データの代表値として平均値が広く使われていますが、なぜ平均値が「最もらしい値」と考えられるのか疑問に感じる人は少なくありません。実際には、どのような基準で「らしさ」を決めるかによって最適な値は変わります。平均値が特別に正しいというより、二乗誤差を最小にするという条件のもとで最も自然な代表値になる、という点が重要です。
平均値は二乗誤差を最小にする値だから使われる
データx1,x2,…,xnに対して、ある値xを代表値として選ぶとします。このとき、それぞれのデータとの差をどのように評価するかによって、適した代表値が決まります。
平均値m(2)=(x1+…+xn)/nは、誤差の二乗の合計f(x)=(x-x1)^2+…+(x-xn)^2を最小にする値です。
二乗する理由は、プラスの誤差とマイナスの誤差が打ち消し合わないようにするためです。例えば、データとの差を単純に足すと、平均値では必ず合計が0になってしまい、誤差の大きさを評価できません。
絶対値の誤差を最小にすると中央値になる
質問にあるように、f(x)=|x-x1|+…+|x-xn|を最小にする考え方も存在します。この場合、最適なxは平均値ではなく中央値になります。
例えば、データが1,2,3,100の場合、平均値は26.5になります。しかし、絶対値の合計を最小にする値は2や3付近になります。これは極端に大きい値の影響を受けにくいという特徴があります。
そのため、所得統計や住宅価格など、一部の極端な値が含まれやすいデータでは平均値より中央値が適している場合があります。
4乗誤差を最小にすると平均値とは違う値になる
f(x)=(x-x1)^4+…+(x-xn)^4のように4乗誤差を考える場合もあります。この場合も一般的には平均値とは異なる値が最適になります。
4乗では大きな誤差をより強く重視するため、外れ値の影響を強く受けます。例えば、ほとんどのデータが近い範囲にある中で非常に大きく離れた値がある場合、その外れ値に近い方向へ代表値が移動します。
つまり、二乗誤差を使う平均値は、誤差が大きいデータも考慮しつつ、極端に強調しすぎないバランスのよい方法と言えます。
平均値が自然と考えられる数学的な理由
平均値が多く使われる理由は、二乗誤差を最小にするだけではありません。数学的な扱いやすさも大きな理由です。
二乗誤差を微分すると、最小値を求める計算が簡単になり、平均値という明確な答えが得られます。また、確率論では正規分布に従うデータの中心を推定する方法としても平均値は重要な役割を持っています。
例えば、測定機器の誤差が偶然に発生する場合、誤差が正規分布に近いと仮定すると、観測値の平均を取ることによって真の値に近づくことが期待できます。
どの代表値が正しいかは目的によって変わる
平均値、中央値、その他の誤差を最小にする値のどれが正しいかという問題ではなく、何を重視するかによって適切な代表値が変わります。
一般的な測定誤差や自然なばらつきを扱う場合は平均値が適しています。一方で、外れ値の影響を避けたい場合は中央値が有効です。また、大きな誤差を特に避けたい場合には4乗誤差など別の基準を使うこともあります。
例えば、テストの平均点を求める場合は平均値が分かりやすいですが、年収のように一部の非常に高い値が全体を引き上げるデータでは中央値を見ることで実態をより理解できます。
まとめ：平均値は唯一の正解ではなく条件によって選ばれる代表値
平均値が最もらしいと言われるのは、二乗誤差を最小にするという明確な数学的理由があるためです。しかし、絶対値誤差を基準にすれば中央値になり、4乗誤差を基準にすれば別の値になります。
つまり、平均値はあらゆる場面で万能な答えではありません。データの特徴や分析の目的に合わせて、平均値・中央値・その他の代表値を使い分けることが、統計を正しく理解する上で重要です。
コメント