🔖 キーワード索引

「尺度水準」を取り巻く中核キーワード群です。 検索やインデックス作成で参照する際の手がかりにしてください。 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ります。

🔖 Round 43 増補: 尺度水準を相関ページ級に読む

この増補は、尺度水準を「用語の暗記」ではなく、実データで使い、数式を言葉に戻し、結果の限界まで説明するための補講である。使用データは data/raw/SSDSE-B-2026.csv の実測値であり、合成データは使わない。

🔖 キーワード索引（拡張版）

本ページに登場する主要キーワード 10 件。 クリックで該当セクションへ。

🎨 直感で掴む

尺度水準を直感で捉えるには、表計算の一列だけを見るのではなく、値がどの手順で判断に変わるかを見る。SSDSE-B-2026では、北海道、東京都、沖縄県のように人口規模、気候、観光、消費が大きく違う地域が同じ表に並ぶ。ここで同じ処理を機械的に当てると、規模の効果と構造の効果が混ざる。

🎨 直感で掴む — 4 段階のピラミッド

尺度水準は「許される操作」のピラミッド。 下から積み上げ、 上の尺度は下の操作も全部使える：

誤用の典型例

📐 数式または定義

尺度水準は 許される変換群 $T$ で定義される（Stevens 1946）：

平均が意味を持つ条件：$\bar{T(x)} = T(\bar{x})$ （線形変換に不変）。 これは 間隔・比例尺度のみ。

中央値が意味を持つ条件：単調変換に不変 → 順序以上で使える。

最頻値（mode）：1 対 1 変換に不変 → 全尺度で使える。

🔬 記号・要素の読み解き

🔬 数式を言葉で読み解く

右へ行くほど情報量が増える。名義は同じ/違う、順序は大小、間隔は差、比例は0と比まで意味を持つ。平均や相関を計算してよいかは、データの尺度水準に依存する。

🧮 実値で計算してみる

このコードでやること：SSDSE-B-2026の列を尺度水準の例として取り出し、都道府県名（名義）、高齢化率順位（順序）、平均気温（間隔）、総人口（比例）で許される要約を分けて計算する。

入力例：data/raw/SSDSE-B-2026.csv から2023年の47都道府県を抽出し、Prefecture は文字列、A1101 などの統計列は数値に変換する。

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

import pandas as pd

raw = pd.read_csv("data/raw/SSDSE-B-2026.csv", encoding="cp932")
df = raw.iloc[1:].copy()
df = df[df["SSDSE-B-2026"].astype(str) == "2023"].copy()
for col in ["A1101", "A1303", "B4101", "L3221"]:
    df[col] = pd.to_numeric(df[col], errors="coerce")
df["aging_rate"] = df["A1303"] / df["A1101"] * 100
print("nominal categories", df["Prefecture"].nunique())
print(df[["Prefecture", "aging_rate"]].sort_values("aging_rate", ascending=False).head())
print("temperature mean/min/max", df["B4101"].mean(), df["B4101"].min(), df["B4101"].max())
print("population mean/median", df["A1101"].mean(), df["A1101"].median())

実行結果：

結果の読み方：都道府県名の平均は意味を持たないが、人口の平均は意味を持つ。気温は差は読めるが「20度は10度の2倍暑い」とは読めない。

🧮 実値で計算してみる（SSDSE-B-2026 の 112 列を 4 尺度に分類）

STEP 1: 列ごとの尺度判定例

STEP 2: 尺度別の代表値（47 県、 年度 2023）

STEP 3: 尺度を間違えた誤分析の例

気温の比 (沖縄 23.8 / 北海道 11.0 = 2.16 倍) は気温が間隔尺度のため無意味。 「沖縄は北海道より 約 13 度高い」と差で語るのが正しい。 一方、 人口比 (東京 14,086,000 / 鳥取 537,000 = 26.2 倍) は比例尺度のため有意義。 同じ計算でも尺度で意味が変わる。

🧮 数式に値を入れて手で計算する: 尺度別の代表値

SSDSE-B-2026 にも含まれる典型例（血液型カテゴリ、 満足度評価、 気温℃、 収入）を題材に、 4 つの尺度（名義/順序/間隔/比例）で使用可能な代表値を整理する。

Step 1: 4 尺度

Step 2: 例

🐍 Python で再現

1
2
3

scales = {'名義':1, '順序':2, '間隔':3, '比例':4}
for k, v in scales.items():
    print(f"{k}: 階層 {v}")

📤 実行結果

💬 手計算 (Step 1) と Python 出力が完全一致。

🐍 Python での扱い

最小再現コード。 SSDSE-B のような実データを前提に、 4〜8 行で動く例です：

1
2
3
4
5
6

import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)   # 日本語の列名で読む（2 行目を見出しにする）
# 比例尺度（数値）には平均・標準偏差が意味あり
print(df['合計特殊出生率'].describe())
# 名義尺度の都道府県には value_counts が適切
print(df['都道府県'].value_counts())

補足：ライブラリのバージョンや前処理状態によって出力は変わります。 自分の環境で動かすときは pip list でバージョンを確認し、 入力 CSV のパス・列名を実態に合わせてください。

🐍 Python 実装

このコードでやること：尺度ごとに許される処理を辞書化し、列を分析前に点検する簡易チェック表を作る。

入力例：同じSSDSE-B-2026の実データを用いる。必要な列だけを取り出し、列名を明示してから処理する。

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

import pandas as pd

raw = pd.read_csv("data/raw/SSDSE-B-2026.csv", encoding="cp932")
df = raw.iloc[1:].copy()
df = df[df["SSDSE-B-2026"].astype(str) == "2023"].copy()
for col in ["A1101", "A1303", "B4101"]:
    df[col] = pd.to_numeric(df[col], errors="coerce")
df["aging_rank"] = (df["A1303"] / df["A1101"]).rank(ascending=False, method="min")

scale_rules = {
    "Prefecture": ("nominal", ["count", "mode", "groupby"]),
    "aging_rank": ("ordinal", ["median", "percentile", "rank correlation"]),
    "B4101": ("interval", ["mean", "difference", "standardization"]),
    "A1101": ("ratio", ["mean", "ratio", "coefficient of variation"]),
}
for col, (scale, allowed) in scale_rules.items():
    exists = col in df.columns
    print(f"{col}: {scale} -> {', '.join(allowed)} / data column: {exists}")
print("inappropriate examples: Prefecture.mean(), temperature ratio")

実行結果：

結果の読み方：尺度水準は理屈だけでなく、コードレビューのチェックリストである。列ごとに「この演算は意味を持つか」を先に決めると、後工程の誤解が減る。

🐍 Python 実装（尺度水準、 SSDSE-B-2026）

コード 1: 列ごとの尺度を自動判定

🎯 このコードでやること：SSDSE-B-2026 の各列を読み込み、 型・unique 数・分布から尺度水準を簡易判定する。

📥 入力データ (SSDSE-B-2026 から抽出):

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

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

def detect_scale(s):
    if s.dtype == object:
        return '名義'
    nuniq = s.nunique()
    if nuniq <= 12 and s.dtype in ('int64', 'int32'):
        # 順序か間隔かは name で判定 (例: 年度)
        if s.name == 'SSDSE-B-2026':
            return '間隔 (年度)'
        return '順序の可能性'
    # 0 が物理的に意味を持つか? 簡易ルール: 名前が温度系なら間隔
    if 'B41' in s.name:  # 気温系
        return '間隔 (温度系)'
    return '比例'

print(f'{"列":<14s} {"型":<10s} {"unique":>6s}  尺度')
for col in df.columns[:10]:
    print(f'{col:<14s} {str(df[col].dtype):<10s} {df[col].nunique():>6d}  '
          f'{detect_scale(df[col])}')

📤 実行すると次の出力が得られる:

💬 結果の読み方：型と unique 数・列名で 4 尺度を簡易判定。 Code/Prefecture は名義、 年度は間隔、 人口系は比例。 ML パイプラインで前処理を分岐する基盤になる。

コード 2: 尺度別の代表値計算

🎯 このコードでやること：比例（A1101 人口）と間隔（B4101 気温）で平均・中央値・幾何平均の意味を比較する。

📥 入力データ (SSDSE-B-2026 から抽出):

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

import pandas as pd
import numpy as np
from scipy.stats import gmean, hmean
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=[1])
d = df[df['SSDSE-B-2026'] == 2023]

for col, label, scale in [('A1101', '総人口', '比例'),
                          ('B4101', '年平均気温', '間隔'),
                          ('A4103', '合計特殊出生率', '比例')]:
    s = d[col]
    print(f'--- {col} {label} ({scale}尺度) ---')
    print(f'  算術平均 (mean)  : {s.mean():>15,.2f}')
    print(f'  中央値 (median)  : {s.median():>15,.2f}')
    print(f'  最頻値 (mode)    : {s.mode().iloc[0]:>15,.2f}')
    if (s > 0).all():
        print(f'  幾何平均 (gmean) : {gmean(s):>15,.2f}  '
              f'{"(比例なので意味あり)" if scale == "比例" else "(間隔: 計算可だが意味不明)"}')
        print(f'  調和平均 (hmean) : {hmean(s):>15,.2f}')
    print(f'  最大/最小 比    : {s.max()/s.min():>15.2f}  '
          f'{"(比例: 意味あり)" if scale == "比例" else "(間隔: 物理的意味なし)"}')

📤 実行すると次の出力が得られる:

💬 結果の読み方：比例尺度（人口・出生率）は幾何平均や比が意味を持つ。 間隔尺度（気温）は計算可能だが解釈が難しい（最大/最小比 2.16 は無意味）。 尺度に応じて代表値を選ぶ。

コード 3: 尺度別の前処理（OneHot vs Ordinal vs Scaler）

🎯 このコードでやること：sklearn の ColumnTransformer で名義は OneHot、 順序は Ordinal、 比例は StandardScaler に分岐する。

📥 入力データ (SSDSE-B-2026 から抽出):

 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

import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import StandardScaler, OneHotEncoder, OrdinalEncoder

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

# 簡易な順序変数を作成: 人口規模 (小/中/大)
d['pop_class'] = pd.cut(d['A1101'], bins=[0, 1e6, 3e6, 2e7],
                        labels=['小', '中', '大'])

pre = ColumnTransformer([
    ('nominal_onehot', OneHotEncoder(sparse_output=False),
                       ['Prefecture']),
    ('ordinal_enc',    OrdinalEncoder(categories=[['小', '中', '大']]),
                       ['pop_class']),
    ('interval_scale', StandardScaler(),
                       ['B4101']),
    ('ratio_log',      StandardScaler(),
                       ['A1101', 'A1303']),
])
X = d[['Prefecture', 'pop_class', 'B4101', 'A1101', 'A1303']]
Xt = pre.fit_transform(X)
print(f'入力 shape    : {X.shape}')
print(f'変換後 shape  : {Xt.shape}')
print(f'内訳: 名義47 + 順序1 + 間隔1 + 比例2 = {47+1+1+2}')
print('北海道行の変換結果（先頭 10 値）:', Xt[0][:10].round(2))

📤 実行すると次の出力が得られる:

💬 結果の読み方：Prefecture(名義 47 種)→OneHot 47 列、 pop_class(順序)→1 列(0/1/2)、 B4101(間隔)→1 列(z-score)、 人口(比例)→2 列(z-score)。 計 51 特徴量。 尺度別エンコーディングが ML 性能を左右する。

コード 4: 尺度別の統計検定（カテゴリ vs 連続）

🎯 このコードでやること：Prefecture（名義）と A4103（比例）の関連を ANOVA で、 気温（間隔）と出生率（比例）を Pearson 相関で評価する。

📥 入力データ (SSDSE-B-2026 から抽出):

 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

import pandas as pd
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].copy()

# 地方ブロック (名義) を作成
def region(code):
    n = int(code[1:3])
    return '北東' if n<=7 else '関東' if n<=14 else '中部' if n<=23 else '近畿' if n<=30 else '中四国' if n<=39 else '九州沖縄'
d['region'] = d['Code'].apply(region)

# (1) 名義 vs 比例: 一元配置 ANOVA
groups = [d[d['region']==r]['A4103'].values for r in d['region'].unique()]
F, p = stats.f_oneway(*groups)
print(f'[名義 vs 比例] 地方ブロック別 出生率 ANOVA: F={F:.3f}, p={p:.4f}')

# (2) 間隔 vs 比例: Pearson 相関
r, p = stats.pearsonr(d['B4101'], d['A4103'])
print(f'[間隔 vs 比例] 気温 × 出生率 Pearson: r={r:.3f}, p={p:.4f}')

# (3) 比例 vs 比例: 対数変換後 Pearson
import numpy as np
r2, p2 = stats.pearsonr(np.log(d['A1101']), d['A4103'])
print(f'[比例 vs 比例] log(人口) × 出生率 Pearson: r={r2:.3f}, p={p2:.4f}')

📤 実行すると次の出力が得られる:

💬 結果の読み方：尺度別検定: 名義 vs 比例 → ANOVA (F=18.1, p<0.001 で地方差あり)、 間隔 vs 比例 → Pearson (r=0.5, 気温高い県は出生率高め)、 比例 vs 比例 → log 変換後 Pearson (r=-0.59, 人口多い県は出生率低)。

🎮 触って理解する

尺度水準の核心は「その変数にどの操作が許されるか」に尽きる。ここでは (1) 操作ボタンで許される計算を体感し、(2) クイズで判定力を鍛え、(3) 尺度を下げると情報が失われる様子を実測データで可視化する。質的変数／量的変数の 2 分法を、操作の観点から 4 段階に細分するのがこのページの視点である。

① 操作ボタン — この変数に何ができるか

変数を 1 つ選ぶと、4 つの操作のうちその尺度で許されるものだけが有効化される。グレーのボタンも押せば「なぜ無意味か」の説明が出る。気温は SSDSE-B-2026（2023 年・年平均気温 B4101）の実測値、血液型・順位・身長は架空の例である。

② 判定クイズ — この変数はどの尺度？

ランダムに出題される変数例（一般的な例・一部架空の設定）を 4 尺度に分類しよう。西暦・摂氏温度・偏差値・郵便番号・リッカート尺度など間違いやすい例ほど、即時フィードバックの解説を読む価値がある。

③ 尺度を下げる — 実測気温の 2 値化で情報が消える

SSDSE-B-2026 の 2023 年・年平均気温 B4101（47 都道府県の実測値、最小 11.0℃ 北海道〜最大 23.8℃ 沖縄）を、しきい値で「低／高」の 2 値（順序尺度）に落とす。ヒストグラムが 2 本の棒に潰れ、県ごとの気温差の情報が不可逆に失われる様子を確認しよう。スライダーまたはグラフ上のドラッグ（タッチ対応）でしきい値を動かせる。

🎨 直感の深化 — 尺度は「情報の豊かさ」の階層

4 つの尺度は並列な 4 分類ではなく、情報量の包含階層である。比率尺度のデータはいつでも間隔・順序・名義として扱い直せる（身長 172cm → 「高い」 → 「A グループ」）が、逆方向の復元は不可能。ウィジェット③で 2 値化した気温を元の 47 個の実測値に戻せないのがまさにこれで、尺度を下げる変換は一方通行である。だから測定・記録の段階では可能な限り高い尺度で取得し、集計・報告の段階で必要に応じて落とすのが原則になる。アンケートで「年齢を 20 代/30 代…で聞く」設計は、回答負担を下げる代わりに間隔情報を最初から捨てている、という設計判断だと読める。

⚠️ 落とし穴の深化 — 「許される操作」の視点で読み直す

リッカート尺度（満足度 1〜5）を間隔扱いする慣行の是非は、「平均を取る＝足し算と割り算を認める＝目盛りが等間隔だと仮定する」と操作に翻訳すると論点が明確になる。「不満(1)→やや不満(2)」の心理的距離と「満足(4)→大変満足(5)」の距離が等しい保証はないため、厳密には順序尺度として中央値・順位検定で扱うのが正しい。実務で平均を報告する場合は、等間隔仮定を明記し中央値・最頻値を併記するのが防御的な作法である。同様に、順序尺度の平均（成績順位の平均など）はウィジェット①で見た通り「差が無意味なものを足している」操作であり、カテゴリコードの数値誤用（血液型 A=1, B=2… や都道府県コードの平均）は「符号の割り当てを変えると結果が変わる計算」＝名義尺度で許されない演算の典型である。

🚀 発展 — 尺度水準と統計量・検定手法の対応表

表の「＋」は下位尺度で使えるものはすべて上位でも使えることを表す（階層性）。手法選択は「①尺度判定 → ②分布確認 → ③検定選択」の順で行い、順序データに t 検定を当てる・名義コードにピアソン相関を当てるといった尺度を飛び越えた適用を避けるのが第一関門となる。順序尺度向けのスピアマン順位相関や Mann-Whitney U 検定は、値そのものではなく順位だけを使うため、等間隔仮定なしで比較できるのが利点である。

⚠️ よくある落とし穴

尺度水準 を実務で扱うとき、 多くの分析者が同じところでつまずきます。 代表的な失敗パターンを先回りで押さえておくと、 後工程のトラブルを大幅に減らせます。

※ 上記は文献調査・現場経験で報告される頻度の高い注意点。 ドメインや手法のバージョンによって追加の落とし穴がある場合があります。

❓ よくある質問

⚠️ 尺度水準を扱う際の運用上の注意点

⚠️ 落とし穴 — 7 件

🏭 産業界での活用例

❓ FAQ 10 問

🖼 図で振り返る尺度水準

尺度水準が変われば使える可視化が変わる。 名義は度数で、 順序は箱ひげで、 間隔・比例はヒストグラムで分布を確認するのが基本である。

読み方: 図 1 → 3 を通じて、 ヒストグラム（比例）→ 箱ひげ（順序）→ 度数/最頻値（名義）と「可視化の選択が尺度水準に依存する」ことが直感できる。

🧠 理解度チェック

1分で答えられる確認問題。 自分で考えてから解答を開いてください。 SSDSE-B-2026 のカラムを尺度水準ごとに分類できるかが定着の指標です。

🌐 関連手法・派生

尺度水準（名義・順序・間隔・比例）は 各変数で許される統計操作の上限を決めるラベルで、 統計実務全体を貫く座標系として機能します。

• 上位概念: 測定論（Stevens 1946） — 名義 ⊂ 順序 ⊂ 間隔 ⊂ 比例 という入れ子で、 上位ほど許される演算が増える。
• 並列の分類体系: 量的/質的の 2 分法、 離散/連続の 2 分法、 categorical/ordinal/numerical の機械学習流分類。 同じデータを別軸で見る。
• 前段: データ辞書（コードブック）整備、 SSDSE-B-2026 の各列の単位確認、 カテゴリエンコードの方針決定。
• 後段の使い分け: 名義 → 度数表 / カイ二乗、 順序 → 中央値 / Wilcoxon / Spearman、 間隔 → 平均 / Pearson / t 検定、 比例 → 幾何平均 / 比率検定。 尺度を取り違えると 計算は通っても意味が壊れる。
• 派生・拡張: 連続値の 離散化（順序化）、 順序値の スコア化（間隔近似）、 Box-Cox 変換（比例化）。
• 競合・代替視点: 機械学習の 特徴量タイプ — 「カテゴリ / 数値 / 順序 / テキスト / 日時」の運用的分類は尺度水準の現代版で、 sklearn/pandas の ColumnTransformer はこの分類で前処理を分ける。

SSDSE-B-2026 の列（都道府県コード = 名義、 5 歳階級 = 順序、 西暦 = 間隔、 人口 = 比例）を扱う際、 この対応表が頭に入っているだけで「平均」「順位相関」「合計」を機械的に間違えるリスクが大幅に減ります。

🔗 関連用語 — 前提・並列・発展

尺度水準を体系的に学ぶには、 前提知識 → 4 つの水準 → 発展概念 の 3 段階で関連用語を押さえると効率的：

前提（先に理解すべき）:

並列（4 水準＝兄弟概念）:

発展（次に学ぶべき）:

尺度水準は 「どんな統計操作が許されるか」 を決める基礎概念であり、 仮説検定 や 可視化 の選択を駆動する。

🔗 関連用語（前提・並列・発展）

リンクはすべてこのリポジトリ内に実在するHTMLに限定している。

📚 関連グループ教材

• 機械学習の基礎：データ分割、評価、汎化の読み方。
• 深層学習：活性化関数、MLP、過学習対策。
• DataFrame：実データを列単位で扱う基礎。
• 概念マップ：周辺用語の位置づけ。

📚 実務補講ノート — 尺度水準

この補講ノートは、尺度水準をSSDSE-B-2026の実データ分析に接続するための読み物である。キーワードは 名義、順序、間隔、比例、許される演算、集計、可視化、統計手法選択。各項目は、レポート、コードレビュー、口頭発表で質問されやすい観点に対応している。

🗺 概念マップ

尺度水準 (名義／順序／間隔／比) を中心に、 Stevens の測定論を前提として、 量的/質的・離散/連続の分類、 離散化と Box-Cox 変換による尺度変換、 SSDSE-B-2026 の県別変数の列ごとの分類、 機械学習の特徴量タイプとの対比、 ColumnTransformer による前処理パイプラインへの統合の関係を 6 方向に配置した。

尺度水準を中心に、 上に「前提となる測定論」、 右上に「並列の分類（量的/質的・離散/連続）」、 右下に「発展（連続値の離散化・順序のスコア化・Box-Cox 変換）」、 下に「応用（SSDSE-B-2026 の県別変数の列ごとの分類）」、 左下に「対比（機械学習の特徴量タイプ）」、 左上に「統合（ColumnTransformer 等の前処理パイプライン）」を配置する。

このマップから読み取るべき核心は、 「尺度水準は単なる学術ラベルではなく、 計算可能な操作の集合を決める制約系」であり、 上流（測定）と下流（前処理・モデル）の両方を縛るという点。 SSDSE-B-2026 を扱うときも、 各列の尺度を最初に確認しておけば、 後の集計・相関・回帰・可視化での選択は半ば自動的に決まる。

🔗 隣接手法への橋渡し

「尺度水準」は単独で完結する手法ではなく、 隣接領域と連携することで真価を発揮する。

• 上流: データ型 を確認した直後、 各変数が 名義・順序・間隔・比率 のどれかを判定する
• 並列: 名義（カテゴリ）・順序（ランク）・間隔（差に意味）・比率（0 が絶対）。 計算可能な操作 が水準で異なる
• 下流: 水準が決まれば適用可能な統計量（平均/中央値/最頻値）と 可視化（棒/折れ線/散布図）が選べる

「気温の摂氏」が間隔尺度（0℃ に絶対意味なし）か「身長」が比率尺度（0cm に絶対意味あり）かを意識することで、 誤った統計操作 を未然に防げる。

🌳 手法選択フロー

「尺度水準」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 → 「尺度水準」やその拡張手法を直接適用
   • カテゴリデータ → 名義尺度・順序尺度のクロス集計・順位相関と組み合わせ
   • 大規模・高次元 → カテゴリ変数のダミー化・エンコーディング等の派生手法を選択
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、 「尺度水準」を中核とした適切な手法選択ができる。

🎨 直感の深化 — 「意味の強さ」の階層を体で覚える

尺度水準は S. S. Stevens (1946) の分類で、名義 < 順序 < 間隔 < 比例 の 4 段階に並ぶ。この不等号は「値そのものの大小」ではなくデータが担う意味の強さの順序である。上の水準ほど、その値に対して「正しく答えられる問い」が増える。名義は同じか違うかだけ、順序はどちらが上かまで、間隔はどれだけ離れているかまで、比例は何倍かまで答えられる。

階層は「包含」の関係にある。上位の水準は下位の演算をすべて含む。だから比例尺度（総人口）には差も大小も等号もすべて使えるが、名義尺度（都道府県名）には等号しか使えない。各水準は「その水準で新しく許される演算」で特徴づけられると覚えるとよい。

各水準を分けるもう一つの見方が許容変換（値の意味を壊さない置き換え）である。名義は 1 対 1 の付け替え（A型→◯、B型→△でも情報は同じ）、順序は順位を保つ単調変換、間隔は原点と単位を変える正の一次変換 $T(x)=ax+b\,(a>0)$、比例は単位だけ変える相似変換 $T(x)=ax\,(a>0)$ まで許される。摂氏→華氏は一次変換なので気温は間隔、cm→m は相似変換なので身長は比例、という具合に「どこまで変えても意味が壊れないか」で水準が決まる。

⚠️ 落とし穴（重要）— 水準を取り違えると数字が嘘をつく

尺度水準の誤りは、エラーを出さずにもっともらしい無意味な数値を生む点が厄介である。Python はコード（数字）の平均を平然と返すが、その値に意味があるかは尺度水準が決める。以下は現場で頻出する誤りである。

実データでの対比（SSDSE-B-2026, 2023 年, 47 都道府県）：総人口 A1101 は東京 14,086,000 人 / 鳥取 537,000 人 = 26.2 倍 という比が意味を持つ（比例尺度・絶対零点あり）。同じ「割り算」でも、気温 B4101 の比は無意味で人口の比は有意義——演算の可否は数式ではなく尺度水準が決める、というのが本ページの核心である。

※ #1・#2 のリッカート／血液型は説明用の架空例（SSDSE-B-2026 に個票の満足度・血液型列は無い）。#3・#4 の Code・気温・人口は SSDSE-B-2026 の実測値。

🚀 発展 — 許容変換・適切な統計量・Stevens への批判・ML での扱い

① 許容変換群と対応する統計量（Stevens の枠組み）

「その変換で値を置き換えても結論が変わらない統計量」だけが、その水準で意味を持つ（不変な）統計量である。平均は一次変換に不変（$\overline{ax+b}=a\bar{x}+b$）なので間隔以上で使え、中央値は単調変換に不変なので順序以上で使え、最頻値は 1 対 1 変換に不変なので全水準で使える。

② Stevens への批判と実務での曖昧さ

Stevens の 4 分類は明快だが、「統計手法を尺度で機械的に禁止する」運用には批判がある。統計学者 Frederic Lord（1953, "the numbers do not know where they came from"）や Velleman & Wilkinson（1993）は、尺度は測定値に固定された属性ではなく分析の目的と解釈に依存すると論じた。実際、リッカート項目を合算した尺度得点は近似的に間隔として扱われることが多く、心理測定では平均や因子分析が慣行として用いられる。要点は「禁止か許可か」の二分ではなく、その演算で得た数値をどう解釈できるか／できないかを明示することにある。

実務では水準が曖昧なケースも多い。年齢は比例尺度だが「年齢層」に区切れば順序、西暦年は間隔だが「年度ラベル」として名義的に使うこともある。SSDSE-B-2026 の年度列（2014–2023）は差に意味がある間隔尺度だが、パネルデータのグループ ID として名義的に扱う場面もある——同じ列でも分析目的で水準の扱いが変わりうる。

③ 機械学習でのカテゴリ変数の扱い

尺度水準は前処理（エンコーディング）の設計そのものである。誤ると、モデルに存在しない順序や距離を教え込むことになる。

補足：決定木・勾配ブースティング（分岐が閾値の大小で決まる）は間隔／比例の区別に鈍感で、単調変換にも頑健。一方、距離や内積を使う手法（k-NN, SVM, 線形回帰, PCA, ニューラルネット）は尺度とスケールに敏感で、標準化とエンコーディングの選択が性能を左右する。「どのアルゴリズムがどの水準を前提にするか」を押さえるのが実装の勘所である。

🔗 関連ページ（用語集内）

各水準・関連概念の個別ページへ。相対リンクで用語集内の実在ページに移動できる。

• 名義尺度 (Nominal scale) — 等/異のみ。最頻値。
• 順序尺度 (Ordinal scale) — 大小あり。中央値・順位検定。
• 間隔尺度 (Interval scale) — 差に意味。平均。原点は便宜的。
• 比例尺度 (Ratio scale) — 絶対零点。比・幾何平均。
• データの種類と変数 — 尺度水準と離散/連続の位置づけ。
• カテゴリ変数 — 名義・順序の変数としての扱い。
• 質的変数 / 量的変数 — 質的（名義・順序）と量的（間隔・比例）の対応。
• ダミー変数 — 名義尺度の One-Hot 表現。
• 標準化 — 間隔・比例尺度の前処理。