数字と報道
同じデータから引き直すだけで、推定の不確かさを調べられる？
観測した標本から同じ数を繰り返し引き直し、推定値がどのくらい動くかを近似できます。ただし、引き直す回数を増やしても、元の標本にない情報は増えません。抽出の前提と区間の作り方を確かめます。
基本の用語
調査で得た平均を見ても、別の標本なら何点違ったかは直接分かりません。ブートストラップは、手元の観測値の分布を母集団の近似として使い、もう一度調査する代わりに推定の変動を調べる方法です。
もう少し詳しく知りたいときは、次の基礎で補えます。
- 全員を調べる統計なら、誤差はなくなる？全数で消える標本誤差と、数え漏れ・測定・非回答・処理の誤りを区別する。
- 平均が同じでも、ばらつきが大きいと何が違う？標準偏差は個々の値、標準誤差は推定値のばらつき。
持っている標本を母集団の近似として使う
独立で同じ分布から得られた標本を扱う基本的な方法では、観測した一つ一つの値に同じ重みを置きます。標本がn個なら、各観測に1/nの確率を置いた経験分布を作ります。母集団そのものを知ったという意味ではありません。
元の標本が対象の分布を十分に表していることが近似の出発点です。標本に入っていない珍しい値や、抽出時に除かれた対象まで、計算だけで復元できるわけではありません。元の調査の偏りと、再標本化のばらつきを分けます。
元と同じ数を、重複を許して引き直す
経験分布からn個を復元抽出します。一度選んだ観測値も次に選べるので、一つの再標本に同じ値が何度も現れたり、元の観測の一部が現れなかったりします。観測値の所属だけを入れ替える方法とは異なります。
それぞれの再標本で平均などの推定値を計算し、この作業を繰り返します。元の観測数を保つのは、同じ大きさの標本で生じる推定の変動を近似するためです。再標本の数と、一つの標本に含まれる観測の数は別の数です。
推定値の分布から、どの幅を取るか決める
得られた推定値の分布から標準誤差を調べたり、区間を作ったりします。百分位法で95％区間を作るなら、再標本の推定値の2.5百分位点と97.5百分位点を端にします。方法によって端の決め方が異なるため、幅だけで比較しないことが大切です。
この95％は、同じ条件で標本抽出と区間作成を繰り返したときの被覆率を近似する考え方です。得られた一つの区間に母数が95％の確率で入っている、と事後分布のように読むものではありません。正規近似を使う方法や基本法も、百分位法と区別します。
引き直す回数と、元のデータの十分さを分ける
再標本を多く作ると、引き直しの偶然による計算結果の動きを小さくできます。しかし、元の標本が小さすぎる、分布の端や珍しい事象を十分に観測していない、といった問題を同じ意味では解決しません。
特に小さい標本や、極端な値を対象にする推定では、単純な区間をそのまま信用できない場合があります。百分位法もあらゆる分布・推定量で正確な被覆を保証する方法ではありません。何を推定し、元の標本がどのように得られたかを区間と一緒に読みます。
五つの値を引き直す
架空の例
元の値を10、20、30、40、50と置くと、平均は30です。五つを復元抽出して10、10、20、40、50となれば、再標本の平均は26です。10が二度現れても、実際に10の観測を追加したわけではありません。
別の引き直しで20、30、30、40、50となれば、平均は34です。このように再標本ごとに平均が変わります。引き直しを何度繰り返しても、元の観測は五つのままです。この小さい標本から有効な95％区間が得られるとは限りません。
持ち帰る見方
- 同じ大きさの復元抽出で、推定値の変動を近似する。
- 区間の方法と前提を確認し、反復回数を新しい観測数と混同しない。
次に広がる疑問
- 実際の標本抽出と全数調査の違いを読む
- ばらつきを表す標準偏差を確かめる
- 観測値を引き直す方法とラベルの置換を比べる
順番に読んでいる方へ
出典
STATS 200: Introduction to Statistical Inference — Lecture 19: The bootstrap（Zhou Fan / Stanford University）https://web.stanford.edu/class/stats200/Lecture19.pdf
確認日：2026-10-05
Computational and Inferential Thinking — 13.2 The Bootstrap（Ani Adhikari / John DeNero / David Wagner）https://inferentialthinking.com/chapters/13/2/bootstrap/index.html
確認日：2026-10-05
Computational and Inferential Thinking — 13.3 Confidence Intervals（Ani Adhikari / John DeNero / David Wagner）https://inferentialthinking.com/chapters/13/3/confidence-intervals/index.html
確認日：2026-10-05
本文の出典・補足
持っている標本を母集団の近似として使う
非パラメトリックbootstrapは、元の標本の経験分布を未知の分布の近似として使い、推定値が標本の取り直しでどのくらい変わるかを調べる。
- 対象
- 同じ母集団分布から独立に得た観測を扱う非パラメトリックbootstrapの基本模型。
- 条件
- 基本模型は独立同分布の観測。元の標本が母集団を十分表すこと、推定対象に合う近似であることが必要。
- 例外・限界
- 時系列や同じ世帯などの依存構造を、そのまま独立な観測として引き直す説明には広げない。
STATS 200: Introduction to Statistical Inference — Lecture 19: The bootstrap（Zhou Fan / Stanford University）https://web.stanford.edu/class/stats200/Lecture19.pdf
元と同じ数を、重複を許して引き直す
元の観測数と同じ数を無作為に復元抽出し、毎回同じ統計量を計算する。ある観測が何度も選ばれ、別の観測は選ばれない標本もできる。
- 対象
- 同じ母集団分布から独立に得た観測を扱う非パラメトリックbootstrapの基本模型。
- 条件
- 元と同じ観測数を保ち、選んだ観測を戻してまた選べる。平均なら毎回平均、中央値なら毎回中央値を計算する。
- 例外・限界
- 元と同数を非復元抽出すると、順序を変えるだけで同じ観測が残る。引き直しは新しい人からの観測を増やすことではない。
Computational and Inferential Thinking — 13.2 The Bootstrap（Ani Adhikari / John DeNero / David Wagner）https://inferentialthinking.com/chapters/13/2/bootstrap/index.html
推定値の分布から、どの幅を取るか決める
95%のbootstrap percentile区間は、引き直しから得た統計量の2.5百分位点と97.5百分位点を端点とする。信頼水準は、条件の下で標本抽出と区間作成を繰り返した際の被覆を表す。
- 対象
- 同じ母集団分布から独立に得た観測を扱う非パラメトリックbootstrapの基本模型。
- 条件
- percentile法の区間であり、推定対象は固定した母集団の平均や中央値等。抽出と近似の条件が妥当なときの概ねの被覆を読む。
- 例外・限界
- 作った一つの区間が真値を95%の確率で含むという、未知量の事後確率とは区別する。すべてのbootstrap区間が同じ端点の作り方ではない。
Computational and Inferential Thinking — 13.3 Confidence Intervals（Ani Adhikari / John DeNero / David Wagner）https://inferentialthinking.com/chapters/13/3/confidence-intervals/index.html
STATS 200: Introduction to Statistical Inference — Lecture 19: The bootstrap（Zhou Fan / Stanford University）https://web.stanford.edu/class/stats200/Lecture19.pdf
引き直す回数と、元のデータの十分さを分ける
引き直しの回数を増やすと計算した分布の近似を細かくできるが、元の標本が小さいことや、稀な値を十分捉えないことを埋める新しい観測にはならない。
- 対象
- 同じ母集団分布から独立に得た観測を扱う非パラメトリックbootstrapの基本模型。
- 条件
- 大きな無作為標本による平均・中央値等へのpercentile法。反復回数は元の観測数と分ける。
- 例外・限界
- 非常に小さい標本、母集団の最大最小や極端な分位点、稀な要素に大きく左右される量、釣鐘型に近くない統計量分布では、このpercentile法がうまく働かない場合がある。
Computational and Inferential Thinking — 13.3 Confidence Intervals（Ani Adhikari / John DeNero / David Wagner）https://inferentialthinking.com/chapters/13/3/confidence-intervals/index.html