🔖 キーワード索引

本ページは 変数の尺度とデータ型（Variable Scales and Data Types）を多角的に解説します。 上のチップは、 検索・関連語の手がかりです。

📍 文脈 — どこで使う概念か

変数の尺度（Variable Scales）は、 1946 年に心理学者 S.S. Stevens が提案した 測定理論の古典。 統計学・データサイエンスのすべての手法は、 「どの尺度の変数か」で適用可否が決まります。 初学者が最初に学ぶべき概念であり、 ベテランでも忘れがちな 分析の基礎です。

🎨 直感で掴む — 具体例で理解する

4 つの尺度を具体例で：

例：温度 20℃ は 10℃ の「2 倍」と言えるか？ ─ 言えない（℃は間隔尺度で絶対零点なし）。 一方、 ケルビン 300K と 150K は「2倍」と言える（比例尺度）。

📐 定義

名義・順序・間隔・比例尺度とデータ型の対応

英語名 Variable Scales and Data Types、 カテゴリ：リテラシー。

🔬 記号・要素の読み解き

🧮 数値例・実値計算

尺度ごとに使える代表値：

厳密に言えば「5段階評価の平均」は順序尺度に算術平均を適用しており、 統計学的にはグレー。 実務では便宜的に許されているが 慎重に。

🐍 Python 実装例

最小コードで動かしてみる例：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import pandas as pd

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

# 尺度ごとに型を明示
df['都道府県名'] = df['都道府県名'].astype('category')  # 名義
df['評価'] = pd.Categorical(df['評価'], ordered=True,  # 順序
                          categories=['低', '中', '高'])
df['人口'] = df['人口'].astype(int)  # 比例尺度（離散）
df['高齢化率'] = df['高齢化率'].astype(float)  # 比例尺度（連続）

⚠️ よくある落とし穴

🌐 関連手法・派生

• One-Hot Encoding：名義尺度を機械学習へ
• Ordinal Encoding：順序尺度を保持しつつ数値化
• 標準化 / 正規化：間隔・比例尺度のスケール調整
• カテゴリカル統計：χ², Cramér V
• 順位相関：Spearman, Kendall

🔗 関連用語

📚 関連グループ教材

この用語の全体像を学ぶには、 まず横断的な教材で文脈を掴むのが効率的です：

• 📚 データリテラシー — 分析の前提知識