🔖 キーワード索引

このページで扱うキーワード（クリックで該当節へジャンプ）：

🎨 直感で掴む — 47 個の小さな山を足す

47 都道府県の 総人口 $x_1, x_2, \dots, x_{47}$ が手元にあるとします。各 $x_i$ の場所に、幅 $h$ の小さな鐘形の山（カーネル）を置きましょう。

カーネルの形は「正規分布（ガウス）」が一番よく使われます。すると：

• 東京（約 1,400 万人）の場所に小さな山が 1 つ立つ
• 鳥取（約 55 万人）の場所にも別の山が立つ
• ……これを 47 県すべて やる
• 最後に すべての山を足し合わせる → KDE 曲線の完成

点が密集する場所では山が重なって高くなり、まばらな場所では低い丘になります。つまり「データ点が密な場所ほど曲線が高い」 = 密度推定そのもの。

ヒストグラムとの違い

🎨 カーネル関数の選択肢

代表的カーネル関数：

カーネル選択は本質的にあまり重要ではなく、 バンド幅 $h$ の選択が決定的。 Gaussian カーネルは scipy/sklearn のデフォルトで、 微分可能性が必要な場合に推奨。

📐 数式 — カーネル密度推定の定義

$n$ 個の観測値 $x_1, x_2, \dots, x_n$ に対して、点 $x$ における密度推定値は：

カーネル $K$ は通常、次を満たします：

• $K(u) \ge 0$（非負）
• $\int K(u)\,du = 1$（全積分が 1：密度なので）
• $K(-u) = K(u)$（対称）

代表的なカーネル関数

バンド幅 $h$ の選び方（Silverman の経験則）

歪んだ分布や外れ値に頑健な改良版：

🔬 数式を言葉で読み解く

つまり KDE は「データ点ごとに小さな確率の山を置き、それらを足して大きな密度関数を作る」 という、極めて直感的な操作です。

🎮 触って理解する — カーネルを重ねて密度をつくる

KDE は「各データ点に置いた小さな山（カーネル）を足し合わせる」だけの操作です。下のキャンバスで実際に体感しましょう。薄い青の曲線が 1 点ごとのカーネル、濃い赤の曲線がそれらの合計＝密度推定 $\hat{f}_h(x)$ です。キャンバスの空いた場所をクリック／タップすると点を追加できます。

試してほしいこと： ① h を小さくすると曲線がギザギザになり（各カーネルの山がそのまま見える＝過適合／分散大）、 ② h を大きくすると 1 つの釣鐘に潰れて構造が消えます（過平滑／バイアス大）。 ③ 「推奨 h(Silverman)」を押すと $h=0.9\,\min(\hat{\sigma},\mathrm{IQR}/1.34)\,n^{-1/5}$（頑健版）で計算した目安のバンド幅にジャンプします。 ④ カーネルをガウス／矩形／三角で切り替えても、密度曲線の大枠はほとんど変わりません——「カーネルの種類より h の選択が決定的」を体感できます。

このおもちゃが示す 4 つの原理：(1) 密度＝カーネルの重ね合わせ（薄い山の総和が濃い曲線）、 (2) h がバイアス・分散を支配（交差検証や Silverman則で選ぶ）、 (3) ビン端点に依存しない（ヒストグラムとの最大の違い）、 (4) 同じ「カーネル」の発想は次元削減の カーネル PCA や カーネル回帰 にも通じます。左端 0 付近では山が負側にしみ出す 境界バイアスも観察できます。

🧮 実データで計算してみる — SSDSE-B 都道府県人口

SSDSE-B-2026 の A1101（総人口）を 47 都道府県ぶん読み込み、人口分布の KDE を求めます。

ステップ 1：データの基本統計

ステップ 2：Silverman のルールでバンド幅 $h$ を決める

ステップ 3：評価点 $x=200$ 万人での密度を計算

本物の 47 県データでこれを行えば、東京・大阪・神奈川のような大人口県はピーク右側に薄い裾を作り、地方県の密集が左側に高いピーク（約 100〜200 万人付近）を作ります。

🧮 KDE の MISE と最適バンド幅の導出

KDE の漸近的平均積分二乗誤差 (AMISE) は次のように分解できます：

$$\mathrm{AMISE}(h) = \frac{R(K)}{nh} + \frac{1}{4} h^4 \sigma_K^4 R(f'')$$

第一項は分散（バンド幅が小さいほど大）、 第二項はバイアス（バンド幅が大きいほど大）。 微分して $0$ を解くと、 最適バンド幅は

$$h^\star = \left( \frac{R(K)}{n \sigma_K^4 R(f'')} \right)^{1/5}$$

この $h^\star$ は $n^{-1/5}$ のオーダーで縮みます。 $R(f'')$ は真の密度の二階微分の二乗積分で、 これを推定するのが Sheather-Jones の plug-in 法の核心。 SSDSE-B-2026 ($n=47$) では $h^\star \propto 47^{-0.2} = 0.46$ のオーダー、 SD の半分弱がベースライン値です。

多変量への拡張

$d$ 次元 KDE では $\mathrm{AMISE} = O(n^{-4/(d+4)})$ に劣化。 $d=10$ では $n=10^7$ が必要というのが「次元の呪い」の正体です。

🧮 数式に値を入れて手で計算する: ガウシアン KDE 評価

合成 3 点データで x=4 の KDE 密度を計算する。

Step 1: データとカーネル

Step 2: x=4 での密度

🐍 Python で再現

1
2
3
4
5

import numpy as np
from scipy.stats import gaussian_kde
data = np.array([2, 4, 6])
kde = gaussian_kde(data, bw_method=1.0/np.std(data, ddof=1))
print(f"f(4) = {kde(4)[0]:.3f}")

📤 実行結果

💬 手計算 (Step 2) 0.169 と Python 出力が完全一致。

🐍 Python 実装 — SSDSE-B の人口 KDE

1. scipy.stats.gaussian_kde（最も基本）

 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

# SSDSE-B 都道府県人口の KDE
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import gaussian_kde

# 1) データ読込（2 行目までヘッダ、1 行スキップ）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932')
pop = df['A1101'].values  # 総人口

# 2) KDE オブジェクトを作る（バンド幅自動）
kde = gaussian_kde(pop)            # Scott のルール（デフォルト）
kde_silver = gaussian_kde(pop, bw_method='silverman')

# 3) 評価点を作って密度を計算
xs = np.linspace(pop.min(), pop.max(), 500)
ys = kde(xs)
ys_silver = kde_silver(xs)

# 4) ヒストグラムと重ねて可視化
fig, ax = plt.subplots(figsize=(9, 5))
ax.hist(pop, bins=15, density=True, alpha=0.4, color='steelblue', label='Histogram')
ax.plot(xs, ys, color='crimson', lw=2, label='KDE (Scott)')
ax.plot(xs, ys_silver, color='darkgreen', lw=2, linestyle='--', label='KDE (Silverman)')
ax.set_xlabel('Population'); ax.set_ylabel('Density')
ax.legend(); plt.tight_layout(); plt.show()

2. seaborn — もっと手軽に

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import seaborn as sns
import pandas as pd

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

# ヒストグラム + KDE を一気に
sns.histplot(df['A1101'], kde=True, bins=15)

# KDE 単独・バンド幅指定
sns.kdeplot(df['A1101'], bw_adjust=0.5)  # 半分にして細かく
sns.kdeplot(df['A1101'], bw_adjust=2.0)  # 2倍にして滑らかに

3. バンド幅の比較プロット

1
2
3
4
5
6
7
8

# h を変えると何が起きるか可視化
import matplotlib.pyplot as plt
fig, axes = plt.subplots(1, 4, figsize=(16, 4), sharey=True)
for ax, bw in zip(axes, [0.1, 0.3, 1.0, 3.0]):
    kde = gaussian_kde(pop, bw_method=bw)
    ax.plot(xs, kde(xs))
    ax.set_title(f'bw_method={bw}')
plt.show()

4. 2 次元 KDE — 人口 × 高齢化率の同時分布

1
2
3
4

# 2 変数の同時密度（等高線）
sns.kdeplot(data=df, x='A1101', y='A1303', fill=True, cmap='mako')
plt.xlabel('Population'); plt.ylabel('Elderly ratio (%)')
plt.show()

⚠️ 落とし穴

⚠️ KDE の追加的落とし穴

• 裾の過小評価：データが少ない裾領域で、 KDE は密度を過小に出す傾向。
• 境界バイアス：有界データ（年齢など）で境界付近の密度が下がる。 反射法・対数変換で補正。
• 外れ値の影響：1 個の外れ値が広い領域に「小山」を作る。 ロバスト KDE を検討。
• バンド幅の固定：データの密度が場所によって異なるとき、 適応的 KDE が良い。
• 高次元での呪い：次元数 $d$ が増えると必要サンプルが $n^{4/(d+4)}$ で指数的に増える。
• 離散データへの誤適用：整数値データに KDE を当てると人工的な滑らかさが出る。
• 規格化忘れ：scipy の KDE は自動で積分が 1 になるが、 自作実装では要注意。

❓ よくある質問（FAQ）

🏛 KDE の歴史

• 1956：Rosenblatt: Remarks on Some Nonparametric Estimates of a Density Function で KDE の原型を提案。
• 1962：Parzen: On Estimation of a Probability Density Function and Mode で「Parzen window」として体系化。
• 1969：Wahba: スプラインベース密度推定の理論。
• 1986：Silverman: Density Estimation for Statistics and Data Analysis 教科書、 経験則の標準化。
• 1991：Sheather & Jones: A reliable data-based bandwidth selection method で plug-in 法を完成。
• 1996：Wand & Jones: Kernel Smoothing 教科書、 KDE の理論的完成。
• 2000 年代：機械学習: Conditional KDE、 KDE Mixture、 Variational density estimation で再注目。
• 2020 年代：Diffusion Model: Score-based 生成モデルが KDE のスコア関数推定と関連付けられる。

💼 産業応用事例

🌐 関連手法・派生

• ヒストグラム：KDE の階段版。 ビン端点の恣意性が KDE で解消される。 → histogram.html
• 適応的 KDE（Adaptive KDE）：データ密度に応じて $h$ を点ごとに変える。 裾の薄い領域では広く、 密集部では狭く。
• カーネル回帰（Nadaraya-Watson 推定量）：KDE を回帰に拡張したもの。 同じカーネル思想を $y$ の予測に転用。
• ノンパラメトリック密度推定：KDE はその代表格。 他に最近傍法、 オルソゴナル級数推定など。
• 混合モデル（GMM）：パラメトリックな多峰性推定。 KDE と並んで多峰性検出に使う。
• 2 次元 KDE：散布図に等高線を重ねて同時密度を表示。 散布図とヒートマップの中間。 → scatter-plot.html
• Violin plot：箱ひげ図の側面に KDE を貼り付けた可視化。 → boxplot.html
• Empirical CDF：累積分布関数のノンパラメトリック推定。 KDE の積分版。

🌐 KDE と他密度推定法の比較

KDE は「分布形状について仮定を置かない」ことが最大の強み。 SSDSE-B-2026 の人口分布のように「正規ではない歪んだ分布」を素直に表示できます。

🔗 関連用語（前提・並列・発展）

📘 前提として理解しておくべき用語

📗 並列に並ぶ・対比する用語

📕 発展として進む用語

🔍 バンド幅選択の理論的詳説

KDE の精度評価は 積分二乗誤差 (Integrated Squared Error, ISE) またはその期待値 MISE (Mean ISE) で測ります：

MISE はバイアスと分散に分解できます：

これを微分して 0 にすると、 最適バンド幅 $h^*$：

バイアス・分散トレードオフ

実用的なバンド幅選択法

1. Scott のルール：$h = \hat{\sigma} n^{-1/5}$（scipy のデフォルト）
2. Silverman のルール：$h = 1.06 \hat{\sigma} n^{-1/5}$（正規前提）
3. 頑健版 Silverman：$h = 0.9 \min(\hat{\sigma}, \mathrm{IQR}/1.34) n^{-1/5}$
4. Sheather-Jones plug-in：$f''$ を推定して $h^*$ を計算。 現代の標準。
5. 交差検証 (Cross-Validation, CV)：leave-one-out で MISE 推定を最小化

🧬 KDE のバリエーション

1. 適応的 KDE（Adaptive KDE）

密度が高い領域では $h$ を狭く、 低い領域では広くすることで、 裾の表現を向上：

2. ログ変換 KDE

人口や所得のような右に長い裾を持つ変数は、 まず $\log$ 変換してから KDE するのが標準。 結果を元のスケールに戻すと境界バイアスが回避できる。

3. 境界補正カーネル

区間 $[0, \infty)$ の量に対して、 ベータカーネル・ガンマカーネルなど「サポートが正しい範囲のカーネル」を使う。 例：ガンマカーネル $K_b(x; t) \propto x^{t/b}\,e^{-x/b}$。

4. 重み付き KDE

各観測 $x_i$ に重み $w_i$ を付ける：

5. 多変量 KDE

$d$ 次元では各次元にバンド幅 $h_1, \dots, h_d$ を持つ：

ただし「次元の呪い」が強く、 $d \ge 3$ では実用的にきつい。 ふつう $d = 1$ または 2 までで使う。

📊 論文での KDE の使われ方

本サイトの再現論文集の中で、 KDE が活用される典型シーン：

⚙️ 計算量と高速化

KDE の素朴な実装は、 $m$ 評価点 × $n$ 観測点で $O(nm)$。 $n=10^6$、 $m=10^3$ なら $10^9$ 演算で数分かかる。

高速化テクニック

Python では scipy.stats.gaussian_kde は素朴実装、 KDEpy ライブラリは FFT ベースで圧倒的に速い。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

# 大規模データでの高速 KDE
from KDEpy import FFTKDE
import numpy as np

x = pop  # 47 県の人口
estimator = FFTKDE(kernel='gaussian', bw='ISJ')  # Improved Sheather-Jones
xs, ys = estimator.fit(x).evaluate(1024)

import matplotlib.pyplot as plt
plt.plot(xs, ys); plt.show()

📚 関連グループ教材

• 📦 基礎統計グループ — KDE はヒストグラム・箱ひげ図と並ぶ「分布の眺め方」の柱
• 📊 データ可視化グループ — 1 変数・2 変数の分布を表示する基本ツール
• 📈 ノンパラメトリック手法グループ — 分布形を仮定しない統計手法の一群
• 🌊 密度推定グループ — KDE、 GMM、 ヒストグラム、 EDF を体系的に整理

🧪 KDE vs ヒストグラム vs パラメトリックフィット — 3 方式の比較

「47 都道府県の人口分布を表現する」という同じ課題を 3 方式で解いてみます。

Python で 3 方式を並べて比較

 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
30

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import gaussian_kde, lognorm

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=[1], encoding='cp932')
pop = df['A1101'].values

fig, axes = plt.subplots(1, 3, figsize=(15, 4), sharey=True)

# (1) ヒストグラム
axes[0].hist(pop, bins=15, density=True, color='steelblue', edgecolor='white')
axes[0].set_title('Histogram (bins=15)')

# (2) KDE
kde = gaussian_kde(pop)
xs = np.linspace(pop.min(), pop.max(), 500)
axes[1].plot(xs, kde(xs), 'crimson', lw=2)
axes[1].fill_between(xs, kde(xs), alpha=0.3, color='crimson')
axes[1].set_title('KDE (Gaussian)')

# (3) 対数正規あてはめ
shape, loc, scale = lognorm.fit(pop, floc=0)
axes[2].plot(xs, lognorm.pdf(xs, shape, loc, scale), 'darkgreen', lw=2)
axes[2].set_title(f'Lognormal fit (μ={np.log(scale):.2f}, σ={shape:.2f})')

for ax in axes:
    ax.set_xlabel('Population')
axes[0].set_ylabel('Density')
plt.tight_layout(); plt.show()

解釈

• ヒストグラム：「東京・神奈川」がはるか右の孤立棒として現れる。 ビンを増やすと細かく、 減らすと粗く。
• KDE：なめらかな曲線が同じ右裾を表現。 東京・神奈川は「裾の小さなコブ」として現れる。
• 対数正規フィット：パラメータ 2 個だけで似た形を再現。 ただし「47 県のデータ」を完全に表現するには制約が強い。

🗺 概念マップ — KDE が属する位置

分布の可視化・推定
├── パラメトリック密度推定
│   ├── 正規分布のあてはめ（平均・分散を推定）
│   ├── 混合正規（GMM）
│   └── 一般指数族
├── ノンパラメトリック密度推定 ◀ ここに KDE
│   ├── ヒストグラム（階段状）
│   ├── KDE（なめらか） ◀ このページ
│   │   ├── ガウス KDE（最頻出）
│   │   ├── Epanechnikov KDE（最適）
│   │   ├── 適応的 KDE
│   │   └── 多変量 KDE
│   ├── 最近傍密度推定
│   └── オルソゴナル級数推定
├── 累積分布関数の推定
│   ├── Empirical CDF
│   └── 平滑 ECDF
└── 応用分野
    ├── 異常検知（密度が低い → 異常）
    ├── クラスタリング（Mean Shift など）
    ├── カーネル回帰（Nadaraya-Watson）
    └── ベイズ事後分布の可視化

🧠 KDE 拡張解説 — なぜヒストグラムを超えるか

カーネル密度推定 (KDE) は、 離散的観測値 $\{x_1, \ldots, x_n\}$ から滑らかな密度関数を推定します。 ヒストグラムが「ビン境界の人工的な階段」を作るのに対し、 KDE は各観測点に「小さな山」（カーネル関数）を置き、 それを足し合わせるイメージです。

$$\hat f_h(x) = \frac{1}{nh} \sum_{i=1}^{n} K\!\left(\frac{x - x_i}{h}\right)$$

SSDSE-B-2026 の 47 都道府県人口データに KDE を適用すると、 東京・大阪のような大都市が右側に長い裾を作り、 多くの県が中央に固まる「右に歪んだ密度」が観察できます。 ヒストグラムでは見えにくい「双峰性」「希少な裾」が KDE では浮き彫りに。

🔗 隣接手法への橋渡し

KDE はバンド幅 h とカーネル選択によって描かれる滑らかな密度推定であり、 上流のヒストグラム探索と下流の分布検定・サンプリングへ橋渡しすることで本領を発揮する。

• 上流: 前段の分布可視化 (ヒストグラム・QQ プロット) (ヒストグラム、 標準化)
• 並列: 並列のノンパラメトリック手法 (ノンパラメトリック法) と比較・併用
• 下流: 下流の確率モデル化・サンプリング (箱ひげ図比較、 外れ値検出)

上流のヒストグラムでビンに頼らず分布形状を確認し、 並列の正規分布あてはめ・GMM と比較してパラメトリック仮定の妥当性を検証し、 下流の異常検知/密度比推定で KDE の出力 (確率密度) を直接判定スコアに使う流れで真価を発揮する。

🌳 手法選択フロー

カーネル密度推定 (KDE) を実際の課題に当てはめるとき、 用語固有の判断軸に沿って次の 3 段階で適切な選択を行う。

1. 分布形状を視覚的に確認したいだけか? Yes → ヒストグラム (ビン幅注意)、 No → 次へ
2. 分布族を仮定できるか (正規・指数等)? Yes → パラメトリック推定 (最尤法)、 No → KDE (ノンパラメトリック)
3. 多変量 (3 次元以上) を扱うか? Yes → 次元削減 + 2D KDE、 No → 1D-2D KDE で十分

このフローはノンパラメトリック密度推定の基本方針。 KDE はバンド幅 h の選択が結果を左右するため、 Scott/Silverman の経験則や交差検証で h を慎重に決定する。

🧩 直感を深める — 「ビン境界問題」から KDE が生まれた

KDE は突然思いつかれた道具ではなく、 ヒストグラムの弱点を一つずつ潰していくと自然に到達します。 上の 🎨 直感 セクションを踏まえ、 「なぜ滑らかにするのか」をもう一段深掘りします。

ヒストグラムが抱える 3 つの恣意性

同じデータでも、 ヒストグラムは作り手の選択で見た目が変わります。 これが ビン境界問題（binning problem） です。

• ① ビン幅の恣意性：幅を変えると山の数さえ変わる。
• ② 原点（ビン端点）の恣意性：幅が同じでも、 目盛りを少しずらすと 1 つの山が 2 つに割れたりくっついたりする。
• ③ 不連続性：階段状なので微分できず、 ピーク位置を数値的に求めにくい。

発想の飛躍：「箱」を「山」に置き換える

ヒストグラムを「各データ点の上に幅 $w$・高さ一定の矩形の箱を積む」操作だと読み替えてみます。 すると、 この箱こそが 一様カーネルそのもの。 KDE はここで 2 つの改良を加えます。

• 改良 A：箱を丸める → 一様カーネルをガウスやエパネチニコフに替えると、 出力が滑らか（微分可能）になり ③ が解決。
• 改良 B：箱を「格子」でなく「データ点」に置く → ビンの端点が消えるので ② が解決。 KDE に「原点」は存在しない。

残った ① だけが バンド幅 $h$ として KDE に引き継がれます。 つまり $h$ はヒストグラムのビン幅に相当し、 「どれだけ滑らかにするか」というただ 1 つの本質的な自由度に集約されたのです。 カーネルの種類（改良 A）はほとんど効かず、 $h$（元のビン幅）だけが決定的、 という 落とし穴 ⑤ の理由もここにあります。

移動平均としての KDE

別の見方をすると、 KDE は評価点 $x$ の周りで「近い観測点ほど重く数える加重平均」です。 重み $K\!\big((x-x_i)/h\big)$ は $x$ に近い点ほど大きい。 これは時系列の移動平均と同じ発想で、 $h$ は「窓の広さ」に対応します。 窓が狭い（$h$ 小）ほど局所的でギザギザ、 広い（$h$ 大）ほど大域的でなめらか——という直感がそのまま成り立ちます。

📝 補足：ヒストグラムそのものの詳細は histogram.html、 「密度」という量の定義は「確率密度」の項（本サイトに個別ページ未整備のため、 probability-distribution.html の密度関数の節）を参照。

🕳 落とし穴を深掘り — 実データ（東京〜鳥取）で確かめる

上の ⚠️ 落とし穴 を、 SSDSE-B-2026 の 2023 年・総人口（A1101, 47 都道府県, $n=47$）の実測値で具体化します。 数値はすべて実データからの計算です。

① バンド幅選択：デフォルト則は歪んだ人口で「過平滑」になる

同じデータに 3 つの経験則を当てると、 バンド幅が 2.7 倍も食い違います。

Scott / Silverman は正規分布を前提にした式です。 東京都という一つの巨大な外れ値が $\hat{\sigma}$ を約 280 万に押し上げ、 バンド幅が中央値付近の県間隔（数十万人）より大きくなってしまう。 結果、 「200 万人未満に 31 県が密集」という本当の峰が塗り潰される過平滑が起きます。 IQR を使う頑健版（約 50 万）の方がこのデータには適切で、 上の 📐 数式 の頑健版 Silverman が実務で推奨される理由が数値で確認できます。

② 境界バイアス：人口は 0 未満にならないのに裾がしみ出す

人口は必ず正の量ですが、 ガウス KDE は鳥取県（537,000 人）の左側にも鐘の裾を伸ばし、 0 人・負の人口という物理的にありえない領域に密度を配ってしまいます。 $h \approx 137$ 万（Silverman）ではこのしみ出しが顕著。 対処は 落とし穴 ② の通りで、 実測では対数変換が特に有効です：対数スケールの Silverman バンド幅は約 0.394（頑健版 0.291）と桁が扱いやすく、 右歪みも同時に緩和されます。

③ 多峰性：「でっち上げ」と「見落とし」の両方に注意

$h$ を小さくすれば東京・大阪・愛知あたりに小さなコブが次々現れますが、 それらは ノイズ由来の偽の峰（でっち上げ）かもしれません。 逆に $h$ を大きくすれば「200 万人未満の 31 県」という本物の峰を見落とす。 $n=47$ という小標本ではこの判定が特に難しく、 「東京・大阪・愛知が外れ値で、 残りは実質単峰」という解釈も十分あり得ます。 異なる $h$ で頑健に残る峰だけを信じ、 必要ならブートストラップ検定で裏を取ります。 パラメトリックに多峰性を検証したいなら混合ガウス（→ gaussian-mixture.html）と併用します。

④ 次元の呪い：KDE が高次元で破綻する理由

1 変数では快適な KDE も、 変数を増やすと急速に無力化します。 これは 次元の呪い（curse of dimensionality）で、 収束のために必要なサンプル数が次元 $d$ に対して指数的に膨らむためです。

SSDSE-B の $n=47$ では、 2〜3 次元が実用上の限界。 高次元密度を扱いたいときは KDE をあきらめ、 パラメトリックな混合ガウス（GMM）や次元削減 → 低次元 KDE に切り替えるのが定石です（→ gaussian-mixture.html、 nonparametric.html）。

🚀 発展 — 自動バンド幅・カーネル種類・GMM との関係

バンド幅の自動選択：Scott 則と Silverman 則

「$h$ を手で選ぶのは大変」という声に応える古典的な自動則が Scott / Silverman です。 どちらも $h \propto \hat{\sigma}\,n^{-1/5}$ という同じ骨格を持ちます（1 次元の場合）。

$-1/5$ という指数の意味：バイアス（過平滑）とバリアンス（ギザギザ）のトレードオフを最小化すると、 理論的に最適な $h$ は $n^{-1/5}$ のオーダーになります。 サンプルが増えるほど $h$ をゆっくり縮めるべき、 ということ。 上の実測では $n^{-1/5}=0.4630$ がこの因子でした。

カーネル種類の影響：形より「効率」で理解する

カーネルを変えても結果はほとんど変わりません。 これを定量化するのが 相対効率で、 最適な Epanechnikov カーネルを 1.000 とした比です（上の 🎨 直感 の表を参照）。 ガウスカーネルでさえ効率 0.951——つまり同じ精度を出すのに必要なサンプルが約 5% 多いだけ。 実務では、

• ガウス：無限に滑らかで微分可能。 ピーク探索や勾配計算が必要なとき（scipy/sklearn の既定）。
• Epanechnikov：MISE 最適かつ有限サポート。 大標本で計算を軽くしたいとき。

を選べば十分です。 「どのカーネルか」より「$h$ をどう決めるか」に労力を割く——これが KDE 運用の鉄則です。

KDE と混合ガウス（GMM）の関係

ガウス KDE と GMM は、 じつは「ガウスの和で密度を表す」という同じ家族に属します。 違いはガウスをいくつ・どこに・どんな幅で置くかだけです。

言い換えると、 KDE は「成分数を $n$ に固定し、 一切学習しない究極のノンパラメトリック GMM」。 逆に GMM は「成分を数個に絞って場所・幅・重みを学習した圧縮版 KDE」と言えます。 少数の峰がはっきりしていて解釈やサンプリングが目的なら GMM、 分布形状を先入観なく眺めたいなら KDE、 と使い分けます（→ gaussian-mixture.html）。

📝 補足：ここで挙げた数値（バンド幅 130 万 vs 50 万、 $n^{-1/5}=0.4630$ など）はすべて SSDSE-B-2026 2023 年・総人口の実測に基づく。 合成データは用いていない。