専門統計調査士 教科書

標本調査の最大の課題は『全数を見ないことから生じる誤差(標本誤差)』をいかに小さくするか。本節ではこれを数式的に扱い、設計選択の基礎を作ります。

単純無作為標本(SRS)での標本平均の誤差

標準誤差 = $\sqrt{V[\bar{X}]}=S/\sqrt{n}$。$\sqrt{n}$ で減衰するので、精度を 2 倍にしたいなら標本サイズは 4 倍必要 ─ という有名な関係。

標本サイズ設計の公式

デザイン効果(deff)

実効標本サイズ $n_{\text{eff}}=n/\mathrm{deff}$ という考え方も重要。「クラスター抽出で n=2000 でも、deff=2 なら実質 1000 件分の精度」と読みます。

本節では、各標本設計の 精度の数式的な性質 を整理し、なぜ層化が SRS より優れ、クラスターが劣るのかを定量的に示します。

層化抽出の精度

ポイントは 層内分散 $S_h^2$ だけが現れ、層間分散 が消えていること。層内が均質(層分けが情報量豊か)なら $S_h^2$ が小さく、SRS より精度が上がります。

層別配分法

• 比例配分: $n_h=n\cdot W_h$。実装しやすい標準
• ネイマン配分(最適配分): $n_h\propto N_h{S}_h$。精度を最大化。層の母分散の情報が必要
• コスト最適配分: $n_h\propto N_h{S}_h/\sqrt{c_h}$($c_h$ は層 $h$ の調査コスト)

クラスター抽出の精度

多段抽出

都道府県 → 市区町村 → 世帯のように、段階的に絞り込む 抽出。各段の精度損失が掛け合わさって全体精度を決める。第 1 次抽出単位(PSU) の数を増やすほど精度が上がるが、コストも上がる。労働力調査・家計調査など多くの公的標本調査で採用。

実調査では『標本のままの単純集計』ではなく、ウエイト付き集計 で母集団推計を行うのが標準です。

ウエイトの基本

事後層別とレイキング

• 事後層別(post-stratification): 集計後にウエイトを調整して、母集団構成と一致させる。性別 × 年代の比率を国勢調査に合わせるなど
• レイキング(raking): 複数の周辺分布(性別・年代・地域別など)を順次合わせる反復手法。事後層別の多次元版
• キャリブレーション: 補助情報を使ってウエイトを最適化。最も一般的な現代的手法

レシオ推定とリグレッション推定

実調査では 無回答(non-response) が必ず発生します。回答してくれない人を放置すると 無回答バイアス が生じるため、補正が必須です。

無回答のメカニズム

無回答補正の方法

• ウエイト調整: 回答者のウエイトを増やして、無回答層をカバー。属性別回答率の逆数を使う
• 単純平均代入: 該当変数の標本平均で欠測を埋める。ばらつきを過小評価する欠点
• 回帰代入: 他の変数からの回帰式で予測値を埋める。MAR 仮定で機能
• 多重代入(Multiple Imputation, MI): 複数の代入セットを作り、推定値を統合。Rubin が提唱した現代的標準
• Hot Deck 法: 似た回答者の値で欠測を埋める。古典的だが頑健

統計調査士で扱った主要公的統計を、標本設計の観点から精緻に 見直します。

国勢調査(総務省統計局)

• 5 年に 1 回の全数調査(2020・2025・2030...)
• 調査単位: 世帯、調査票: 世帯員ごと + 世帯共通
• 調査区(約 50 世帯のブロック)が一次調査単位。指導員が割り当てられる
• 簡易調査(西暦末尾 5)と 大規模調査(末尾 0)の交互
• 結果: 人口・世帯・年齢・職業・通勤通学・住居・配偶関係

労働力調査(総務省統計局)

• 月次標本調査、約 4 万世帯
• 多段抽出: 全国の調査区を層化 → 抽出 → 各調査区から世帯
• 同一世帯を 2 ヶ月続けて調査 → 1 ヶ月休み → 翌年同月にまた 2 ヶ月(回転標本)
• 結果: 完全失業率・就業率・労働時間・転職

家計調査(総務省統計局)

• 月次標本調査、約 9 千世帯
• 家計簿 に約 6 ヶ月間記入してもらう負担の重い調査
• 結果: 平均消費支出・貯蓄・収入。CPI のウエイト計算にも使用
• サンプルが少ないため都道府県別の結果は精度が低い 課題

経済センサス(総務省・経産省)

• 全産業対象の悉皆調査(全数調査)
• 5 年周期: 基礎調査(企業の概要)+ 活動調査(売上等)
• 事業所・企業のセンサスデータを商工業統計の基礎に

国民経済計算(SNA、内閣府)

• 加工統計: 多数の調査結果を統合して GDP 等を算出
• 3 面等価(生産・分配・支出)が成り立つように調整
• 四半期 GDP は速報・改定値・確報値の 3 段階で公表

統計法 改正(2007) で、研究者が公的統計のミクロデータ(個票)を二次利用できるようになりました。これに伴い 個人情報保護 との両立が重要なテーマになっています。

ミクロデータの提供形式

• オーダーメイド集計: 利用者のニーズに応じた集計表を提供
• 匿名データ: 個人特定リスクを除いた個票データ
• オンサイト利用: 認定された施設(統計センター内)で個票を直接分析

統計的開示制御(SDC)

k-匿名性と差分プライバシー

• k-匿名性: どの個人もデータ中で k 件以上同じ属性の人がいる こと。最も古典的な保護基準
• l-多様性 / t-近似性: k-匿名性の弱点(機密属性の偏り)を補正
• 差分プライバシー(DP): 個別レコードの有無で出力分布がほぼ変わらない厳密な数学的保証。現代の標準。米国国勢調査も 2020 年から DP を採用

近年、伝統的な標本調査だけでは捉えきれない『新しいデータ源』(ビッグデータ・行政記録)を統計に活用する動きが世界的に進んでいます。

ビッグデータの特徴と限界

• Volume(量): テラバイト・ペタバイト級
• Velocity(速度): リアルタイムストリーム
• Variety(多様性): 構造化 + 非構造化(画像・音声・テキスト)
• Veracity(真実性): 必ずしも代表的サンプルではない

行政データの統計利用

• マイナンバー制度 の進展で行政記録の統合的利用が進む
• 税務データ(国税庁): 所得分布の正確な情報源
• 社会保険データ: 雇用・給与・健康の情報
• 住民基本台帳: 人口統計の基盤
• 注意点: 行政目的で集められたデータなので、統計目的の代表性が保証されない ことがある

ノルディック諸国の事例

デンマーク・スウェーデン・フィンランドは、個人 ID + 行政データ統合 が高度に進み、伝統的な標本調査を行政データで代替する『レジスター・ベース統計』が進んでいます。日本でも同方向の研究が進められていますが、プライバシー保護とのバランスが鍵です。

公的統計は 国際比較可能性 が重要な品質要件。国連・OECD・ILO などが共通の概念・分類を整備しています。

主要な国際機関と統計

• 国連統計部(UNSD): 国際統計年鑑・SDGs 指標
• OECD: 経済統計・社会統計の国際比較。Better Life Index も
• IMF: 国際金融統計
• 世界銀行: 開発統計、World Development Indicators
• ILO: 労働統計
• WHO: 保健統計

主要な国際統計分類

• ISIC(International Standard Industrial Classification): 産業分類。日本の JSIC はこれをベース
• ISCO(International Standard Classification of Occupations): 職業分類。日本の JSCO に対応
• HS コード: 貿易統計の品目分類
• SNA(System of National Accounts): 国民経済計算の国際基準。日本は 08SNA を採用

SDGs 指標

持続可能な開発目標(SDGs) は 2015 年に国連で採択、2030 年達成を目指す 17 目標 169 ターゲットの枠組み。各ターゲットに 指標 が定められ、各国がデータ提供する仕組み。日本では総務省統計局が国の SDGs 指標プラットフォームを運用しています。

• Tier I: 確立された方法論・データあり
• Tier II: 方法論はあるがデータが不足
• Tier III: 方法論自体が未確立

Beyond GDP の動き

GDP 単独では Well-being や持続可能性を測れない という問題意識から、Stiglitz-Sen-Fitoussi 委員会(2009)以降、多次元指標(OECD Better Life Index、ブータンの GNH、Human Development Index など)の整備が進む。統計の役割 が経済から社会全般に拡大してきています。

ここまで専門統計調査士の主要範囲を扱いました。続く 5 章では、調査統計の中でも特に重要な『時系列調査と季節調整』 ─ 月次・四半期で繰り返される統計の変動要因をどう分解し、政策判断に使えるシリーズに整えるか ─ を学びます。

公的統計の多くは月次・四半期で繰り返し公表される 時系列(Time Series)。単純に前月比・前年比を見るだけでは『景気の本当の動き』は分かりません。本節では時系列を 4 成分 に分解する古典的枠組みを学びます。

4 つの構造成分

季節調整(Seasonal Adjustment) は、原系列から季節成分 $S_t$ を取り除いた 季節調整済み系列(SA: Seasonally Adjusted) を作る作業。日本・米国・欧州の公的統計はほぼ例外なくこれを行います。

古典的な手法 ─ 移動平均と比率法

• Step 1: 12 ヶ月中心化移動平均でトレンド・循環 $T{C}_t$ を抽出
• Step 2: $S_t\cdot I_t=Y_t/T{C}_t$ (乗法) または $Y_t-T{C}_t$(加法)
• Step 3: 各月の $SI$ 値を年で平均して 季節指数 $S_t$ を確定
• Step 4: ${\mathrm{SA}}_t=Y_t/S_t$(乗法) または $Y_t-S_t$(加法)

X-12-ARIMA / X-13ARIMA-SEATS

X-12-ARIMA(米国センサス局開発)は、移動平均ベースの分解に ARIMA モデルによる端点予測補完 を組合せた標準的な季節調整プログラム。日本の総務省統計局も多くの基幹統計でこれを採用。後継の X-13ARIMA-SEATS は TRAMO/SEATS(欧州中央銀行系)と統合され、現代の国際標準です。

暦日効果と祝日調整

理論を踏まえ、日本の公的統計で 季節調整がどう実務適用されているか を整理します。

主要統計の季節調整

• 鉱工業生産指数(経産省): X-12-ARIMA。月次ニュースで『季調済前月比』を発表
• 家計調査(総務省): 月次の支出変動から季節成分を除去
• 労働力調査(総務省): 失業率の季調済値を月次で公表
• 法人企業統計(財務省): 四半期で X-12-ARIMA
• 国民経済計算(GDP): 内閣府が四半期で SA 系列を公表。SA + 年率換算 で対外比較

季調値の改定と最終値

Concurrent 方式では『季調値は 改定されうる**』のが宿命。新しいデータで季節パターンの推定が更新されるため、過去値も動く。月例経済報告で『遡及改定』が話題になるのはこの仕組みのため。

前月比 vs 前年比 vs 季調済前月比

• 前年同月比(YoY): 季節要因を自動的に除去できるが、1 年遅れて反応する
• 前月比(MoM): 季節調整前なら毎月の季節差で乱高下するので無意味
• 季調済前月比: 季節要因を除いた直近の動きを月次で見る ─ 景気判断の主役
• 3 ヶ月移動平均 や 年率換算(annualized) で短期ノイズをさらに均すこともある

DI(Diffusion Index)と CI(Composite Index)

ここまで 5 章で専門統計調査士の中核を扱いました。続く 6-10 章では 小地域推定・複雑標本の解析・調査ウエイトの理論・テキスト調査と新型データ・統計倫理と将来展望 を加えて、現代の調査統計家に求められる高度なスキルを完成させます。

小地域推定(Small Area Estimation, SAE) は、市区町村単位など 標本サイズが小さい領域 で、信頼できる推定値を得る手法群。

直接推定の限界

借用の方向性

• 時間的借用: 過去のデータも使う(時系列モデル)
• 空間的借用: 隣接地域のデータも使う(空間モデル)
• 補助情報の借用: 行政データ・センサスを共変量として(回帰)
• 階層的借用: 県全体平均にスムージング(階層ベイズ)

Fay-Herriot モデル(1979)は SAE の古典的・標準的アプローチ。

Fay-Herriot モデルの定式化

BLUP と EBLUP

BLUP(Best Linear Unbiased Predictor) は理論的最良予測量、EBLUP(Empirical BLUP) は分散成分をデータから推定して使う実用版。REML(制限付き最尤推定) で分散成分を推定するのが標準。

階層ベイズ拡張

現代の小地域推定では 階層ベイズ + MCMC が主流。Fay-Herriot を拡張し、空間相関(CAR モデル)・非線形リンク・ロバスト誤差分布 などを柔軟にモデル化可能。日本でも 総務省統計局 が市町村人口推計で使う実用例が増加中。

SAE の実用例 と評価指標を整理します。

国内外の実例

• 米国 SAIPE(Census Bureau): 学齢児童の貧困率を学区別に推定
• EU SILC: 地域別の所得・社会指標
• 日本: 失業率の市町村推定・国民健康・栄養調査の県別推定
• 世界銀行: 開発途上国の貧困マップ作成
• ESS(欧州統計制度): 加盟国全体の SAE 標準化

推定の不確実性表示

ML との接続

近年、機械学習を SAE に応用 する研究が活発。深層学習で衛星画像 + 行政データを統合 し、貧困マップを高解像度で作成する手法(Stanford の研究)など、データサイエンスとの境界が薄れています。

複雑標本(complex survey) = 単純無作為以外の標本。一般の統計手法をそのまま使うと 誤った標準誤差 になります。

標本ウエイトの種類

Horvitz-Thompson 推定量

なぜ素朴な平均では駄目か

複雑標本では 分散推定 がやっかい。Taylor 展開・線形化法・リサンプリング法が主要アプローチ。

Taylor 線形化法

比推定量や差推定量など 非線形 の統計量を、Taylor 1 次近似で 線形化してから分散を計算 する手法。古典的な手計算による標準誤差の主な道具。

ジャックナイフ・ブートストラップ

• ジャックナイフ: 1 つずつデータを除いて推定値を再計算 → 分散推定
• Balanced Repeated Replication(BRR): 半分ずつ抜く擬似標本を構成
• ブートストラップ: 標本から重複抽出して標本分布を構成
• Rao-Wu rescaling bootstrap: 階層化標本のブートストラップ

実装ツール

• Stata: `svy:` 接頭辞で全コマンドが対応
• R: `survey` パッケージ(Lumley)・`srvyr` でパイプ風記述
• SAS: SURVEYMEANS/REG/LOGISTIC プロシージャ
• Python: `samplics` パッケージで複雑標本の主要解析

回帰分析を複雑標本に適用するとき、ウエイトを使う / 使わない の選択が問題になります。

ウエイト付き回帰

ウエイトを使う / 使わない

Design Effect

$\mathrm{deff}=V_{\text{実設計}}/V_{\text{SRS}}$。複雑標本で 同じサンプルサイズの単純無作為と比べた効率比。クラスター抽出は deff > 1(精度ロス)、層化は deff < 1(精度向上)が一般的。

従来の標本調査 に代わる、または補完する 新型データ の利用が世界中で進んでいます。

新型データの主な種類

• Web スクレイピング: 価格・求人・不動産情報の継続収集
• SNS データ: Twitter / Reddit の投稿・センチメント分析
• 衛星データ: 経済活動・農業生産の推定
• モバイル位置情報: 人流・観光統計
• POS / クレカ: リアルタイム消費動向
• スマートメーター: 電力・水道使用パターン

代表性とバイアス

校正(calibration)技術

• 事後層化: 既知の母集団分布で重み付け
• ベンチマーク: 公的統計と整合させる
• MR(Modular Regression): 補助情報モデル
• Selection Bias 補正: 選択モデル(Heckit など)

行政が業務で集めたデータを 統計目的 に使う『レジスター・ベース統計』が世界的に進んでいます。

ノルディック諸国の事例

デンマーク・スウェーデン・フィンランド は、個人 ID + 行政データ統合 が高度に進み、伝統的な調査の代替が進行。国勢調査を行わず、行政記録だけで人口統計を作成 する国も。

日本での進展

• マイナンバー制度: 2016 年運用開始、税・社会保障を統合
• GビズID: 法人版マイナンバー的役割
• 官民データ活用推進基本法(2016): オープンデータ推進
• EBPM(Evidence Based Policy Making): 行政データの政策評価利用
• 統計法 33 条: オーダーメード集計で研究者にもデータ提供

リスクと倫理

• 個人特定リスク: 統合により再識別が容易に
• 目的外利用: 行政目的のデータが統計目的に
• 透明性: 国民への説明責任
• 第三者監査: 倫理委員会の役割
• 差分プライバシー: 集計値にノイズを加える数学的保護

数値だけでない 質的データ の調査も、社会調査の重要な柱。

質的調査の主要手法

• 深層インタビュー: 1 対 1 の長時間インタビュー
• フォーカスグループ: 6-10 人の集団議論
• 民族誌調査: 現場での参与観察
• ケーススタディ: 個別事例の深掘り
• テキスト分析: 文書・記録の解釈的分析

混合研究法(Mixed Methods)

テキストマイニングと AI

• 形態素解析: MeCab・Sudachi で日本語を単語に分解
• TF-IDF・Word2Vec・BERT: テキストの数値化
• トピックモデリング(LDA): 文書から潜在トピックを抽出
• LLM 活用: GPT-4 で自由回答の自動コーディング
• 感情分析: 投稿のポジ/ネガ判定

統計調査の専門家は『社会の意思決定の質を支える』専門職として、独自の倫理規範を持ちます。

ISI Declaration on Professional Ethics

国際統計協会(ISI) の倫理宣言は、世界の統計家共通の規範。社会への責任・データソースへの責任・調査資金提供者への責任・同僚への責任・自分への責任 の 5 軸で 30+ の項目。

日本の統計倫理

• 日本統計学会: 倫理規定・賛同基準
• 日本社会調査協会: 倫理規程と調査士認定
• 統計法: 調査票情報の守秘義務(第 41 条)
• 個人情報保護法: 調査における情報取扱

主要な倫理原則

• インフォームド・コンセント: 調査目的・利用範囲を事前説明
• 自発的参加: 強制ではない、いつでも回答中止可
• 匿名性・守秘性の保証: 個別回答の保護
• 結果の公正な報告: 不都合な結果も含めて公開
• 利益相反の開示: 資金提供者・関心の透明性

プライバシー保護 は調査の倫理だけでなく、技術的に保証する手法群があります。

k-匿名化の発展

差分プライバシー

現代の保護技術

• Synthetic Data: 統計的特性を保つ合成データ
• Federated Learning: データを動かさず学習
• Secure Multi-party Computation: 暗号化したまま計算
• Homomorphic Encryption: 暗号文上で計算可能

正しい報告 は専門家の倫理。研究の 再現可能性 が現代の重要トピック。

報告ガイドライン

• STROBE: 観察研究の報告ガイドライン
• CONSORT: ランダム化試験
• PRISMA: メタ分析・システマティックレビュー
• STARD: 診断検査研究
• TRIPOD: 予測モデル研究
• 国連 SDGs Reporting Guideline: SDGs 指標の報告

再現可能性

オープン サイエンス

• 事前登録: 仮説・分析計画を実施前に公開
• FAIR データ原則: Findable・Accessible・Interoperable・Reusable
• OSF(Open Science Framework): プロジェクト管理プラットフォーム
• Registered Reports: 結果より前に査読を受ける論文形式

専門統計調査士教科書 9 章を歩き終えました。標本設計の理論的精緻 から 倫理・プライバシー・新型データ まで、現代の調査統計家に必要な道具立てを完備しました。

9 章の地図

1. Ch1 標本設計の理論
2. Ch2 推定の精緻化と補正
3. Ch3 公的統計の高度利用
4. Ch4 現代統計の地平
5. Ch5 時系列調査と季節調整
6. Ch6 小地域推定(SAE)
7. Ch7 複雑標本データの解析
8. Ch8 テキスト調査と新型データ
9. Ch9 統計倫理と専門職としての責任

今後 10-20 年の調査統計の方向性を整理します。

5 つの大きな潮流

1. ハイブリッド化: 伝統的調査 + 行政データ + 新型データの統合
2. AI 統合: 自動コーディング・欠測補完・異常検知
3. プライバシー強化: 差分プライバシー・連合学習の標準化
4. 国際標準化: Eurostat・UN 主導の規格化
5. SDGs / Beyond GDP: 多次元指標の拡充

統計家の役割の進化

専門統計調査士の次のステップは多様です。

進路 A: 学術研究へ

• 統計検定 1 級: 数理統計学の理論
• 社会調査士・専門社会調査士(社会学系)
• 修士・博士課程: 専門化
• 国際機関: 国連統計部・OECD・世界銀行

進路 B: 実務専門化

• 国家・地方統計部門: 政府統計家として
• 日銀・財務省: マクロ経済統計
• 民間調査会社: マーケットリサーチ
• 民間 DS: ビジネスでのデータ分析

進路 C: 関連分野

• [因果推論](/causal-inference): 政策評価への応用
• [時系列分析](/time-series): 経済予測
• [機械学習](/programming): 新型データの活用
• [統計検定 1 級](/textbook/grade-1): 理論を深く

専門統計調査士合格、おめでとうございます。社会の知的インフラを担う専門家として、ぜひ次の旅へお進みください。