🔖 キーワード索引

このページで扱うキーワード（クリックで該当節へジャンプ）：

🎨 直感で掴む — 47 個の小さな山を足す

47 都道府県の 総人口 $x_1, x_2, \dots, x_{47}$ が手元にあるとします。各 $x_i$ の場所に、幅 $h$ の小さな鐘形の山（カーネル）を置きましょう。

カーネルの形は「正規分布（ガウス）」が一番よく使われます。すると：

• 東京（約 1,400 万人）の場所に小さな山が 1 つ立つ
• 鳥取（約 55 万人）の場所にも別の山が立つ
• ……これを 47 県すべて やる
• 最後に すべての山を足し合わせる → KDE 曲線の完成

点が密集する場所では山が重なって高くなり、まばらな場所では低い丘になります。つまり「データ点が密な場所ほど曲線が高い」 = 密度推定そのもの。

ヒストグラムとの違い

📐 数式 — カーネル密度推定の定義

$n$ 個の観測値 $x_1, x_2, \dots, x_n$ に対して、点 $x$ における密度推定値は：

カーネル $K$ は通常、次を満たします：

• $K(u) \ge 0$（非負）
• $\int K(u)\,du = 1$（全積分が 1：密度なので）
• $K(-u) = K(u)$（対称）

代表的なカーネル関数

バンド幅 $h$ の選び方（Silverman の経験則）

歪んだ分布や外れ値に頑健な改良版：

🔬 数式を「言葉」で読み解く

つまり KDE は「データ点ごとに小さな確率の山を置き、それらを足して大きな密度関数を作る」 という、極めて直感的な操作です。

🧮 実データで計算してみる — SSDSE-B 都道府県人口

SSDSE-B-2026 の A1101（総人口）を 47 都道府県ぶん読み込み、人口分布の KDE を求めます。

ステップ 1：データの基本統計

ステップ 2：Silverman のルールでバンド幅 $h$ を決める

ステップ 3：評価点 $x=200$ 万人での密度を計算

本物の 47 県データでこれを行えば、東京・大阪・神奈川のような大人口県はピーク右側に薄い裾を作り、地方県の密集が左側に高いピーク（約 100〜200 万人付近）を作ります。

🐍 Python 実装 — SSDSE-B の人口 KDE

1. scipy.stats.gaussian_kde（最も基本）

 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

# SSDSE-B 都道府県人口の KDE
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import gaussian_kde

# 1) データ読込（2 行目までヘッダ、1 行スキップ）
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1)
pop = df['A1101'].values  # 総人口

# 2) KDE オブジェクトを作る（バンド幅自動）
kde = gaussian_kde(pop)            # Scott のルール（デフォルト）
kde_silver = gaussian_kde(pop, bw_method='silverman')

# 3) 評価点を作って密度を計算
xs = np.linspace(pop.min(), pop.max(), 500)
ys = kde(xs)
ys_silver = kde_silver(xs)

# 4) ヒストグラムと重ねて可視化
fig, ax = plt.subplots(figsize=(9, 5))
ax.hist(pop, bins=15, density=True, alpha=0.4, color='steelblue', label='Histogram')
ax.plot(xs, ys, color='crimson', lw=2, label='KDE (Scott)')
ax.plot(xs, ys_silver, color='darkgreen', lw=2, linestyle='--', label='KDE (Silverman)')
ax.set_xlabel('Population'); ax.set_ylabel('Density')
ax.legend(); plt.tight_layout(); plt.show()

2. seaborn — もっと手軽に

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

import seaborn as sns
import pandas as pd

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

# ヒストグラム + KDE を一気に
sns.histplot(df['A1101'], kde=True, bins=15)

# KDE 単独・バンド幅指定
sns.kdeplot(df['A1101'], bw_adjust=0.5)  # 半分にして細かく
sns.kdeplot(df['A1101'], bw_adjust=2.0)  # 2倍にして滑らかに

3. バンド幅の比較プロット

1
2
3
4
5
6
7
8

# h を変えると何が起きるか可視化
import matplotlib.pyplot as plt
fig, axes = plt.subplots(1, 4, figsize=(16, 4), sharey=True)
for ax, bw in zip(axes, [0.1, 0.3, 1.0, 3.0]):
    kde = gaussian_kde(pop, bw_method=bw)
    ax.plot(xs, kde(xs))
    ax.set_title(f'bw_method={bw}')
plt.show()

4. 2 次元 KDE — 人口 × 高齢化率の同時分布

1
2
3
4

# 2 変数の同時密度（等高線）
sns.kdeplot(data=df, x='A1101', y='A1303', fill=True, cmap='mako')
plt.xlabel('Population'); plt.ylabel('Elderly ratio (%)')
plt.show()

⚠️ 落とし穴

🌐 関連手法・派生

• ヒストグラム：KDE の階段版。 ビン端点の恣意性が KDE で解消される。 → histogram.html
• 適応的 KDE（Adaptive KDE）：データ密度に応じて $h$ を点ごとに変える。 裾の薄い領域では広く、 密集部では狭く。
• カーネル回帰（Nadaraya-Watson 推定量）：KDE を回帰に拡張したもの。 同じカーネル思想を $y$ の予測に転用。
• ノンパラメトリック密度推定：KDE はその代表格。 他に最近傍法、 オルソゴナル級数推定など。
• 混合モデル（GMM）：パラメトリックな多峰性推定。 KDE と並んで多峰性検出に使う。
• 2 次元 KDE：散布図に等高線を重ねて同時密度を表示。 散布図とヒートマップの中間。 → scatter-plot.html
• Violin plot：箱ひげ図の側面に KDE を貼り付けた可視化。 → boxplot.html
• Empirical CDF：累積分布関数のノンパラメトリック推定。 KDE の積分版。

🔗 関連用語（前提・並列・発展）

📘 前提として理解しておくべき用語

📗 並列に並ぶ・対比する用語

📕 発展として進む用語

🔍 バンド幅選択の理論的詳説

KDE の精度評価は 積分二乗誤差 (Integrated Squared Error, ISE) またはその期待値 MISE (Mean ISE) で測ります：

MISE はバイアスと分散に分解できます：

これを微分して 0 にすると、 最適バンド幅 $h^*$：

バイアス・分散トレードオフ

実用的なバンド幅選択法

1. Scott のルール：$h = \hat{\sigma} n^{-1/5}$（scipy のデフォルト）
2. Silverman のルール：$h = 1.06 \hat{\sigma} n^{-1/5}$（正規前提）
3. 頑健版 Silverman：$h = 0.9 \min(\hat{\sigma}, \mathrm{IQR}/1.34) n^{-1/5}$
4. Sheather-Jones plug-in：$f''$ を推定して $h^*$ を計算。 現代の標準。
5. 交差検証 (Cross-Validation, CV)：leave-one-out で MISE 推定を最小化

🧬 KDE のバリエーション

1. 適応的 KDE（Adaptive KDE）

密度が高い領域では $h$ を狭く、 低い領域では広くすることで、 裾の表現を向上：

2. ログ変換 KDE

人口や所得のような右に長い裾を持つ変数は、 まず $\log$ 変換してから KDE するのが標準。 結果を元のスケールに戻すと境界バイアスが回避できる。

3. 境界補正カーネル

区間 $[0, \infty)$ の量に対して、 ベータカーネル・ガンマカーネルなど「サポートが正しい範囲のカーネル」を使う。 例：ガンマカーネル $K_b(x; t) \propto x^{t/b}\,e^{-x/b}$。

4. 重み付き KDE

各観測 $x_i$ に重み $w_i$ を付ける：

5. 多変量 KDE

$d$ 次元では各次元にバンド幅 $h_1, \dots, h_d$ を持つ：

ただし「次元の呪い」が強く、 $d \ge 3$ では実用的にきつい。 ふつう $d = 1$ または 2 までで使う。

📊 論文での KDE の使われ方

本サイトの再現論文集の中で、 KDE が活用される典型シーン：

⚙️ 計算量と高速化

KDE の素朴な実装は、 $m$ 評価点 × $n$ 観測点で $O(nm)$。 $n=10^6$、 $m=10^3$ なら $10^9$ 演算で数分かかる。

高速化テクニック

Python では scipy.stats.gaussian_kde は素朴実装、 KDEpy ライブラリは FFT ベースで圧倒的に速い。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

# 大規模データでの高速 KDE
from KDEpy import FFTKDE
import numpy as np

x = pop  # 47 県の人口
estimator = FFTKDE(kernel='gaussian', bw='ISJ')  # Improved Sheather-Jones
xs, ys = estimator.fit(x).evaluate(1024)

import matplotlib.pyplot as plt
plt.plot(xs, ys); plt.show()

📚 関連グループ教材

• 📦 基礎統計グループ — KDE はヒストグラム・箱ひげ図と並ぶ「分布の眺め方」の柱
• 📊 データ可視化グループ — 1 変数・2 変数の分布を表示する基本ツール
• 📈 ノンパラメトリック手法グループ — 分布形を仮定しない統計手法の一群
• 🌊 密度推定グループ — KDE、 GMM、 ヒストグラム、 EDF を体系的に整理

🧪 KDE vs ヒストグラム vs パラメトリックフィット — 3 方式の比較

「47 都道府県の人口分布を表現する」という同じ課題を 3 方式で解いてみます。

Python で 3 方式を並べて比較

 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
28
29
30

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import gaussian_kde, lognorm

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1)
pop = df['A1101'].values

fig, axes = plt.subplots(1, 3, figsize=(15, 4), sharey=True)

# (1) ヒストグラム
axes[0].hist(pop, bins=15, density=True, color='steelblue', edgecolor='white')
axes[0].set_title('Histogram (bins=15)')

# (2) KDE
kde = gaussian_kde(pop)
xs = np.linspace(pop.min(), pop.max(), 500)
axes[1].plot(xs, kde(xs), 'crimson', lw=2)
axes[1].fill_between(xs, kde(xs), alpha=0.3, color='crimson')
axes[1].set_title('KDE (Gaussian)')

# (3) 対数正規あてはめ
shape, loc, scale = lognorm.fit(pop, floc=0)
axes[2].plot(xs, lognorm.pdf(xs, shape, loc, scale), 'darkgreen', lw=2)
axes[2].set_title(f'Lognormal fit (μ={np.log(scale):.2f}, σ={shape:.2f})')

for ax in axes:
    ax.set_xlabel('Population')
axes[0].set_ylabel('Density')
plt.tight_layout(); plt.show()

解釈

• ヒストグラム：「東京・神奈川」がはるか右の孤立棒として現れる。 ビンを増やすと細かく、 減らすと粗く。
• KDE：なめらかな曲線が同じ右裾を表現。 東京・神奈川は「裾の小さなコブ」として現れる。
• 対数正規フィット：パラメータ 2 個だけで似た形を再現。 ただし「47 県のデータ」を完全に表現するには制約が強い。

🎯 SSDSE-B 都道府県データでの KDE 完全ワークフロー

「47 都道府県の県内総生産（B4101）と総人口（A1101）の分布を理解する」を例に、 KDE を使うフル工程を示します。

ステップ 1：データ読み込みと基本確認

1
2
3
4
5
6
7
8
9

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import gaussian_kde

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', skiprows=1)
print(df['A1101'].describe())
print("歪度（Skewness）:", df['A1101'].skew())
print("尖度（Kurtosis）:", df['A1101'].kurtosis())

ステップ 2：素朴な KDE（バンド幅デフォルト）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

pop = df['A1101'].values
kde = gaussian_kde(pop)

xs = np.linspace(pop.min() - 0.1*pop.std(), pop.max() + 0.1*pop.std(), 500)
ys = kde(xs)

fig, ax = plt.subplots(figsize=(10, 5))
ax.hist(pop, bins=15, density=True, alpha=0.4, edgecolor='white')
ax.plot(xs, ys, 'r-', lw=2)
ax.set_xlabel('Total Population (persons)')
ax.set_ylabel('Density')
ax.set_title('KDE of Prefectural Population (SSDSE-B 2026)')
plt.tight_layout(); plt.show()

ステップ 3：対数変換で境界バイアスを解消

人口は強い右裾を持つので、 そのまま KDE するとガウスカーネルが「負の人口」にしみ出します。 対数変換すると分布がほぼ正規に近づき、 KDE がきれいに収まります。

1
2
3
4
5
6
7
8
9

log_pop = np.log10(pop)
kde_log = gaussian_kde(log_pop)
xs_log = np.linspace(log_pop.min(), log_pop.max(), 500)
ys_log = kde_log(xs_log)

fig, axes = plt.subplots(1, 2, figsize=(14, 4))
axes[0].plot(xs, ys); axes[0].set_title('Original scale')
axes[1].plot(xs_log, ys_log); axes[1].set_title('Log10 scale (much smoother)')
plt.show()

ステップ 4：二群比較（東日本 vs 西日本）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# 東日本＝Code 1〜23、 西日本＝24〜47 として比較
east = df[df['Code'] 23]['A1101'].values
west = df[df['Code'] > 23]['A1101'].values

kde_east = gaussian_kde(np.log10(east))
kde_west = gaussian_kde(np.log10(west))

xs = np.linspace(5.5, 7.5, 500)
plt.fill_between(xs, kde_east(xs), alpha=0.5, label='East Japan')
plt.fill_between(xs, kde_west(xs), alpha=0.5, label='West Japan')
plt.xlabel('log10(Population)'); plt.legend(); plt.show()

ステップ 5：2 次元 KDE — 人口 × GDP

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import seaborn as sns

df_log = pd.DataFrame({
    'log_pop': np.log10(df['A1101']),
    'log_gdp': np.log10(df['B4101'])
})

sns.jointplot(data=df_log, x='log_pop', y='log_gdp',
              kind='kde', fill=True, cmap='viridis')
plt.show()

2 次元 KDE は人口と GDP がほぼ直線関係（log-log で）にあることを、 等高線の傾きで示します。

ステップ 6：バンド幅選択を交差検証で

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

from sklearn.neighbors import KernelDensity
from sklearn.model_selection import GridSearchCV

log_pop = np.log10(df['A1101'].values).reshape(-1, 1)

params = {'bandwidth': np.linspace(0.05, 0.5, 30)}
grid = GridSearchCV(KernelDensity(kernel='gaussian'), params, cv=5)
grid.fit(log_pop)
print("Best bandwidth:", grid.best_params_['bandwidth'])

kde_cv = grid.best_estimator_
xs = np.linspace(5.5, 7.5, 500).reshape(-1, 1)
log_dens = kde_cv.score_samples(xs)
plt.plot(xs, np.exp(log_dens))
plt.title(f'KDE with CV-selected bandwidth')
plt.show()

❓ よくある質問

Q1. KDE と確率密度関数（PDF）は何が違う？

真の確率密度関数 $f(x)$ は理論的・未知の関数。 KDE $\hat{f}(x)$ はデータから推定したその近似。 サンプル数 $n \to \infty$、 $h \to 0$（適切な速度で）で $\hat{f}(x) \to f(x)$ に収束します。

Q2. カーネルの「カーネル」って何？

「核」の意味で、 各データ点の周りに置く「小さな確率密度の核」のこと。 数学的にはサポート（領域）の中心に置かれる対称な関数なら何でもよい。 機械学習のカーネルトリックの「カーネル」とは別概念。

Q3. なぜ $n^{-1/5}$ で減るのが最適？

バンド幅 $h$ を小さくすればバイアス（$h^4$）が減るが分散（$1/(nh)$）が増える。 両者の合計（MISE）を最小化する $h^*$ は $h^4 \sim 1/(nh)$ から $h \sim n^{-1/5}$。 数学的な最適化の結果です。

Q4. ガウスと Epanechnikov、 どちらを使えばいい？

実用上はどちらでもほぼ同じ。 「漸近的相対効率」で Epanechnikov が 1.000、 ガウスが 0.951。 5% 程度の差しかなく、 多くのライブラリでデフォルトのガウスを使えば問題なし。

Q5. KDE で「分布の最頻値（モード）」を求められる？

はい。 $\hat{f}(x)$ をたくさんの点で評価し、 最大値を与える $x$ を探せば最頻値の推定値。 ただしバンド幅次第で最頻値の位置が動くので注意。

Q6. KDE で「2 つの分布が違うか」を検定できる？

直接 KDE で検定はしませんが、 KDE は視覚的比較に最適。 統計検定は Kolmogorov-Smirnov 検定、 Anderson-Darling 検定、 Mann-Whitney U 検定など。 KDE は「差をどう描くか」、 検定は「差があるか」を担当。

Q7. n=10 でも KDE は使える？

使えますが、 形は信頼できません。 10 点で密度を表現するには情報が足りない。 そのときは個々のデータ点を「ラグプロット」（横軸上のヒゲ）で示し、 「これだけ少ない」と読み手に伝える方が誠実。

Q8. 円データ・方向データには使える？

普通の KDE は使えません。 角度データには von Mises カーネルなどの専用カーネル、 球面データには球面 KDE。 「データのトポロジー」に合ったカーネルを選ぶ必要があります。

Q9. ヒストグラムと KDE、 どちらを論文に載せる？

近年は両方重ねるのが標準。 ヒストグラムでデータの「ありのまま」を、 KDE で「なめらかな全体像」を見せる。 seaborn の histplot(kde=True) がワンライナーで実現してくれます。

Q10. KDE の結果を CSV に保存したい

評価点と密度値のペアを DataFrame で保存：

1
2

kde_df = pd.DataFrame({'x': xs, 'density': kde(xs)})
kde_df.to_csv('kde_result.csv', index=False)

Q11. なぜ全ての観測点で同じバンド幅を使う？

計算が単純で理論解析しやすいから。 適応的 KDE では点ごとに $h_i$ を変えますが、 1) 計算が複雑、 2) 解釈が難しい、 3) 性能向上は中程度、 のため実用では固定 $h$ が標準です。

Q12. KDE はベイズと関係ある？

関係あります。 「事前分布なしのノンパラメトリックベイズ」と捉えられる。 また MCMC の事後分布可視化に KDE は必須ツール。 PyMC・Stan の出力を seaborn でそのまま描けます。

📜 KDE の歴史的背景

• 1956 年：Rosenblatt の論文 — ノンパラメトリック密度推定の理論的基礎を確立。 「ヒストグラムをなめらかにする」着想を数学的に定式化。
• 1962 年：Parzen の論文 — カーネル関数の概念を導入。 「Parzen-Rosenblatt 推定量」とも呼ばれる。
• 1969 年：Epanechnikov — 平均二乗誤差を最小化するカーネルが $K(u) = \frac{3}{4}(1-u^2)$ であることを示す。 ただしガウスカーネルでもほぼ同等。
• 1986 年：Silverman の教科書 Density Estimation — KDE の実用ガイドの古典。 「Silverman のルール」の名前の由来。
• 1991 年：Sheather-Jones の plug-in — 現代の標準的バンド幅選択法。 漸近的最適性を持つ。
• 2000 年以降 — FFT・Tree ベース高速化、 適応的 KDE、 多変量 KDE、 機械学習との融合（カーネル法、 ベイズ）。 GPU 実装でリアルタイム化。

🗺 概念マップ — KDE が属する位置

分布の可視化・推定
├── パラメトリック密度推定
│   ├── 正規分布のあてはめ（平均・分散を推定）
│   ├── 混合正規（GMM）
│   └── 一般指数族
├── ノンパラメトリック密度推定 ◀ ここに KDE
│   ├── ヒストグラム（階段状）
│   ├── KDE（なめらか） ◀ このページ
│   │   ├── ガウス KDE（最頻出）
│   │   ├── Epanechnikov KDE（最適）
│   │   ├── 適応的 KDE
│   │   └── 多変量 KDE
│   ├── 最近傍密度推定
│   └── オルソゴナル級数推定
├── 累積分布関数の推定
│   ├── Empirical CDF
│   └── 平滑 ECDF
└── 応用分野
    ├── 異常検知（密度が低い → 異常）
    ├── クラスタリング（Mean Shift など）
    ├── カーネル回帰（Nadaraya-Watson）
    └── ベイズ事後分布の可視化

🧠 KDE 拡張解説 — なぜヒストグラムを超えるか

カーネル密度推定 (KDE) は、 離散的観測値 $\{x_1, \ldots, x_n\}$ から滑らかな密度関数を推定します。 ヒストグラムが「ビン境界の人工的な階段」を作るのに対し、 KDE は各観測点に「小さな山」（カーネル関数）を置き、 それを足し合わせるイメージです。

$$\hat f_h(x) = \frac{1}{nh} \sum_{i=1}^{n} K\!\left(\frac{x - x_i}{h}\right)$$

SSDSE-B-2026 の 47 都道府県人口データに KDE を適用すると、 東京・大阪のような大都市が右側に長い裾を作り、 多くの県が中央に固まる「右に歪んだ密度」が観察できます。 ヒストグラムでは見えにくい「双峰性」「希少な裾」が KDE では浮き彫りに。

🎨 カーネル関数の選択肢

代表的カーネル関数：

カーネル選択は本質的にあまり重要ではなく、 バンド幅 $h$ の選択が決定的。 Gaussian カーネルは scipy/sklearn のデフォルトで、 微分可能性が必要な場合に推奨。

🔍 バンド幅選択 — KDE の心臓

バンド幅 $h$ の選択法。 大きすぎると過平滑化（バイアス大）、 小さすぎると過適合（分散大）。

• Silverman の経験則：$h = 0.9 \cdot \min(\hat\sigma, \hat{IQR}/1.34) \cdot n^{-1/5}$。 高速で常識的だが正規前提。
• Scott の経験則：$h = 1.06 \hat\sigma n^{-1/5}$。 Silverman より少し広め。
• Cross-Validation：LSCV (Least Squares CV) や Likelihood CV で MISE を最小化。 正確だが計算重い。
• Plug-in：Sheather-Jones 法。 理論的に最良。
• Solve-the-equation：高速 plug-in 法。
• 適応的バンド幅：密度が高い領域は狭く、 低い領域は広く。

import pandas as pd
import numpy as np
from scipy.stats import gaussian_kde
from sklearn.neighbors import KernelDensity
from sklearn.model_selection import GridSearchCV

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='cp932', skiprows=1)
pop = df.iloc[:, 3].values

# 1) Silverman 自動
kde_silv = gaussian_kde(pop, bw_method='silverman')

# 2) CV でバンド幅選択
params = {'bandwidth': np.logspace(3, 6, 30)}
grid = GridSearchCV(KernelDensity(kernel='gaussian'),
                    params, cv=5).fit(pop[:, None])
print(f'最適 h = {grid.best_params_["bandwidth"]:.0f}')

📊 多変量 KDE — 2 次元への拡張

2 次元以上の KDE では多変量カーネル関数が必要。 SSDSE-B-2026 で「人口 × GDP」の 2 次元密度推定を行うと、 都道府県の「経済規模ペア」の分布が可視化できます。

from scipy.stats import gaussian_kde
import matplotlib.pyplot as plt

x = df.iloc[:, 3].values  # 人口
y = df.iloc[:, 11].values # GDP
xy = np.vstack([x, y])
kde2d = gaussian_kde(xy)

# グリッド上で評価
xg = np.linspace(x.min(), x.max(), 100)
yg = np.linspace(y.min(), y.max(), 100)
X, Y = np.meshgrid(xg, yg)
Z = kde2d(np.vstack([X.ravel(), Y.ravel()])).reshape(100, 100)
plt.contourf(X, Y, Z, levels=15)
plt.scatter(x, y, color='red', s=8)
plt.show()

⚠️ KDE の追加的落とし穴

• 裾の過小評価：データが少ない裾領域で、 KDE は密度を過小に出す傾向。
• 境界バイアス：有界データ（年齢など）で境界付近の密度が下がる。 反射法・対数変換で補正。
• 外れ値の影響：1 個の外れ値が広い領域に「小山」を作る。 ロバスト KDE を検討。
• バンド幅の固定：データの密度が場所によって異なるとき、 適応的 KDE が良い。
• 高次元での呪い：次元数 $d$ が増えると必要サンプルが $n^{4/(d+4)}$ で指数的に増える。
• 離散データへの誤適用：整数値データに KDE を当てると人工的な滑らかさが出る。
• 規格化忘れ：scipy の KDE は自動で積分が 1 になるが、 自作実装では要注意。

❓ よくある質問（FAQ）

🏛 KDE の歴史

• 1956：Rosenblatt: Remarks on Some Nonparametric Estimates of a Density Function で KDE の原型を提案。
• 1962：Parzen: On Estimation of a Probability Density Function and Mode で「Parzen window」として体系化。
• 1969：Wahba: スプラインベース密度推定の理論。
• 1986：Silverman: Density Estimation for Statistics and Data Analysis 教科書、 経験則の標準化。
• 1991：Sheather & Jones: A reliable data-based bandwidth selection method で plug-in 法を完成。
• 1996：Wand & Jones: Kernel Smoothing 教科書、 KDE の理論的完成。
• 2000 年代：機械学習: Conditional KDE、 KDE Mixture、 Variational density estimation で再注目。
• 2020 年代：Diffusion Model: Score-based 生成モデルが KDE のスコア関数推定と関連付けられる。

💼 産業応用事例

🌐 KDE と他密度推定法の比較

KDE は「分布形状について仮定を置かない」ことが最大の強み。 SSDSE-B-2026 の人口分布のように「正規ではない歪んだ分布」を素直に表示できます。

🧮 KDE の MISE と最適バンド幅の導出

KDE の漸近的平均積分二乗誤差 (AMISE) は次のように分解できます：

$$\mathrm{AMISE}(h) = \frac{R(K)}{nh} + \frac{1}{4} h^4 \sigma_K^4 R(f'')$$

第一項は分散（バンド幅が小さいほど大）、 第二項はバイアス（バンド幅が大きいほど大）。 微分して $0$ を解くと、 最適バンド幅は

$$h^\star = \left( \frac{R(K)}{n \sigma_K^4 R(f'')} \right)^{1/5}$$

この $h^\star$ は $n^{-1/5}$ のオーダーで縮みます。 $R(f'')$ は真の密度の二階微分の二乗積分で、 これを推定するのが Sheather-Jones の plug-in 法の核心。 SSDSE-B-2026 ($n=47$) では $h^\star \propto 47^{-0.2} = 0.46$ のオーダー、 SD の半分弱がベースライン値です。

多変量への拡張

$d$ 次元 KDE では $\mathrm{AMISE} = O(n^{-4/(d+4)})$ に劣化。 $d=10$ では $n=10^7$ が必要というのが「次元の呪い」の正体です。