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！