推計と推論へようこそ！
これまでの学習では、手元にあるデータを要約するための「記述統計」について学びました。しかし、現実の金融の世界では、すべてのデータが手に入ることはほとんどありません。この世に存在するすべての株式の将来のリターンを正確に予測することはできませんよね？そこで登場するのが推計（Estimation）と推論（Inference）です。この章では、データの一部（サンプル）を「味見」することで、全体（母集団）がどのようなものかを賢く予測する方法を学びます。最初は抽象的で難しく感じるかもしれませんが、大丈夫です。一つずつ丁寧に紐解いていきましょう！
1. 基本事項：母集団とサンプル
数学的な話に入る前に、私たちが何を対象に調査しているのかを整理しましょう。
母集団（Population）：知りたい対象の全体像（例：世界中のすべての公開企業）。
サンプル（Sample）：実際に測定を行う、その一部（例：調査のために選んだ100社）。
パラメータ（Parameter）：母集団の特徴を表す指標（例：「真の」平均リターン）。
統計量（Statistic）：サンプルの特徴を表す指標（例：選んだ100社の平均リターン）。
ヒント： Population（母集団）にはParameter（パラメータ）、Sample（サンプル）にはStatistic（統計量）が対応すると覚えましょう！
サンプリング（標本抽出）の種類
サンプルの選び方は非常に重要です。選び方を間違えると、結果も誤ったものになってしまいます。
- 単純無作為抽出（Simple Random Sampling）：母集団の各メンバーが等しい確率で選ばれる方法。くじ引きをイメージしてください。
- 層化無作為抽出（Stratified Random Sampling）：業種などの特定の属性に基づいて母集団をサブグループ（層）に分け、各グループから比例してサンプルを抽出する方法。例え：フルーツサラダを作る時、ブドウだけにならないように、リンゴやメロンをバランスよく混ぜてすくうようなものです！
- クラスター抽出（Cluster Sampling）：母集団を地理的な地域などの「クラスター」に分け、ランダムに選んだクラスター全体を調査対象とする方法。
重要ポイント：
サンプリングを行えば、すべてのデータを一つひとつ確認しなくても母集団の特徴を推定できるため、時間とコストを大幅に節約できます。
2. 中心極限定理（CLT）の魔法
これは統計学の中で最も重要な概念と言っても過言ではありません。中心極限定理（Central Limit Theorem）は、驚くべきことを教えてくれます。それは、「十分な大きさのサンプル（通常 n ≥ 30）をとれば、元の母集団の分布がどのような形であっても、標本平均の分布は正規分布（ベルカーブ）に従う」ということです。
なぜこれがすごいのか？ 元のデータが偏っていたり変な形をしていたりしても、「サンプルの平均値」をとれば予測可能な振る舞いをするようになります。これによって、正規分布の数学的性質を使って推論を行うことが可能になるのです。
中心極限定理の特性：
- 標本平均の平均値は、母平均と等しくなる： \( \mu_{\bar{x}} = \mu \)
- 標本平均の分散は、母分散をサンプルサイズで割ったものになる： \( \sigma^2_{\bar{x}} = \frac{\sigma^2}{n} \)
- 標本平均の標準偏差は、標準誤差（Standard Error）と呼ばれる。
標準誤差
標本平均の標準誤差は、標本平均が真の母平均からどれくらい乖離する可能性があるかを測る指標です。
公式： \( \sigma_{\bar{x}} = \frac{\sigma}{\sqrt{n}} \)
母標準偏差（\( \sigma \)）が不明な場合は、サンプルの標準偏差（\( s \)）を使います：
\( s_{\bar{x}} = \frac{s}{\sqrt{n}} \)
豆知識： サンプルサイズ（\( n \)）を大きくするほど、標準誤差は小さくなります。これは直感的にも理解できますよね。多くの人に聞けば聞くほど、算出した平均に対する自信が高まるからです！
3. 点推定と信頼区間
何かを推定する際、次の二つの方法があります。
1. 点推定（Point Estimate）：単一の数字で表す（例：「平均リターンは8%だと思う」）。単純ですが、正確に当たることは稀です。
2. 信頼区間（Confidence Interval）：値の範囲で表す（例：「95%の確率で、リターンは6%から10%の間にある」）。
信頼区間の作成
信頼区間の一般的な公式は次の通りです：
点推定値 ± (信頼係数 × 標準誤差)
信頼係数は、どれくらい「確信」を持ちたいか、そしてどの分布（Zまたはt）を使うかによって決まります。
代表的なZ値（母分散が既知の場合）：
- 90%信頼区間： \( z = 1.645 \)
- 95%信頼区間： \( z = 1.960 \)
- 99%信頼区間： \( z = 2.575 \)
例：標本平均が10、標準誤差が2、95%信頼区間を求めたい場合：
\( 10 \pm (1.96 \times 2) = 10 \pm 3.92 \)
信頼区間： [6.08 から 13.92]
重要ポイント：
信頼区間を広く設定する（例：95%から99%へ）ほど、真の値がその範囲に含まれている確信は高まりますが、区間が広くなるため正確性は下がります。
4. Z分布とt分布の使い分け
これはCFA試験でよくある「ひっかけ」問題です！どちらの表を使うべきか：Z表かt表か？
t分布を使う場合：
- 母分散が未知である場合（現実のビジネスではほとんどこちらです）。
- サンプルサイズが小さい（\( n < 30 \)）が、母集団が正規分布に従っている場合。
Z分布を使う場合：
- 母分散が既知である場合。
- 母分散は不明だが、サンプルサイズが大きい（\( n \ge 30 \)）場合。ただし、より保守的な推計のために、ここでもt分布を好む実務家も多いです。
t分布は正規分布と似ていますが、「裾が厚い（fat tails）」のが特徴です。これは、推計の不確実性が高いため、極端な値（外れ値）が出る可能性をより考慮していることを意味します。自由度（\( df = n - 1 \)）が大きくなるにつれて、t分布はZ分布とほぼ同じ形になっていきます。
5. サンプリングのバイアス（落とし穴！）
どれほど計算が正しくても、サンプリング自体にバイアスがあれば「ゴミを入れればゴミが出てくる（Garbage in, Garbage out）」結果になってしまいます。注意すべきバイアスは以下の通りです：
1. 生存者バイアス（Survivorship Bias）：現在も存続している企業のみを対象にすること。（失敗した企業を除外すると、平均リターンが実際よりも高く見えてしまいます！）
2. 先読みバイアス（Look-ahead Bias）：投資当時には入手できなかったはずの情報を、後の研究で利用してしまうこと。
3. データマイニング・バイアス（Data-mining Bias）：望む結果が出るまで様々な変数をテストし、偶然うまくいくものを見つけ出すこと。
4. 期間バイアス（Time-period Bias）：特定の期間の結果を一般化してしまうこと（例：90年代のITバブル期だけのテック株データを元にするなど）。
5. 選択バイアス（Selection Bias）：サンプルが真にランダムではない場合（例：「無作為」な街頭調査と言いつつ、スーツを着ている人だけに声をかけるなど）。
復習ボックス：
- 標準誤差： \( s / \sqrt{n} \)
- CLT： \( n \ge 30 \) で標本平均を正規分布させる。
- t分布： \( \sigma \) が不明な時に使用。裾が厚い。
- 自由度： \( n - 1 \)。
最後に
推計と推論は、生データと意思決定の橋渡しをするものです。公式が難しく感じられても大丈夫。論理に注目してください：サンプルをとり、平均を計算し、不確実性（標準誤差と信頼係数）を調整して、真実が存在すると思われる範囲を作る。あなたは順調です！Z表の読み込み練習を続けていきましょう！
仮説検定へようこそ：ファイナンスの「ファクトチェック」
未来のチャーターホルダーの皆さん、こんにちは！クオンツ手法セクションの中でも、特に実用的なトピックの一つへようこそ。仮説検定（Hypothesis Testing）とは、いわば投資の世界における「科学的な検証手法」です。
あるファンドマネージャーが「自分の戦略は市場平均を上回る」と主張しているとします。それは真実でしょうか、それとも単に今年運が良かっただけでしょうか？仮説検定は、その結果が統計的に有意（statistically significant）なものなのか、単なる偶然なのかを数学的に判断する方法を与えてくれます。最初は数学が難しく見えるかもしれませんが、大丈夫です。シンプルで論理的なステップに分解して学んでいきましょう。
1. 基本：帰無仮説 vs. 対立仮説
すべての検定は、二つの相反する主張から始まります。
帰無仮説（Null Hypothesis：\(H_0\)）： これは「現状（ステータス・クオ）」や、反証となる十分な証拠が得られるまで正しいと仮定する主張のことです。ほぼ例外なく「等しい（=、≤、≥）」という記号が含まれます。
例え：法廷における帰無仮説は「被告人は無罪である」です。
対立仮説（Alternative Hypothesis：\(H_a\)）： これは研究者が実際に証明したい主張のことです。現状に対する「挑戦状」です。ここには「等しい（=）」という記号は絶対に含まれません（<、>、または≠）。
例え：検察官の目的は、対立仮説である「被告人は有罪である」を証明することです。
重要なルール： 私たちは帰無仮説を「受け入れる（accept）」ことは決してありません。私たちは「\(H_0\)を棄却（Reject）する」（対立仮説を支持する十分な証拠が見つかった）か、あるいは「\(H_0\)を棄却しない（Fail to Reject）」（十分な証拠が見つからなかった）と判断します。
重要ポイント：
常に「イコール（=）」の記号を探してください。「～と等しい」や「～以上」という主張なら、それは\(H_0\)に属します。「～と異なる」や「～より大きい」なら、\(H_a\)に属します。
2. 片側検定 vs. 両側検定
どちら側を見るべきか、どう判断するのでしょうか？それは問いの内容次第です。
両側検定（Two-Tailed Test）： 推定値と比べて異なる（高いか低いかに関わらず）かどうかを知りたい場合に使います。
例：\(H_0: \mu = 10\%\) vs. \(H_a: \mu \neq 10\%\)。
片側検定（One-Tailed Test）： どちらか一方の方向（「大きい」または「小さい」）にしか興味がない場合に使います。
例：\(H_0: \mu \le 0\) vs. \(H_a: \mu > 0\)。(収益がプラスか否かだけに関心がある場合)
見分け方のコツ： 対立仮説（\(H_a\)）の記号を見てください。\(\neq\)なら両側検定です。\(>\)や\(<\)なら、その「矢印」が検定する方向（裾）を指し示しています！
3. 検定の誤り：第1種の過誤と第2種の過誤
理想的な世界では常に正しい判断ができるはずですが、統計学では二種類の誤りを犯す可能性があります。
第1種の過誤（Type I Error）： 真である帰無仮説を棄却してしまうこと。無実の罪を犯人に着せるようなものです。この誤りを犯す確率をアルファ（\(\alpha\)）と呼び、有意水準（Level of Significance）とも呼ばれます。
第2種の過誤（Type II Error）： 偽である帰無仮説を棄却できないこと。有罪の人を野放しにするようなものです。この確率をベータ（\(\beta\)）と呼びます。
検定力（The Power of a Test）： これは、偽である帰無仮説を正しく棄却できる確率のことです。計算式は \(1 - \beta\) です。私たちは高い検定力を望みます！
覚え方：
第1種は「偽陽性（False Positive）」（何かを見つけたと勘違いする）。
第2種は「偽陰性（False Negative）」（そこに何かあったのに見逃す）。
4. 検定統計量：我々のものさし
意思決定を行うために、私たちは検定統計量（Test Statistic）を算出します。本章のほぼすべての検定に共通する一般的な計算式は以下の通りです。
\( \text{検定統計量} = \frac{\text{標本統計量} - \text{仮説値}}{\text{標準誤差}} \)
ここで、標準誤差（Standard Error）は通常、標本標準偏差を標本サイズの平方根で割ったものになります： \( \frac{s}{\sqrt{n}} \)。
豆知識： 検定統計量は、単に標本の結果が帰無仮説から「標準誤差」何個分離れているかを示しているに過ぎません。離れていればいるほど、帰無仮説を棄却する可能性が高くなります！
5. 正しい検定の選び方（z検定 vs. t検定）
どの検定を使うべきか迷う学生は多いです。簡単なガイドラインをまとめました：
t検定を使うべき場合： 母分散が未知であり（現実世界ではほぼこれに該当します）、標本標準偏差（\(s\)）を使用している場合。
注意：t検定には自由度（Degrees of Freedom, df）を知る必要があり、通常は \(n - 1\) となります。
z検定を使うべき場合： 母分散（\(\sigma^2\)）が既知であるか、標本サイズが非常に大きい場合（ただし、分散が未知なら統計的には\(t\)検定が推奨されます）。
6. 決定：棄却域とP値
検定統計量を算出したら、どう判断すればよいでしょうか？
方法1：臨界値（Critical Values）。 計算した検定統計量を、（有意水準などの条件に基づいて）表から得られた「臨界値」と比較します。もし検定統計量が臨界値よりも極端な値であれば、\(H_0\)を棄却します。
方法2：P値（P-value）。 こちらは「確率」による判断手法です。P値とは、帰無仮説が棄却できる最小の有意水準のことです。
P値のゴールデンルール：
もし P値 < \(\alpha\) なら、\(H_0\)を棄却。
もし P値 ≥ \(\alpha\) なら、\(H_0\)を棄却しない。
語呂合わせ：「Pが小さければ、帰無（Null）は去る（P is low, null must go）！」
7. 分散の検定
平均値ではなく、リスク（分散）が重要になることもあります。
一つの分散を検定する場合： カイ二乗検定（Chi-square \(\chi^2\) test）を使います。
公式： \( \chi^2 = \frac{(n-1)s^2}{\sigma_0^2} \)
二つの分散を比較する場合： F検定（F-test）を使います。二つの株式のリスクが同じかどうかを調べる際によく使われます。
公式： \( F = \frac{s_1^2}{s_2^2} \) （常に\(F > 1\)となるよう、大きい方の分散を分子に置きます）。
8. パラメトリック検定 vs. ノンパラメトリック検定
パラメトリック検定： t検定やz検定のように、データが特定の分布（正規分布など）に従うと仮定し、平均や分散といったパラメータを用いる検定です。
ノンパラメトリック検定： 「分布によらない」検定です。以下のような場合に使用します：
1. データが正規分布に従わない場合。
2. 数値ではなく「順位（1位、2位など）」データである場合。
3. 標本サイズが非常に小さい場合。
よくある誤解： ノンパラメトリックの方が「優れている」と思わないでください。データが正規分布に従っている場合、パラメトリック検定の方が検定力は高くなります。
9. 試験に向けたチェックリスト
次の章へ進む前に、以下のことができるか確認しましょう：
• 文章題から\(H_0\)と\(H_a\)を正確に識別できるか。
• 第1種の過誤と第2種の過誤を区別できるか。
• 単一平均のt統計量を算出できるか。
• 臨界値またはP値を使って\(H_0\)を棄却すべきか判断できるか。
• カイ二乗検定（一つの分散）とF検定（二つの分散）の使い分けができるか。
最初が難しく感じるかもしれませんが、大丈夫です！仮説検定は新しい言語を学ぶようなものです。帰無仮説と対立仮説の「文法」に慣れてしまえば、論理的な流れが自然と身についてきます。計算の練習を続けていきましょう！
パラメトリック検定とノンパラメトリック検定：独立性の検定へようこそ！
これまでのCFAの学習を通じて、データの記述方法や単一の平均値・分散に関する仮説検定について学んできましたね。しかし、実際の金融の現場では、一つの指標だけを孤立して見ることは滅多にありません。「株式のパフォーマンスは業種と関係があるのか？」「CEOの学歴は企業の収益率に影響を与えるのか？」といった疑問が常に浮かぶはずです。
この章では、2つの変数が独立（関係がない）しているのか、それとも従属（関係がある）しているのかを検証する方法を探ります。主な手法として、カイ二乗検定（Chi-Square Test）とスピアマンの順位相関係数（Spearman’s Rank Correlation）の2つを学びます。難しそうな用語に見えるかもしれませんが、大丈夫です。一つひとつ噛み砕いて解説していきます！
クイック復習：「独立」とはどういう意味？
2つの事象が独立しているとは、片方の発生がもう一方の発生確率に何の影響も与えないことを意味します。例えば、コイン投げの結果とロンドンの天気は独立しています。一方で、金利と債券価格は従属しています。
1. パラメトリック検定 vs. ノンパラメトリック検定：全体像
具体的な検定に入る前に、統計的検定の2つの「ファミリー」を理解しておきましょう。
パラメトリック検定
これらはデータに対して厳格な仮定を置く検定です。通常、データが特定の分布（正規分布など）に従うと仮定し、平均や分散といったパラメータを使用します。料理のレシピのようなもので、正確な材料が揃っていないとケーキが膨らまないのと同じです。
ノンパラメトリック検定
こちらはより柔軟です。データが正規分布に従っている必要はありません。サンプルサイズが小さい場合、外れ値がある場合、あるいは正確な数値ではなく「1位、2位」といった順位データを扱う際によく使われます。こちらは「タコスバー」のようなもので、材料を入れ替えても上手く機能します！
重要なポイント：データが「乱雑」であるか、パラメトリック検定の厳格な要件を満たさない場合は、ノンパラメトリック検定を使います。
2. カイ二乗（\(\chi^2\)）独立性の検定
カイ二乗検定はカテゴリデータを扱う際に使用します。これは、データが連続数値ではなく、グループや「バケツ」に分類されていることを意味します。例えば、企業を業種（テクノロジー、エネルギー、金融）や配当政策（配当あり、なし）で分類する場合です。
分割表（コンティンジェンシー・テーブル）
この検定を行うために、分割表（クロス集計表とも呼ばれます）を使用します。これは2つのカテゴリ変数の度数（カウント）を同時に示す表です。
仮説の設定
帰無仮説 (\(H_0\)): 2つの変数は独立している（関係がない）。
対立仮説 (\(H_a\)): 2つの変数は従属している（関係がある）。
検定統計量の計算
カイ二乗統計量は、実際に観測された値 (\(O\)) と、変数同士が完全に独立していると仮定した場合に期待される値 (\(E\)) との間の差を測定します。
公式は以下の通りです：
\( \chi^2 = \sum \frac{(O - E)^2}{E} \)
ステップ・バイ・ステップ：
1. 期待値 (\(E\)) の計算： 表の各セルについて、以下の式を使います。
\( E = \frac{(\text{行合計} \times \text{列合計})}{\text{総合計}} \)
2. 差の算出： 各セルについて、観測値から期待値を引きます (\(O - E\))。
3. 二乗して割る： その差を二乗し、期待値で割ります。
4. 合計する： すべてのセルの値を合計して、\(\chi^2\) 統計量を求めます。
自由度 (\(df\))
独立性のカイ二乗検定における自由度は、以下のように計算されます：
\( df = (r - 1) \times (c - 1) \)
ここで \(r\) は行数、\(c\) は列数です。
豆知識：カイ二乗分布は常に正の値を取り、右に裾が長い分布です。自由度が増えるほど、正規分布の形に近づいていきます！
重要なポイント：計算された \(\chi^2\) が表から求めた「臨界値」よりも十分に大きければ、帰無仮説を棄却し、変数は関連していると結論づけます。
3. スピアマンの順位相関係数 (\(r_s\))
時として、関係の強さを知りたいものの、データが順序尺度（順位）であったり、標準的な相関計算を台無しにするような極端な外れ値が含まれていたりすることがあります。そこで登場するのがスピアマンの順位相関係数です。
アナロジー：2人の審査員がタレントショーで10人の出場者の順位をつけると想像してください。審査員が全く同じ点数を与えなくても、2人が「出場者Aは出場者Bより優れている」という点で一致していれば、彼らの順位は相関していると言えます。
なぜ使用するのか？
- ピアソン相関のノンパラメトリックな代替手段です。
- データが非線形であっても、傾向（単調性）がある場合に使用されます。
- 実際の値ではなく、データの順序を見るため、外れ値に対して頑健（ロバスト）です。
計算方法：
1. 両方の変数のデータを小さい順（または大きい順）にランク付けします。
2. 各ペアのランク間の差 (\(d_i\)) を計算します。
3. 次の公式を使います：
\( r_s = 1 - \frac{6 \sum d_i^2}{n(n^2 - 1)} \)
結果の解釈：
\( r_s \) の値は常に -1 から +1 の間に収まります。
- +1: 完全な正の順位相関（一方の順位が上がると、もう一方も必ず上がる）。
- -1: 完全な負の順位相関。
- 0: 順位間に何の関係もない。
よくある間違い：分子の「6」を忘れないでください！これはサンプルサイズに関係なく公式に含まれる定数です。
重要なポイント：スピアマンの順位相関係数は、データが正規分布に従っていない場合や、生の測定値ではなく順位を扱っている場合に頼りになるツールです。
4. ノンパラメトリック検定をいつ使う？（クイックガイド）
CFA試験では、パラメトリック検定よりもノンパラメトリック検定が適切である状況を見極めるよう求められることがあります。以下の4つのシナリオを覚えておきましょう：
- データがカテゴリカル：バケツ（グループ）に物をカウントしているときはカイ二乗検定を使う。
- データが順序尺度（ランク）：スピアマンの順位相関係数を使う。
- サンプルサイズが小さい：正規分布を仮定するにはサンプルが少なすぎる場合。
- 極端な外れ値：一部の異常なデータ点が平均や相関を大きく歪めてしまう場合。
最初は難しく感じるかもしれませんが、大丈夫です！これだけ覚えておいてください：パラメトリック＝精密で厳格、ノンパラメトリック＝順位を扱い、柔軟。
まとめ＆クイック復習ボックス
カイ二乗検定：分割表を使い、2つのカテゴリ変数の間の独立性を検証する。自由度は \(df = (r-1)(c-1)\)。
スピアマンの順位相関係数：順位付けされたデータの関係の強さを測定する。範囲は -1 から +1。
独立性：帰無仮説は通常「関係がない」と主張する。検定統計量が大きければ、帰無仮説を「クビ（棄却）」にする！
理解度チェック：
「アナリストのレーティング（買い/ホールド/売り）」と「業種（テクノロジー/小売）」を比較する場合、どの検定を使うべきでしょうか？
答え：カイ二乗独立性の検定（これらはカテゴリだからです！）。