🔖 キーワード索引

このページで扱う主要キーワード（クリックで該当セクションへ）：

🎨 直感で掴む

比例尺度（比尺度、 ratio scale）は Stevens の尺度水準分類における最も情報量の多い水準で、 「ゼロが 無 を意味し、 比 (a/b) に意味がある」尺度です。

たとえば総人口は比尺度です。 「東京の人口 (14,086,000) は鳥取の人口 (537,000) の 26.2 倍」 と言えますし、 「人口がゼロ」は文字通り「住民が誰もいない」を意味します。 一方、 摂氏温度 (℃) は比尺度ではありません。 「20℃ は 10℃ の 2 倍暑い」 とは言えませんし、 0℃ も「熱が無い」状態ではないからです。

📐 数式・定義

比例尺度は、 線形変換 $y=\alpha x$（$\alpha>0$）に対してのみ不変な尺度です。 つまり単位の取り換えはできますが、 原点を動かす平行移動はできません。

比例尺度では 幾何平均と 変動係数（CV）に意味があります。

🔬 数式・概念を言葉で読み解く

🧮 実値で計算してみる（SSDSE-B-2026）

🐍 Python 実装

例 1：比尺度の確認と幾何平均

import pandas as pd, numpy as np
from scipy.stats.mstats import gmean

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='shift_jis')
df.columns = df.iloc[0]
df = df.iloc[1:].reset_index(drop=True)
df = df[df['年度']=='2023'].reset_index(drop=True)

pop = df['総人口'].astype(int).to_numpy()
print('算術平均:', pop.mean())
print('幾何平均:', gmean(pop))
print('変動係数:', pop.std(ddof=1) / pop.mean())

例 2：シェアと比（比尺度ならではの統計）

share = pop / pop.sum() * 100
tokyo = df.loc[df['都道府県']=='東京都', '総人口'].astype(int).iloc[0]
tottori = df.loc[df['都道府県']=='鳥取県', '総人口'].astype(int).iloc[0]
print('東京シェア (%):', share.max())
print('東京/鳥取:', tokyo / tottori, '倍')

例 3：対数変換でスケーリング

df['log_pop'] = np.log(df['総人口'].astype(int))
print(df[['都道府県','総人口','log_pop']].head())
# 対数を取ると分布が正規に近くなり、 散布図が見やすくなる

例 4：成長率 → 幾何平均で 10 年平均成長率

years = df['年度'].astype(int)
tokyo_ts = df[df['都道府県']=='東京都'].sort_values('年度')
ratios = tokyo_ts['総人口'].astype(int).pct_change().dropna() + 1
geo_growth = gmean(ratios) - 1
print('東京の年平均人口成長率:', geo_growth*100, '%')

📂 ケーススタディ・追加実装例

ケース 1：尺度別に許される統計量チェック

ケース 2：絶対零点の確認方法

「0 のとき、 その量は 本当に「無い」 と言えるか？」 を自問。 身長 0cm = 身長なし → 比尺度。 IQ = 0 = 知能なし、 ではない → 間隔尺度。

ケース 3：対数変換の正当性

$\ln x$ は $x > 0$ で定義されるので、 比尺度のデータ（正値）に対してのみ意味があります。 SSDSE の人口や所得は対数変換しても比尺度の性質を引き継ぎ、 「対数差 = 比率の差」 という解釈ができます。

ケース 4：47 都道府県人口の対数正規化

import pandas as pd, numpy as np
df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='shift_jis')
df.columns = df.iloc[0]
df = df.iloc[1:].reset_index(drop=True)
df = df[df['年度']=='2023'].reset_index(drop=True)
pop = df['総人口'].astype(int)
print('生:', pop.describe())
print('対数:', np.log(pop).describe())
# 歪度が大きく改善するはず

ケース 5：間隔／比尺度の取り違いトラブル例

• 「西暦 2024 と 1012 の比は 2 倍」 — 西暦は間隔。 比は無意味
• 「気温が 30℃ から 60℃ になったら 2 倍暑い」 — 摂氏は間隔。 「2 倍」 は誤り
• 「IQ 120 は 60 の 2 倍賢い」 — IQ は構成概念で、 厳密には間隔尺度（あるいは順序尺度）

ケース 6：尺度の組合せで生じる手法選択

🪜 ステップバイステップ チュートリアル

チュートリアル：尺度水準のチェックと適切な統計量選び

ステップ 1：データの尺度を判定

• 都道府県コード → 名義（数値は ID）
• 地方区分 → 名義
• 都道府県の人口順位 → 順序
• 年度 → 間隔（0 が「無」を意味しない）
• 総人口 → 比例（0 は「住民なし」を意味する）
• 高齢化率 → 比例（0%＝高齢者なし）
• 県内総生産 → 比例

ステップ 2：許可される統計量

名義 → 最頻値・度数。 順序 → 中央値・四分位範囲・順位相関。 間隔 → 平均・分散・Pearson。 比例 → 加えて幾何平均・CV・比。

ステップ 3：SSDSE で計算

import pandas as pd, numpy as np
from scipy.stats.mstats import gmean

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='shift_jis')
df.columns = df.iloc[0]
df = df.iloc[1:].reset_index(drop=True)
df = df[df['年度']=='2023'].reset_index(drop=True)
pop = df['総人口'].astype(int).to_numpy()

print('算術平均:', pop.mean())
print('幾何平均:', gmean(pop))     # 比尺度なら意味あり
print('中央値:', np.median(pop))   # 順序以上で OK
print('CV:', pop.std()/pop.mean()) # 比尺度なら意味あり

ステップ 4：尺度の取り違い検出

# 都道府県コード（名義）を回帰の説明変数に直接入れるのは NG
# → ダミー変数化が必要
codes = df['地域コード'].str.replace('R','').astype(int)
print('コードの平均:', codes.mean())   # 計算は可能だが意味なし
import pandas as pd
dummies = pd.get_dummies(df['都道府県'])
print(dummies.shape)   # 47 ダミー列

ステップ 5：尺度に応じた相関

from scipy.stats import pearsonr, spearmanr
df['高齢化率'] = df['65歳以上人口'].astype(int) / pop
print('Pearson:', pearsonr(pop, df['高齢化率'])[0])    # 比例×比例
print('Spearman:', spearmanr(pop, df['高齢化率'])[0])  # 順序×順序

🚀 現場での応用シナリオ（8 例）

応用 1：経済指標

GDP・所得・売上はすべて比尺度。 「成長率」「シェア」「対前年比」は比尺度ならではの統計。

応用 2：人口統計

SSDSE-B-2026 の総人口、 出生数、 死亡数。 比例計算（高齢化率＝65歳以上÷総人口）が自然。

応用 3：物理量

身長、 体重、 距離、 速度、 質量、 力、 エネルギー。 単位換算（cm→m）は許容変換。

応用 4：時間（持続）

「実行時間 2 秒は 1 秒の 2 倍」は比尺度。 一方、 西暦年は間隔尺度（2024 ÷ 1012 は無意味）。

応用 5：化学濃度

モル濃度、 pH（実質対数尺度）、 pH は注意。 100 ppm は 50 ppm の 2 倍、 は比尺度。

応用 6：機械学習の前処理

標準化（z-score）は間隔尺度に保つ、 Min-Max は範囲を [0,1] に変換するが比は保たない。 対数変換は比尺度を保つ（厳密には正値前提）。

応用 7：信頼区間とブートストラップ

比尺度では「中央値の bootstrap CI」「幾何平均の CI」 が意味を持つ。

応用 8：尺度の取り違いトラブル

「都道府県コード（01-47）」を回帰の説明変数に直接入れる → ダミー変数化が必要。 名義尺度を比尺度として扱うミスは初学者の典型。

🏋️ 演習問題（8 題）

1. SSDSE-B-2026 の各列を、 名義／順序／間隔／比例尺度に分類せよ。
2. 総人口・所得・面積・距離それぞれで「2 倍」 という表現が許されるか確認せよ。
3. 総人口を対数変換し、 算術平均と幾何平均を比較せよ。
4. 47 県の総人口の変動係数 (CV) を計算し、 経済規模指標と比較せよ。
5. 「都道府県コード（01-47）」 を回帰に直接入れた場合と、 ダミー変数化した場合の結果を比較せよ。
6. 摂氏温度を絶対温度 (K) に変換し、 比尺度として扱える形にせよ。
7. アンケート 5 段階尺度を平均しても良いか、 自分の意見を 200 字で書け。
8. 比尺度の正値性が破られる例（負を含むデータ）を 3 つ挙げよ。

🗺 学習ロードマップ

1. レベル 1 — 4 つの尺度水準を例で覚える（名義・順序・間隔・比例）。
2. レベル 2 — 各尺度で許容される統計量を区別。 平均が使える場合・使えない場合。
3. レベル 3 — 対数変換、 幾何平均、 変動係数の使いどころ。
4. レベル 4 — 尺度の取り違いを検知（コードを平均、 摂氏温度を比例扱い等）。
5. レベル 5 — Stevens 批判（Velleman & Wilkinson 1993）、 構成概念 (IQ など) の議論。
6. レベル 6 — 測定理論全般（信頼性・妥当性・因子分析・項目反応理論）。

📊 比較表（兄弟手法・選択肢）

尺度水準の許容変換と統計量

📖 用語ミニ辞典

🍳 コードレシピ（コピペ用 15 連発）

pop.dtype, pop.min(), (pop>=0).all()   # 比尺度なら 0 以上

np.log(pop)

from scipy.stats.mstats import gmean; gmean(pop)

pop.std() / pop.mean()

(pop - pop.min()) / (pop.max() - pop.min())

(pop - pop.mean()) / pop.std()

pop / pop.sum() * 100

np.log(pop[1:]) - np.log(pop[:-1])

np.corrcoef(pop, gdp)[0,1]

from scipy.stats import spearmanr; spearmanr(pop, gdp)

def is_ratio(x): return (x >= 0).all() and np.issubdtype(x.dtype, np.number)

pd.get_dummies(df['都道府県'])

pd.cut(df['年齢'], bins=[0,18,40,65,100])

import matplotlib.pyplot as plt; plt.hist(np.log(pop))

df.describe(include='all')

⚠️ よくある落とし穴

❓ よくある質問（FAQ）

📜 歴史と背景

歴史と位置づけ：尺度水準の体系化は 1946 年、 心理学者 Stanley Smith Stevens による論文「On the Theory of Scales of Measurement」（Science 誌）に始まります。 Stevens は 名義 → 順序 → 間隔 → 比 の 4 階層を提案し、 各水準で「許容される変換」と「意味を持つ統計量」を整理しました。

この分類は強い批判もあります（Velleman & Wilkinson, 1993 は「現実のデータは混合的」と指摘）。 しかし、 「どんな統計量を計算してよいか」の判断には今も最初のチェックリストとして有効です。

🌐 関連手法・派生・対概念

🔗 関連用語（前提・並列・発展）

📘 前提となる用語

🤝 並列・関連する用語

🚀 発展・応用

📚 関連グループ教材

このページの内容を、より広い文脈で学びたいときは：

• 📚 記述統計の基礎 — 尺度に応じた要約統計量
• 📚 データクレンジング — 尺度の取り違えを防ぐ前処理
• 📚 統計推定 — 推定量がどの尺度を仮定するか

🗺 概念マップ

Stevens の尺度水準ピラミッド：

            ▲ 情報量
            │       ┌──────────┐
            │       │  比尺度  │ ← 人口、 所得、 距離（絶対零点 + 比）
            │       └────┬─────┘
            │       ┌────┴─────┐
            │       │ 間隔尺度 │ ← 摂氏温度、 西暦年（等間隔のみ）
            │       └────┬─────┘
            │       ┌────┴─────┐
            │       │ 順序尺度 │ ← 満足度ランク（順序のみ）
            │       └────┬─────┘
            │       ┌────┴─────┐
            │       │ 名義尺度 │ ← 都道府県コード（区別のみ）
            │       └──────────┘
            └─────────────────────────────►
                              許される統計量

📚 参考文献・出典

• Stevens, S. S. (1946). On the Theory of Scales of Measurement. Science, 103, 677-680.
• Velleman, P. F., Wilkinson, L. (1993). Nominal, Ordinal, Interval, and Ratio Typologies are Misleading. The American Statistician, 47(1).
• Bishop, Y. M. M., Fienberg, S. E., Holland, P. W. (2007). Discrete Multivariate Analysis. Springer.