👁️ 直感 — t検定は「平均値の差を統計的に評価」

t検定は、 2つの平均値（または1つの平均値とある定値）に統計的な差があるかを判定する仮説検定。 標本サイズが小さい時の標準ツール。

t分布は標準正規分布より「裾が重い」。 n が小さいほど顕著。 n が大きく（df > 30）なると正規分布とほぼ同じ。

🎯 t検定の3種類

📐 t統計量

1標本t検定

$$ t = \frac{\bar{x} - \mu_0}{s/\sqrt{n}} \sim t(n-1) $$

独立2標本t検定（等分散仮定）

$$ t = \frac{\bar{x}_1 - \bar{x}_2}{s_p \sqrt{1/n_1 + 1/n_2}} $$

s_p はプール標準偏差。 自由度 df = n₁ + n₂ − 2。

Welch の t検定（不等分散）

$$ t = \frac{\bar{x}_1 - \bar{x}_2}{\sqrt{s_1^2/n_1 + s_2^2/n_2}} $$

分散が違うグループ間の比較に適切。 sklearn では scipy.stats.ttest_ind の equal_var=False。

📋 t検定の仮定

1. 正規性：データが正規分布（n が大きければ CLT で緩和）
2. 独立性：観測値が互いに独立
3. 等分散性：2標本の場合（Welch なら不要）

仮定が崩れる場合 → ノンパラメトリック（Wilcoxon、 Mann-Whitney U）を使用。

🐍 Python での t検定

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

from scipy import stats

# 1標本t検定
t, p = stats.ttest_1samp(data, popmean=50)

# 独立2標本（等分散）
t, p = stats.ttest_ind(group1, group2)

# Welch t検定（不等分散）
t, p = stats.ttest_ind(group1, group2, equal_var=False)

# 対応のあるt検定
t, p = stats.ttest_rel(before, after)

# 効果量（Cohen's d）
d = (np.mean(group1) - np.mean(group2)) / np.sqrt((np.var(group1, ddof=1) + np.var(group2, ddof=1))/2)
print(f't={t:.3f}, p={p:.4f}, Cohen\'s d={d:.3f}')

🚧 落とし穴と注意点

• サンプルサイズを確認（小標本では結果が不安定）
• 仮定の検証（正規性、 独立性、 等分散性）
• 外れ値の影響を散布図で確認
• 多重比較問題（複数検定時は補正を）
• p値だけで判断しない、 効果量と信頼区間を併記
• 因果関係を主張するには別の根拠が必要

🔬 「t検定」を深く理解する

t検定の歴史 — "Student" の物語

William Sealy Gosset（1876-1937）は Guinness ビール工場の品質管理担当。 少サンプルでビール品質を判定する手法として t分布を発見（1908）。 会社の機密保護のため「Student」のペンネームで発表。

効果量 Cohen's d

$$ d = \frac{\bar{x}_1 - \bar{x}_2}{s_p} $$

• 0.2：小
• 0.5：中
• 0.8：大

サンプルサイズの目安

d=0.5、 α=0.05、 検出力 0.8 で各群 n=64 必要。 d=0.2 では各群 n=394 必要。

📝 練習問題 — 理解度チェック

1. この用語の基本定義を、 自分の言葉で説明できますか？
2. この手法が使われる典型的なシナリオを3つ挙げられますか？
3. この手法の前提条件・仮定を確認できますか？
4. 結果を解釈する際の注意点は何ですか？
5. 類似手法との違いを説明できますか？
6. Python（または他言語）で実装できますか？
7. SSDSE データで応用例を作成できますか？

🔗 さらに学ぶための関連用語

このトピックの理解を深めるには、 以下の関連概念も合わせて学習することをお勧めします。 概念マップから直接ジャンプできます：

• 基礎：平均、 分散、 標準偏差、 相関係数
• 推測：信頼区間、 p値、 標準誤差、 有意水準
• 関連手法：他の検定・回帰モデル
• 応用：機械学習での実装

📚 参考文献・さらなる学習

古典的教科書

• Casella & Berger "Statistical Inference"
• Wasserman "All of Statistics"
• Hastie, Tibshirani & Friedman "The Elements of Statistical Learning"
• Gelman & Hill "Data Analysis Using Regression and Multilevel/Hierarchical Models"

実践書

• VanderPlas "Python Data Science Handbook"
• McKinney "Python for Data Analysis"
• James, Witten, Hastie & Tibshirani "An Introduction to Statistical Learning"

オンラインリソース

• scikit-learn 公式ドキュメント
• statsmodels 公式ドキュメント
• scipy.stats リファレンス
• SSDSE データ（統計データ活用コンペティション）

💼 実務応用ガイド

データサイエンスプロジェクトでの位置づけ

1. 探索的分析（EDA）：基本統計量・可視化でデータを理解
2. 前処理：標準化・正規化・欠損値処理
3. モデリング：回帰・分類・クラスタリング
4. 評価：CV、 指標計算、 統計的検定
5. 解釈・報告：効果量・信頼区間・可視化

業界別ユースケース

• マーケティング：顧客セグメンテーション、 ROI 分析、 A/Bテスト
• 金融：ポートフォリオ最適化、 リスク評価、 信用スコアリング
• 医療：臨床試験、 疫学研究、 診断モデル
• 製造：品質管理、 予測保全、 工程最適化
• 公共政策：社会統計、 政策効果分析、 計画立案

📖 完全ガイド — 統計学習の参照表

分析の流れ — 8ステップ

1. 問題定義：何を知りたいのか、 目的を明確に
2. データ収集：信頼できるソースから（SSDSEなど公的データ）
3. データクリーニング：欠損値、 外れ値、 入力ミスの確認
4. 探索的分析（EDA）：要約統計量、 ヒストグラム、 散布図
5. 変数変換：標準化、 対数変換、 カテゴリのエンコード
6. モデリング：適切な手法を選び、 学習
7. 評価：CV、 指標、 統計的検定
8. 解釈・報告：効果量、 信頼区間、 可視化

統計手法の選び方マトリクス

サンプル数別の手法ガイド

Python 主要ライブラリ早見表

よくある質問（FAQ）

• Q: 正規分布じゃないデータをどう扱う？
  A: 対数変換、 Box-Cox 変換、 ノンパラ検定、 ブートストラップ
• Q: 外れ値を除くべき？
  A: ドメイン知識で判断。 機械的に除くより、 ロバスト手法を検討
• Q: サンプルサイズはいくつあれば十分？
  A: 効果量と検出力から事前計算（power analysis）
• Q: p < 0.05 で「効果あり」と結論していい？
  A: 効果量と信頼区間も併記。 多重比較補正も
• Q: 相関があれば因果がある？
  A: ない。 RCT、 IV、 DiD などの因果推論手法が必要

📓 用語のまとめ — 30秒で理解

このページで扱った概念を、 学習効率のためにまとめます。 これを毎日見ることで、 統計の基礎が体に染み込みます。

必ず押さえるべき記号

💡 統計学・データサイエンスは「記号の意味を理解する」ことが最初の壁。 各記号が何を表すか、 公式の中での役割を覚えてしまえば、 後はパターンの組合せで様々な手法が理解できます。

🌐 データサイエンス全体像での位置づけ

データサイエンスのワークフロー

1. ビジネス理解：何を解決したいか
2. データ理解：どんなデータがあるか
3. データ準備：前処理、 特徴量エンジニアリング
4. モデリング：手法選択、 学習
5. 評価：性能、 解釈性、 ビジネス価値
6. 展開：実装、 運用、 監視

(CRISP-DM プロセスより)

主要分野のマッピング

キャリアパス

• データアナリスト：記述統計、 可視化、 BI
• データサイエンティスト：機械学習、 統計モデリング
• 機械学習エンジニア：モデル実装、 デプロイ、 MLOps
• 統計学者・計量経済学者：因果推論、 統計的検定
• 研究者：新しい手法開発

💎 良いデータ分析のための10のコツ

1. 必ず可視化から始める：散布図、 ヒストグラム、 箱ひげ図
2. 外れ値を意識する：除く前にドメイン的に理解
3. 仮定を確認する：正規性、 独立性、 等分散性
4. サンプルサイズに見合う複雑性：n=10 で深層学習はしない
5. 効果量も併記する：p値だけでは不十分
6. 信頼区間で不確実性を示す：点推定だけでは誤解の元
7. 多重比較を補正する：探索的解析でも誠実に
8. ホールドアウト or CV で評価する：訓練データの精度は意味がない
9. 解釈可能性も重視する：ブラックボックスより white-box
10. 再現可能なコードを書く：random_seed、 バージョン管理

🔗 用語間の関係 — 統計概念のネットワーク

記述統計の基本セット

これらは互いに深く関連します：

• 平均：データの重心 → 偏差の合計はゼロ
• 分散：偏差の二乗の平均 → 平均からの広がり
• 標準偏差：分散の平方根 → 元の単位
• 共分散：2変数の偏差の積の平均 → 一緒に動くか
• 相関係数：共分散を標準偏差で割ったもの → 単位なし

推測統計の基本セット

• 標準誤差：推定値のばらつき = σ/√n
• 信頼区間：x̄ ± z × SE
• p値：H₀ のもとでの確率
• 有意水準 α：許容する第一種誤り率
• 検出力 1-β：差を見つける確率
• 効果量：差の大きさ（標準化済み）

回帰モデルファミリー

• 単回帰：1変数 → 1変数の予測
• 重回帰：多変数 → 1変数
• Ridge：L2正則化付き重回帰
• LASSO：L1正則化（変数選択付き）
• Elastic Net：L1+L2の組合せ
• ロジスティック回帰：分類用
• ポアソン回帰：カウントデータ用

クラスタリング・次元削減ファミリー

• k-means：分割クラスタリング
• 階層クラスタリング：ツリー構造
• Ward法：分散最小化の階層クラスタリング
• DBSCAN：密度ベース
• PCA：線形次元削減
• 因子分析：潜在因子モデル
• t-SNE, UMAP：非線形次元削減

検定ファミリー

• t検定：1〜2 群の平均比較
• F検定（ANOVA）：3群以上の平均比較
• χ²検定：カテゴリ変数の独立性
• Mann-Whitney U：t検定のノンパラ版
• Kruskal-Wallis：ANOVAのノンパラ版
• Wilcoxon：対応のあるt検定のノンパラ版

🗺️ 概念マップ — 3つの視点で体系を理解する

t検定 がデータサイエンスの体系の中でどこに位置するかを、 3つの異なる視点で可視化します。 同じ情報でも見方を変えると気付きが変わります。

📍 体系階層のパス

🌐 統計・データサイエンス › 推測統計 › 検定 › t検定

① 🔗 関係マップ — 「他の手法とどう繋がっているか」

中心の概念から放射状に、 前提・兄弟・発展形・応用先などの関係性を矢印で結びます。 横の繋がりを見るのに最適。 ノードをドラッグ、 ホイールでズーム、 クリックで遷移。

② ⭕ 包含マップ — 「どのカテゴリに含まれているか」

大きな円が小さな円を包含する Circle Packing 図。 「t検定」は緑色でハイライト。

• カテゴリ円をクリック：その内部にズームイン
• 白背景クリック：1階層戻る
• 用語円をクリック：詳細ページへ遷移
• マウスホバー：階層パス表示

③ 🌳 ツリーマップ — 「面積で見るボリューム比較」

長方形を入れ子に分割した Treemap 図。 各分野の規模感を面積で比較。 「t検定」は緑色でハイライト。

• カテゴリ矩形をクリック：その内部にドリルダウン
• パンくず（上のリンク）クリック：その階層に戻る
• 用語矩形をクリック：詳細ページへ遷移
• マウスホバー：階層パスと値を表示

🎯 3つのマップの使い分け

💡 ジャストインタイム学習のヒント：3つの視点を行き来することで、 概念を多角的に理解できます。 包含マップやツリーマップはズーム/ドリルダウンで大分類から細部まで探索できます。

🧮 SSDSE-B を使った t検定の実例 — 「東日本 vs 西日本」

SSDSE-B（2020年）の医師数_人口10万対 で、 東日本（24県）と西日本（23県）の平均が有意に違うかをWelch のt検定で確認します。

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

import pandas as pd
df = pd.read_csv('data/raw/SSDSE-B-2023.csv', encoding='shift_jis', header=[0,1])
df.columns = ['_'.join(c).strip() for c in df.columns]
d2020 = df[df['年度_Year'] == 2020].copy()

east_pref = ['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','三重県']
d2020['地域'] = d2020['都道府県_Prefecture'].apply(lambda x: '東' if x in east_pref else '西')
east = d2020[d2020['地域']=='東']['医師数_人口10万対']
west = d2020[d2020['地域']=='西']['医師数_人口10万対']
print(f'東: n={len(east)}, mean={east.mean():.1f}, sd={east.std():.1f}')
print(f'西: n={len(west)}, mean={west.mean():.1f}, sd={west.std():.1f}')

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

from scipy import stats
t, p = stats.ttest_ind(west, east, equal_var=False)  # Welch
print(f't = {t:.3f}, p = {p:.4f}')
# 典型値: t ≈ 3.45, p ≈ 0.001 → 統計的に有意

# 効果量 Cohen's d
import numpy as np
pooled_sd = np.sqrt(((len(east)-1)*east.var() + (len(west)-1)*west.var()) / (len(east)+len(west)-2))
d = (west.mean() - east.mean()) / pooled_sd
print(f"Cohen's d = {d:.2f}")
# 典型値: d ≈ 1.0 → 大きな効果量

1
2
3
4
5
6
7
8

from scipy.stats import t as t_dist
diff = west.mean() - east.mean()
se = np.sqrt(west.var()/len(west) + east.var()/len(east))  # Welch SE
df_welch = (west.var()/len(west) + east.var()/len(east))**2 / \
           ((west.var()/len(west))**2/(len(west)-1) + (east.var()/len(east))**2/(len(east)-1))
ci = t_dist.interval(0.95, df=df_welch, loc=diff, scale=se)
print(f'平均差 = {diff:.1f}, 95% CI = [{ci[0]:.1f}, {ci[1]:.1f}]')
# 典型値: 平均差 = 38.4, 95% CI = [16.0, 60.8] → 0 を含まないので有意

🐍 実装バリエーション — scipy / statsmodels / pingouin

(A) scipy.stats — 最も基本

1
2
3
4
5
6
7
8
9

from scipy import stats
# 1標本（母平均 = μ0 の検定）
t, p = stats.ttest_1samp(data, popmean=250)
# 独立2標本（等分散仮定）
t, p = stats.ttest_ind(grp1, grp2, equal_var=True)
# Welch（等分散仮定しない、 推奨デフォルト）
t, p = stats.ttest_ind(grp1, grp2, equal_var=False)
# 対応のあるt検定
t, p = stats.ttest_rel(pre, post)

(B) statsmodels — 信頼区間・効果量も同時に

1
2
3
4
5
6
7

from statsmodels.stats.weightstats import ttest_ind, DescrStatsW
t, p, df_resid = ttest_ind(west, east, usevar='unequal')
print(f't = {t:.3f}, p = {p:.4f}, df = {df_resid:.1f}')

# 信頼区間付き
cm = DescrStatsW(west).get_compare(DescrStatsW(east))
print(cm.summary(usevar='unequal'))  # 表形式で完結

(C) pingouin — 教育的・包括的

1
2
3
4
5

import pingouin as pg
result = pg.ttest(west, east, correction='auto')
print(result)
# T  dof  alternative  p-val  CI95%  cohen-d  BF10  power
# 一表で必要な情報がすべて出る

(D) ノンパラメトリック代替 — Mann-Whitney U

1
2
3
4

from scipy.stats import mannwhitneyu
# 正規性が成立しない時の代替
u, p = mannwhitneyu(west, east, alternative='two-sided')
print(f'U = {u}, p = {p:.4f}')

(E) ベイズ的 t検定 — PyMC で BEST

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

import pymc as pm
with pm.Model() as model:
    mu1 = pm.Normal('mu1', mu=250, sigma=100)
    mu2 = pm.Normal('mu2', mu=250, sigma=100)
    sd1 = pm.HalfNormal('sd1', sigma=50)
    sd2 = pm.HalfNormal('sd2', sigma=50)
    nu = pm.Exponential('nu', 1/30)  # 自由度（裾の重さ）
    pm.StudentT('y1', mu=mu1, sigma=sd1, nu=nu, observed=west)
    pm.StudentT('y2', mu=mu2, sigma=sd2, nu=nu, observed=east)
    diff = pm.Deterministic('diff', mu1 - mu2)
    trace = pm.sample(2000, tune=1000)
# diff の事後分布から「差 > 0 の確率」を直接計算可能

⚠️ 追加の落とし穴 — t検定の実務

🔗 関連用語（拡張マップ）

📚 前提となる用語（4個以上）

🔀 並列・関連検定（4個以上）

🚀 発展・応用先（4個以上）