🎨 直感で掴む — ANOVAの本質

ANOVA（分散分析）の核心は名前のとおり 「分散の分解」。 SSDSE-B-2026 で 47 都道府県を 北日本・東日本・西日本 の 3 ブロックに分けて出生率を比較するとき、 「全体のバラつき」を 群間のバラつき（地域差） と 群内のバラつき（地域内の差） に切り分け、 その比率（F値）で「地域差は本物か」を検定します。

比喩で言うと、 ある楽団の演奏のばらつきを「楽器セクション間のばらつき」と「同じセクション内のばらつき」に切り分けて、 もしセクション間のバラつきが圧倒的に大きければ「セクションごとに本当に差がある」と判断するイメージ。 ANOVAは t検定の自然な拡張で、 群が 3 つ以上のときに 多重比較の罠 を避けながら一発で検定できる点が魅力です。

🔬 数式を言葉で読み解く — 分散分解と F値

有意になったら post-hoc 検定（Tukey HSDなど） で「どの群間に差があるか」を特定し、 効果量 $\eta^2 = \text{SS}_{\text{between}}/\text{SS}_{\text{total}}$ を必ず併記します。

🌐 関連手法・派生

• t検定：2群比較の特殊ケース ($k=2$)。
• Welchの ANOVA：分散の等質性が崩れた場合。
• Kruskal-Wallis：正規性が崩れたときのノンパラ版。
• Post-hoc検定（Tukey HSD）：群間ペアの特定。
• 効果量（η²・ω²）：実質的な差の大きさ。

📚 章構成

🤔 1. なぜ ANOVA なのか

3 群以上を比較するときに、 t検定を全ペア（A-B、 A-C、 B-C）に対して繰り返すと、 family-wise 第一種過誤率が膨らむ。

• K = 3 群：t検定 3 回。 全体 α ≈ 0.14（5%設定でも）
• K = 6 群：t検定 15 回。 全体 α ≈ 0.54

ANOVA は「すべての群の平均が等しい」という一つの帰無仮説を 1 回の検定で評価する。

📈 2. F分布

独立な $\chi^2$ 確率変数の比：

$$F = \frac{U_1/d_1}{U_2/d_2}, \quad U_1\sim\chi^2_{d_1},\ U_2\sim\chi^2_{d_2}$$

記号読み：$F$ は「エフ統計量」、 $d_1, d_2$ は分子・分母自由度。 ANOVA では分子＝群間自由度、 分母＝群内自由度。

1
2
3
4
5
6
7
8

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats
x = np.linspace(0, 5, 500)
for df1, df2 in [(2, 30), (5, 30), (10, 30)]:
    plt.plot(x, stats.f.pdf(x, df1, df2), label=f'F({df1},{df2})')
plt.title('F分布')
plt.legend(); plt.show()

🎯 3. 一元配置ANOVA

モデル

$$y_{ij} = \mu + \tau_i + \varepsilon_{ij}, \quad \varepsilon_{ij}\sim N(0, \sigma^2)$$

記号読み：$y_{ij}$ は「ワイ・サブ・アイ・ジェイ」、 群 $i$ の $j$ 番目の観測。 $\tau_i$ は群 $i$ の効果（「タウ・サブ・アイ」）。

3.1 平方和分解

$$\underbrace{\sum_{i,j}(y_{ij} - \bar{y}_{..})^2}_{SS_{total}} = \underbrace{\sum_{i}n_i(\bar{y}_{i.} - \bar{y}_{..})^2}_{SS_{between}} + \underbrace{\sum_{i,j}(y_{ij} - \bar{y}_{i.})^2}_{SS_{within}}$$

3.2 検定統計量

$$F = \frac{SS_{between}/(K-1)}{SS_{within}/(N-K)} = \frac{MS_{between}}{MS_{within}}$$

$F$ は群内変動に対する群間変動の比。 大きいほど群差あり。

3.3 実値で計算

3 群、 各群 3 サンプル：A=[2,3,4]、 B=[5,6,7]、 C=[8,9,10]

• 各群平均: 3, 6, 9、 全体平均: 6
• $SS_{between} = 3(3-6)^2 + 3(6-6)^2 + 3(9-6)^2 = 27 + 0 + 27 = 54$
• $SS_{within} = (2-3)^2+(3-3)^2+(4-3)^2 + ⋯ = 2 + 2 + 2 = 6$
• $F = (54/2)/(6/6) = 27/1 = 27.0$ → 強く有意

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import pandas as pd
import numpy as np
from scipy import stats

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)

# 都道府県を「都市規模」3群に分割（人口密度の3分位）
df['都市規模'] = pd.qcut(df['人口密度'], q=3, labels=['農村', '中規模', '都市'])
groups = [g['一人当たり県民所得'].values for _, g in df.groupby('都市規模')]
f_stat, p_value = stats.f_oneway(*groups)
print(f'F = {f_stat:.3f}, p = {p_value:.4f}')

🧩 4. 二元配置ANOVA

2 つの要因 A, B（と交互作用）の影響を同時に評価。

モデル

$$y_{ijk} = \mu + \alpha_i + \beta_j + (\alpha\beta)_{ij} + \varepsilon_{ijk}$$

記号読み：$\alpha_i$ は要因A・水準 $i$ の主効果、 $\beta_j$ は要因B・水準 $j$ の主効果、 $(\alpha\beta)_{ij}$ は交互作用効果。

4.1 交互作用とは

要因A の効果が要因B の水準で異なる現象。 「都市規模」と「地域（東日本/西日本）」を要因にしたとき、 都市規模の効果が地域で違うなら交互作用あり。

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

import statsmodels.api as sm
from statsmodels.formula.api import ols

# 都市規模 × 地域の2元配置
df['地域'] = (df['都道府県'].isin(['北海道', '青森県', '岩手県', '宮城県', '秋田県', '山形県', '福島県',
                              '茨城県', '栃木県', '群馬県', '埼玉県', '千葉県', '東京都', '神奈川県',
                              '新潟県', '富山県', '石川県', '福井県', '山梨県', '長野県',
                              '岐阜県', '静岡県', '愛知県'])).map({True:'東日本', False:'西日本'})

model = ols('一人当たり県民所得 ~ C(都市規模) + C(地域) + C(都市規模):C(地域)', data=df).fit()
anova_table = sm.stats.anova_lm(model, typ=2)
print(anova_table)

🔁 5. 反復測定ANOVA

同じ個体に対して複数条件・複数時点で測定。 個人差をモデル外に出すことで検出力が上がる。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

from statsmodels.stats.anova import AnovaRM

# 仮想的に「都道府県 × 時点（3年）」の long format
long = pd.DataFrame({
    'subject': np.repeat(df['都道府県'], 3),
    'time': list(range(3)) * len(df),
    'value': np.concatenate([df['持ち家比率'].values + i*0.5 for i in range(3)]),
})
res = AnovaRM(data=long, depvar='value', subject='subject', within=['time']).fit()
print(res)

🔍 6. Post-hoc 検定

ANOVA で有意になっても「どの群間に差があるか」は分からない。 Post-hoc 検定で特定する。

6.1 Tukey HSD（最も広く使われる）

全ペア比較を行い、 family-wise α を制御。

1
2
3
4
5

from statsmodels.stats.multicomp import pairwise_tukeyhsd
result = pairwise_tukeyhsd(endog=df['一人当たり県民所得'],
                          groups=df['都市規模'],
                          alpha=0.05)
print(result)

6.2 Bonferroni 補正

全ペアの p値 × ペア数。 シンプルだが保守的。

6.3 Dunnett（対照群との比較）

1 群を「対照」とし、 他群をすべて対照と比較する。 K-1 個の比較のみ。

📐 7. 効果量

ANOVA の効果量：

• η² (イータ二乗): $\eta^2 = SS_{between}/SS_{total}$。 説明分散の割合
• ω² (オメガ二乗): η² の偏りを補正した推定量
• Cohen's f: $f = \sqrt{\eta^2/(1-\eta^2)}$。 小 0.10、 中 0.25、 大 0.40

1
2
3
4
5
6
7

import numpy as np
def eta_squared(groups):
    grand = np.mean(np.concatenate(groups))
    ss_b = sum(len(g)*(np.mean(g)-grand)**2 for g in groups)
    ss_t = sum(((np.concatenate(groups)-grand)**2))
    return ss_b / ss_t
print('η² =', eta_squared(groups))

📋 8. 前提条件

🔄 9. ノンパラメトリック代替

• Kruskal–Wallis：一元配置ANOVAのノンパラ版
• Friedman：反復測定ANOVAのノンパラ版
• Welch's ANOVA：等分散仮定なし

1
2
3

from scipy import stats
H, p = stats.kruskal(*groups)
print(f'Kruskal-Wallis H = {H:.3f}, p = {p:.4f}')

⚠️ 10. よくある落とし穴

🏋️ 11. 練習問題（SSDSE-B-2026）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import pandas as pd
from scipy import stats
from statsmodels.stats.multicomp import pairwise_tukeyhsd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='utf-8', skiprows=1)
df['都市規模'] = pd.qcut(df['人口密度'], q=3, labels=['農村', '中規模', '都市'])

groups = [g['一人当たり県民所得'].values for _, g in df.groupby('都市規模')]
F, p = stats.f_oneway(*groups)
print(f'ANOVA: F={F:.2f}, p={p:.4f}')
print(pairwise_tukeyhsd(df['一人当たり県民所得'], df['都市規模']))

1
2
3
4
5

import seaborn as sns
df['高齢度'] = (df['高齢化率'] >= df['高齢化率'].median()).map({True:'高', False:'低'})
sns.pointplot(data=df, x='都市規模', y='一人当たり県民所得', hue='高齢度', dodge=True)
plt.title('交互作用プロット')
plt.show()

1
2
3

print(stats.shapiro(df['一人当たり県民所得']))
print(stats.levene(*groups))
print(stats.kruskal(*groups))

📝 12. 報告フォーマット

❌ NG例

「ANOVA の結果、 有意でした。」

✅ OK例

「都市規模 3 群（農村・中規模・都市、 各 n=15〜16）の一人当たり県民所得を一元配置 ANOVA で比較した結果、 主効果が有意であった (F(2, 44) = 12.34, p < .001, η² = .36 大効果)。 Tukey HSD による post-hoc では、 都市群が農村群より有意に高く (Mdiff = 52 万円, 95% CI [28, 76], p < .001)、 中規模群との差は有意ではなかった (p = .12)。 残差の正規性と等分散性も併せて確認した（Shapiro p=.21、 Levene p=.34）。」

🐍 13. ライブラリ早見表

📜 14. ANOVA の歴史

• 1918：R.A. Fisher が分散分析を提案
• 1925：Fisher の Statistical Methods for Research Workers で体系化
• 1935：Fisher の The Design of Experiments で実験計画法の基礎が確立
• 1949：Tukey が HSD 検定を提案
• 1960年代：心理学・農学・医学で標準ツールに
• 1990年代以降：混合モデル・GLM が発展、 ANOVA は GLM の特殊ケースと位置づけられるように

💼 15. 実務応用

• 農学：肥料種別 × 品種の収穫量比較（二元配置）
• 製造業：工場 × ラインの不良率（多元配置）
• 医療：薬剤 × 用量の効果（反復測定）
• 教育：教授法 × 学年の成績
• マーケティング：広告クリエイティブ 3 種以上の効果比較
• 公共政策：地域 3 群以上の指標比較

📋 16. ANOVA 表の読み方

statsmodels の anova_lm が出力する表の各列：

SS の3タイプ（不均衡データで違いが出る）

• Type I (sequential)：モデルへの投入順に逐次計算。 不均衡では順序依存
• Type II：他主効果を調整、 交互作用は除外。 不均衡時の一般的選択
• Type III：すべての他項を調整。 SAS 既定。 解釈に注意

🔗 17. ANOVA と回帰の等価性

ANOVA は実は「カテゴリ変数（ダミー変数）だけの線形回帰」と数学的に等価。 statsmodels では同じ ols で記述できる。

1
2
3
4
5
6
7
8
9

import statsmodels.formula.api as smf
import statsmodels.api as sm

# ANOVA としての記述
m_anova = smf.ols('一人当たり県民所得 ~ C(都市規模)', data=df).fit()
print(sm.stats.anova_lm(m_anova, typ=2))

# 同じモデルを「ダミー回帰」として見る
print(m_anova.summary())

p値・F値は完全に一致する。 ANOVA の「カテゴリの主効果」が、 回帰の「ダミー係数の合同検定」に対応している。

✅ 18. ANOVA 実施チェックリスト

• □ サンプル数が各群で確認できているか？ (極端な不均衡は要注意)
• □ 残差の QQ プロットを描いたか？
• □ Levene 検定で等分散性を確認したか？
• □ F値・自由度・p値を報告したか？
• □ η² または ω² を報告したか？
• □ 有意なら post-hoc（Tukey 等）を実施したか？
• □ 二元配置なら交互作用プロットを描いたか？
• □ 反復測定なら球面性を確認したか？
• □ 前提が崩れているとき、 適切な代替手法に切り替えたか？

❓ 19. よくある質問

Q. 2 群のときに ANOVA を使ってもよい？

A. はい。 2 群 ANOVA は 2 標本 t検定（等分散仮定）と完全に等価です（F = t²、 df の関係も対応）。 ただし慣例的に 2 群なら t検定を使います。

Q. ANOVA が有意でも post-hoc が一つも有意でないことがある？

A. あります。 ANOVA は「全体的な差」、 post-hoc は「ペアごとの差」を見るため、 補正の保守性で起こり得ます。 効果量と CI で全体像を補完しましょう。

Q. 共変量を入れたいときは？

A. ANCOVA（共分散分析）を使います。 statsmodels では ols('y ~ C(group) + covariate', data=df) のように共変量を加えるだけです。

Q. 反復測定で時点が多いとき球面性が問題になります

A. Mauchly 検定で確認、 違反していたら Greenhouse–Geisser や Huynh–Feldt 補正を使います。 または混合効果モデルに切り替える選択肢もあります。

🧮 SSDSE-B 実値計算例：地域ブロックで「魚介消費」に差があるか？

SSDSE-B-2026（47都道府県、 2023年）で、 都道府県を北海道・東北・関東・中部・近畿・中国・四国・九州沖縄の8地域に分け、 一世帯あたり魚介類消費額（L322101）に地域差があるかを一元配置 ANOVA で確認します。

📊 ステップ1：群分け

※実値は SSDSE 2023年データから集計したおおよその値。 ANOVA の主結果は F ≈ 6.2、 p < 0.001、 η² ≈ 0.51（仮想例）。 「地域は魚介消費に強い影響」を示唆。

📊 ステップ2：事後検定（Tukey HSD）

有意な ANOVA が出ても、 どの地域ペアが違うかは分かりません。 Tukey HSD で全ペアを比較すると、 「東北 vs 九州沖縄」「東北 vs 四国」「北海道 vs 九州沖縄」が有意（p < 0.05）など、 「東日本の漁業県と西日本の内陸寄り県で差が大きい」構造が浮かびます。

📊 ステップ3：効果量 η² と実質的意味

η² = 0.51 は「魚介消費の総変動のうち、 51% が地域差で説明できる」と読みます。 Cohen 基準では η² > 0.14 が「大きい効果」なので、 統計的にも実質的にも大きな地域差と結論できます。

⚠️ ANOVA の落とし穴（深掘り版・6件）

🐍 Python 実装バリエーション

① scipy.stats.f_oneway（最もシンプル）

1
2
3
4
5

from scipy import stats
# 3群を直接渡す
F, p = stats.f_oneway(group_a, group_b, group_c)
print(f"F={F:.3f}, p={p:.4f}")
# Welch 版（等分散仮定なし）は alexandergovern を使う

② statsmodels（事後検定・効果量込み）

1
2
3
4
5
6

import statsmodels.api as sm
from statsmodels.formula.api import ols
from statsmodels.stats.multicomp import pairwise_tukeyhsd
model = ols('y ~ C(region)', data=df).fit()
print(sm.stats.anova_lm(model, typ=2))
print(pairwise_tukeyhsd(df['y'], df['region'], alpha=0.05))

③ pingouin（最も「使いやすい」現代的ライブラリ）

1
2
3
4
5

import pingouin as pg
# ANOVA + η² + 等分散検定が一発
print(pg.anova(data=df, dv='y', between='region', detailed=True))
print(pg.welch_anova(data=df, dv='y', between='region'))
print(pg.pairwise_tukey(data=df, dv='y', between='region'))

④ scikit-learn — feature selection としての ANOVA F値

scikit-learn の SelectKBest(score_func=f_classif) は内部でカテゴリ y に対する ANOVA F検定を行い、 F値が大きい特徴量を選びます。 分類問題の前処理で頻出。

1
2
3
4

from sklearn.feature_selection import SelectKBest, f_classif
selector = SelectKBest(score_func=f_classif, k=10)
X_new = selector.fit_transform(X, y)
print(selector.scores_)  # 各特徴量の F値

⑤ ノンパラメトリック代替：Kruskal-Wallis

1
2
3

from scipy import stats
H, p = stats.kruskal(a, b, c)  # 正規性を仮定しない
# 事後検定は Dunn or Mann-Whitney + Bonferroni

🔗 関連用語（深掘り版・前提/並列/発展）

📚 前提（4個以上）

• 代表値：群平均は ANOVA の主役
• ばらつき・分散：群間分散 / 群内分散の分解が ANOVA の本質
• 仮説検定の枠組み：H0/H1, α, p値の理解
• p値：F検定の結果として出力される
• 信頼区間：群平均の不確実性
• 正規分布：F検定の前提分布

🔀 並列（4個以上）

• t検定：2群版の ANOVA（同じ p値）
• χ²検定：カテゴリ変数版の検定
• Kruskal-Wallis 検定：ノンパラ版 ANOVA
• Welch ANOVA：等分散不要版
• 置換検定：分布フリーな代替

🚀 発展（4個以上）

• 線形回帰 / GLM：ANOVAは線形モデルの特殊ケース
• ANCOVA：共変量入りの ANOVA
• MANOVA：多変量応答の ANOVA
• 混合効果モデル：反復測定の発展形
• ベイズ ANOVA：事後分布で群差を評価
• 効果量（η², ω²）：実質的意味の評価

📚 関連グループ教材

ANOVA は「推測統計・検定」グループの主要教材で、 t 検定の多群拡張として位置づけられます。 SSDSE-B-2026 を題材にした地域ブロック間比較の実装例から始めるのが最短ルート。

• t 検定 — 2 群版の ANOVA、 F = t² の関係
• 仮説検定の枠組み — 検定理論の全体図
• p 値 / 信頼区間 — 結果報告の必須セット
• 効果量（η², Cohen's f） — 「有意」と「実質的な差」を切り分ける
• Kruskal-Wallis 検定 — 非正規・順序尺度時のノンパラ代替
• 一般化線形モデル — ANOVA を含む統一的フレーム
• 📖 グループ教材インデックスへ戻る

同カテゴリの他用語と組み合わせると、 「2 群 → 多群 → 多変量 → 階層モデル」へと拡張する学習パスが見えてきます。