仮説検定の世界へようこそ！

FRMのカリキュラムにおいて、仮説検定（Hypothesis Testing）は、データの世界における探偵のようなものです。これまで皆さんは平均や分散の計算方法を学んできましたが、ここでは、それらの数値が実際に何かを意味しているのか、それとも単なる偶然の結果なのかを判断する方法を学んでいきます。

新しい投資戦略が市場を上回っているかを検証する場合でも、リスクモデルの精度を確認する場合でも、仮説検定は皆さんの強力な武器となります。最初は「数学的に難しそう」と感じるかもしれませんが、大丈夫です！誰でも理解できるように、シンプルで論理的なステップに分けて解説していきます。

1. スタート地点：帰無仮説と対立仮説

すべての仮説検定は、2つの対立する主張から始まります。これは裁判のようなものだと考えてください。

帰無仮説 (\(H_0\)): これは「現状維持」や「疑わしきは罰せず」という考えに基づいた仮説です。通常は効果がない、差がない、あるいはパラメータがある特定の値に等しいことを示します。十分な証拠が見つかるまで、私たちは常に \(H_0\) が真であると仮定します。

対立仮説 (\(H_a\) または \(H_1\)): これは、あなたが実際に証明したい内容です。裁判で言えば「有罪」の評決にあたります。データが十分に強力であれば、\(H_0\) を棄却して \(H_a\) を採択します。

両側検定と片側検定

どちらを使うべきかは、研究の目的に依存します。

両側検定: 何らかの差があるかどうかを調べたい場合に使います。
例: ファンドAの収益率は5%と異なるか？ (\(H_a: \mu \neq 5\%\))

片側検定: 特定の方向性（〜より大きい、または〜より小さい）を調べたい場合に使います。
例: ファンドAの収益率は5%を超えているか？ (\(H_a: \mu > 5\%\))

重要なポイント:

帰無仮説 (\(H_0\)) には常に「等号」を含む記号（\(=\)、\(\leq\)、または \(\geq\)）が使われます。一方、対立仮説 (\(H_a\)) には決して含まれません。

2. 「しまった！」という瞬間：第1種の過誤と第2種の過誤

統計的な検定は完璧ではありません。時には間違った判断をしてしまうこともあります。過誤には以下の2つのパターンがあります。

第1種の過誤（誤報）: 帰無仮説が真であるにもかかわらず、誤って棄却してしまうこと。
例え: 無実の人が刑務所に入れられてしまうこと。
第1種の過誤を犯す確率を有意水準 (\(\alpha\)) と呼びます。

第2種の過誤（見逃し）: 帰無仮説が偽であるにもかかわらず、棄却できないこと。
例え: 有罪の人が釈放されてしまうこと。
第2種の過誤を犯す確率を \(\beta\) と呼びます。

知っていましたか？ これらにはトレードオフの関係があります！第1種の過誤を避けようとして（厳しくしすぎて）基準を高くすると、第2種の過誤を犯す確率が高まってしまうのです。まさにバランス調整が必要です。

検定力（Power of the Test）

検定力とは、誤っている帰無仮説を正しく棄却できる確率のことです。
公式: \(Power = 1 - \beta\)。
検定力は、可能な限り高い方が望ましいですね！

3. 判断のためのツールキット：検定統計量とP値

意思決定を行うためには「検定統計量」を算出する必要があります。これは、サンプルから得られた結果が、帰無仮説からどれだけ離れているかを示す値です。

ほとんどの検定統計量の一般的な公式は以下の通りです：
\(Test Statistic = \frac{Sample\ Statistic - Hypothesized\ Value}{Standard\ Error}\)

意思決定ルール

検定統計量を算出したら、統計表で調べた棄却限界値（Critical Value）と比較します。

1. |検定統計量| > |棄却限界値| の場合、\(H_0\) を棄却します。（有意な結果！）
2. |検定統計量| < |棄却限界値| の場合、\(H_0\) を棄却できません。（十分な証拠がない。）

P値（P-value）を用いたアプローチ

棄却限界値を使いたくない場合は、P値を使用します。これは、帰無仮説が真であると仮定したときに、今回得られた結果以上に極端な値が出る確率のことです。
シンプルなルール: P値 < \(\alpha\) ならば、\(H_0\) を棄却する。
覚え方: 「P値が小さければ、Null（帰無仮説）を消せ（Reject）！」

クイックレビュー:

信頼水準: \(1 - \alpha\) （通常は95%または99%）。
有意水準: \(\alpha\) （通常は5%または1%）。

4. 正しい検定手法の選択

FRM試験では、道具箱からどのツールを取り出すべきかを知っておく必要があります。チートシートとして活用してください：

A. 平均 (\(\mu\)) の検定

以下の場合、Z検定を使用します：
- 母分散 (\(\sigma^2\)) が既知である場合。
- あるいはサンプルサイズが大きい (\(n \geq 30\)) 場合。
\(Z = \frac{\bar{x} - \mu_0}{\sigma / \sqrt{n}}\)

以下の場合、T検定を使用します：
- 母分散が未知である場合（現実の世界ではほとんどがこちらです）。
- サンプルサイズが小さい (\(n < 30\)) 場合。
\(t = \frac{\bar{x} - \mu_0}{s / \sqrt{n}}\) （\(s\) は標本標準偏差）

B. 分散 (\(\sigma^2\)) の検定

単一の母集団の分散を検定する場合は、カイ二乗検定（\(\chi^2\) 検定）を使用します。
注意: カイ二乗分布は左右非対称であり、負の値をとることはありません。

C. 2つの分散の比較

あるグループの分散が別のグループの分散と等しいかを確認したい場合は、F検定を使用します。
公式: \(F = \frac{s_1^2}{s_2^2}\) （常に大きい方の分散を分子に置くこと！）

5. 仮説検定のステップバイステップ

最初は難しく感じるかもしれませんが、大丈夫です。毎回この5つのステップに従えばOKです：

ステップ 1: 帰無仮説 (\(H_0\)) と対立仮説 (\(H_a\)) を設定する。
ステップ 2: 有意水準 (\(\alpha\)) を決める（通常は0.05）。
ステップ 3: 適切な検定統計量（Z、T、カイ二乗、またはF）を選択する。
ステップ 4: サンプルデータを使って検定統計量を計算する。
ステップ 5: 検定統計量を棄却限界値と比較し、判断を下す。

6. 注意すべき共通の落とし穴

1. 帰無仮説を「採択（Accept）」すること: 私たちは帰無仮説を「採択」することはありません。あくまで「棄却できない（Fail to reject）」という表現を使います。弁護士の口実のように聞こえるかもしれませんが、これは重要です！これは、現時点では帰無仮説を捨てるほどの証拠がない、ということを意味するだけです。

2. 両側・片側の混同: 有意水準5%の両側検定では、2.5%ずつを両方の裾に配置します。片側検定では、5%すべてを片方の裾に配置します。これにより棄却限界値が変わってしまいます！

3. 「正規分布」の仮定を無視すること: これらの検定のほとんどは、背後にあるデータが正規分布に従うことを仮定しています。データの形状が異常な場合、これらの検定結果は信頼できないものになります。

まとめテーブル:

平均の検定（分散既知）: Z検定
平均の検定（分散未知）: T検定
単一分散の検定: カイ二乗検定
2分散の比較: F検定

自信を持ってください！仮説検定とは、「この結果は特別なものなのか、それとも単なる偶然なのか？」と問うための論理的な手法に過ぎません。この基本をマスターすれば、定量分析（Quantitative Analysis）セクションを攻略するのはずっと楽になりますよ。