【統計検定2級】一致性

ポイントと理解

ポイント

  • 推測統計で使用する
  • 大標本の場合の性質
  • 標本平均、標本分散、不偏分散が該当する

理解

データを増やすと母平均や母分散に近づく性質。
大数の法則によるものっぽいです。

推測統計なのであくまでも確率的に近づくというだけで精度100%ではないみたいです。

下記からは勉強内容です。

一言でいうと

一致性とは、一言でいうと、

「サンプルサイズ（データ数）を無限に大きくしていくと、推定量が真の値（母数）に確率的に近づいていく性質」

のことです。

「データ（情報量）を増やせば増やすほど、手元のデータから計算した値が真の値に限りなく近づいていく」という、大標本における推定量の信頼性を表しています。

一致性の数学的定義

サンプルサイズ n に依存する推定量 \hat{\theta}_n が、母数 \theta（真の値）に対して一致性を持つとは、任意の小さな正の数 \varepsilon > 0 に対して次式が成立することを指します。

\lim_{n \to \infty} P(|\hat{\theta}_n - \theta| < \varepsilon) = 1

数学的にはこれを「\hat{\theta}_n が \theta に確率収束する（\hat{\theta}_n \xrightarrow{P} \theta）」と表現します。

つまり、サンプルサイズ n を大きくしていくと、推定量が真の母数から一定以上離れてしまう確率が0に近づくということです。

この性質を満たす推定量 \hat{\theta}_n を「一致推定量」と呼びます。

「一致性」を持つ代表的な推定量

統計学でよく利用される推定量が「一致性を持つかどうか」をまとめた表がこちらです。

推定対象（母数）推定量一致性の有無極限での振る舞い
母平均 \mu標本平均 \bar{X}_nあり大数の法則により \bar{X}_n \xrightarrow{P} \mu
母分散 \sigma^2標本分散 S_n^2（分母 n）あり\frac{n-1}{n} \to 1 のため S_n^2 \xrightarrow{P} \sigma^2
不偏分散 s_n^2（分母 n-1）ありs_n^2 \xrightarrow{P} \sigma^2

ポイントは、標本分散 S_n^2（分母が n）は不偏性を持たないものの、一致性は持っているという点です。

標本分散の期待値は \frac{n-1}{n}\sigma^2 となるため、有限の n では母分散より小さくなる偏りがあります。しかし、n が大きくなると \frac{n-1}{n} \to 1 となり、その偏りは相対的に小さくなります。

一致性と他の性質（不偏性・有効性）との徹底比較

推定量全体の評価を行う上で、「一致性」と他の望ましい統計的性質の違いを正確に把握することは重要です。

評価性質直感的なイメージ条件 / 視点数式表現
一致性
(Consistency)		データを増やせば、推定量が確率的に真の値へ集約する大標本（極限 n \to \infty）における収束性\hat{\theta}_n \xrightarrow{P} \theta
不偏性
(Unbiasedness)		何度抽出して推定を行っても、平均すれば偏り（バイアス）がないサンプルサイズ n を問わない有限標本での性質E[\hat{\theta}] = \theta
有効性
(Efficiency)		同じ条件の不偏推定量の中で、推定値のばらつき（ブレ）が小さい推定量の分散 V[\hat{\theta}] の比較V[\hat{\theta}_1] \le V[\hat{\theta}_2]
漸近有効性
(Asymptotic Efficiency)		データが十分大きいときの推定効率を評価する大標本極限における推定精度推定量の漸近的な分散などを比較

1. 一致性と「不偏性」の違い

「不偏性」はサンプルサイズ n に対して、推定量の期待値が真の値と等しいかという性質です。これに対し、「一致性」は「n \to \infty としたときに推定量が真の値へ確率的に収束するか」という大標本での性質です。

  • 不偏性あり・一致性あり： 標本平均 \bar{X}_n や不偏分散 s_n^2
  • 不偏性なし・一致性あり： 標本分散 S_n^2（分母が n）。E[S_n^2] = \frac{n-1}{n}\sigma^2 なので不偏性はありませんが、n \to \infty のとき母分散へ確率収束するため一致性を持ちます。

2. 一致性と「不偏性」は両立するが、同じ意味ではない

「不偏性があるなら一致性もあるのでは？」と思うかもしれません。しかし、不偏性があるからといって、必ず一致性もあるとは限りません。

例えば、母平均 \mu を推定する際、標本サイズ n が増えても常に最初のデータ X_1 だけを使う推定量を考えます。

E[X_1] = \mu なので、この推定量は不偏です。

しかし、標本サイズを100、1000、10000と増やしても、推定に使っているデータは X_1 だけです。そのため、推定値のばらつきは小さくならず、真の母平均 \mu へ確率的に近づいていきません。

したがって、「不偏性」と「一致性」は別々の性質として考える必要があります。

3. 一致性と「大数の法則」

標本平均 \bar{X}_n が母平均 \mu に一致性を持つ背景には、確率論の基本的な結果である「大数の法則」があります。

大数の法則は、一定の条件のもとで観測値を増やしていくと、その標本平均が母集団の期待値に近づいていくことを示すものです。

そのため、母平均 \mu を推定する標本平均は、代表的な一致推定量となります。

一致性はなぜ重要なのか？

一致性が重要なのは、「データを増やしたときに、推定の精度が理論上どうなるのか」を評価できるからです。

統計調査では、限られた標本から母集団全体の性質を推定します。しかし、標本が少ないうちは偶然によるブレが大きく、推定値が真の母数から大きく外れることもあります。

そこで、データを増やしていったときに推定量が真の母数へ近づいていくのであれば、「十分なデータを集めることで、推定の精度を高められる」と考えることができます。

これが一致性の重要なポイントです。

「一致性がある」＝「必ず真の値に近づく」ではない

ここで注意したいのが、一致性は「データを増やせば、毎回必ず推定値が真の値に近づく」という意味ではないことです。

一致性は、あくまで「サンプルサイズを大きくすると、真の値から大きく外れる確率が0に近づく」という確率的な性質です。

つまり、ある1回の標本調査で推定値が必ず真の値に近くなることを保証しているわけではありません。

数学的には、任意の \varepsilon > 0 に対して、

\lim_{n \to \infty} P(|\hat{\theta}_n-\theta| < \varepsilon)=1

となることが一致性の定義です。

「真の値から \varepsilon 以上離れる確率が、データを増やすにつれて0に近づく」と考えると理解しやすいでしょう。

練習問題

【問題】

「一致性」の説明に関する次の記述のうち、最も適切なものを1つ選んでください。

① サンプルサイズ n の大きさに関わらず、推定量の期待値が常に真の母数と一致する性質のこと。
② サンプルサイズ n を無限大に大きくしたとき、推定量が真の母数に確率的に近づいていく性質のこと。
③ 不偏推定量の中で、その分散（推定値のばらつき）が最小になっている性質のこと。
④ 1回の標本調査のみで、一切の誤差なく母数を確定できる性質のこと。

解答・解説

正解：②

解説
一致性とは、サンプルサイズ n を無限大に大きくしたときに、推定量が真の値に確率収束する性質のことです。

  • ①：サンプルサイズに関わらず期待値が真の値と等しい性質は「不偏性（Unbiasedness）」の説明です。
  • ③：不偏推定量の中で分散が小さい推定量を選ぶ考え方は「有効性（Efficiency）」に関係します。
  • ④：確率的な推測において、1回の調査で完全に誤差ゼロになることを保証する性質ではありません。

まとめ

今回は「一致性」について解説しました。

  • 一致性とは「データを増やすと、推定量が真の値に確率的に近づく性質」
  • 数学的には「推定量が真の母数へ確率収束する（\hat{\theta}_n \xrightarrow{P} \theta）」と定義される
  • 不偏性がなくても、サンプルサイズが大きくなれば一致性を持つ推定量（標本分散など）も存在する
  • 不偏性を持っていても、一致性を持つとは限らない
  • 標本平均の一致性は、大数の法則と深く関係している

「不偏性」と「一致性」はどちらも推定量の重要な性質ですが、見ているポイントは異なります。

不偏性＝平均的にズレない
一致性＝データを増やせば真の値に確率的に近づく

この違いを押さえておくと、統計的推定に登場するさまざまな推定量の性質を整理しやすくなります。

参考 関連用語

用語簡易的な説明
確率収束（Convergence in Probability）データ数を増やした際、推定量が真の値から一定以上離れる確率が0に近づく収束の形式。
大数の法則（Law of Large Numbers）一定の条件のもとで、試行回数を増やしていくと標本平均が母集団の期待値に近づくことを示す法則。
最尤推定量（Maximum Likelihood Estimator）一定の正則条件のもとで、一致性や漸近的な性質を持つことが知られている代表的な推定量。
不偏推定量期待値が真の母数に等しい推定量。一致性とは異なる性質。
不偏性（Unbiasedness）推定量の期待値が真の母数と一致する性質。
有効性（Efficiency）推定量のばらつきの小ささを評価する性質。同じ条件の不偏推定量などを比較するときに用いられる。

コメント

タイトルとURLをコピーしました