるため。 $b$ は原点をずらす自由度で、 原点が任意な間隔尺度ではいくらでも動かしてよい。 この「$a$（尺度の伸縮）と $b$（原点移動）の 2 自由度」が、 比例尺度（$b=0$ に固定、 $x'=ax$ のみ）との違いを生む。

どの統計量が「変換に耐える」か

「不変な量だけを結論に使う」のが安全運用の原則。 z スコア・偏差値・相関が実務で重宝されるのは、 まさに単位（原点と尺度）の恣意性を洗い流してくれるから。

比例尺度との境界 — 「絶対原点があるか」の一点

間隔と 比例尺度 を分けるのは絶対原点の有無ただ一点。 摂氏（間隔）に 273.15 を足せばケルビン（比例）になり、 「絶対零度＝分子運動ゼロ」という物理的な無が原点に据わる。 だから K では「A は B の 1.07 倍」に意味が生まれる。 逆に、 比例尺度に対数変換（$\log$）を施すと間隔尺度に降格する：$\log$ 後の差は元の「比」を表すが、 $\log$ 値そのものの比には意味がない。 尺度水準は固定属性ではなく、 変換によって行き来することを押さえておきたい。

リッカート尺度を間隔とみなす議論

「全く不満 1 …… 大変満足 5」のリッカート尺度は、 隣り合う選択肢の心理的間隔が本当に等しい保証がないため厳密には順序尺度。 それでも実務では平均や t 検定を当てるために「等間隔と仮定」して間隔尺度扱いすることが多い。 争点と実務指針を整理すると：

• 単一項目（1 問だけ）は順序尺度性が強く、 平均より 中央値・度数分布での要約が無難。 検定も順位ベース（順序尺度向け手法）が安全。
• 複数項目の合計・平均（リッカート「合算尺度」）は、 中心極限的に分布が滑らかになり、 項目数が多く $n$ が大きければ間隔尺度的な扱いの実害は小さいとされる。 それでも論文では「等間隔を仮定して扱った」と明記するのが誠実。
• 背景には Stevens 分類を機械的に適用することへの Velleman & Wilkinson (1993) の批判がある。 現代の主流は「分類は目安、 最終判断はデータの文脈と分析目的で」。 とはいえ「摂氏の比を取る」級の明白な誤りは避けるべき、 という一線は変わらない。

関連ページ： 尺度水準・ 名義尺度・ 順序尺度・ 比例尺度・ 標準化（z スコア）・ 平均・ 標準偏差・ 分散・ 相関係数 （いずれも本用語集内の実在ページ）。