🔖 キーワード索引

本ページのトピックを 1 タップで移動できます。 「MAE（平均絶対誤差）」を学ぶうえで押さえたい論点はすべてここに集約しました。

MAE (Mean Absolute Error、 平均絶対誤差) は回帰モデルの評価指標で、 予測値と真値の差の絶対値の平均。 RMSE と違って二乗しないため 外れ値の影響を受けにくい。 損失関数として使うと中央値回帰になり、 単位は真値と同じ（円・人）で解釈しやすい。

「MAE の定義 → RMSE/MAPE との使い分け → 損失関数としての性質」を構成する核キーワード。

🎨 直感で掴む

MAE（Mean Absolute Error、 平均絶対誤差）は、 回帰モデルの予測がどれくらい外れているかを 「外れた量の平均」 で測る指標。 「人口から出生数を予測するモデル」を SSDSE-B-2026 で作ったとき、 47 都道府県それぞれの予測値と実測値の差を絶対値で平均したものが MAE。

日常の比喩でいえば、 MAE は 「待ち合わせの遅刻時間の平均」 に近い。 「2 分早く着いた」も「8 分遅刻した」も 絶対値 で 2 分・8 分として扱い、 平均値 5 分が MAE。 一方、 MSE はこれを二乗するので 4 + 64 = 68、 平均 34 = 「6 分弱の二乗」となり、 大きな遅刻ほど不釣り合いに重く効く。

SSDSE-B-2026（2023 年度、 47 都道府県）で「人口 → 出生数」を線形回帰した場合、 MAE は実測で約 1,100 人になる。 これは「平均的に出生数を ±千人強の精度で当てている」と直感的に解釈できる。 単位が目的変数と同じなので、 ステークホルダーへの報告がしやすい。 たとえば「うちの自治体の出生予測 MAE は 800 人です」と言えば、 政策担当者は「800 人ぶんの保育所準備にバッファを持つ」のように 具体的な意思決定に直結する。

• MAE を使うとき：外れ値の影響を抑えたい／単位を保ったまま誤差を見せたい／中央値志向の予測をしたい。
• MSE/RMSE を使うとき：大きな外れを重く罰したい／勾配計算がスムーズなモデルが必要（NN など）。
• R² を使うとき：単位に依存せず「説明力」を比較したい。

もう少し丁寧に：MAE は「中央値志向」の指標と言われる。 これは MAE 最小化が 条件付き中央値 を推定することと対応しているため。 一方の MSE 最小化は 条件付き平均 を推定する。 「中央値」は外れ値に強く、 「平均」は外れ値に弱い。 この統計的な性質の違いが、 MAE と MSE の振る舞いの違いに直結している。

誤解しやすいポイント：MAE が小さいからといって「モデルが良い」とは限らない。 たとえば「予測 = 全データの中央値」というナイーブなモデルでも、 偏った分布のデータでは意外と低い MAE を出すことがある。 したがって MAE は必ず ベースラインモデル（平均値予測・中央値予測）と比較して評価する。

📐 数式・定義

サンプル数 \(n\)、 実測値 \(y_i\)、 予測値 \(\hat y_i\) としたとき、 平均絶対誤差は次で定義される。

MSE / RMSE / MAE の関係は次の通り。

不等式 \( \text{MAE} \le \text{RMSE} \) は Cauchy–Schwarz の不等式から従い、 等号成立は 全誤差の絶対値が等しいときのみ。 ばらつきが大きい予測ほど MAE と RMSE の差が広がる。

幾何学的解釈：MAE 最小化は 条件付き中央値 を推定すること、 MSE 最小化は 条件付き期待値 を推定すること。 つまり MAE と MSE はそれぞれ 中央値回帰 と 平均値回帰 に対応する。

📐 MAE と関連数式集

MAE 周辺で覚えておくべき主要な数式を一覧。

定義：$$ \text{MAE} = \frac{1}{n}\sum_{i=1}^n |y_i - \hat y_i| $$

MSE：$$ \text{MSE} = \frac{1}{n}\sum_{i=1}^n (y_i - \hat y_i)^2 $$

RMSE：$$ \text{RMSE} = \sqrt{\frac{1}{n}\sum_{i=1}^n (y_i - \hat y_i)^2} $$

不等式（Cauchy-Schwarz）：$$ \text{MAE} \le \text{RMSE} $$

R²（決定係数）：$$ R^2 = 1 - \frac{\sum (y_i - \hat y_i)^2}{\sum (y_i - \bar y)^2} $$

MAPE：$$ \text{MAPE} = \frac{1}{n}\sum_{i=1}^n \left|\frac{y_i - \hat y_i}{y_i}\right| \times 100\% $$

SMAPE：$$ \text{SMAPE} = \frac{1}{n}\sum_{i=1}^n \frac{2|y_i - \hat y_i|}{|y_i| + |\hat y_i|} \times 100\% $$

Huber 損失：$$ L_\delta(u) = \begin{cases} \frac{1}{2}u^2 & |u| \le \delta \\ \delta(|u| - \frac{1}{2}\delta) & |u| > \delta \end{cases} $$

Quantile 損失：$$ \rho_\tau(u) = u(\tau - \mathbb{1}\{u < 0\}) $$

劣勾配（MAE の最適化用）：$$ \partial |u| = \begin{cases} \{1\} & u > 0 \\ [-1, 1] & u = 0 \\ \{-1\} & u < 0 \end{cases} $$

🔬 数式を言葉で読み解く

🔬 深掘り：MAE のさらに詳細な数理

MAE 損失の劣勾配と SGD 収束

MAE 損失 \( L = \frac{1}{n}\sum|y_i - \hat y_i| \) は、 予測値 \( \hat y_i = y_i \) で微分不可能です。 この点では 劣勾配（subgradient）という拡張概念を使い、 \( \partial_{\hat y} L = -\frac{1}{n}\sum \text{sgn}(y_i - \hat y_i) \) と書きます。 ここで \( \text{sgn}(0) \in [-1, 1] \) は劣勾配の集合です。 確率的勾配降下法（SGD）でこれを使うと、 各ステップで勾配の符号だけが効くため、 学習率を慎重に設定しないと振動します。 実務では PyTorch の nn.L1Loss が MAE 損失で、 内部的には sign 関数で劣勾配を計算しています。

中央値推定との等価性の証明スケッチ

「定数 \( c \) でサンプル \( \{x_1, \dots, x_n\} \) を代表する」最適化問題で \( c^* = \arg\min_c \sum|x_i - c| \) を考えます。 \( c \) の微小変化に対する目的関数の変化は \( \frac{dL}{dc} = -\#\{x_i > c\} + \#\{x_i < c\} \) です。 これが 0 になるのは \( \#\{x_i > c\} = \#\{x_i < c\} \) のとき、 つまり \( c \) が中央値のときです。 一方、 MSE 損失 \( \sum(x_i - c)^2 \) の微分は \( -2\sum(x_i - c) = 0 \) より \( c = \bar x \)（平均）になります。 この対比が「MAE は中央値、 MSE は平均」と呼ばれる所以です。

分位点回帰との関係

MAE は分位点回帰（quantile regression）で \( \tau = 0.5 \)（中央値分位点）の特殊ケースです。 一般の分位点 \( \tau \in (0, 1) \) では、 損失関数は \( \rho_\tau(u) = u(\tau - \mathbb{1}\{u < 0\}) \) というピン関数になり、 \( \tau = 0.5 \) のとき \( \rho_{0.5}(u) = 0.5|u| \) となって MAE と比例します。 SSDSE-B-2026 で「90% 分位点回帰」を行えば、 「最悪ケースの予測誤差」を最適化でき、 リスク管理に応用できます。 scikit-learn の QuantileRegressor で実装可能です。

影響関数とロバスト性

統計量の 影響関数（influence function）とは「1 サンプルを微小に変えたときに推定値がどれだけ変わるか」を表す関数です。 MAE の影響関数は 有界（最大 1）ですが、 MSE の影響関数は 非有界（誤差に比例して無限大）です。 これが「MAE は外れ値にロバスト、 MSE はロバストでない」という主張の数理的な根拠です。 SSDSE-B-2026 のように東京・沖縄のような特異な観測値を含むデータでは、 MAE のロバスト性が活きる場面が多いです。

Huber 損失：MAE と MSE のハイブリッド

Huber 損失は \( L_\delta(u) = \begin{cases} \frac{1}{2}u^2 & |u| \le \delta \\ \delta(|u| - \frac{1}{2}\delta) & |u| > \delta \end{cases} \) で定義されます。 小さい誤差は MSE のように二次関数、 大きい誤差は MAE のように線形関数として扱います。 \( \delta \) はハイパーパラメータで、 経験的には目的変数の標準偏差の 1.345 倍が「ガウス分布で 95% 効率」のロバスト推定量を与えます。 SSDSE-B-2026（2023 年度）の出生数予測では、 出生数の標準偏差 ≒ 17,000 人なので \( \delta = 23,000 \) 程度が目安です。

MAE と Median AE の違い

類似の指標として Median Absolute Error（MedianAE）があります。 MAE が「絶対誤差の平均」なのに対し、 MedianAE は「絶対誤差の中央値」です。 SSDSE-B-2026 で 47 都道府県の絶対誤差を並べたとき、 MAE は全 47 県の平均、 MedianAE は 24 番目（中央順位）の県の絶対誤差です。 外れ値が極端に大きいデータでは、 MedianAE のほうが「典型的な誤差」を反映しやすいと言われます。 ただし MedianAE は感度が低く、 「半分以上の県の誤差が改善した」場合のみ動くため、 モデル比較の感度が落ちる弱点があります。

重み付き MAE（Weighted MAE）

サンプルごとに重要度が異なる場合、 重み付き MAE \( \text{WMAE} = \sum w_i |y_i - \hat y_i| / \sum w_i \) を使います。 SSDSE-B-2026 で「人口比例で重み付けする」と、 東京都の予測誤差が小さい県の 20 倍以上の重みを持ち、 「全国民の総体としての誤差」を最小化することになります。 これは政策評価で重要で、 「住民数の多い県の予測精度を優先する」場合に有効です。

MAE と評価指標の選択フローチャート

評価指標の選択は ① 単位の解釈性、 ② 外れ値感度、 ③ 最適化の容易さ、 ④ 比較の文脈の 4 軸で決めます。 SSDSE-B-2026 の出生数予測なら、 ① 単位が「人」で読みやすい → MAE / RMSE、 ② 外れ値（北海道・沖縄）を緩和したい → MAE、 ③ 線形回帰でフィット → どちらでも OK（OLS は MSE 最適化）、 ④ ステークホルダー報告 → MAE（人間が読める）、 という流れで MAE が選ばれます。 一方、 ニューラルネット学習なら ③ で MSE / Huber が選ばれます。

🧪 SSDSE-B-2026 完全実装例

「総人口 → 出生数」予測の完全な再現コード（読み込みから可視化まで）。

 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
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression, HuberRegressor, QuantileRegressor
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score, median_absolute_error
from sklearn.model_selection import KFold

# 1) データ読み込み（SSDSE-B-2026、先頭列は年度）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)  # 2023 年度・47 都道府県
print(f'読み込み: {len(df)} 都道府県')

# 2) 説明変数・目的変数
X = df[['A1101']].values  # 総人口
y = df['A4101'].values    # 出生数
prefs = df['Prefecture'].values

# 3) 複数モデルで MAE を比較
models = {
    '線形回帰 (MSE 最適化)': LinearRegression(),
    'Huber 回帰 (ロバスト)': HuberRegressor(epsilon=1.35),
    '分位点回帰 τ=0.5 (MAE 最適化)': QuantileRegressor(quantile=0.5, alpha=0),
    '分位点回帰 τ=0.9 (上位予測)': QuantileRegressor(quantile=0.9, alpha=0),
}

results = []
for name, model in models.items():
    model.fit(X, y)
    y_pred = model.predict(X)
    mae = mean_absolute_error(y, y_pred)
    rmse = np.sqrt(mean_squared_error(y, y_pred))
    medae = median_absolute_error(y, y_pred)
    r2 = r2_score(y, y_pred)
    results.append({
        'model': name, 'MAE': mae, 'RMSE': rmse,
        'MedianAE': medae, 'R²': r2, 'RMSE/MAE': rmse / mae,
    })

results_df = pd.DataFrame(results)
print(results_df.to_string(index=False))

# 4) 寄与上位 5 県の特定
y_pred = models['線形回帰 (MSE 最適化)'].predict(X)
residuals = np.abs(y - y_pred)
top5_idx = np.argsort(residuals)[-5:][::-1]
print('\n[MAE 寄与トップ 5 都道府県]')
for i in top5_idx:
    print(f'  {prefs[i]}: |残差| = {residuals[i]:,.0f} 人 (実測={y[i]:,.0f}, 予測={y_pred[i]:,.0f})')

# 5) 5-fold CV
print('\n[5-fold CV with MAE]')
maes_cv = []
for tr, te in KFold(n_splits=5, shuffle=True, random_state=0).split(X):
    m = LinearRegression().fit(X[tr], y[tr])
    maes_cv.append(mean_absolute_error(y[te], m.predict(X[te])))
print(f'CV-MAE = {np.mean(maes_cv):,.0f} ± {np.std(maes_cv):,.0f} 人')

# 6) 可視化
fig, axes = plt.subplots(1, 2, figsize=(13, 5))
axes[0].scatter(X.ravel(), y, alpha=0.6, label='実測')
xs = np.linspace(X.min(), X.max(), 100).reshape(-1, 1)
for name, m in models.items():
    axes[0].plot(xs, m.predict(xs), label=name)
axes[0].set_xlabel('総人口 A1101 (人)'); axes[0].set_ylabel('出生数 A4101 (人)')
axes[0].legend(); axes[0].set_title('SSDSE-B-2026 出生数モデル比較')

axes[1].bar(range(len(results_df)), results_df['MAE'])
axes[1].set_xticks(range(len(results_df)))
axes[1].set_xticklabels(results_df['model'], rotation=30, ha='right')
axes[1].set_ylabel('MAE (人)'); axes[1].set_title('MAE で見るモデル比較')
plt.tight_layout()
plt.savefig('outputs/mae_full_comparison.png', dpi=120, bbox_inches='tight')

実行結果（2023 年度実測）：単回帰の MAE ≒ 1,146 人、 Huber 回帰の MAE ≒ 1,148 人、 分位点回帰 τ=0.5 の MAE ≒ 1,144 人。 このデータでは総人口と出生数の直線関係が非常に強い（R² = 0.991）ため 3 モデルの差はわずかで、 MAE を直接最適化する分位点回帰がごく僅かに小さい。 分位点回帰 τ=0.9 は MAE ≒ 1,832 人と大きくなる（上位側の予測を狙う指標なので当然）。 「指標が違えば最適モデルも違う」ことを確認できる例。

📊 実務テンプレート：MAE 報告書フォーマット

SSDSE-B-2026 を題材に、 MAE を含む回帰評価の報告書テンプレートを示します。 統計検定・データサイエンスコンペ・自治体報告書のいずれにも応用可能です。

🎯 学習チェック：MAE 演習問題

1. 計算問題：実測値 [100, 95, 110, 200]、 予測値 [105, 100, 105, 195] の MAE は？ (答：5.0)
2. 解釈問題：「MAE = 1,200 人、 RMSE = 3,500 人」というモデルの特徴を言葉で説明せよ。 (答：RMSE/MAE ≒ 2.9 と高いので外れ値が支配的。 平均的なズレは 1,200 人だが、 一部の県で大外しがある)
3. SSDSE 応用：SSDSE-B-2026 の「総人口 → 大学数 E6102」を単回帰したとき、 想定される MAE のオーダーは？ (答：大学数は 2023 年度の 47 県で 2〜144 校。 標準偏差 ≒ 23 校、 in-sample MAE は実測で約 5 校)
4. 選択問題：以下のうち MAE が MSE より適している場面は？ ① 外れ値が多い ② NN 損失関数 ③ 自治体報告書 ④ 平均値推定 (答：① と ③。 ② は微分不可、 ④ は MSE が中央値ではなく平均を返す)
5. コーディング：sklearn で MAE をスコア関数として使う cross_val_score 呼び出しを書け。 (答：cross_val_score(model, X, y, scoring='neg_mean_absolute_error', cv=5))

📈 MAE 詳細ケーススタディ：SSDSE-B-2026 出生数予測

本セクションでは、 SSDSE-B-2026 の出生数予測を題材に、 MAE の使い方を 段階的に体験できるケーススタディを示します。 統計初学者・データサイエンス入門者が「MAE を実務でどう活かすか」を理解できる構成です。

ステップ 1：ベースラインモデル（全平均予測）の MAE

最も単純なモデルとして「全 47 都道府県の出生数の平均値で予測する」ベースラインを考えます。 SSDSE-B-2026（2023 年度）の出生数の全国平均は約 15,500 人/県。 各県の実測値と平均値の差を 47 件平均すると、 MAE = 約 11,800 人（ばらつきが大きいため）になります。 これが 「何もしないモデル」の MAEであり、 これ以上小さい MAE を出せないモデルは作る意味がありません。

ステップ 2：単回帰モデル（人口 → 出生数）の MAE

「総人口 A1101 で出生数 A4101 を予測する」単回帰モデルを学習すると、 MAE は約 1,146 人まで下がります（実測）。 ベースライン 11,800 人から約 1/10 に削減。 これは「人口情報を 1 つ足すだけで予測精度が劇的に向上する」ことを示します。 解釈：「平均的にどの県の出生数も ±1,100 人強の精度で当たる」。

ステップ 3：重回帰（人口 + 老年人口 + 大学数 → 出生数）の MAE

説明変数を 3 つ（総人口 A1101・老年人口 A1303・大学数 E6102）に増やした重回帰では、 in-sample MAE が約 1,008 人までわずかに低下（実測）。 総人口だけでほぼ説明できるため、 改善幅は小さい。 「変数を足せば必ず大きく改善する」わけではないことを示す好例です。

ステップ 4：非線形モデル（Random Forest）の MAE

Random Forest（非線形）で同じ 3 変数を入力すると、 in-sample MAE は約 924 人までさらに低下（実測）。 ただしこれは学習データへの当てはまりに過ぎず、 次のステップで見るように汎化性能はむしろ悪化します。 解釈性も低下するため、 自治体報告書では線形モデルの方が好まれることも。

ステップ 5：交差検証で汎化性能を測る

in-sample MAE（学習データで評価）は楽観的なので、 5-fold CV で out-of-sample MAE を測ります。 実測では単回帰の CV-MAE = 1,204 人に対し、 重回帰は CV-MAE = 1,472 人（in-sample 1,008 より悪い）、 Random Forest は CV-MAE = 2,470 人（in-sample 924 より大幅に悪い）。 複雑なモデルほど CV と in-sample の差が大きく、 n=47 では過学習が顕著。 「自分のモデルは新しいデータで本当に同じ精度を出すか？」を確認するのが交差検証の役割です。

ステップ 6：MAE 寄与県の特定

単回帰の残差を県別に見ると、 北海道（−5,976 人）、 沖縄県（+4,265 人）、 福岡県（+3,469 人）が大きく外れる傾向（実測）。 沖縄・福岡は 出生率が相対的に高いため人口から予測されるより出生数が多く、 北海道は少子高齢化が進み予測より少ない。 これら「外れ県」のパターンを理解することで、 モデル改善の方向性（地方区分ダミー追加、 出生率の階層モデル化など）が見えてきます。

ステップ 7：報告書での MAE 提示

最終報告書では「MAE = 1,204 ± 494 人（5-fold CV）、 R² = 0.991、 RMSE = 1,622 人（in-sample）」とセットで報告。 「平均的に ±1,200 人の精度で各都道府県の出生数を予測。 RMSE/MAE = 1.42 で軽度の外れ値あり。 大半の県は ±1,000 人以内に収まるが、 北海道・沖縄で大きく外れる」と解釈を添える。

🎓 MAE 学術的視点：3 つの確率論的解釈

解釈 1：ラプラス分布の最尤推定

残差 \( \epsilon_i = y_i - \hat y_i \) がラプラス分布（両側指数分布）\( p(\epsilon) = \frac{1}{2b}\exp(-|\epsilon|/b) \) に従うと仮定すると、 対数尤度は \( \log L = -n\log(2b) - \frac{1}{b}\sum |\epsilon_i| \)。 これを最大化する \( \hat\theta \) は MAE 最小化と等価。 つまり MAE 最小化は ラプラス分布ノイズの最尤推定と同じ。 ラプラス分布は正規分布より裾が重く、 外れ値を許容する分布です。

解釈 2：分位点回帰の中央値ケース

分位点回帰では τ-分位点を予測。 τ=0.5 が中央値で、 損失関数が MAE と一致。 \( \rho_{0.5}(u) = 0.5|u| \)。 つまり MAE 回帰 = 中央値回帰。 一般の τ に対し \( \rho_\tau(u) = u(\tau - \mathbb{1}\{u<0\}) \) で「上位 10%」「下位 10%」のような分位点予測ができる。 リスク管理では τ=0.95 で「95% パーセンタイル予測」を用いる。

解釈 3：ロバスト推定の特殊ケース

M 推定（一般化最尤推定）の枠組みで、 MAE は 影響関数が有界な推定量のシンプルケース。 Huber 損失（\( |\epsilon| \le \delta \) で MSE、 \( |\epsilon| > \delta \) で MAE）は MAE と MSE のハイブリッドで、 ガウス分布のもとで漸近効率を保ちつつ外れ値耐性を持つ。 SSDSE のような実データでは Huber 損失が実務的に最良であることが多い。

🔧 MAE 関連ツール詳細

🔬 MAE 12 ステップ完全ワークフロー

SSDSE-B-2026 で「総人口 → 出生数」の回帰問題を MAE で評価する完全ワークフロー。 各ステップにコード断片と解説を付けます。

Step 1：データ取得と確認

1
2
3

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023].reset_index(drop=True)  # 2023 年度・47 都道府県
print(df[['Prefecture', 'A1101', 'A4101']].head())

読み込みエラーは encoding を shift-jis や cp932 で試す。 BOM が付いている場合は utf-8-sig。

Step 2：欠損・型の確認

1
2

print(df[['A1101', 'A4101']].isnull().sum())
print(df[['A1101', 'A4101']].dtypes)

SSDSE-B-2026 は欠損が少ないが、 型が object（文字列）になっている場合は pd.to_numeric で変換。

Step 3：基本統計量の計算

1

print(df[['A1101', 'A4101']].describe())

5 数要約（min, 25%, 50%, 75%, max）と平均・標準偏差で分布の概形を把握。

Step 4：散布図で関係性を可視化

plt.scatter(df['A1101'], df['A4101'])
plt.xlabel('総人口'); plt.ylabel('出生数')
plt.savefig('outputs/scatter.png', dpi=120)

「線形回帰で当てはまりそうか」「外れ値は？」を目視確認。

Step 5：訓練・検証データの分割

1
2
3

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
    df[['A1101']], df['A4101'], test_size=0.3, random_state=42)

47 件と少ないので、 5-fold CV のほうが推奨。 学習データに過学習しないように。

Step 6：ベースラインモデル（平均値予測）

1
2
3

y_baseline = np.full_like(y_test, y_train.mean())
mae_baseline = mean_absolute_error(y_test, y_baseline)
print(f'Baseline MAE: {mae_baseline:,.0f}')

「自分のモデル」が「平均値モデル」より良いことを必ず確認。

Step 7：単回帰モデルの学習

1
2
3
4
5

model = LinearRegression().fit(X_train, y_train)
y_pred = model.predict(X_test)
mae = mean_absolute_error(y_test, y_pred)
print(f'Linear MAE: {mae:,.0f}')
print(f'Improvement: {(mae_baseline - mae) / mae_baseline * 100:.1f}%')

ベースラインからの改善率を計算。 50% 以上なら良いモデル。

Step 8：複数指標の比較

1
2
3
4

print(f'MAE: {mean_absolute_error(y_test, y_pred):,.0f}')
print(f'RMSE: {np.sqrt(mean_squared_error(y_test, y_pred)):,.0f}')
print(f'R²: {r2_score(y_test, y_pred):.3f}')
print(f'MedianAE: {median_absolute_error(y_test, y_pred):,.0f}')

MAE 単独では不十分。 RMSE・R²・MedianAE で多面的に評価。

Step 9：残差分析

residuals = y_test - y_pred
plt.scatter(y_pred, residuals)
plt.axhline(0, color='red'); plt.xlabel('予測'); plt.ylabel('残差')
plt.savefig('outputs/residuals.png', dpi=120)

残差プロットで「予測の偏り」を可視化。 ランダムに散らばっていれば OK、 パターンがあるとモデル改善余地あり。

Step 10：交差検証で汎化性能

1
2
3
4

from sklearn.model_selection import cross_val_score
scores = cross_val_score(model, df[['A1101']], df['A4101'],
    cv=5, scoring='neg_mean_absolute_error')
print(f'CV-MAE: {-scores.mean():,.0f} ± {scores.std():,.0f}')

5-fold CV で汎化性能を確認。 in-sample MAE より大幅に大きいなら過学習。

Step 11：複数モデル比較

1
2
3
4
5

from sklearn.ensemble import RandomForestRegressor
for name, m in [('Linear', LinearRegression()), ('RF', RandomForestRegressor())]:
    cv_mae = -cross_val_score(m, df[['A1101']], df['A4101'],
        cv=5, scoring='neg_mean_absolute_error').mean()
    print(f'{name}: CV-MAE = {cv_mae:,.0f}')

線形・非線形モデルの MAE を比較し、 最適なモデルを選択。

Step 12：報告書の作成

1
2
3
4
5
6
7
8

report = f'''
データ: SSDSE-B-2026 47 都道府県
モデル: 線形回帰（説明変数=総人口、 目的変数=出生数）
CV-MAE: {-scores.mean():,.0f} ± {scores.std():,.0f} 人
解釈: 平均的に ±{int(-scores.mean()):,} 人の精度で予測
改善余地: 説明変数の追加は CV-MAE で必ず再検証（n=47 では過学習で悪化しうる）
'''
print(report)

報告書テンプレート：データ・モデル・指標・解釈・改善余地の 5 点セット。

🔬 数式を言葉で読み解く（MAE 実装 4 ステップ）

MAE (平均絶対誤差) は (1/n) Σ |y_i - ŷ_i|。 言葉で読み解けば「全予測誤差の絶対値を平均しただけ」。 シンプルだが、 RMSE と並ぶ回帰評価の双璧。 SSDSE-B-2026 で 4 ステップで体感する。

▶ ブロック 1: 手計算で MAE を求める

このコードでやること: SSDSE-B-2026 から人口を読み、 「全県の平均」をベースラインとして予測。 各県の誤差を絶対値で平均して MAE を出す。

📥 入力データ (抜粋):

 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', skiprows=[1])
df = df[df['SSDSE-B-2026'] == 2023]  # 2023 年度・47 都道府県

y_true = (df['A1101'] / 1000).values  # 総人口 (千人)
y_pred = np.full_like(y_true, fill_value=int(y_true.mean()))  # ベースライン: 全県平均

mae = np.mean(np.abs(y_true - y_pred))
print(f'全県平均 (予測値): {y_pred[0]}')
print(f'MAE (手計算): {mae:.1f}')

📤 実行例:

💬 MAE 1960 (千人) = 平均的に予測が約 196 万人ずれる。 47 県中、 東京 1409 万・神奈川 923 万・大阪 876 万のような大都市が平均を大きく超えるため誤差が大きい。 これが「ベースライン MAE」。

▶ ブロック 2: sklearn の mean_absolute_error で同値確認

このコードでやること: 手計算と sklearn の API で結果が一致することを確認。 実務では sklearn.metrics.mean_absolute_error を使う。

1
2
3
4
5
6

from sklearn.metrics import mean_absolute_error

mae_sklearn = mean_absolute_error(y_true, y_pred)
print(f'手計算 MAE: {mae:.4f}')
print(f'sklearn MAE: {mae_sklearn:.4f}')
print(f'一致: {np.isclose(mae, mae_sklearn)}')

📤 実行例:

💬 当然完全一致。 sklearn API は内部で同じ式を計算しているだけ。 量産環境では sklearn を使うとサンプル重み・多変量対応・並列化の恩恵が受けられる。

▶ ブロック 3: MAE vs RMSE で外れ値感度を比較

このコードでやること: 同じデータで MAE と RMSE を比較。 RMSE は二乗で平均するので外れ値 (東京・大阪) の影響を強く受ける。 MAE は線形なので外れ値の影響が穏やか。

1
2
3
4
5
6
7
8

from sklearn.metrics import mean_squared_error

mae_val = mean_absolute_error(y_true, y_pred)
rmse_val = np.sqrt(mean_squared_error(y_true, y_pred))
print(f'MAE  = {mae_val:.0f}')
print(f'RMSE = {rmse_val:.0f}')
print(f'RMSE / MAE = {rmse_val/mae_val:.2f}')
print(f'(理論最小 1.0、 RMSE が大きいほど外れ値影響あり)')

📤 実行例:

💬 RMSE/MAE = 1.41 で、 外れ値の影響が顕著。 47 県のような長い裾分布では MAE の方が「典型的な誤差」を反映する。 評価指標選びの基準: 外れ値が「本当の誤差」なら RMSE、 「測定ノイズ」なら MAE。

▶ ブロック 4: MAE を線形回帰の評価で使う

このコードでやること: 老年人口 A1303 から総人口 A1101 を予測する単回帰モデルを作り、 5-fold CV で MAE と RMSE を比較。 ベースライン MAE との改善幅を観察。

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

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import cross_val_score

X = (df[['A1303']] / 1000).values   # 老年人口(65歳以上、千人)
y = (df['A1101'] / 1000).values     # 総人口 (千人)

lr = LinearRegression()
mae_cv = -cross_val_score(lr, X, y, cv=5,
                          scoring='neg_mean_absolute_error').mean()
rmse_cv = -cross_val_score(lr, X, y, cv=5,
                           scoring='neg_root_mean_squared_error').mean()
print(f'単回帰 MAE (CV): {mae_cv:.0f} (ベースライン {mae_val:.0f} から改善)')
print(f'単回帰 RMSE (CV): {rmse_cv:.0f}')

📤 実行例:

💬 ベースライン MAE 1960 → 単回帰 248 (約 1/8)。 「総人口は老年人口 A1303 でほぼ予測できる」と定量的に言える (両者は強く相関する)。 RMSE や 決定係数 と併用して評価の頑健性を保つ。

📈 MAE を SSDSE-B-2026 で徹底検証する補論

本セクションは「MAE という指標が、 都道府県データという 外れ値の宝庫 でどう振る舞うのか」を、 散布図・ヒストグラム・箱ひげ図の 3 種類の図で 視覚的に 確認するための拡張パートです。 ここでの議論は、 本文で示した「MAE は外れ値の影響が MSE より小さい」「単位が直感的」という性質を、 実データで体感するための補強材料です。 教育用ハンズオン教材として、 図とコードと数値解釈をセットで提示します。

🎨 散布図で MAE の幾何学的意味を掴む

下の散布図は、 SSDSE-B-2026 の「総人口 A1101」と「一般診療所数 I5102」の対応関係を都道府県別にプロットしたものです。 両者の相関係数は r ≈ 0.972 と極めて強く、 この関係を単回帰でモデル化したとき、 各点と回帰直線の 垂直距離 がそのまま「絶対誤差 \(|y_i - \hat y_i|\)」に該当し、 これを 47 都道府県で平均したものが MAE です。 RMSE が「点と直線の距離の 二乗平均の平方根」であるのに対し、 MAE は「素直に絶対値の平均」なので、 散布図上の 距離をそのまま読める 直感性が魅力です。

図 R618-1: SSDSE-B-2026 の総人口 A1101（横軸）と一般診療所数 I5102（縦軸）の散布図（r ≈ 0.972）。 回帰直線を引けば、 各点と直線の垂直距離 (絶対値) を 47 都道府県で平均したものが MAE になる。 東京のような 大人口県 の点は絶対値のズレも大きくなりやすく、 RMSE では二乗されて影響が肥大化するが、 MAE では線形のため影響が抑えられる。

この散布図から読み取るべきポイントは 3 つです。 第 1 に、 点がほぼ一直線に乗る (r ≈ 0.972) ため、 総人口だけで診療所数をかなり正確に予測できること。 第 2 に、 それでも直線から浮いた県は存在し、 MAE 指標はこれらの外れ値に対して 線形 の影響しか受けないが、 RMSE は二乗されるため外れ値の影響を強く受けること。 第 3 に、 もし「ロバストな予測精度を 1 つの数字で報告したい」ならば、 MAE の方が 説明責任を果たしやすい こと。 「平均すると 1 県あたり◯◯施設の誤差です」と書けば中学生でも分かる。

📊 ヒストグラムで誤差分布の歪みを観察する

下のヒストグラムは、 SSDSE-B-2026 の「総人口 A1101」の 47 都道府県分布です。 少数の大都市県 (東京・神奈川・大阪など) が形成する 長い右裾 が特徴で、 このような歪んだ分布の変数を目的変数・説明変数に使うと、 回帰の絶対誤差 \(|y_i - \hat y_i|\) の分布も右に歪みがちになります。 MAE は誤差分布の 算術平均、 中央値絶対誤差 (MedAE) はその中央値であり、 右裾の影響の受け方が異なります。

図 R618-2: SSDSE-B-2026 の総人口 A1101 のヒストグラム。 多くの県は数百万人以下 (左側のピーク) だが、 数県だけ桁違いに大きい。 こうした右裾の長い変数を扱う回帰では、 誤差も一部の県で大きくなりやすい。 MAE は全体の 算術平均 なので右裾の影響を一定程度受け、 MedAE (中央値) を併用すると「典型的な都道府県での誤差はどのくらいか」がより頑健に分かる。

分布の形状から判断すべきことは、 「MAE 単独で報告するか、 MAE と MedAE の両方を報告するか」です。 もし誤差分布が 左右対称 なら MAE = MedAE に近づくので MAE 単独で十分。 もし 右裾が長い なら MAE > MedAE となり、 両方を併記することで「外れ値を含めた誤差」と「典型的な誤差」を読者が区別できます。 総人口のような歪んだ変数を含む SSDSE の都道府県データでは誤差の右裾も長くなりやすいため、 報告書では両指標の併記を推奨します（実測例: 総人口→出生数の単回帰で MAE 1,146 人に対し MedAE 855 人）。

📦 箱ひげ図でグループ間のばらつきを比較する

下の箱ひげ図は、 SSDSE-B-2026 の都道府県を KMeans でクラスタリングし、 クラスタ別に一般診療所数 I5102 の分布 を比較したものです。 横軸がクラスタ、 縦軸が一般診療所数。 箱の高さが クラスタ内のばらつき を表し、 髭や外れ点が 特異な県 の指標になります。

図 R618-3: KMeans クラスタ別に見た一般診療所数 I5102 の箱ひげ図。 クラスタ (人口規模などの特徴が近い県のグループ) ごとに水準もばらつきも大きく異なる。 MAE の文脈では、 このように サブグループ別に誤差や分布を確認する 発想が重要で、 「全体 MAE は小さいが特定グループだけ誤差が大きい」問題の検出につながる。

箱ひげ図でグループ比較を行う際の判断基準は次の通りです。 第 1 に 箱が重ならない ならば、 グループ間の差は統計的に意味がある可能性が高い (検定で確認推奨)。 第 2 に 箱が重なる ならば、 「サンプルサイズ不足」または「真にグループ間で差がない」かのどちらか。 第 3 に 髭や外れ点が極端に離れている グループには特異な県が含まれており、 回帰モデルの MAE を押し上げる候補になる。 モデル比較でも同様に、 5-fold CV の fold 別 MAE を箱ひげ図にすれば「安定して良いモデルか」を視覚判断できます。

🧾 3 つの図が共通して伝える MAE の本質

散布図・ヒストグラム・箱ひげ図の 3 つを並べることで、 「MAE は単なる 1 つの数字ではなく、 分布全体の特徴を 1 つに圧縮した要約値」 だと理解できます。 1 つの数字だけ報告するなら他の人に MAE を再現させることはできませんが、 分布の形と並べて報告すれば、 読者は「外れ値の影響度」「グループ間ばらつき」「典型誤差 vs 平均誤差」を独自に判断できます。 これが 透明性ある報告 の基盤です。

📋 MAE 関連の比較表 6 連発

表 R618-A: 回帰評価指標 7 種の比較

表 R618-B: SSDSE-B-2026 で MAE を使うべき場面 vs 使うべきでない場面

表 R618-C: MAE と RMSE の差が大きい時の解釈

表 R618-D: MAE 計算時のチェックリスト

表 R618-E: SSDSE-B-2026 主要列で MAE を使うシナリオ例

表 R618-F: MAE 関連用語の用語集 (要点 1 行ずつ)

🧪 MAE を 47 都道府県で手計算する詳細解説

ここでは「47 都道府県の出生数 A4101 を、 総人口 A1101 から単回帰で予測した場合の MAE」を 手順を追って 計算します。 教科書では 5-10 行のコードで済ませるところを、 あえて 1 県ごとの計算過程を示すことで、 「MAE とは何の 平均 なのか」を腹落ちさせるのが目的です。

ステップ 1: 回帰式の決定

単回帰式 \(\hat y = a + b x\) において、 \(x\) を総人口 A1101 (千人)、 \(y\) を出生数 A4101 (人) とします。 粗出生率は 2023 年度実測で全国 5.85‰（出生数合計 ÷ 総人口合計）なので、 \(\hat y \approx 6x\)（総人口 1 千人あたり約 6 人）という比例モデルが目安になります。

ステップ 2: 1 県ごとの予測値と絶対誤差

各都道府県 \(i\) について、 \(\hat y_i = 6 x_i\) を計算し、 \(|y_i - \hat y_i|\) を求めます。 例えば北海道なら \(x = 5{,}092\)（千人）、 \(\hat y = 6 \times 5{,}092 = 30{,}552\)、 実際の出生数 \(y = 24{,}430\)（2023 年度実測）なので絶対誤差は \(|24{,}430 - 30{,}552| = 6{,}122\) (人) となります。 こうした計算を 47 都道府県全部で行います。

ステップ 3: 平均する

47 個の絶対誤差を足して 47 で割れば MAE。 比例モデル \(\hat y = 6x\) では実測で MAE ≈ 1,232 (人) になります。 つまり「平均的に 1 県あたり約 1,200 人の予測誤差」と読めます。 単位を含めて報告することで、 読者は「精度が高いか低いか」を 自分の感覚 で判断できます。

ステップ 4: 外れ値の影響を切り分ける

最も外れるのは北海道で、 比例モデルでは \(\hat y = 30{,}552\) と予測されますが、 実際の出生数は 24,430 人。 この 1 県だけで絶対誤差が 6,122 (人) にのぼり、 全体の MAE を押し上げます。 試しに北海道を除いた 46 都道府県で MAE を再計算すると、 1,232 → 1,126 (人) に下がります（実測）。 こうした感度分析で「特定の県に引っ張られていないか」が分かります。

ステップ 5: ベースラインとの比較

「全県の出生数を 平均値 で予測する」というナイーブモデルの MAE を計算します。 出生数の全国平均は約 15,500 (人)/県で、 各県の絶対誤差を平均すると約 11,800 (人) になります（実測）。 この 11,800 が ベースライン MAE。 比例モデルの MAE 1,232 がベースライン 11,800 を大きく下回るので、 このモデルは意味があると言えます。

ステップ 6: 交差検証で頑健性を確認

47 都道府県を 5 つの fold に分け、 4 fold で学習、 1 fold でテストを 5 回繰り返します。 5 つの fold MAE の平均と標準偏差を報告することで、 「サンプルの偏り」によって MAE が異常値を取っていないかが分かります。 OLS 単回帰の実測では 5-fold CV-MAE = 1,204 ± 494 (人) のような形で報告するのがベストプラクティスです。

ステップ 7: モデル比較

単回帰 (1 変数) を、 重回帰 (例: 総人口 A1101 + 老年人口 A1303 + 大学数 E6102) や Random Forest と比較します。 実測の 5-fold CV-MAE は「単回帰 1,204、 重回帰 1,472、 Random Forest 2,470」で、 このデータでは 説明変数を増やすほど悪化 しました。 総人口だけでほぼ説明できるうえ n=47 と小さいため、 複雑なモデルが過学習で テスト MAE を悪化 させる典型例です。 学習 MAE とテスト MAE の差を必ず確認すべきです。

ステップ 8: 報告書への記載例

最終的に報告書には次のように書きます: 「SSDSE-B-2026 (2023 年度、 n=47 都道府県) における出生数 A4101 の予測モデルとして、 説明変数に総人口 A1101 を採用した単回帰を構築した。 5-fold 交差検証の結果、 MAE = 1,204 ± 494 (人)、 in-sample で RMSE = 1,622 (人)、 R² = 0.991 を得た。 ベースライン (平均値予測) の MAE は約 11,800 (人) であり、 本モデルは 大幅な精度改善 を達成した。 RMSE が MAE の約 1.4 倍となっており、 北海道・沖縄の県で大きな予測誤差を生じている。 老年人口・大学数を追加した重回帰は CV-MAE が悪化したため採用しなかった。」

❓ MAE についての追加 FAQ 10 連発

📜 MAE 周辺の歴史的背景と現代的トレンド

MAE は 18 世紀から知られる「絶対偏差の平均」を回帰評価に応用したものです。 最小絶対偏差法 (LAD: Least Absolute Deviations) はラプラス (Pierre-Simon Laplace) が最小二乗法 (LSE) と並んで議論しましたが、 計算が困難であったため 19-20 世紀には最小二乗法が圧勝。 1950 年代以降、 線形計画法の発展で LAD の計算が現実的となり、 ロバスト統計学の文脈で再評価されました (Huber 1964 など)。

機械学習文脈では、 1990 年代以降のニューラルネットブームで MSE が主流となりましたが、 2010 年代以降 外れ値耐性 や 非対称損失 への関心が高まり、 MAE・Huber・Pinball loss が回帰タスクで頻繁に使われるようになりました。 特に Kaggle 等のコンペでは「評価指標が MAE」のコンペが定期的に開催され、 LightGBM や XGBoost が MAE 損失を直接最適化する機能を備えています。

2020 年代の話題としては、 分布回帰 (distributional regression) の文脈で MAE が分位点回帰 (中央値最小化) と等価であることが再認識され、 「点予測ではなく予測区間を出す」アプローチで MAE が改めて重要視されています。 Quantile Random Forest や Conformal Prediction といった手法は、 MAE の自然な拡張です。

日本の公的統計の文脈では、 SSDSE-B-2026 のような都道府県データの予測モデルにおいて、 MAE は 政策議論の場で最も伝わりやすい指標 として推奨されています。 「平均すると 1 県あたり 5,000 人の誤差です」という説明は、 国会議員から地方自治体職員まで全員が同じ単位で議論できるからです。 RMSE や MSE では「単位が二乗されている」ことに違和感を持つ非専門家が多いため、 MAE が選ばれます。

🧮 実値で計算してみる（SSDSE-B-2026）

SSDSE-B-2026（2023 年度）の 「総人口 A1101 → 出生数 A4101」を単回帰で予測したときの MAE を概算してみる。 全国で総人口 1 千人あたり約 6 人が新生児として生まれる（粗出生率、 実測 5.85‰）と近似すると、 線形モデルは \( \hat y = 0.006 x \)（\(x\) は人単位の総人口）になる。

この 6 県は外れやすい県を含むため平均誤差約 3,000 人だが、 47 都道府県全体で計算した比例モデルの実際の MAE は 約 1,232 人（切片付き OLS では 1,146 人）になる。 「北海道 1 県だけで 6 千人超 外れている」ことから、 北海道・沖縄のような外れ的県の存在が誤差を押し上げていると分かる（沖縄県は 出生率が全国トップ級に高い ため予測より多く生まれる）。

同じデータを 多変量化（人口に加えて老年人口 A1303、 大学数 E6102 を説明変数に追加）しても、 in-sample MAE は約 1,008 人までの小幅改善にとどまり、 交差検証ではむしろ悪化する（総人口だけでほぼ説明できるため）。 つまり MAE はモデルの説明力を 絶対値の単位で 見せてくれるだけでなく、 変数追加が本当に効いているか の判定にも使える。

🧮 数式に値を入れて手で計算する: 平均絶対誤差 (MAE)

合成回帰の予測誤差から MAE を計算する。

Step 1: y と ŷ

Step 2: MAE

🐍 Python で再現

1
2
3
4
5

import numpy as np
y = np.array([10, 15, 20, 25, 30])
yhat = np.array([9, 17, 22, 23, 28])
mae = np.abs(y - yhat).mean()
print(f"MAE: {mae}")

📤 実行結果

💬 手計算 (Step 2) 1.8 と Python 出力が完全一致。

🎮 触って理解する

下の図には 5 つの実測点（縦位置がデータ値 \(y\)）と、 全点に同じ値を返す 予測定数 \(\hat y = c\)（青緑の水平線）があります。 点や水平線をドラッグ（スマホはタップして指を動かす）すると、 各点から水平線までのオレンジの縦線＝絶対誤差 \(|y-\hat y|\) と、 MAE・MSE・RMSE がリアルタイムに更新されます。 1 点を大きく引っぱって「外れ値」にすると、 MAE（線形に増える）と MSE/RMSE（二乗で急増する）の 感応度の違いを体感できます。

🎯 直感：MAE は「オレンジの縦線（絶対誤差）の平均の高さ」です。 水平線を 中央値（緑の破線）に合わせると縦線の合計が最短になり MAE が最小、 平均（青の破線）に合わせると二乗和が最短になり MSE/RMSE が最小になります。 「MAE は中央値、 MSE は平均」という性質を目で確かめられます。

🚀 発展：この「予測定数＝中央値で MAE 最小」という事実は、 分位点回帰の \(\tau=0.5\)（中央値回帰）の特殊ケースです。 外れ値耐性と最適化のしやすさを両立させたいときは、 小さな誤差を二乗・大きな誤差を線形に扱う Huber 損失が中庸として使われます。 関連指標は MSE・RMSE、 統計的背景は 中央値・平均・ロバスト統計 を参照。

🐍 Python 実装

SSDSE-B-2026 で「総人口 → 出生数」を単回帰し、 MAE を計算する完全コード。

 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.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
from sklearn.model_selection import KFold

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

# 2) 説明変数 X（総人口）、目的変数 y（出生数）
X = df[['A1101']].values   # 総人口
y = df['A4101'].values     # 出生数

# 3) 学習＆予測（全データで in-sample 評価）
model = LinearRegression().fit(X, y)
y_pred = model.predict(X)

# 4) MAE / MSE / RMSE / R² を比較
mae = mean_absolute_error(y, y_pred)
mse = mean_squared_error(y, y_pred)
rmse = np.sqrt(mse)
r2 = r2_score(y, y_pred)

print(f'MAE  = {mae:,.0f} 人  ← 平均的にこのくらい予測がズレている')
print(f'RMSE = {rmse:,.0f} 人  ← 外れ値を強く罰した版')
print(f'MSE  = {mse:,.0f} 人²')
print(f'R²   = {r2:.3f}        ← 説明力（1 が完璧、 0 が定数モデルと同等）')

交差検証で out-of-sample の MAE を見る

1
2
3
4
5
6
7
8

# 5-fold CV で汎化性能を測定
maes = []
for tr_idx, te_idx in KFold(n_splits=5, shuffle=True, random_state=0).split(X):
    m = LinearRegression().fit(X[tr_idx], y[tr_idx])
    maes.append(mean_absolute_error(y[te_idx], m.predict(X[te_idx])))

print(f'CV-MAE = {np.mean(maes):,.0f} ± {np.std(maes):,.0f} 人')
# in-sample MAE より大きい → 過学習の兆候

複数モデルの MAE 比較

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

from sklearn.linear_model import Lasso, Ridge
from sklearn.ensemble import RandomForestRegressor

# 説明変数を増やす
features = ['A1101', 'A1303', 'A4101', 'E6102', 'E6302']  # 人口、高齢者数、出生数、大学数、大学学生数
df_clean = df.dropna(subset=features + ['A4101'])
X = df_clean[features].drop(columns=['A4101']).values
y = df_clean['A4101'].values

models = {
    '線形回帰': LinearRegression(),
    'Lasso (L1)': Lasso(alpha=1.0),
    'Ridge (L2)': Ridge(alpha=1.0),
    'Random Forest': RandomForestRegressor(n_estimators=100, random_state=0),
}

for name, m in models.items():
    m.fit(X, y)
    mae = mean_absolute_error(y, m.predict(X))
    print(f'{name:20s}: MAE = {mae:,.0f} 人')

補足：MAE と Median Absolute Error は似て非なる指標。 MAE は 平均、 MedianAE は 中央値。 外れ値が多いデータでは MedianAE のほうがロバスト。 sklearn では median_absolute_error を使う。

残差プロットで MAE の偏り分布を可視化

 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
26
27
28
29
30

import os
os.makedirs('outputs', exist_ok=True)  # 保存先のフォルダを作っておく

import matplotlib.pyplot as plt

# 単回帰の残差をプロット
residuals = y - y_pred
abs_residuals = np.abs(residuals)
prefectures = df['Prefecture'].values

# MAE 寄与上位 5 都道府県を表示
top5_idx = np.argsort(abs_residuals)[-5:]
print('MAE への寄与トップ 5 都道府県：')
for i in top5_idx:
    print(f'  {prefectures[i]}: |残差| = {abs_residuals[i]:,.0f} 人')

# 残差ヒストグラム
fig, ax = plt.subplots(1, 2, figsize=(12, 4))
ax[0].hist(residuals, bins=20, color='#00897B', edgecolor='white')
ax[0].axvline(0, color='red', linestyle='--')
ax[0].set_title('残差の分布')
ax[0].set_xlabel('y - ŷ')

ax[1].scatter(y_pred, residuals, alpha=0.6, color='#00695C')
ax[1].axhline(0, color='red', linestyle='--')
ax[1].set_title('予測値 vs 残差')
ax[1].set_xlabel('予測値 ŷ')
ax[1].set_ylabel('残差')
plt.tight_layout()
plt.savefig('outputs/mae_residual_plots.png', dpi=120)

scoring パラメータで Grid Search

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

from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import GradientBoostingRegressor

param_grid = {
    'n_estimators': [50, 100, 200],
    'max_depth': [3, 5, 7],
    'learning_rate': [0.05, 0.1, 0.2],
}

gs = GridSearchCV(
    GradientBoostingRegressor(random_state=0),
    param_grid,
    scoring='neg_mean_absolute_error',  # MAE を最小化（負値で最大化）
    cv=5,
    n_jobs=-1,
)
gs.fit(X, y)

print(f'最良パラメータ: {gs.best_params_}')
print(f'CV-MAE (best): {-gs.best_score_:,.0f} 人')

# best estimator で予測
best = gs.best_estimator_
print(f'最終 MAE: {mean_absolute_error(y, best.predict(X)):,.0f} 人')

⚠️ 落とし穴

⚠️ MAE のさらなる落とし穴 5 連発 (補足)

🌐 関連手法・派生

MAE はひとつの誤差指標に過ぎず、 用途に応じて使い分けることが重要。 まず上位概念で全体像を掴み、 比較表で「いつ MAE より別指標を選ぶか」を判断する。

上位概念と派生系統

• 上位概念: 評価指標 ＞ 回帰誤差指標 ＞ MAE
• L1 系統 (中央値ベース): MAE → Median AE → Quantile 損失 (分位点回帰)
• L2 系統 (平均ベース): MSE → RMSE → R²
• ハイブリッド: Huber 損失 (小誤差は L2、 大誤差は L1) → SmoothL1 (深層学習で頻用)
• スケール不変版: MAPE、 SMAPE、 MASE (季節調整付き)

比較表: いつ MAE を選ぶか

💡 判断基準: (1) 外れ値があり中央値的な予測が欲しい → MAE。 (2) 大誤差を強くペナルティしたい → MSE/RMSE。 (3) 両方を兼ねたい → Huber。 (4) 異なるスケールで比較したい → MAPE。 (5) 解釈しやすさ重視 → MAE か RMSE (元単位)。

関連リンク

• 分類問題版：Accuracy、 AUC、 F1 スコア
• 関連手法：線形回帰、 重回帰、 交差検証、 ハイパーパラメータ調整

🌐 MAE (平均絶対誤差) の論文・実装例（公開リソース）

MAE を実際の論文・コードでどう使うかを示す公開リソースを整理。 学生・研究者の参照用。

• arxiv.org：機械学習・統計の最新論文。 MAE の最新応用を検索可能。 https://arxiv.org/
• Google Scholar：学術論文検索。 MAE の被引用論文を辿れる。 https://scholar.google.com/
• Kaggle：データサイエンスコンペ。 MAE を使った実装例が大量。 https://www.kaggle.com/
• GitHub：オープンソース実装。 MAE を含むコードを検索可能。 https://github.com/
• Papers with Code：論文と実装のペア。 MAE 関連の最新研究を追跡。 https://paperswithcode.com/
• scikit-learn 公式：API ドキュメント＋例題。 https://scikit-learn.org/
• JSTOR / CiNii：日本語論文検索。 国内研究の動向把握。 https://ci.nii.ac.jp/
• e-Stat：政府統計の総合窓口。 SSDSE-B-2026 の出典。 https://www.e-stat.go.jp/

📅 MAE (平均絶対誤差) 学習スケジュール（2 週間プラン）

🎓 MAE (平均絶対誤差) まとめと次に学ぶこと

本ページで MAE の 定義・数式・計算・実装・応用・落とし穴・歴史を包括的に学習しました。 「30 秒で分かる結論」「12 ステップの実装」「演習問題」を組み合わせることで、 単なる暗記ではなく実践力が身につきます。

次のステップ（5 方向）

1. 関連手法を学ぶ：上記「関連用語」のリンクから、 並列する手法を 2-3 個学習する。
2. 論文を読む：参考文献から 1 つ選び、 イントロと結論を読んで MAE の使われ方を理解。
3. Kaggle で試す：類似タスクのコンペで MAE を使って提出してみる。
4. SSDSE 他シリーズに展開：SSDSE-A（都道府県）、 SSDSE-C（家計）、 SSDSE-D（市区町村）でも同じ分析を試す。
5. 教える：仲間・後輩に MAE を 10 分で説明できれば、 自分の理解度が確認できる。

本ページの設計思想：MAE を「単独の知識」ではなく 「データサイエンスの一部」として位置づけ、 SSDSE-B-2026 の実データで段階的に体験できる構成にしました。 ジャストインタイム型データサイエンス教育の理念に基づき、 「必要なときに必要な深さで学ぶ」ことを目指しています。

🛠 MAE (平均絶対誤差) の実装パターン集（10 パターン）

MAE を実務で使う際の頻出パターンを 10 個紹介。 SSDSE-B-2026 を題材に、 そのまま使える Python コードを提示します。

パターン 1：基本実装

1
2
3
4
5
6

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 年度・47 都道府県
# MAE を使った基本処理
result = df[['A1101', 'A4101']].describe()
print(result)

パターン 2：複数指標の同時処理

1
2
3

indicators = ['A1101', 'A1303', 'A4101', 'E6102', 'I5102']
result = df[indicators].agg(['mean', 'std', 'min', 'max'])
print(result)

パターン 3：県別ランキング

1
2
3

top10 = df.nlargest(10, 'A1101')[['Prefecture', 'A1101']]
print('人口トップ 10:')
print(top10.to_string(index=False))

パターン 4：地方別集計

1
2
3
4
5
6
7

def region(p):
    if p == '北海道': return '北海道'
    if p in ['青森県','岩手県','宮城県','秋田県','山形県','福島県']: return '東北'
    if p in ['茨城県','栃木県','群馬県','埼玉県','千葉県','東京都','神奈川県']: return '関東'
    return 'その他'
df['Region'] = df['Prefecture'].map(region)
print(df.groupby('Region')[['A1101', 'A4101']].sum())

パターン 5：派生指標の計算

1
2
3

df['粗出生率'] = df['A4101'] / df['A1101'] * 1000
df['高齢化率'] = df['A1303'] / df['A1101'] * 100
print(df[['Prefecture', '粗出生率', '高齢化率']].head())

パターン 6：相関分析

1
2

corr = df[['A1101', 'A1303', 'A4101', 'E6102']].corr()
print(corr.round(3))

パターン 7：可視化

1
2
3
4
5
6
7

import matplotlib.pyplot as plt
fig, ax = plt.subplots(figsize=(10, 6))
ax.scatter(df['A1101'], df['A4101'])
for _, row in df.head(5).iterrows():
    ax.annotate(row['Prefecture'], (row['A1101'], row['A4101']))
ax.set_xlabel('総人口'); ax.set_ylabel('出生数')
plt.savefig('outputs/pattern7.png', dpi=120)

パターン 8：機械学習

1
2
3
4
5
6

from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_absolute_error
X = df[['A1101', 'A1303', 'E6102']].values
y = df['A4101'].values
model = LinearRegression().fit(X, y)
print(f'MAE: {mean_absolute_error(y, model.predict(X)):,.0f} 人')

パターン 9：レポート出力

1
2
3
4
5
6

import os
os.makedirs('outputs', exist_ok=True)   # 書き出し先を先に作る
summary = df[['A1101', 'A4101']].describe().round(0)
summary.to_excel('outputs/summary.xlsx')
summary.to_markdown('outputs/summary.md')
print('レポート出力完了')

パターン 10：パイプライン化

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import os
os.makedirs('outputs', exist_ok=True)   # 書き出し先を先に作る
def full_pipeline(path):
    df = pd.read_csv(path, encoding='cp932', skiprows=[1])
    df = df[df['SSDSE-B-2026'] == 2023]  # 2023 年度・47 都道府県
    df['粗出生率'] = df['A4101'] / df['A1101'] * 1000
    summary = df[['A1101', 'A4101', '粗出生率']].describe()
    summary.to_csv('outputs/pipeline_result.csv')
    return summary

full_pipeline('data/raw/SSDSE-B-2026.csv')

📈 MAE (平均絶対誤差) の業界別適用ガイド

MAE は業界によって使い方が変わります。 主要 8 業界での適用パターンを SSDSE 視点でまとめます。

💎 MAE (平均絶対誤差) 上達のコツ（プロからのアドバイス）

データサイエンスの実務家・教育者から見た、 MAE 上達のコツを 10 個まとめます。

1. 毎日触る：週末まとめてではなく、 毎日 15 分でも SSDSE-B-2026 を触る。 反復が定着の鍵。
2. 1 行ずつ実行：Jupyter で 1 行ずつ実行し、 変数の中身を print で確認。 「ブラックボックス」を作らない。
3. エラーを恐れない：エラーメッセージは 道しるべ。 読まずにググるのではなく、 まず英語のメッセージを翻訳しよう。
4. 図を必ず描く：数値だけでは見えないパターンが、 散布図・ヒストグラムで一目瞭然になる。
5. 他人のコードを読む：Kaggle Notebook、 GitHub の公開リポジトリから学ぶ。 写経も有効。
6. ドキュメントを読む：scikit-learn の公式ドキュメントは英語だが、 例題が豊富。 翻訳ツールで読む。
7. 仮説を立てる：データを触る前に「東京は人口最大のはず」「沖縄は出生率高いはず」と仮説を立て、 結果と照合する。
8. 失敗を記録する：「うまくいかなかった分析」を Notion・Markdown で記録。 同じ間違いを繰り返さない。
9. 仲間と議論する：1 人で考えるより、 同じレベルの仲間と Slack/Discord でディスカッション。 視点が広がる。
10. 教える：理解度を測る最良の方法は「他人に説明する」こと。 ブログ・YouTube・勉強会で発信する。

🎬 MAE 学習者のためのケーススタディ集

MAE を学ぶ過程で出会う典型的な学習シナリオを 8 件紹介。 自分の学習段階に合わせて参考にしてください。

ケース 1：大学 2 年生・初めての統計分析

「データ分析の授業で MAE を勉強することになった。 教科書の数式は難解で挫折しそう」。 → 本ページの「30 秒結論」「直感で掴む」セクションから読み始め、 数式は後回しにして、 まず SSDSE-B-2026 で実装を動かしてみる。 「動くものができた」という小さな成功体験が次の学習のモチベーションになる。 数式は実装の後で「なるほどこういう意味だったのか」と腑に落ちる順番で OK。

ケース 2：研究室の修士 1 年生・論文の手法選択

「修士論文で MAE を使うべきか迷っている。 教授から助言を得る前に自分で判断したい」。 → 本ページの「関連手法・派生」「似た概念との比較」を読み、 他手法との違いと適用条件を整理。 自分の研究目的に照らして「なぜこの手法を選ぶか」を 200 字でまとめる練習をすると、 指導教員との相談がスムーズになる。

ケース 3：社会人・データサイエンスへの転職

「会社の異動でデータ分析チームに入ることになった。 業務の中で MAE の名前を聞くが体系的に学んだことがない」。 → 本ページを 1 時間かけて通読し、 主要キーワードを把握。 翌週から実務で出てくる用語の意味を理解しながら、 SSDSE-B-2026 で週末に実践演習。 2-3 ヶ月で「業務で使える程度」の理解に到達できる。

ケース 4：高校教員・統計の授業準備

「高校で『情報 I』『情報 II』を教えることになり、 MAE の教材を作る必要がある」。 → 本ページの「直感で掴む」「実値で計算」セクションをそのまま教材に使える。 SSDSE-B-2026 の都道府県データは生徒にも親近感がある題材で、 「自分の県」を題材にした演習が効果的。 数式は最後に補足する程度で、 まず手を動かすことを重視。

ケース 5：自治体職員・政策評価への応用

「自治体で人口減少対策の効果検証をしたい。 統計的な手法は学んだことがないが、 議会への説明資料を作る必要がある」。 → 本ページの「実値で計算」「応用例」「報告書テンプレート」を活用。 SSDSE-B-2026 の他県との比較や、 単純な回帰分析でも、 数字を可視化して提示すれば説得力が出る。 専門的な記法は避け、 「平均的に X 人外れる」「人口減少が Y% 進む」のような平易な表現で。

ケース 6：データサイエンスコンペ参加者

「2026 年度の統計・データ解析コンペに参加。 MAE を使う場面で精度を上げたい」。 → 本ページの「ベースライン → 段階的改善」「複数モデル比較」セクションを参考に、 改善ステップを計画。 SSDSE-B-2026 を題材にした事前演習で、 「どこで詰まるか」「どこで時間を使うか」を体感しておくと本番で焦らない。

ケース 7：大学院生・国際学会発表準備

「国際学会で MAE を使った研究を発表する。 英語での説明を準備したい」。 → 本ページの英語表記（MAE の正式名称）と参考文献の英語論文タイトルを利用。 日本の SSDSE データを使ったオリジナル分析を、 国際的な手法と比較する形でプレゼンすれば独自性が出る。 比較表・可視化を多用すると言語の壁を超えやすい。

ケース 8：シニア層・生涯学習

「退職後の趣味として地域統計を分析したい。 数式は苦手だが、 自分の街のデータを見るのが楽しい」。 → 本ページの「30 秒結論」「直感で掴む」だけで十分。 Python は無理に学ばず、 Excel で SSDSE-B-2026 を開いて並べ替え・グラフ作成だけでも豊富な発見がある。 「学ぶことそのものを楽しむ」姿勢が長続きの秘訣。

📖 MAE 用語集（10 用語の詳細定義）

MAE を学ぶ過程でセットで覚えておきたい用語の詳細定義集。

🔗 関連用語（前提・並列・発展）

前提となる用語

並列に学ぶとよい用語

発展的に進む用語

🔗 MAE (平均絶対誤差) と関連 50 用語のクロスリファレンス

MAE を理解するうえで、 知っておきたい関連用語を 50 個一覧化。 各リンクから詳細解説に遷移できます。

統計の基本（10 件）

機械学習基礎（10 件）

評価指標（10 件）

ツール・ライブラリ（10 件）

高度な手法（10 件）

📚 関連グループ教材

• 📚 機械学習 — 回帰・分類モデル全般の体系
• 📚 回帰評価指標 — MAE / MSE / R² の使い分け
• 📚 データエンジニアリング — 前処理 → モデル評価までの流れ

📊 数値で見る MAE / MSE / RMSE の振る舞い

SSDSE-B-2026 を模した架空サンプル（実測値 100, 95, 110, 200）に対し、 さまざまな予測値で MAE / MSE / RMSE がどう変わるかを見る。

読み方：「小誤差均一」では RMSE/MAE = 1.00、 「1 つだけ大外れ」では 2.00。 比が大きいほど 外れ値の存在を示唆。 SSDSE-B-2026 の単回帰で RMSE/MAE が 1.4 以上なら、 残差プロットで外れ県の存在を確認する習慣をつけよう。

🔍 深掘り：MAE の数理

なぜ MAE 最小化は中央値推定になるのか

サンプル \(\{x_1, x_2, \dots, x_n\}\) があるとき、 「定数 \(c\) でこのサンプルを代表する」最適化問題を考える。 損失関数を MAE にすると：

$$ L(c) = \frac{1}{n}\sum_{i=1}^n |x_i - c| $$

この \(L(c)\) を最小化する \(c\) はサンプルの 中央値。 一方、 損失関数を MSE にすると：

$$ L(c) = \frac{1}{n}\sum_{i=1}^n (x_i - c)^2 $$

この \(L(c)\) を最小化する \(c\) はサンプルの 平均。 これが「MAE は中央値、 MSE は平均」と呼ばれる所以。 SSDSE で東京・沖縄のような外れ値を含むデータに対し、 MAE は中央値的な穏当な予測を返す。

劣勾配（subgradient）と最適化

絶対値関数は原点で微分不可。 そこで 劣勾配を使う：

$$ \partial |x| = \begin{cases} \{1\} & x > 0 \\ [-1, 1] & x = 0 \\ \{-1\} & x < 0 \end{cases} $$

この劣勾配を使えば SGD で MAE を最適化できる。 ただし \(x = 0\) 付近では勾配の符号が振動するので学習率を小さく設定するか、 Huber 損失で滑らかにするのが実務的。

MAE と MSE の不等式

同じデータに対し常に \(\text{MAE} \le \text{RMSE}\) が成立する（Cauchy-Schwarz の不等式から）。 等号は 全誤差の絶対値が等しいときのみ。 したがって両者の比 \(\text{RMSE}/\text{MAE}\) を見れば、 誤差分布の 不均一性が分かる：

• RMSE/MAE ≈ 1.0 : 全予測がほぼ等しく外れている（均一）
• RMSE/MAE ≈ 1.25 : 正規分布的（標準）
• RMSE/MAE ≈ 1.5 以上 : 外れ値が支配している（不均一）

SSDSE-B-2026 の「総人口 → 出生数」単回帰では、 実測で RMSE/MAE ≈ 1.42（北海道・沖縄が外れ値）。 これだけでも 「予測誤差は均一ではない、 一部の特異県が支配している」と即座に分かる。

📜 歴史・背景

「絶対誤差を平均する」という発想は古く、 18 世紀のラプラス（Pierre-Simon Laplace、 1749-1827）が天体観測の誤差解析で L1 ノルム最小化を提唱した。 ラプラスはまた 誤差の確率分布として両側指数分布（ラプラス分布）を導入し、 その最尤推定が MAE 最小化と一致することを示した。 一方、 同時代のガウス（Carl Friedrich Gauss、 1777-1855）は L2 ノルム（最小二乗法）を選び、 正規分布の最尤推定としての美しさと 解析解の存在から、 19〜20 世紀は L2 が主流に。

20 世紀後半、 ジョン・テューキー（John Tukey）や Peter Huber らによる ロバスト統計の発展で MAE が再評価される。 Huber は 1964 年に「Huber 損失」（誤差が小さいときは MSE、 大きいときは MAE）を提唱し、 ラプラスとガウスの間の橋渡しを設計した。

21 世紀以降、 ディープラーニングの実用化と 分位点回帰（quantile regression）の流行で、 MAE は再び表舞台に。 Amazon の需要予測、 Uber の到着時刻予測、 各種 Kaggle コンペでは MAE / Quantile loss が標準の評価指標になっている。 SSDSE のような 外れ値を含む公的統計データでは、 MAE のロバスト性が活きる場面が多い。

日本の文脈では、 統計検定 2 級・準 1 級で MAE / MSE / R² が回帰評価の必修項目に。 2026 年度の SSDSE データ解析コンペでも、 提出モデルの評価指標として MAE が採用されることが多い。

🚀 応用例・実務での使われ方

「MAE」が実務でどう使われるか、 SSDSE-B-2026 を題材にした具体的なシナリオで見てみる。

シナリオ 1：都道府県別需要予測

SSDSE-B-2026 の人口・社会指標から「保育所需要」「医療施設需要」を予測。 MAE が「平均的に施設数 ±200 施設外れる」と分かれば、 自治体担当者は 誤差マージンを含めた計画 を立てられる。 列 J2503（保育所等数）を総人口 A1101・15 歳未満人口 A1301 で重回帰すると、 実測でベースライン MAE 355 施設 → 5-fold CV-MAE 215 施設まで下がる。

シナリオ 2：モデル選択コンペ

学生コンペで「線形回帰 vs Random Forest vs XGBoost」を比較するとき、 CV-MAE をベンチマーク指標にする。 同じスケールで比較できるため、 アルゴリズム選択の判断材料に最適。 SSDSE-B-2026 の出生数予測の実測では、 線形回帰 CV-MAE ≈ 1,200 人に対し Random Forest ≈ 2,500 人と かえって悪化 する。 n=47 の小標本で強い直線関係があるデータでは、 非線形モデルが過学習しやすいことを CV-MAE が教えてくれる典型例。

シナリオ 3：ステークホルダー報告

自治体への提案資料では「MAE = 1,200 人」と単位付きで書くと、 非専門家にも「どれくらい当たるか」が伝わる。 R² だけでは「説明できた割合」しか分からず、 実務的な意思決定にはつながりにくい。 提案書では 「MAE = X 人、 これは平均世帯数の Y% に相当」のように 相対化するとさらに伝わりやすい。

シナリオ 4：時系列パネルデータの異常検知

SSDSE-B を複数年（2020、 2022、 2024、 2026）に拡張すれば、 「過去 3 年の平均で 4 年目を予測」したときの MAE を 異常値検出の閾値にできる。 「ある県の今年の出生数が予測 MAE の 3 倍以上ズレている」=「政策効果・統計の誤りの可能性」というアラートに使える。

シナリオ 5：教育的なベースライン比較

学生がはじめての回帰モデルを作るとき、 「全平均で予測した場合の MAE（ベースライン）」と「自分のモデルの MAE」を比較するだけで 「モデルを作る意味」 が定量化できる。 出生数予測の実測では、 ベースライン MAE = 11,839 人 → 単回帰 MAE = 1,146 人と約 1/10 に下がる過程を体験できる（変数をさらに足しても CV では改善しないことまで含めて教材になる）。

🔄 似た概念との比較

「MAE」と混同しやすい用語との比較表。 違いを明確にすることで使い分けの判断が早くなる。

❓ よくある質問（FAQ）

✅ 実施前チェックリスト

• □ train/test 分割または交差検証で out-of-sample の MAE を計算したか？
• □ 目的変数の 単位を明記したか？（人、 円、 ％ など）
• □ MAE と RMSE を併記したか？ 外れ値の影響度を診断するため。
• □ ベースラインモデル（平均値予測）の MAE と比較したか？
• □ 対数変換などの 変数変換を行った場合、 元スケールに戻して評価したか？
• □ 外れ値（東京・沖縄など）が MAE に どれだけ寄与しているか確認したか？
• □ モデル選択の判断材料として、 MAE 単独でなく R²・残差プロットも見たか？
• □ 報告では「平均的に X 人のズレ」のように 解釈付きで書いたか？
• □ 時系列データなら TimeSeriesSplit を使ったか？ 普通の KFold は不適切。
• □ ハイパーパラメータ調整の スコア関数に MAE を選んだか、 R² を選んだか意識したか？

📝 本ページまとめ — 「MAE」を一言で

MAE（Mean Absolute Error、 平均絶対誤差）は、 回帰モデルの 「平均的なズレ」を目的変数と同じ単位で表す指標。 \( \text{MAE} = \frac{1}{n}\sum |y_i - \hat y_i| \) という単純明快な定義により、 人間が直感的に読めるのが最大の利点。

SSDSE-B-2026 のような 外れ値を含む公的統計データでは、 MSE/RMSE よりも MAE のほうがロバスト。 ただし NN 学習の損失関数としては微分不可性が障害になり、 Huber 損失で妥協するのが実務的。 R²・RMSE・MAE は必ず併記すること。

本ページの 3 つのテイクアウェイ：① MAE は 「平均的にどれくらい外れているか」を直感的に示す。 ② 外れ値に強い反面、 微分不可で NN 学習の損失関数には不向き。 ③ MAE は単独で見るのではなく、 必ず ベースラインモデル・RMSE・R² と一緒に比較して文脈を補う。

📚 MAE 参考文献・出典

• Willmott, C. J., & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 30(1), 79-82.
• Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679-688.
• Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? - Arguments against avoiding RMSE in the literature. Geoscientific Model Development, 7(3), 1247-1250.
• Koenker, R. (2005). Quantile Regression. Cambridge University Press.
• Huber, P. J. (1964). Robust estimation of a location parameter. The Annals of Mathematical Statistics, 35(1), 73-101.
• scikit-learn ドキュメント：mean_absolute_error
• SSDSE-B-2026：政府統計の総合窓口 e-Stat（独立行政法人統計センター）

🌏 MAE の他分野への波及

MAE（Mean Absolute Error）は単独の技術ではなく、 多くの分野で活用されています。 SSDSE-B-2026 を題材に、 関連分野での応用を整理します。

経済学・財政分析への応用

公的統計を扱う経済学・財政分析では、 MAE が中核的な役割を果たします。 SSDSE-B-2026 の消費・価格指標（消費支出 L3221、 食料費 L322101、 住宅地の標準価格 C5401 など）を扱う場面で、 MAE の基礎理解は必須。 家計消費の地域差分析、 地価水準の県間比較、 地域格差の定量化など、 多様な経済学的問いに応用できます。 たとえば 47 都道府県の消費支出の県間差を定量化する際、 MAE を使った予測誤差の評価が学術論文・自治体報告書で標準的な手法として採用されています。 なお県民所得や製造品出荷額そのものは SSDSE-B-2026 には収録されていないため、 県民経済計算・経済センサスなど外部データとの結合が必要です。

教育・人口学への応用

SSDSE-B-2026 の教育指標（大学数 E6102、 大学学生数 E6302、 高等学校卒業者数 E4601 と進学者数 E4602 から計算できる進学率など）と人口動態を組み合わせる場面で MAE が活躍。 「大学進学率が高い県は出生率が低いか？」「教育投資が将来の人口に与える影響は？」といった政策研究で必須の道具です。 学齢人口の予測、 教員需給バランスの予測、 進学行動の県間差の分析など、 教育政策の立案に直結する分析が可能になります。

医療・公衆衛生への応用

一般病院数（I510120）、 一般診療所数（I5102）、 歯科診療所数（I5103）、 死亡数（A4200）などの SSDSE-B 指標と健康データを組み合わせ、 公衆衛生施策の効果検証や医療資源の最適配分を分析。 MAE は「人口あたり診療所数」「死亡数の県間差」を理解する基礎ツールです。 高齢化が進む地方圏での医療アクセス問題、 都市部の救急医療需要予測、 感染症の地域拡散モデルなどに応用されます。

産業構造・労働市場分析への応用

SSDSE-B-2026 の労働指標（新規求職申込件数 F3101、 月間有効求職者数 F3102、 月間有効求人数 F3103、 就職件数 F3105）を扱う労働市場分析でも MAE が中心。 「有効求人が多い県の雇用情勢」「求職と求人のミスマッチの県間差」など、 地域経済の理解に不可欠な視点を提供します。 求人・求職バランスの予測、 雇用ミスマッチの定量化、 地方の若年層流出メカニズムの解明など、 地域政策の論証に活用されています（なお労働力人口・就業者数そのものは SSDSE-B-2026 には収録されておらず、 労働力調査など外部データが必要です）。

環境・サステナビリティ分析への応用

ごみ総排出量（H5609）、 1 人 1 日当たりのごみ排出量（H5610）、 ごみのリサイクル率（H5614）などの環境指標と社会経済指標を組み合わせた持続可能性分析でも MAE は基本ツール。 SSDSE-B-2026 のこれらの指標から、 1 人 1 日当たり排出量の県間差を定量化したり、 リサイクル率と地域特性の関係を分析したりできます。 なお CO2 排出量・再エネ導入率・グリーン GDP は SSDSE-B-2026 には収録されていないため、 SDGs 達成度の定量評価などに進む場合は環境省・資源エネルギー庁の統計と結合する必要があります。

🔄 MAE の学習ロードマップ

MAE を学ぶ標準的な順序と必要時間の目安。

🎯 MAE 練習問題集（10 問）

1. 基礎：MAE の定義を 50 文字以内で書け。
2. 基礎：MAE と類似概念の違いを 1 つ挙げよ。
3. 応用：SSDSE-B-2026 で MAE を計算する Python コードを 5 行以内で書け。
4. 応用：MAE の値が大きいとき / 小さいときの解釈を述べよ。
5. 理論：MAE の数学的な性質を 3 つ挙げよ。
6. 理論：MAE を最適化（最大化または最小化）する方法を述べよ。
7. 実務：MAE を使った報告書の書き方を 200 文字でまとめよ。
8. 実務：MAE を誤って使ったときに起こる問題を 1 つ挙げよ。
9. 発展：MAE に関連する論文を 1 つ調べて要約せよ。
10. 発展：MAE を使ったオリジナル分析を SSDSE-B-2026 で実施し、 結果を 500 文字でまとめよ。

📋 MAE 自己評価チェックリスト

下記項目に「はい」と答えられれば、 MAE を理解したと言える基準です。

• □ MAE を自分の言葉で説明できる
• □ MAE の数式を見て意味が分かる
• □ SSDSE-B-2026 で MAE を実装できる
• □ MAE の典型的な落とし穴を 3 つ挙げられる
• □ MAE と類似概念の使い分けができる
• □ MAE の値を解釈し、 意思決定につなげられる
• □ MAE を使った報告書を書ける
• □ MAE の論文を読んで内容を要約できる
• □ MAE の限界と適用範囲を理解している
• □ 他人に MAE を 5 分で説明できる

🎓 MAE を活かしたデータサイエンスコンペの戦略

2026 年度の統計・データ解析コンペで MAE を活用するための実戦的アプローチ。 SSDSE-B-2026 を主題材として、 学生・社会人参加者が即活用できる構成です。

戦略 1：ベースライン → 段階的改善

最初に最もシンプルな分析（MAE を直接適用）でベースラインを作成。 ここから「データの追加」「モデルの精緻化」「アンサンブル」と段階的に改善することで、 改善幅とコストのバランスを取りながら進められます。 SSDSE-B-2026 の場合、 単独 X1 → 重回帰 X1+X2+X3 → 非線形モデル → 多モデル平均、 という典型的な改善経路があります。

戦略 2：可視化重視のレポート

コンペの評価は「数値精度」だけでなく「洞察の質と伝え方」も重要。 MAE の結果を 説得力のあるグラフで示し、 「なぜその結論に至ったか」を明確に伝える。 SSDSE-B-2026 なら 47 都道府県の散布図・ランキング・地図プロットなど、 視覚的に訴える図を多用すると効果的。

戦略 3：ドメイン知識の活用

SSDSE-B-2026 を扱う際は、 統計的手法だけでなく 地域経済・社会学的な背景知識が決定的に重要。 「沖縄県の出生率が高い理由」「東京一極集中のメカニズム」「過疎県の特徴」など、 ドメイン知識を MAE の結果と組み合わせることで、 統計だけでは見えない洞察が得られます。

戦略 4：再現性の確保

コンペの評価では 再現性が重視されます。 環境依存をなくすため、 requirements.txt でライブラリバージョンを固定、 乱数シード固定、 中間データの保存（Parquet）。 SSDSE-B-2026 を使う場合、 出典 URL・取得日・前処理スクリプトをすべて文書化することが標準的。

戦略 5：ストーリーテリング

優秀なコンペ提出物は、 単なる分析結果ではなく 物語になっています。 「問題の定義 → データの選定 → 分析の流れ → 発見 → 含意」というストーリーを構築。 SSDSE-B-2026 を題材に MAE を使えば、 「日本の地域格差はどう変わってきたか」「都市部と地方の未来は」など、 社会的に重要な物語を語ることができます。

🧭 解説深化 — 直感・落とし穴・発展（追記）

本セクションは既存の解説を壊さずに、 MAE の 直感・落とし穴・発展を一段深掘りする追記です。 数値はすべて SSDSE-B-2026（2023 年度・47 都道府県、 総人口 A1101 → 出生数 A4101 の単回帰）の実測で、 明示した箇所のみ架空の思考実験です。

🎨 直感の再確認：MAE は「中央値を当てにいく指標」

MAE の本質は「誤差の絶対値の平均」であり、 元の単位（人・円）のまま解釈できる点が最大の武器です。 そして MAE を最小にする予測値は 中央値だという性質が、 外れ値へのロバスト性の源泉になっています。 これは実データでも確認できます。

• 「全県を平均で予測」ベースライン：MAE = 約 11,839 人（実測）。
• 「全県を中央値で予測」ベースライン：MAE = 約 9,714 人（実測）。

同じ「定数で予測する」でも、 中央値で予測したほうが MAE が小さい（11,839 → 9,714 人）。 これは「MAE を最小化する定数＝中央値」という定理の生きた証拠です。 逆に MSE を最小化する定数は平均値になります（MSE 参照）。 だから MAE と MSE は最適解そのものが違う——MAE は条件付き中央値、 MSE は条件付き平均を推定します（中央値 / 分位点回帰）。

回帰にすると差はさらに縮みますが、 傾向は残ります：OLS（MSE 最適化）の傾き 0.006104 に対し、 MAE 最適化（分位点回帰 τ=0.5）の傾きは 0.006181（いずれも実測）。 本データは総人口と出生数の直線関係が極めて強い（R²=0.991）ため差はわずかですが、 外れ値が増えるほど両者の乖離は広がります。

⚠️ 落とし穴の深掘り（重要）

🚀 発展：指標と損失の使い分け地図

MAE を起点に、 目的に応じてどの指標／損失へ跳ぶかを整理します。

MAE 最小化 ＝ 条件付き中央値という等価性を軸に、 「中央値では物足りない」ときに何へ拡張するかを覚えると迷いません。 上側・下側のリスクを見たいなら分位点回帰へ、 外れ値耐性と学習の滑らかさを両立したいなら Huber へ、 頑健な回帰係数そのものが欲しいなら L1 系の頑健回帰（分位点回帰の τ=0.5 が最小絶対偏差 LAD 回帰に一致）へ、 という具合に地続きです。

補足：本ページ内に個別ページが無い指標（SMAPE・Huber 損失・頑健回帰・MASE）は、 リンクを張らずテキストで示しています（該当 HTML が glossary 内に未整備のため）。 MSE / RMSE / MAPE / 損失関数 / 中央値 / 分位点回帰 / 分位点 は実在ページへの相対リンクです。

🗺 MAE 学習ロードマップ (補論)

MAE を完全に使いこなすには、 単に定義を覚えるだけでは不十分です。 SSDSE-B-2026 のような実データで何度も計算を回し、 「外れ値が来た時の感覚」「サンプル数による変動の感覚」「ベースラインとの相対値の感覚」を体得することが鍵です。 以下は教育用ハンズオン教材として推奨する学習順序です。

第 1 週: 定義と手計算

SSDSE-B-2026 から 5 都道府県だけを取り出し、 紙とペンで MAE を計算します。 ここで「絶対値とは何か」「平均とは何か」を 体感 します。 同じデータで RMSE、 MedAE も手計算し、 3 つの違いを目で見て確認します。

第 2 週: sklearn での実装

47 都道府県全件で sklearn.metrics.mean_absolute_error を使った計算を実行します。 ベースライン (平均値予測) との比較、 train/test 分割の意味を学びます。 ここで「過学習」と「汎化性能」の概念を、 MAE という具体的な数字を通じて理解します。

第 3 週: 交差検証と外れ値分析

5-fold CV で MAE の安定性を確認し、 fold 間ばらつきの意味を学びます。 また東京・神奈川・大阪を除外した感度分析を行い、 「外れ値が結論に与える影響」を定量化します。 ここで初めて MedAE や Huber loss の必要性が腹落ちします。

第 4 週: モデル比較と報告書作成

単回帰・重回帰・Random Forest・LightGBM の 4 モデルを SSDSE-B-2026 で構築し、 5-fold MAE で比較します。 結果を A4 1 枚の報告書にまとめ、 「政策議論で使える誤差の単位はどれか」を考えます。 MAE の単位の直感性 (「人口の MAE = 5,000 人」と書ける) が、 RMSE や R² より説得力を持つ場面を実感します。

📝 MAE チートシート (1 行で覚える)

• 定義: 絶対誤差の平均 \(\frac{1}{n}\sum |y_i - \hat y_i|\)
• 単位: 目的変数と同じ (人・円・%)
• 強み: 外れ値に強い、 解釈が直感的
• 弱み: 微分不可能、 損失関数として最適化しにくい
• RMSE との関係: RMSE ≥ MAE が常に成立 (Jensen の不等式)
• ベースライン: 平均値予測の MAE と比較して改善度を測る
• 報告様式: 「5-fold MAE = 20 ± 5 (千人)」のように単位と CV を明記
• SSDSE での例: 老年人口→総人口の単回帰 (2023 年度実測) で 5-fold CV-MAE 248 (千人) → 「1 県平均約 25 万人の誤差」

最後に、 MAE は数ある回帰評価指標の中でも もっとも教育的価値の高い指標 です。 数式は単純で、 単位は直感的で、 外れ値の議論にも耐えうる。 SSDSE-B-2026 のような公的統計データを使って繰り返し計算することで、 「データサイエンスの中核となる感覚」が身につきます。 本ページの内容を 1 週間に 1 章ずつ消化していけば、 1 か月で MAE をマスターできます。 さらに進んで Huber loss や Pinball loss、 分位回帰といった発展指標に進めば、 現代的な機械学習の評価指標体系を一望できる視野が得られます。

📣 政策・自治体実務での MAE 活用ノート

地方自治体の政策立案では「人口予測の誤差をどう報告するか」が頻繁な論点となります。 ここでも MAE は強力な味方です。 例えば「2030 年の県人口予測モデルで MAE 12,000 人」と報告すれば、 議会・市民・記者すべてが「平均で 1 万 2 千人ずれる可能性がある」と同じ単位で議論できます。 RMSE 25,000 や MSE 6.25e8 では、 非専門家には伝わりません。

また MAE は 誤差予算 (error budget) の発想にも親和的です。 「来年の予算策定では人口予測の誤差を ±5,000 人以内に収めたい」というゴールを立て、 それを MAE で評価できる。 RMSE では「±5,000 人」を直接 RMSE と比較できないため、 ゴール設定が遠回りになります。 SSDSE-B-2026 のような公的データで MAE を計算する習慣をつけておくと、 こうした政策議論で即座にエビデンスベースの提案ができます。

教育の現場でも、 高校・大学初年次の統計入門で「MAE と RMSE を SSDSE で比較する」という実習は、 学生の理解度を飛躍的に高めることが知られています。 計算量が少なく、 概念がシンプルで、 単位が分かりやすい。 47 都道府県という現実的なサンプルサイズが、 「サンプルサイズが小さい時の挙動」を直感的に学ばせてくれます。 こうした教材としての側面でも、 MAE は他の指標を圧倒する魅力を持っています。

今後、 機械学習の現場では XAI (説明可能 AI) や責任ある AI の文脈で、 「指標の解釈可能性」がますます重視されます。 ブラックボックスモデルが「精度 99%」と言われても、 単位の不明確な指標では信頼を得られません。 MAE のような単位の明確な指標を 第一報告指標 として併記する文化を、 データサイエンティスト全員が共有することが、 社会との信頼関係を築く第一歩です。

最後に MAE のもう一つの利点として、 分位回帰や非対称損失への自然な拡張性 が挙げられます。 MAE を非対称化した Pinball loss は、 「過大予測のコスト」と「過小予測のコスト」が違う実務問題に最適です。 例えば人口予測で「過大予測すると予算を過剰計上して批判される」「過小予測すると行政サービスが不足して市民が困る」という非対称な状況では、 単純な MAE ではなく重み付きの MAE (例: 過小予測の絶対誤差を 2 倍カウント) を使うのが正解です。 こうした柔軟性も MAE のシンプルさから生まれる長所であり、 SSDSE-B-2026 のような公的データで何度も計算を回しているうちに、 自然に拡張のアイデアが湧いてくるはずです。 是非、 本ページを起点に MAE の世界を深く探索してみてください。

なお、 MAE は単一の数字だけでなく 都道府県別のサブグループ分析 にも有効です。 全体 MAE = 18 (千人) と報告したあとに「うち関東は MAE 25、 近畿は MAE 22、 九州は MAE 12」のようにブロック別に出すと、 「どの地域の予測が苦手か」が明確になります。 SSDSE-B-2026 は地域ブロックの情報も持っているので、 groupby と組み合わせれば 1 行で集計できます。 こうした分析は公平性・透明性の観点からも極めて重要で、 「全国平均では良いけど、 特定地域は誤差が 2 倍」というモデルを許容するか否かは、 政策判断に直結します。 MAE はそのような議論の出発点として、 引き続き第一線の指標であり続けるでしょう。

本ページのまとめとして特に強調したい点は、 MAE は「単純で、 解釈しやすく、 拡張性が高い」 という 3 拍子そろった非常に優れた評価指標であるということです。 数式は中学生でも理解でき、 単位は目的変数と完全に同じなので誰でも読める。 そして必要に応じて Huber や Pinball、 分位回帰へと自然に拡張できる柔軟性も併せ持つ。 SSDSE-B-2026 の都道府県データという身近で実在する公的統計を題材に、 MAE を繰り返し計算する経験を積めば、 データサイエンスにおける誤差評価の 礎 となる感覚が必ず身につきます。 これからモデル評価指標を学ぶ全ての人に、 まず MAE から始めることを強くお薦めします。

🔗 隣接手法への橋渡し

MAE (平均絶対誤差) は単独の指標で完結せず、 上流の予測モデル出力、 並列の MSE / RMSE / MAPE、 下流の精度モニタリングダッシュボードと組み合わせて使う。 単位がそのまま意味を持つので、 SHAP 値・予測区間と一緒に表示すると解釈しやすい。

• 上流 (前段処理): 回帰モデル予測値生成 — モデルから予測値ベクトルを得る
• 並列 (代替/比較): RMSE / MAPE — 誤差を別スケールで測定する代替指標
• 下流 (後段活用): モデル選択 / 報告 — 指標を比較してモデルを決定

SSDSE-B-2026 の出生数 A4101 を回帰予測する場合、 上流で説明変数を並べ、 中段で線形回帰・勾配ブースティングを比較、 下流で MAE と RMSE を併記して「平均約 1,100 人ずれる、 外れ県 (北海道) では約 6,000 人ずれる」（2023 年度実測）と二軸で報告するのが標準。

🌳 手法選択フロー

MAE を採用するか RMSE / MAPE / Huber 損失に切り替えるかは、 (1) 外れ値の扱い、 (2) 単位とスケールの解釈性、 (3) 学習時の最適化容易性、 で判断する。 報告では MAE と RMSE を併記するのが定石。

1. Step 1: 外れ値はどう扱う?
   • 外れ値も平等に評価 → MAE (絶対値で線形)
   • 大きな誤差を強く罰したい → RMSE (二乗で凸)
   • 外れ値を弱めたい → Huber 損失 (δ 境界で MAE と MSE 切替)
2. Step 2: スケールはどうしたい?
   • 絶対誤差を業務単位 (円・人数) で報告 → MAE
   • 相対誤差 (%) で報告 → MAPE / SMAPE
   • 無次元化して複数系列を比較 → MASE (季節調整 MAE)
3. Step 3: 学習に使うか評価のみか?
   • 勾配ベース学習の損失 → MAE は劣微分のため SGD で収束遅い、 MSE 推奨
   • テスト時の評価のみ → MAE 単独で問題なし
   • 外れ値ロバスト + 微分可能 → Smooth L1 / Huber

SSDSE-B-2026 の出生数 A4101 を予測する場合、 単位がそのまま「人」で読めるので MAE が第一選択。 ただし北海道・沖縄のような特異な県の予測誤差を厳しく評価したいなら RMSE を併用。 報告書には「MAE = 平均 1,146 人ずれる、 RMSE = 1,622 人 → 一部の県で誤差が膨らんでいる」（2023 年度実測）と二軸で書く。