推定
概要
推定（すいてい、estimation）とは、観測された標本（sample）データを用いて、母集団（population）の未知の母数（parameter）の値を合理的に推測する統計的手続きである。母集団全体を調査する全数調査が現実的に不可能な場合がほとんどであるため、標本から計算した統計量を根拠に、母平均・母分散・母比率といった値を推論する。推定は仮説検定とともに推測統計学（inferential statistics）の二大支柱をなし、単一の値を提示する点推定と、一定の信頼水準の下での範囲を提示する区間推定に区分される。
主な内容
統計的推定の基本概念
推定の出発点は「標本は母集団を代表する」という仮定である。無作為抽出によって得られた資料から計算された値、すなわち推定量（estimator）は、母数の真値に近づくことが期待される。例えば、母平均 μ を推定するために標本平均 x̄ を用いるのが代表的である。推定量は確率変数であり、実際に計算された一つの値は推定値（estimate）と呼んで区別する。
点推定と区間推定
- 点推定（point estimation）: 母数を一つの値で推定する。標本平均、標本分散、標本比率などが代表的な点推定量である。
- 区間推定（interval estimation）: 母数が含まれると期待される区間を信頼水準とともに提示する。95%信頼区間は、同じ方式で反復して標本抽出を行った場合、約95%の区間が真の母数を含むという頻度主義的な意味を持つ。
良い推定量の性質
1. 不偏性（unbiasedness）: 推定量の期待値が母数と一致する。
2. 一致性（consistency）: 標本の大きさが大きくなるほど、推定量が母数に確率収束する。
3. 効率性（efficiency）: 他の不偏推定量よりも分散が小さく、より精密である。
4. 十分性（sufficiency）: 標本が含む母数に関する情報を損失なく要約する。
主な推定方法
- 最尤推定（MLE）: 観測された標本が得られる尤度（likelihood）を最大化する母数の値を選ぶ。一致性と漸近正規性を備えており、最も広く用いられる。
- 最小二乗法（OLS）: 残差平方和を最小化して回帰係数を推定する。
- モーメント法（Method of Moments）: 標本モーメントと理論モーメントを一致させて母数を求める。
- ベイズ推定: 事前分布と尤度を組み合わせた事後分布を通じて母数を推定し、点推定として事後平均・事後中央値を用いる。
応用分野
推定は、世論調査における支持率予測、臨床試験における治療効果の推定、経済指標（失業率・物価上昇率）の算出、品質管理における工程能力分析、そして機械学習のパラメータ学習に至るまで、幅広く応用される。特に、標本サイズの設計、欠測値の処理、バイアス補正は、推定の精度を左右する中核的な実務課題である。
最近の動向
2024~2025年に入り、推定の方法論は以下のような方向に進化している。
- ベイズ推論の大衆化: MCMC、変分推論（variational inference）などの計算技法の発展と、確率的プログラミング言語（Stan、PyMC）の普及により、階層ベイズモデルが産業現場に急速に広がっている。
- 因果推論の台頭: 単なる相関の推定を超えて、政策や処置の因果効果を推定したいという需要が高まるにつれ、差分の差分（DID）、操作変数、合成コントロール法、ターゲット最尤推定（TMLE）といったセミパラメトリックな推定法が注目されている。
- 機械学習との融合: ニューラルネットワークに基づく密度推定、正規化フロー（normalizing flow）、拡散モデルを用いた分布推定が生成モデルと結びついている。
- 不確実性の定量化: ディープラーニング予測における信頼区間の提示要求が高まる中、コンフォーマル予測（conformal prediction）が脚光を浴びている。
- 標本バイアスの問題: オンラインデータに基づく推定において、代表性の確保と重み調整（事後層化、レーキング）の重要性が再注目されている。
要するに、推定は単なる公式の適用を超えて、データ生成過程に関する仮定と、不確実性の誠実な報告を求める学問として位置づけられつつある。
関連トピック
- [[統計学]]
- [[仮説検定]]
- [[信頼区間]]
- [[最尤推定]]
- [[ベイズの定理]]
- [[標本調査]]
- [[回帰分析]]
- [[因果推論]]