データ分析基礎知識

“分析力をコアとするデータソリューションカンパニー”
株式会社ALBERTが、データ分析にまつわる基礎知識をわかりやすく解説します。

単回帰分析とは

回帰分析の意味

ビッグデータや分析力という言葉が頻繁に使われるようになりましたが、マーケティングサイエンス的な観点で見た時の関心事は、『獲得したデータを分析し、いかに将来の顧客行動を予測するか』です。獲得するデータには、アンケートデータや購買データ、Webの閲覧データ等の行動データ等があり、それらが数百のデータでもテラバイト級のビッグデータでもかまいません。どのようなデータにしても、そのデータを分析することで顧客や商品・サービスのことをよく知り、将来の購買や行動を予測することによって、マーケティング上有用な知見を得ることが目的なのです。

このような意味で、いまから取り上げる回帰分析は、データ分析による予測の基礎の基礎です。回帰分析のうち、単回帰分析というのは1つの目的変数を1つの説明変数で予測するもので、その2変量の間の関係性をY=aX+bという一次方程式の形で表します。a(傾き)とb(Y切片)がわかれば、X(身長)からY(体重)を予測することができるわけです。

図16.身長から体重を予測

最小二乗法

図17のような散布図があった時に、緑の線や赤い線など回帰直線として正しそうな直線は無数にあります。この中で最も予測誤差が少なくなるように決めるために、最小二乗法という「誤差の二乗の和を最小にする」という方法を用います。この考え方は、後で述べる重回帰分析でも全く同じです。

図17.最適な回帰式

まず、回帰式との誤差は、図18の黒い破線の長さにあたります。この長さは、たとえば一番右の点で考えると、実際の点のY座標である「Y5」と、回帰式上のY座標である「aX5+b」との差分になります。最小二乗法とは、誤差の二乗の和を最小にするということなので、この誤差である破線の長さを1辺とした正方形の面積の総和が最小になるような直線を探す(=aとbを決める)ことにほかなりません。

図18.最小二乗法の概念

回帰係数はどのように求めるか

回帰分析は予測をすることが目的のひとつでした。身長から体重を予測する、母親の身長から子供の身長を予測するなどです。相関関係を「Y=aX+b」の一次方程式で表せたとすると、定数の a (傾き)と b (y切片)がわかっていれば、X(身長)からY(体重)を予測することができます。 以下の回帰直線の係数(回帰係数)はエクセルで描画すれば簡単に算出されますが、具体的にはどのような式で計算されるのでしょうか。

まずは、この直線の傾きがどのように決まるかを解説します。一般的には先に述べた「最小二乗法」が用いられます。これは以下の式で計算されます。

傾きが求まれば、あとはこの直線がどこを通るかさえ分かれば、y切片bが求まります。回帰直線は、(Xの平均,Yの平均)を通ることが分かっているので、以下の式からbが求まります。

単回帰分析の実際

では、以下のような2変量データがあったときに、実際に回帰係数を算出しグラフに回帰直線を引き、相関係数を算出するにはどうすればよいのでしょうか。

図19.回帰直線と相関係数

※グラフ中のR は決定係数といいますが、相関係数Rの2乗です。寄与率と呼ばれることもあり、説明変数(身長)が目的変数(体重)のどれくらいを説明しているかを表しています。相関係数を算出する場合、決定係数の平方根(ルート)の値を計算し、直線の傾きがプラスなら正、マイナスなら負になります。

これは、エクセルで比較的簡単にできますので、その手順を説明します。まず2変量データをドラッグしてグラフウィザードから散布図を選びます。

図20.散布図の選択

できあがったグラフのデザインを決め、任意の点を右クリックすると図21の画面が出てきますのでここでオプションのタブを選びます。(線形以外の近似曲線を描くことも可能です)

図21.線型近似直線の追加

図22のように2ヶ所にチェックを入れてOKすれば、図19のようなグラフが完成します。

図22.数式とR-2乗値の表示

相関係数は、R-2乗値のルートでも算出できますが、correl関数を用いたり、分析ツールを用いたりしても簡単に出力することもできます。参考までに、その他の値を算出するエクセルの関数も併せて挙げておきます。

相関係数
correl (Yのデータ範囲,Xのデータ範囲)
傾き
slope (Yのデータ範囲,Xのデータ範囲)
切片
intercept (Yのデータ範囲,Xのデータ範囲)
決定係数
rsq (Yのデータ範囲,Xのデータ範囲)

相関係数とは

次に、相関係数がどのように計算されるかを示します。ここからは少し数学的になりますが、多くの人がこのあたりでめげることが多いので、極力わかりやすく説明したいと思います。「XとYの共分散(偏差の積和の平均)」を「XとYの標準偏差(分散のルート)」で割ったものが相関係数で、以下の式で表されます。

(1)XとYの共分散(偏差の積和の平均)とは
「XとYの共分散(偏差の積和の平均)」という概念がわかりづらいと思うので、説明をしておきます。 先ほども使用した以下の15個のデータにおいて、X,Yの平均は、それぞれ5.73、5.33となります。1番目のデータs1は(10,10)ですが、「偏差」とはこのデータと平均との差のことを指しますので、それぞれ(10−5.73,10ー5.33)=(4.27,4.67)となります。グラフで示せば、RS、STの長さということになります。

「偏差の積」というのは、データと平均の差をかけ算したもの、すなわちRS×STですので、四角形RSTUの面積になります。(後で述べますが、正確にはマイナスの値も取るので面積ではありません)。「偏差の積和」というのは、四角形の面積の合計という意味ですので、15個すべての点についての面積を合計したものになります。偏差値の式の真ん中の項の分子はnで割っていますので、これが「XとYの共分散(偏差の積和の平均)」になります。

図23.偏差の積の概念

(2)標準偏差とは
標準偏差は、以下の式で表されますが、これも同様に面積で考えると、図24のようにX1からX6まで6つの点があり、その平均がXであるとき、各点と平均値との差を1辺とした正方形の面積の合計を、サンプル数で割ったもの(平均面積)が分散で、それをルートしたものが標準偏差(平均の一辺の長さ)になります。

図24.標準偏差の概念

分散も標準偏差も、平均に近いデータが多ければ小さくなり、遠いデータが多いと大きくなります。すなわち、分散や標準偏差の大きさ=データのばらつきの大きさを表しています。また、分散は全データの値が2倍になれば4倍に、標準偏差は2倍になります。

(3)相関係数の大小はどう決まるか
相関係数は、偏差の積和の平均をXの標準偏差とYの標準偏差の積で割るわけですが、なぜ割らなくてはいけないかについての詳細説明はここでは省きますが、XとYのデータのばらつきを標準化するためと考えていただければよいと思います。おおよその概念を図25に示しました。

図25.データの標準化

相関係数の分子は、偏差の積和という説明をしましたが、偏差には符号があります。従って、偏差の積は右上のゾーン①と左下のゾーン③にある点に関しては、積和がプラスになりますが、左上のゾーン②と右下のゾーン④では、積和がマイナスになります。

図26.相関係数の概念

相関係数が大きいというのは①と③のゾーンにたくさんの点があり、②と④のゾーンにはあまり点がないことです。なぜなら、①と③のゾーンは、偏差の積和(青い線で囲まれた四角形の面積)がプラスになり、この面積の合計が大きいほど相関係数は大きく、一方、②と④のゾーンにおける偏差の積和(赤い線で囲まれた四角形の面積)は、引き算されるので合計面積が小さいほど、相関係数は高くなるわけです。

様々な相関関係

図27と図28は、回帰直線は同じですが、当てはまりの度合いが違うので、相関係数が異なります。相関の高さが高ければ、予測の精度が上がるわけで、どの程度の精度で予測が合っているか(予測誤差)は、分散分析で検定できます。ただし、一般に標本誤差は標本の標準偏差を標本数のルートで割るため、同じような形の分布をしていても標本数が多ければ誤差は少なくなってしまい、実務上はあまり用いません。

図27.当てはまりがよくない例
図28.当てはまりがよい例

図29のように、②と④のゾーンの点が多く(偏差の積がマイナス)、①と③に少ない時には、相関係数はマイナスになります。また図30のように、①と③の偏差の和と②と④の偏差の和の絶対値が等しくなるときで、各ゾーンにまんべんなく点があるときは無相関(相関がゼロ)ということになります。

図29.負の相関
図30.無相関

石村貞夫先生の「分散分析のはなし」(東京図書)によれば、夫婦関係を相関係数で表すと、「新婚=1,結婚10年目=0.3、結婚20年目=−1、結婚30年目以上=0」だそうで、新婚の時は何もかも合致しているが、子供も産まれ10年程度でかなり弱くなってくる。20年では教育問題などで喧嘩ばかりしているが、30年も経つと子供の手も離れ、お互いが自分の生活を大切するので、関心すら持たなくなるということなのだろう。

このページをシェアする

About

ALBERTについて