サンプリングの世界へようこそ！
こんにちは！HKICPA QP試験の準備を進めるにあたり、ビジネス経済学（Business Economics）と統計分析（Statistical Analysis）は、プロの会計士にとって極めて重要なツールであることに気づくでしょう。この章では、サンプリング手法（Sampling Techniques）について学習します。数学が苦手でも心配しないでください！ 実務的なビジネスの文脈に合わせて、シンプルで論理的なステップに分解して解説していきます。
なぜサンプリングが必要なのでしょうか？ あなたが監査人だと想像してみてください。クライアントが1,000,000枚の売上請求書を抱えている場合、そのすべてをチェックするのは不可能です。数年かかってしまいますよね！その代わりに、グループ全体（母集団：Population）を代表する小さなグループ（標本：Sample）を選び出します。標本の結果が良好であれば、グループ全体も良好であると合理的に確信することができます。それでは、詳しく見ていきましょう！
1. 基本概念：母集団 vs 標本
「やり方」を学ぶ前に、まずは「何」を対象にしているのかを理解しましょう。
• 母集団（Population, N）： 調査したいアイテムや人々の全集団。例：香港に登記されているすべての企業。
• 標本（Sample, n）： 実際に調査する母集団の一部分。例：登記簿から選ばれた500社。
• 全数調査（Census）： 母集団のすべてのメンバーを調査すること。（コストがかかり、時間がかかります！）
• 母数（Parameter）： 母集団の数値的な特徴（例：香港のすべての企業の平均利益）。
• 統計量（Statistic）： 標本の数値的な特徴（例：選んだ500社の平均利益）。
暗記のコツ：
Population = Parameter（両方ともPで始まる）
Sample = Statistic（両方ともSで始まる）
クイックレビュー： 私たちが母数（Population Parameter）を推定するために標本統計量（Sample Statistic）を使うのは、時間とコストを節約するためです。
2. 確率サンプリング手法（Probability Sampling）
確率サンプリングでは、母集団のすべてのメンバーが選ばれる確率がゼロではなく、既知の状態です。これはバイアスを避けることができるため、統計学における「ゴールドスタンダード（基準）」とされています。
A. 単純無作為抽出（Simple Random Sampling: SRS）
これは宝くじのようなものです。すべてのアイテムに選ばれる等しいチャンスがあります。乱数発生器などを使って請求書番号を選ぶといった方法が考えられます。
例： 100人の名前を帽子に入れて、10人を取り出す。
B. 系統抽出（Systematic Sampling）
ランダムに開始点を決め、その後は \(k\) 番目ごとのアイテムを選択します。
間隔を計算する式は： \(k = \frac{N}{n}\)
（\(N\) は母集団のサイズ、\(n\) は標本サイズ）。
例： 1,000枚の請求書から50枚を抽出したい場合、\(1,000 / 50 = 20\) と計算します。1から20の間でランダムに開始番号を決め、そこから20枚おきに請求書を選びます。
C. 層化無作為抽出（Stratified Random Sampling）
特定の特性（企業規模：小、中、大など）に基づいて母集団を層（strata）に分けます。その後、各グループからランダムに標本を抽出します。
なぜ使うのか？ 重要なサブグループが確実に代表されるようにするためです。もし経済の大半を「大企業」が占めているのに、誤って「小企業」ばかり選んでしまったら困りますよね！
D. クラスター抽出（Cluster Sampling）
母集団をクラスター（多くは地理的な区分）に分割します。ランダムにいくつかのクラスター全体を選び、その中のすべての対象を調査します。
例え： 香港の学生を調査したい場合、ランダムに5つの学校（クラスター）を選び、その5校のすべての学生を調査する。
重要なポイント： 確率サンプリングは「公平」であり、数学的な公式を用いて結果の正確さを計算することが可能です。
3. 非確率サンプリング手法（Non-Probability Sampling）
ランダムな抽出が困難であったり、コストがかかりすぎたりする場合があります。非確率サンプリングでは、選ばれる確率が不明です。注意： これらの手法はバイアスがかかりやすい傾向があります！
A. 有意サンプリング（Convenience Sampling）
アクセスしやすい人やアイテムを選ぶ手法。
例： 地下鉄駅の出口に立って、通りかかった人に尋ねる。早いですが、その特定の時間帯にその特定の駅を利用する人々に偏る可能性があります。
B. クオータ・サンプリング（Quota Sampling）
層化抽出に似ていますが、ランダムではありません。あらかじめ決められた人数（クオータ）を確保するまで調査を行います。
例： 「男性の買い物客20人、女性の買い物客20人を見つけてください」という指示。調査員は男性20人に達した時点で、たとえ有益な情報を持っていても、他の男性には声をかけなくなります。
C. 判断サンプリング（Judgmental / Purposive Sampling）
調査員自身の「専門的な判断」に基づき対象を選びます。
例： 監査人が特に高額な請求書や「怪しげな」項目を狙ってテストを行う。これはエラーを見つけるのには有効ですが、平均的な請求書を代表するものではありません。
D. 雪だるま式サンプリング（Snowball Sampling）
一人を見つけ、その人に次を紹介してもらう。雪だるま式に輪が広がります。
例： テック系スタートアップ企業のCEOにインタビューしたい場合。一人見つかれば、その友人のCEOを3人紹介してもらう。
クイックレビュー： 非確率的手法は探索的な調査には適していますが、母集団全体について広範で科学的な結論を導くには向いていません。
4. サンプリング誤差 vs 非サンプリング誤差
完璧な標本は存在しません。標本の結果と真の母集団の結果との間には、常に何らかの差が生じます。この差を誤差（Error）と呼びます。
サンプリング誤差（Sampling Error）
これは標本と母集団との間に生じる自然な「ギャップ」です。標本は全体の中の一部に過ぎないために発生します。すべてを完璧に行ったとしても、標本平均は母集団平均と少し異なるのが一般的です。
豆知識： サンプリング誤差は、標本サイズを大きくすることで減らすことができます。多くの人に尋ねるほど、精度は向上します！
非サンプリング誤差（Non-Sampling Error）
これは「人的ミス」やプロセスの欠陥です。これらは、単にサンプルを増やすだけでは修正できないため、より危険です。
• 選択バイアス： サンプリング手法により特定の人が除外されている（例：オンライン調査ではインターネットを使わない人が除外される）。
• 無回答バイアス： 回答者が調査に答えることを拒否する。
• 測定誤差： 質問の言い回しが不適切、または測定ツールが壊れている。
• データ入力ミス： 回答が「10」だったのに「100」と入力する。
避けるべき共通のミス： 大きな標本サイズがすべてを解決すると考えないでください。質問が分かりにくい場合（非サンプリング誤差）、1,000,000人に尋ねたとしても、1,000,000人分の混乱した答えが得られるだけです！
まとめ：
1. サンプリング誤差は自然で予想されるもの（サンプリングの「コスト」）。
2. 非サンプリング誤差は回避可能であり、計画や実行の不備から生じる。
5. 最終チェックリスト
次に進む前に、以下に答えられるか確認しましょう：
• 母数（Parameter）と統計量（Statistic）の違いを説明できるか？
• 層化（一部のグループから抽出）とクラスター（一部のグループ全体を抽出）の違いは理解できたか？
• \(k = N/n\) を使って系統抽出の間隔を特定できるか？
• 非サンプリング誤差は全数調査でも起こり得ることを理解しているか？
ここまでくれば大丈夫！サンプリングは探偵のようなものです。真実の最も正確な姿を得るために、適切な証拠を選び出すのです。定義をしっかり復習しておきましょう！