「相関係数が高いから、その方法には効果がある」。そう結論を急ぐのは危険です。情報Ⅰのデータ分析では、数値を計算できることと、データから言ってよいことを区別することが求められます。この記事は架空の学校アンケートを調査報告書のように読み解きながら、代表値、散布図、相関、交絡、外れ値、データの欠損まで扱います。データは理解のための編集部作成例であり、実在の高校生を調査した結果ではありません。
目次
ケースファイル：勉強時間を増やすと模試の点数は上がるのか
ある学校で6人の生徒について、1週間の自主学習時間と模試の得点を仮に集計したとします。Aは4時間・42点、Bは6時間・48点、Cは8時間・57点、Dは10時間・62点、Eは12時間・69点、Fは14時間・71点。並べると学習時間が長い人ほど得点が高い傾向がありそうです。しかし、この6人の結果だけで「週の勉強時間を2時間増やせば必ず得点が上がる」とは言えません。出発時点の学力、科目、勉強の方法、学習以外の条件も異なるからです。
最初に出すべき結論は「この小さな例では正の関連が見えるが、因果関係や増分効果は断定できない」です。この一文を自分で書けることが、計算を超えたデータ分析の力になります。
平均と中央値が語る「普通」の違い
次に、5人の一日あたりスマートフォン利用時間を60、70、80、90、300分とします。平均は(60+70+80+90+300)÷5=120分、中央値は並べたときの中央で80分です。「このグループの典型的な利用時間は120分」とだけ伝えると、多くの人の実態より長い印象を与えます。大きな300分という値の影響が平均に強く現れたためです。
300分を誤入力と決めつけて消してはいけません。実測値として正しい可能性があるからです。最初に確認するのはデータの収集方法と単位であり、それから外れ値を含む平均・含まない平均・中央値を比較します。300分が本当に観測された値なら、平均120分、中央値80分、最大300分というように複数の情報をセットで示す方が誠実です。
最頻値も忘れてはいけません。2、2、3、4、5で最頻値は2、中央値は3、平均は3.2です。平均だけでは「2が最も多い」という事実が伝わりません。反対に、どの値も一度しか現れないデータでは、最頻値が決まらないこともあります。代表値を選ぶ目的は、計算を簡単にすることではなく、質問に合う「中心」を示すことです。
分散と標準偏差：平均が同じ2クラスを比較する
数学的なばらつきを見ます。Aクラスの架空の点数を60、60、60、60、60、Bクラスを40、50、60、70、80とします。両方の平均は60点ですが、Aは全員同じ得点で、Bには幅があります。平均との差を二乗して平均したものが母分散です。Bの差は－20、－10、0、10、20で、二乗は400、100、0、100、400。合計1000を5で割ると母分散200、母標準偏差は√200で約14.1点。Aの分散は0です。
ここでは5人全員を対象集団として扱うため分母を5にしました。標本から母分散を推定する不偏分散では分母にn－1を用いる場面もあり、問題がどちらを求めているかを区別してください。言葉の違いを無視して同じ公式を当てはめると、計算結果が違います。「平均60点のクラス」という一言だけでは、各生徒に必要な支援は見えません。
相関係数の符号は何を示すか
相関係数が正なら、一方が大きいと他方も大きい直線的傾向、負なら一方が大きいと他方が小さい直線的傾向があることを意味します。値は－1から1の範囲で、0に近ければ直線的な関連が弱い。ただし「相関係数0なら無関係」と断定するのは誤りです。たとえばxが－2、－1、0、1、2、yが4、1、0、1、4という放物線状の関係なら、左右対称のため線形相関は0になり得ますが、xとyには明らかな規則があります。
散布図を見ず、数字だけを読んでしまうことの危険がここにあります。平均や標準偏差や相関係数という一つの要約値は有用ですが、元データの形まで復元できるわけではありません。共通テスト型の文章問題では「何が計算できるか」と同時に「何が言えないか」を問う選択肢にも注意してください。
因果と交絡：アイス売上と水難事故の例をどう読む
夏季にアイスクリームの売上が多い日ほど水難事故が多かったとしても、アイスを販売すると事故が増えるとは言えません。気温が高い日にアイスが売れ、同時に水辺で活動する人も増えるという第三の要因を考えられます。このように、2変数の関係に影響する別の要因を交絡因子と呼びます。
勉強時間の例でも同じです。模試の得点が高い生徒はそもそも学習意欲が高く、学校授業の理解も進んでいて、計画的な勉強時間を確保しているかもしれません。すると勉強時間を延ばすことそのものだけが得点差の原因とは限りません。データで結論を急ぎそうなときは「時間的順序は明らかか」「第三の要因はないか」「別の集団で同じ傾向が出るか」を確認します。
標本の偏り：100人に聞いても代表的とは限らない
学校のSNSアカウントで「勉強法アンケート」を募集して100人の回答を集めたとします。100件という数は多く見えますが、回答者はそのSNSを使い、アンケートに答える意欲がある人に偏る可能性があります。学校全体の平均だと断定することはできません。人数を増やせば必ず偏りがなくなるというものではないのです。
この場合は回答者の学年構成、所属コース、回答期間、配布方法を記録します。特に「模試で伸びた人だけ回答してほしい」と呼びかけたら、成績が変化した集団へ偏ることは明らかです。また、睡眠時間や学習時間の自己申告には記憶違いが混ざります。測定誤差と標本の偏りは別の問題です。どちらも結果の解釈で考慮する必要があります。
データの欠損と「0」の区別
例えば7人の読書時間が30、45、未回答、60、0、20、未回答だったとします。未回答を0に置き換えると、読書しなかった人が実際より多くなる可能性があります。0分は有効な観測値で、「未回答」は値が分からない状態です。平均を求めるなら、未回答2件を除いた5件の平均を計算するのか、別の補完方法を選ぶのかを明示する必要があります。
この例で有効回答の合計は155分、平均は31分です。未回答を0扱いすると155÷7で約22.1分となり、結論に差が出ます。「データが足りない」ことを隠さず、何件を集計したかを必ず書く癖をつけましょう。データがきれいに整っていないからこそ、分析者の判断が結果に影響するのです。
グラフの編集で印象が変わる問題
棒グラフは一般にゼロ起点が望ましいことが多く、縦軸を60点から始めれば68点と72点の4点差が極端に大きく見えます。一方、気温のように微細な変化を伝える折れ線グラフでは、適切な範囲に軸を絞ることもあります。大事なのは「どの目的のために、どんな強調をしたか」が読者に分かるかです。
円グラフは全体に占める割合を示すのに向きますが、毎月の変化を比べるなら折れ線や棒の方が読みやすい場合があります。散布図は2変数の関係を考えるのに向きます。グラフの種類を一律に善悪で判断せず、「何を比較する問いか」から選択してください。目盛の刻み、単位、調査対象人数、集計期間がない図は、読者が妥当性を評価できません。
実験：架空のアンケート報告を自分で書き直す
次の報告文を検証しましょう。「A組は平均勉強時間がB組より30分長く、平均得点が5点高かった。したがって勉強時間を30分増やせば必ず5点上がる」。まず「平均値の比較」と「個々の生徒の変化」を混同しています。次に人数とばらつきが不明です。さらに開始時の学力や教材が不明です。
改善案は「今回調べたA組・B組では平均学習時間に30分、平均得点に5点の差が見られた。ただし、学力や教材の条件をそろえていないため、このデータだけで時間増加による得点上昇量は推定できない」です。長い文章にするのが目的ではありません。断定できる範囲を正確にしたことが改善です。
自分で取り組むなら、同じ文章に①対象人数、②調査期間、③平均と中央値、④例外となる個体、⑤追加調査の案を足してみてください。資料を読む問題でこの五つを確認できると、設問の仕掛けに気づきやすくなります。
練習問題：三つの落とし穴
問題A：5、5、5、5、20の平均と中央値を求め、どちらが多数派の姿に近いか説明する。答えは平均8、中央値5。多数の値を代表するという目的なら中央値5が分かりやすいです。
問題B：xとyの相関係数が－0.9なら、xを増やすと必ずyが減るか。答えは必ずではありません。観測集団で強い負の線形関連があることと、介入した場合の因果効果は別です。
問題C：30人を無作為抽出した調査と300人が自由参加したネット調査では、常に後者の方が優れているか。答えは否。調査目的・抽出方法・母集団の代表性によって判断が変わります。
高2の復習では計算問題と読解問題を分ける
統計の単元で苦戦している人は、計算そのものを間違えるのか、グラフから言えることを選べないのかを分けてください。前者には小さな整数データで平均・中央値・分散・相関の意味を計算する練習、後者には新聞・学校アンケート・模試結果の説明文を検証する練習が向きます。「この結論を否定するにはどんな追加データが必要か」と考えると、暗記した公式が調査の道具へ変わります。
発展事例：全体平均だけで判断すると逆転することがある
少し発展的ですが、統計で非常に重要な現象を紹介します。架空の学校で、A教材とB教材の小テスト正答率を比較します。初級者グループではA教材を使った10人中9人が合格、B教材は100人中80人が合格。Aの90％はBの80％より高い結果です。上級者グループではA教材を使った100人中60人が合格、B教材は10人中5人が合格。こちらもAの60％がBの50％より高い結果です。
ところが全体で合算すると、Aは(9＋60)／(10＋100)＝69／110で約62.7％、Bは(80＋5)／(100＋10)＝85／110で約77.3％。各グループではAの合格割合が高いのに、全体ではBの方が高く見えます。これをシンプソンのパラドックスと呼びます。A教材の対象には難しい上級者が多く、B教材には合格しやすい初級者が多いという構成比の差が、全体の比較を逆転させました。
この例から「A教材の方が絶対優れている」とも断定はできません。そもそも教材をランダムに割り当てた実験ではなく、二つのグループの条件も違います。ここでの狙いは「全体の合格率だけを読んではいけない」「分け方によって見える傾向が変わり得る」ということです。学年、入試方式、問題の難度、受験者の背景など、比較する集団の構成が違うときに役立つ視点です。
分母の取り違え：40人中20人と20人中15人
二つの模試の合格判定例を考えます。A方式では合格者20人、B方式では15人でした。合格者数だけならAが多いですが、受験者数がそれぞれ40人と20人なら、Aの割合は50％、Bは75％です。人数と割合が違う情報であることが分かります。ただし、その割合は「受験者集団での合格者の割合」であり、未来の自分の合格確率を意味するわけではありません。受験者の学力、募集人数、選考内容が異なるからです。
大学入試の数字を読む場面では、志願者数、受験者数、合格者数、入学者数が区別されます。志願倍率と実質倍率は分母が異なる場合があります。情報Ⅰの計算を学ぶとき、これらを日常の統計読解に応用できることも意識しましょう。「割合が高い」の前に「何を何で割ったか」を確認するのが第一です。
回帰直線の予測が遠くへ行くほど危うくなる理由
先ほどの勉強時間と点数のデータで、学習時間が4〜14時間の間にある6人から直線的な傾向を推測できたとしても、「週100時間勉強したら得点が500点になる」と予測するのは不自然です。観測した範囲の外へ直線を延長することを外挿と呼びます。実際の得点には上限があり、勉強時間を無限に増やすこともできません。観測範囲内の傾向が範囲外でも続くとは限らないのです。
反対に、観測範囲内であっても個別のデータ点は回帰直線の上に完全には並ばないことが多く、予測には誤差があります。予測値が60点なら、全員が60点を取るわけではありません。データを説明するためのモデルと、現実を完全に言い当てる法則は違います。
「季節の影響」を調べるには比較の条件をそろえる
学校図書館の利用者数が4月から6月に増えたとき、「宣伝ポスターの効果だ」と言えるでしょうか。中間テスト前だから利用が増えた可能性もあります。前年同時期の利用者数、ポスターを掲示していない別の教室、曜日・天候などを検討すれば、別の説明が浮かびます。ただし条件をすべてそろえるのは難しく、簡単に効果を確定できるわけではありません。
比べるときの最も基本的な質問は「何を同じにして、何を変えたか」です。学校で行う探究では、無作為化や大規模な実験が難しいこともあります。その場合は限界を隠さず、観測から分かる範囲だけを述べる方が信頼できます。複雑な数式を使う前に、比較の設計を点検する価値があります。
代表値を一枚のグラフだけで決めてはいけない例
架空の通学時間データをA校10分、15分、20分、25分、30分、B校5分、5分、20分、35分、35分とします。両校の平均は20分ですが、A校は段階的に広がり、B校は両端に集まりやすい形です。中央値も両校20分なのに、分布の形は違います。平均と中央値の二つが一致していても、個々の体験が同じとは言えません。
両校を比較するなら、箱ひげ図や度数分布の形、最大・最小値などを追加します。「平均の違いがない＝分布の違いもない」と混同しないことが重要です。情報Ⅰの設問でグラフの選び方が問われたら、比較対象の何を知りたいかを明確にします。
最後のミニ調査：3つの疑い方を習慣にする
ネットニュースやSNSで統計を見たとき、第一に出典と調査時点、第二に分母と対象者、第三に結果から言える範囲を確認してみてください。例えば「高2の8割が受験準備を始めている」という見出しなら、「誰に」「何人に」「何を準備と定義して」尋ねたのかを確認しなければ、すべての高校2年生の実態と断定できません。
情報Ⅰの価値は入試だけではありません。進路情報、塾の合格実績、大学の倍率、生活習慣のデータなど、身の回りの数字に対して適切な距離を取るための道具になります。平均が計算できることに加え、数字を使った主張がどこまで正しいか評価できることを目標にしてください。
よくある質問：データ分析の間違いやすい判断
Q．平均値だけが公表されているとき、何を確認すべきですか。A．少なくとも対象人数、最小値・最大値、ばらつきや中央値、集計対象の定義を確認します。平均だけでは極端な値の影響や分布の形が分かりません。
Q．相関係数が0.8なら「80％の人が同じ傾向」ですか。A．違います。相関係数を割合として読むことはできません。0.8は二つの数量の線形の関連を表す数値であり、人数の割合ではありません。
Q．データが1000件あれば信用できますか。A．件数だけでは判断できません。どう集められたか、対象者に偏りはないか、測定条件は同じかを確認してください。
Q．外れ値はいつも消した方がよいですか。A．いいえ。誤入力の場合もあれば、重要な実際の観測値の場合もあります。除外するなら理由と影響を明らかにします。
まとめ：数字を読む力は、数字を疑う力でもある
情報Ⅰのデータ分析は、平均が計算できれば終わりではありません。外れ値の影響、欠損値、標本の偏り、交絡、非線形の関係、グラフの表現を点検して初めて、分析結果を正確に伝えられます。「分かったこと」「まだ分からないこと」を分ける一文を習慣にしてください。この一文が書けるようになれば、探究活動の調査レポートや大学で学ぶ統計にもつながります。
参考資料：文部科学省「情報Ⅰ」教員研修用教材・第4章 https://www.mext.go.jp/a_menu/shotou/zyouhou/detail/1416756.htm ／大学入試センター過去問 https://www.dnc.ac.jp/kyotsu/kakomondai/index.html
あわせて読みたい記事
データ分析の計算と読解は、情報Ⅰの他の分野や時間配分の設計とあわせて確認すると定着します。
現論会で相談するときに持ってくるとよいもの
現論会で相談する場合も、次のものを持ってくると、データ分析のつまずきを具体的にできます。
相談では、計算で落としているのか読み取りで落としているのかを分け、次に練習する単元を決めます。
