「相関係数を計算したら 0.7 だった。けっこう強い相関だ！」
そう思ってレポートに書いたら、上司や先生からこう聞かれる。
「そのデータ、何個で計算したの？」
この一言で固まってしまった経験、ありませんか？
実は相関係数には、数字だけを見ていては絶対に気づけない落とし穴があります。その落とし穴を埋めるための道具が「無相関の検定」です。
💡 まず結論（30秒で分かる要点）
無相関の検定とは、手元のデータで出た相関係数 r が「偶然そうなっただけ」なのか「本当に関係がある」のかを判定する検定です。
t ＝ |r| × √(n − 2) ÷ √(1 − r²)
この t を、自由度 n − 2 の t分布の境界値と比べるだけ。
t が境界値より大きければ「相関あり」と言ってよい、という判定になります。
📖 この記事を読むと分かること
✅ そもそも、なぜ相関係数だけでは不十分なのか
✅ あの複雑な式が、どこから出てきたのか（途中式を1行も飛ばさず導出します）
✅ なぜ自由度が「n − 1」ではなく「n − 2」なのか
✅ 電卓だけで解ける計算例（8人分のデータで実演）
✅ 「有意じゃなかった」＝「相関がない」ではない理由
数式アレルギーの方もご安心ください。すべて「なぜそうなるのか」を日常のたとえに置き換えて説明していきます。
無相関の検定とは？ひとことで言うと「偶然チェック」
無相関の検定とは、「調べたい集団全体では、本当は相関がゼロなのではないか？」という疑いを検証する手続きです。日本語だと少し分かりにくいので、言葉を1つずつ分解します。
まず「母集団」と「標本」を区別します
統計では、知りたい相手（全体）と、実際に測った分（一部）をきっちり区別します。ここが分からないと検定の意味が一生ピンときません。
味噌汁の味見にたとえると、母集団＝鍋いっぱいの味噌汁、標本＝スプーン1杯です。私たちはスプーン1杯を舐めて、鍋全体の味を当てようとしているわけですね。
「r」と「ρ（ロー）」は別モノです
相関係数にも、この2種類があります。ここでいきなりギリシャ文字が出てきますが、「ρ（ロー）は母集団側の r」と覚えるだけで大丈夫です。
r（アール）＝標本相関係数。手元の8人分から電卓で計算できる値。
ρ（ロー）＝母相関係数。中学生全員で計算した「真の値」。絶対に知ることができません。
無相関の検定は、この「絶対に知りえない ρ」について、r という手がかりから推測を立てる作業です。立てる疑い（＝帰無仮説）は、いつも次の1つだけです。
帰無仮説（きむかせつ）H₀
「母相関係数 ρ ＝ 0（＝全体では無相関）」
そして計算の結果、「ρ＝0 だとしたら、こんな r が出るのはあまりにも不自然だ」と言えたときに、この疑いを棄却（ききゃく）＝取り下げます。取り下げられたら、「相関がある」と結論して良いわけです。
📗 「帰無仮説」「棄却」がまだ曖昧な方へ
検定の考え方そのものを、味噌汁の味見のたとえで基礎から解説した記事があります。先に読むと、この記事の理解が一気に進みます。
なぜ必要？「関係がゼロ」でも r はゼロにならないから
ここが、この記事でいちばん大事なパートです。無相関の検定が必要な理由は、たった1つです。
⚠️ 本当は全く無関係な2つでも、少ないデータで計算すると、r はけっこう大きな値になってしまう。
サイコロ2個で実験してみると分かります
頭の中で実験してみましょう。サイコロAとサイコロBを同時に振って、出た目をメモする。これを3回だけ繰り返します。
AとBは完全に無関係ですから、真の相関 ρ は当然ゼロです。ところが、たとえばこんな結果が出たとします。
| 回 | サイコロA | サイコロB |
|---|---|---|
| 1回目 | 2 | 1 |
| 2回目 | 4 | 3 |
| 3回目 | 6 | 5 |
この3点は一直線に並んでいるので、相関係数は r ＝ 1.00。「サイコロAが大きいほどBも大きい」という、完璧な相関が「見えてしまう」わけです。
もちろんこれは、ただの偶然です。点が2〜3個しかなければ、直線に近い並びになるのは珍しくもないのです。逆に100回振れば、r はほぼ0に落ち着きます。
つまり r は「同じ強さでも意味が違う」
同じ「r＝0.7」という数字でも、その重みはデータ数によってまったく違います。
ここで初心者がよくやってしまう失敗が、「r が0.7を超えたから強い相関だ」と目安表だけで判断することです。目安表はデータ数を一切考えてくれません。
だからこそ、「r の大きさ」と「データ数 n」の2つを同時に見て判定する道具が必要になります。それが無相関の検定なのです。
式のカタチを分解する：3つのパーツの役割
導出の前に、まず式を「読める」ようにしておきましょう。意味が分かってから導出を追うと、驚くほどスッと入ってきます。
t ＝ |r| × √(n − 2) ÷ √(1 − r²)
パーツ①「|r|」＝関係の強さ（シグナル）
r の絶対値です。relationship が強ければ強いほど t は大きくなるので、これは直感どおりですね。絶対値をつけるのは、負の相関（r＝−0.7 など）でも「関係の強さ」としては同じだからです。
パーツ②「√(n − 2)」＝証拠の量
データが多ければ多いほど t は大きくなります。ブロック3で見た「100人分の r＝0.7 は強い証拠」という感覚が、そのまま式に埋め込まれているのです。
√（ルート）がついているのは、データを4倍集めても、証拠の強さは2倍にしかならないということ。統計の世界ではおなじみの性質です。
パーツ③「√(1 − r²)」＝説明できない残り（ノイズ）
ここが式のいちばん面白いところです。r² は決定係数と呼ばれ、「y のバラつきのうち、x で説明できた割合」を表します。
r ＝ 0.7 のとき
r² ＝ 0.49 → 49%は説明できた
1 − r² ＝ 0.51 → 51%は説明できず残った（ノイズ）
これが分母にあるということは、「説明できない部分が大きいほど t は小さくなる」という意味です。つまり式全体は、こう読めます。
🔊 t 値の正体
t ＝ （説明できた分 ÷ 説明できない分）× 証拠の量
つまり「声の大きさ ÷ 周りの騒がしさ」＝ 信号対雑音比です。
騒がしい部屋（ノイズ大）では小声は聞こえませんが、静かな部屋（ノイズ小）ならはっきり聞こえる。相関の検定も、まったく同じ発想でできています。
📗 「r² が説明できた割合」がピンとこない方へ
相関係数 r を2乗すると、なぜ決定係数 R² と一致するのか。この不思議な関係を図解した記事です。ここを理解すると、式の分母の意味が一気に腹落ちします。
なぜこの式になる？6ステップで導出する
「暗記するしかない」と言われがちなこの式ですが、実はたった1つの発想からスラスラ出てきます。その発想とは、これです。
💡 「相関があるか？」を問うことは、「散布図に引いた直線の傾きがゼロでないか？」を問うことと同じ。
傾きがゼロ（水平な直線）なら、x が増えても y は変わりません。それはまさに「無相関」の状態ですよね。だから無相関の検定は、回帰直線の傾きの検定として組み立てられるのです。
使う記号は3つだけです。ここだけ押さえてください。
| 記号 | 意味 |
|---|---|
| Sxx | x のバラつきの合計（偏差平方和）＝Σ(x−x̄)² |
| Syy | y のバラつきの合計＝Σ(y−ȳ)² |
| Sxy | x と y の連動の度合い（偏差積和）＝Σ(x−x̄)(y−ȳ) |
STEP 1：検定の基本形を思い出す
t検定はどんな場面でも、必ずこの形をしています。
t ＝ （測った値 − 仮説の値） ÷ （測った値のブレの大きさ）
今回「測った値」は傾き b、「仮説の値」は 0 です。ですから t ＝ b ÷ （b のブレ） となります。
STEP 2：傾き b と、そのブレを式にする
回帰直線の傾き b、そのブレ（標準誤差）は次の形です。
b ＝ Sxy ÷ Sxx
b のブレ ＝ √( Ve ÷ Sxx ) （Ve は次のSTEPで説明します）
Sxx が分母にあるのは、x が広い範囲に散らばっているほど、傾きを正確に測れるからです。棒を持つとき、両端を持てば角度が安定しますよね。それと同じ理屈です。
STEP 3：Ve（誤差の大きさ）を r で書き換える
Ve は「直線で説明しきれなかった誤差の平均的な大きさ」です。誤差の合計を Se とすると、
Se ＝ Syy − Sxy² ÷ Sxx
Ve ＝ Se ÷ (n − 2)
ここで相関係数の定義を思い出します。
r ＝ Sxy ÷ √(Sxx × Syy) なので両辺を2乗して r² ＝ Sxy² ÷ (Sxx × Syy)
この式の両辺に Syy をかけると、Sxy² ÷ Sxx ＝ r² × Syy が得られます。これを Se に代入すると…
Se ＝ Syy − r² × Syy
Se ＝ Syy × (1 − r²) ← ✨ 分母の「1 − r²」が生まれた瞬間です！
よって Ve ＝ Syy × (1 − r²) ÷ (n − 2) となります。
STEP 4：t を組み立てて式を整理する
STEP 1〜2 より、
t ＝ b ÷ √(Ve ÷ Sxx)
＝ (Sxy ÷ Sxx) ÷ √(Ve ÷ Sxx)
＝ (Sxy ÷ Sxx) × √(Sxx ÷ Ve) ←「÷ √A」は「× √(1/A)」
＝ Sxy × √Sxx ÷ (Sxx × √Ve)
＝ Sxy ÷ √(Sxx × Ve) ← Sxx が約分されて √Sxx が1つ消えました
STEP 5：Ve を代入する（ここが山場）
t ＝ Sxy ÷ √{ Sxx × Syy × (1 − r²) ÷ (n − 2) }
＝ Sxy × √(n − 2) ÷ √{ Sxx × Syy × (1 − r²) }
＝ { Sxy ÷ √(Sxx × Syy) } × √(n − 2) ÷ √(1 − r²)
黄色い部分は、まさに相関係数 r の定義そのものです。ここを r に置き換えれば…
STEP 6：完成
t ＝ r × √(n − 2) ÷ √(1 − r²)
両側検定では符号を気にしないので |r| を使います
いかがでしょうか。「傾きがゼロか？」という素朴な問いから出発しただけで、あの複雑な式が自然に出てきました。暗記の必要は、もうありません。
なぜ自由度は「n − 1」ではなく「n − 2」なのか
平均の検定では自由度が n − 1 だったのに、ここでは n − 2。この「2」がどこから来たのか、気になりますよね。
答え：直線を1本決めるために「傾き」と「切片」の2つを、データから借りて使ってしまったからです。
自由度は「自由に動ける情報の数」
自由度とは、データが持っている情報のうち、まだ使われずに残っている数のことです。お金にたとえると「手元に残っている残高」です。
点が2個だと「誤差」が測れない
もっと直感的な説明もできます。点が2個あれば、直線は必ずその2点をピッタリ通ります。ズレ（誤差）はゼロです。ということは、n＝2 では「どれくらいズレるものなのか」を測る材料が1つも残っていません。
実際、n＝2 を式に入れると √(n − 2) ＝ 0 となり、t は計算できません（検定不可）。式のほうが「そんなデータでは判定できませんよ」と教えてくれているわけです。
誤差の情報が初めて1つ生まれるのは n＝3。3点は必ずしも一直線に乗らないので、そこで初めて「ズレ」が観測できます。自由度 n − 2 ＝ 1。ぴったり合いますね。
計算例：8人のデータを電卓だけで判定する
では実際に手を動かしましょう。8人の「1週間の勉強時間」と「テストの点数」のデータです。
| 生徒 | 勉強時間 x（時間） | 点数 y（点） |
|---|---|---|
| A | 2 | 30 |
| B | 4 | 50 |
| C | 6 | 80 |
| D | 8 | 40 |
| E | 10 | 50 |
| F | 12 | 60 |
| G | 14 | 70 |
| H | 16 | 100 |
手順1：平均を出す
x̄ ＝ (2+4+6+8+10+12+14+16) ÷ 8 ＝ 72 ÷ 8 ＝ 9
ȳ ＝ (30+50+80+40+50+60+70+100) ÷ 8 ＝ 480 ÷ 8 ＝ 60
手順2：偏差の表をつくる
偏差とは「平均からのズレ」です。この表さえ作れば、あとは足し算だけです。
| x−9 | y−60 | (x−9)² | (y−60)² | 積 |
|---|---|---|---|---|
| −7 | −30 | 49 | 900 | 210 |
| −5 | −10 | 25 | 100 | 50 |
| −3 | 20 | 9 | 400 | −60 |
| −1 | −20 | 1 | 400 | 20 |
| 1 | −10 | 1 | 100 | −10 |
| 3 | 0 | 9 | 0 | 0 |
| 5 | 10 | 25 | 100 | 50 |
| 7 | 40 | 49 | 1600 | 280 |
| 合計 0 | 合計 0 | Sxx＝168 | Syy＝3600 | Sxy＝540 |
※ 偏差の合計が両方とも 0 になっていれば、計算ミスなしのサインです。
手順3：相関係数 r を求める
r ＝ Sxy ÷ √(Sxx × Syy)
＝ 540 ÷ √(168 × 3600)
＝ 540 ÷ √604800
＝ 540 ÷ 777.7
＝ 0.694
目安表で見れば「かなり強い正の相関」です。ここで満足してしまいそうですが、まだ判定は終わっていません。
手順4：t 値を計算する
まず分子：|r| × √(n − 2) ＝ 0.694 × √6 ＝ 0.694 × 2.449 ＝ 1.700
次に分母：r² ＝ 0.694² ＝ 0.4816
1 − r² ＝ 1 − 0.4816 ＝ 0.5184
√0.5184 ＝ 0.720
よって t ＝ 1.700 ÷ 0.720 ＝ 2.36
手順5：t分布表と比べて判定する
自由度 ＝ n − 2 ＝ 8 − 2 ＝ 6
有意水準 5%（両側）の境界値 ＝ 2.447
|t| ＝ 2.36 < 2.447
➡️ 帰無仮説「母相関係数は 0」を棄却できません。
➡️ 結論：有意水準5%では「相関がある」とは言えない（p値は約0.056）。
r＝0.694 という立派な数字が出たのに、有意にならなかった。これが、無相関の検定を知らないと絶対に気づけない落とし穴です。8人しか調べていないので、「偶然そう見えただけ」の可能性を捨てきれないのです。
同じ r でも、n が変わると結論が逆転する
先ほどの結果、少し悔しくないですか？ では、r の値は 0.694 のまま、データ数だけを 20人に増やしたらどうなるでしょう。
t ＝ 0.694 × √(20 − 2) ÷ 0.720
＝ 0.694 × √18 ÷ 0.720
＝ 0.694 × 4.243 ÷ 0.720
＝ 2.945 ÷ 0.720 ＝ 4.09
自由度 18 の境界値は 2.101。4.09 > 2.101 なので、今度は堂々と棄却できます。p値は 0.001 未満です。
| 項目 | n ＝ 8 | n ＝ 20 |
|---|---|---|
| 相関係数 r | 0.694 | 0.694（同じ） |
| 自由度 | 6 | 18 |
| t 値 | 2.36 | 4.09 |
| 境界値（両側5%） | 2.447 | 2.101 |
| p値のめやす | 約 0.056 | 0.001 未満 |
| 結論 | ❌ 有意でない | ⭕ 有意（相関あり） |
逆引き表：有意になるには r がいくつ必要か
実務では「何個データを集めれば足りるのか」を先に知りたいですよね。そこで、有意水準5%（両側）で有意になる最低の r を計算しておきました。
| データ数 n | 有意になる最低の |r| | ひとこと |
|---|---|---|
| 5 | 0.878 | ほぼ一直線でないと無理 |
| 8 | 0.707 | 0.694 が惜しかった理由 |
| 10 | 0.632 | まだハードルは高い |
| 20 | 0.444 | 実務で最低ラインの目安 |
| 30 | 0.361 | 中程度の相関が拾える |
| 50 | 0.279 | 弱い相関も有意になる |
| 100 | 0.197 | ⚠️ 実質ほぼ無関係でも有意 |
※ 境界値 r ＝ t ÷ √(t² + n − 2) で算出（t は自由度 n−2、両側5%の値）。
💡 この表から読み取れる2つの教訓
① 10個未満のデータで「相関がある」と主張するのは、かなり危険です。r が0.6台でも証拠になりません。
② 逆に n＝100 なら r＝0.2 でも「有意」になります。でも r＝0.2 は散布図で見れば、ほぼ雲のような散らばりです。「有意」は「関係が強い」を意味しません。
やってしまいがちな4つの誤解
誤解①「有意でない」＝「相関がない」だと思ってしまう
検定で棄却できなかったとき、正しい表現は「相関があるとは言えなかった」です。「相関がない」と証明されたわけではありません。
裁判にたとえると、無罪判決は「潔白の証明」ではなく「有罪にできるほどの証拠がなかった」ということ。検定もまったく同じ構造です。データを増やせば有意になるかもしれない、という含みが常に残ります。
誤解②「有意だった」＝「関係が強い」と読んでしまう
ブロック8で見たとおり、n＝100 なら r＝0.2 でも有意になります。検定が答えているのは「ゼロではないか？」だけで、「どれくらい強いか」は答えていません。
だから報告するときは、必ず「r の値」「n」「検定結果」の3点セットで書きましょう。これだけで、あなたのレポートの信頼度は一段上がります。
誤解③ 散布図を見ないまま検定してしまう
相関係数 r が測れるのは「直線的な関係」だけです。きれいな山型（放物線）の関係があっても、r は 0 に近い値になり、検定も「有意でない」と出ます。
また、r は外れ値1個で大きく変わります。ポツンと離れた1点があるだけで、r が0.2から0.8に跳ね上がることも珍しくありません。検定の前に必ず散布図を描く。これは絶対のルールです。
誤解④ 有意だったから「原因」だと言ってしまう
これがいちばん怖い誤解です。検定に通っても、それは「因果関係」の証明にはなりません。
有名な例が「アイスの売上」と「水難事故の件数」。この2つの相関は強く、検定も余裕で有意になります。でもアイスを禁止しても事故は減りません。裏に「気温」という共通の原因が隠れているからです。これを交絡（こうらく）と呼びます。
よくある質問
Q1. 無相関の検定の式と自由度は？
A. t ＝ |r|√(n−2) ÷ √(1−r²) で計算し、自由度 n−2 の t分布と比べます。r は標本相関係数、n はデータの組数です。帰無仮説は「母相関係数 ρ ＝ 0」です。
Q2. 最低いくつのデータが必要ですか？
A. 式の上では n＝3 から計算できますが、実用的には20組以上が目安です。n＝8 では r が0.707を超えないと有意になりません。n＝20 なら0.444、n＝30 なら0.361が境界です。
Q3. 片側検定と両側検定、どちらを使いますか？
A. 通常は両側検定です。「相関があるかどうか」を知りたいだけなら、正か負かを問わない両側が適切です。「正の相関があるはずだ」と事前に理論的根拠がある場合のみ片側を使いますが、後付けの片側化は不適切とされます。
Q4. Excelで検定できますか？
A. できます。CORREL関数で r を求め、t を手計算した後、T.DIST.2T(t, n-2) で p値が出ます。境界値が欲しいときは T.INV.2T(0.05, n-2) です。回帰分析ツールを使えば、傾きの t値として同じ値が自動で表示されます。
Q5. 回帰分析のF検定と結果が同じになるのはなぜ？
A. 単回帰では、この t値を2乗すると分散分析表の F値と完全に一致します。t² ＝ r²(n−2)÷(1−r²) ＝ F という関係が成り立つためです。つまり「無相関の検定」「傾きの検定」「回帰のF検定」は、単回帰では同じことを別の形で表しているだけです。
Q6. 使う前に確認すべき前提条件はありますか？
A. 主に3つです。①x と y がおおむね正規分布に従う量的データであること、②関係が直線的であること、③データの各組が互いに独立であること。順位や順序のデータ、外れ値が多いデータでは、スピアマンの順位相関など別の手法が向きます。
Q7. 母相関係数の範囲（信頼区間）も知りたいときは？
A. フィッシャーのz変換を使います。z ＝ (1/2)log{(1+r)÷(1−r)} で変換すると、z は分散 1÷(n−3) の正規分布で近似できるため、正規分布の要領で区間を求め、最後に r に戻します。検定より情報量が多く、論文では推奨される表現方法です。
まとめ：相関係数は「n とセット」で語る
✅ この記事の要点
1. なぜ必要か：本当は無関係な2つでも、データが少ないと r は偶然大きくなる。だから「r の大きさ」と「n」を同時に見る道具が要る。
2. 式の正体：t ＝ |r|√(n−2)÷√(1−r²) は「説明できた分 ÷ 説明できない分 × 証拠の量」＝信号対雑音比。
3. どこから来たか：「回帰直線の傾きが 0 か？」という検定を整理すると、Se ＝ Syy(1−r²) を経由して自然に導かれる。
4. 自由度 n−2：切片と傾きの2つをデータから決めたので、情報が2つ消費される。
5. 解釈の作法：「有意でない」≠「相関ゼロ」。「有意」≠「強い相関」。そして「有意」≠「因果関係」。
今日からできることは、とてもシンプルです。相関係数を報告するときは、必ず n を並べて書く。これだけで「そのデータ、何個？」と聞かれて固まることは、もうなくなります。
そして、この検定を導出まで理解できたあなたは、実はもう単回帰分析の t検定を理解したのと同じです。中身がまったく同じものだからです。回帰分析へ進む準備は、すでに整っています。
🗺️ 次の一歩：迷わない学習ルート
「相関分析 → 単回帰分析 → 重回帰分析」の順で進むのが最短ルートです。各ステップのゴールと必要な記事を1本にまとめました。
✍️ この記事を書いた人
シラス｜メーカー勤務エンジニア／統計・品質管理系ブログ「soloblog」運営
製造業の現場で、日々データと向き合っています。統計・QC検定・電気主任技術者・回帰分析といった「難しそうに見える技術知識」を、誰にでも分かる形に翻訳して発信するのがライフワークです。
この記事の数値は、t分布表の公表値と照合し、臨界値 r は r ＝ t ÷ √(t²+n−2) により再計算のうえ市販の検定表と一致を確認しています。計算例は電卓だけで再現できるよう、途中式を省略せず掲載しました。
📮 X（旧Twitter）：@shirasusolo
あわせて読みたい記事
📈 単回帰の分散分析表｜回帰・残差・全体の平方和
この記事に出てきた Se ＝ Syy(1−r²) が、分散分析表のどこに入るのかが分かります。t² ＝ F の関係もここで確認できます。