はじめに：ビジネスにおいて「つながり」が重要な理由

BA1の学習の中で、最も実用的な分野の一つへようこそ！ビジネスの世界では、物事が単独で起こることはほとんどありません。企業が価格を下げれば売上は通常上がり、気温が上がればアイスクリーム屋さんの売上は伸びます。このようなつながりを、私たちは変数間の関係（relationships between variables）と呼びます。

この章では、こうした関係を見抜き、その強さを測定する方法を学びます。そして何より重要なこととして、「二つの事象が同時に起こっているからといって、一方が他方の原因であるとは限らない」という落とし穴を避ける方法を学びます。これらを理解することで、企業はより正確な予測を立て、より賢明な意思決定を行うことができるようになります。

数学が得意ではないという方も、安心してください！ここでは複雑な計算をひたすら行うのではなく、ビジネスリーダーとして「数字が何を意味するのか」を読み解くことに焦点を当てていきます。

1. 相関関係（Correlation）を理解する

相関（Correlation）とは、二つの変数がどの程度一緒に変動するかを示す統計的な尺度です。簡単に言うと、「変数Aが動くとき、変数Bはどうなるか？」を明らかにする手段です。

相関の種類
  • 正の相関（Positive Correlation）： 二つの変数が同じ方向に動くこと。Aが増えればBも増えます。例：広告宣伝費をかければかけるほど、売上高が上がる。
  • 負の相関（Negative Correlation）： 二つの変数が逆の方向に動くこと。Aが増えればBは減ります。例：高級車の価格が上がると、通常、販売台数は減る。
  • 無相関（No Correlation）： 目に見える関係がない状態。一方の動きを見ても、もう一方がどうなるか全くわかりません。例：ロンドンの雨量と、中国のお茶の価格。

クイックレビュー：
正（Positive） = 同じ動き（どちらも増加、またはどちらも減少）
負（Negative） = 逆の動き（一方が増加、他方が減少）
ゼロ（Zero） = パターンなし

2. 関係を可視化する：散布図（Scatter Diagrams）

計算を始める前に、経済学者は通常、データを散布図（Scatter Diagram / Scatter Plot）にプロットします。これは横軸（x）に一つの変数を、縦軸（y）にもう一つの変数をとったグラフです。

散布図の読み方：
1. 点が左下から右上に向かって右肩上がりの直線を形成していれば、正の相関です。
2. 点が左上から右下に向かって右肩下がりの直線を形成していれば、負の相関です。
3. 点が散らばった「雲」や「星空」のように見え、方向性がなければ無相関です。
4. 点が直線に近いほど、相関は強いと言えます。逆に広く散らばっていれば、相関は弱いと判断します。

よくある間違い： 傾き（Slope）と強さ（Strength）を混同しないようにしましょう。急な傾きでも緩やかな傾きでも、点が直線上に完璧に乗っていれば、どちらも「完璧な」相関関係と言えます！

3. 強さを測る：相関係数（r）

グラフも素晴らしいですが、ビジネスの現場では関係性を表すための具体的な数値が必要です。この数値がピアソンの相関係数（Pearson’s Correlation Coefficient）、または単に\(r\)と呼ばれるものです。

\(r\)の値は常に-1から+1の間に収まります。

数値が意味すること：
  • \(r = +1\): 完全な正の相関（右肩上がりの完璧な一直線）。
  • \(r = -1\): 完全な負の相関（右肩下がりの完璧な一直線）。
  • \(r = 0\): 線形的な関係は全くない。
  • 0.7 〜 1.0: 強い正の相関関係。
  • -0.7 〜 -1.0: 強い負の相関関係。
  • 0 〜 0.3: 非常に弱い正の相関関係。

豆知識： 相関係数が-0.9であることは、+0.5であることよりも強い関係だと言えます。マイナスの符号はあくまで方向を示すだけで、数字そのものが強さを表しているからです。

重要なポイント： ゼロから遠ければ遠いほど（プラス方向でもマイナス方向でも）、二つの変数の関係は強くなります。

4. 決定係数（\(r^2\)）

難しそうな名前ですが、実はとても簡単です。相関係数（\(r\)）を自分自身で掛け合わせたもの、それが決定係数です。

計算式：
\( \text{決定係数} = r \times r \)（つまり \(r^2\)）

なぜこれを使うのか？
\(r\)は強さを教えてくれますが、\(r^2\)は一方の変数の変化のうち、もう一方の変数によって説明できる割合を教えてくれます。通常、これはパーセンテージ（%）で表されます。

例： 広告宣伝費と売上の相関係数（\(r\)）が0.8の場合：
\( r^2 = 0.8 \times 0.8 = 0.64 \)
これは、売上の変動の64%が広告宣伝費によって説明できることを意味します。残りの36%は、競合他社、天気、製品品質など、他の要因によるものです。

覚え方のヒント： \(r^2\)を「説明する力（Explanation Power）」と捉えてください。事象のどれだけが解明できているかを示してくれます。

5. 相関関係と因果関係（極めて重要な概念！）

ビジネス統計において最も大切なルールがこれです：相関関係は因果関係ではない。

二つの事象が同時に動いているからといって、一方がもう一方を引き起こしたとは限りません。相関が見られるとき、可能性は以下の3つです：

  1. 直接的な因果関係： 本当に変数Aが変数Bの原因となっている（例：大雨が降るから傘の売上が上がる）。
  2. 逆の因果関係： Aが原因でBが結果だと思っていたが、実はBがAの原因だった。
  3. 第三の変数（共通の要因）： AとBが一緒に動いているのは、第三の変数が両方に影響を与えているから。

定番の例え話： アイスクリームの売上とサメの襲撃件数には高い相関があります。アイスを食べるとサメに襲われるのでしょうか？いいえ、違いますよね！ここでの「第三の要因」は晴天です。天気が良いと、アイスを買う人も増えるし、海で泳ぐ人も増えるというわけです。

CIMA受験生へのアドバイス： 試験で高い相関関係を見つけても、さらなるビジネス上の根拠がない限り、安易に「原因と結果」だと決めつけてはいけません。

6. 単回帰分析：予測を行う

強い相関関係が見つかった場合、回帰分析（Linear Regression）という手法を使って「回帰直線（Line of Best Fit）」の式を作ることができます。この線を使えば、将来の数値を予測することが可能です。

式の形は以下の通りです：
\( y = a + bx \)

各文字の意味：
\(y\): 従属変数（予測したいもの。例：売上）
\(x\): 独立変数（すでに分かっている情報。例：広告宣伝費）
\(a\): 切片（Intercept）（\(x\)がゼロのときの\(y\)の値）
\(b\): 傾き（Gradient / Slope）（\(x\)が1単位変化したときに、\(y\)がどれだけ変化するか）

例： ある会社の売上予測式が \( \text{売上} = 500 + 5(\text{広告費}) \) で、広告費に100ポンド使う場合：
\( \text{売上} = 500 + 5(100) = 1,000 \)。

回帰分析のまとめ： 回帰分析は未来の予測のため、相関分析は関係性の把握のために使います。

最終確認

  • 散布図はデータの直感的なイメージをつかむために使います。
  • 相関係数（\(r\)）は関係の強さと方向を測定します（-1から+1）。
  • 決定係数（\(r^2\)）は説明できる変動の割合を教えてくれます。
  • 因果関係は相関関係と同じではありません。第三の要因に注意！
  • 回帰分析（\(y = a + bx\)）は、過去に基づいて未来を予測するために使います。

お疲れ様でした！これでビジネス変数がどのように相互作用するかの基礎はマスターできました。\(r\)と\(r^2\)の値を解釈する練習を続けてください。これらはBA1の試験で頻出する項目ですよ！