【図解】t分布と自由度｜データが少ないと判定基準が厳しくなる理由

前回、t検定の計算方法を学びましたね。

その中で、こんな疑問を持ちませんでしたか？

この疑問の答えは、t分布の「形」を見れば一発でわかります。

今回は、t分布と自由度の関係を、イメージで徹底的に理解していきましょう。

t分布のイメージ｜「自信がない分、広く構える」

まず、t分布がどんな形をしているか、イメージで掴みましょう。

正規分布とt分布を並べてみよう

正規分布とt分布、どちらも「釣鐘型（ベルカーブ）」の形をしています。

でも、よく見ると違いがあります。

t分布の特徴は、「裾野が広い」ことです。

これを別の言い方をすると、「極端な値が出やすい」ということになります。

たとえ話で理解しよう｜「慎重なアーチャー」

t分布と正規分布の違いを、弓矢の的当てでたとえてみましょう。

t分布の「裾野が広い」とは、「不確実さを反映している」ということなんです。

自由度とは？｜「自信の度合い」を表す数字

t検定では、自由度という数字が登場しますね。

一標本t検定の場合、自由度 = n − 1（データ数 − 1）です。

この「自由度」は、t分布の「形」を決めるパラメータです。

自由度が変わると、t分布の形はどう変わる？

ここが今日の最重要ポイントです。

たとえ話で理解しよう｜「経験を積んだ職人」

臨界値の変化を数字で確認しよう

「裾野が広い」「判定基準が厳しい」という話を、実際の数字で確認しましょう。

有意水準α = 5%（両側検定）のときの臨界値を見てください。

図でイメージしよう｜「ゴールラインの位置」

臨界値の違いを、「ゴールラインの位置」でたとえてみましょう。

なぜ「厳しく」する必要があるのか？

「データが少ないから厳しくする」というのは、感覚的には理解できますよね。

でも、なぜ統計学的にそうなるのか、もう少し深掘りしてみましょう。

理由①：標本標準偏差の「ブレ」が大きい

t検定では、母分散の代わりに標本標準偏差（s）を使います。

でも、この「s」はサンプルから計算した推定値です。

データが少ないと、標本標準偏差sが真の値からズレやすいんです。

そのズレを考慮して、判定基準を厳しくしておく必要があるのです。

詳しくは不偏分散の記事で解説しています。

品質保証の現場では、試作品の評価や破壊試験のように「サンプルが3個や5個しか取れない」場面が日常的にあります。本記事のとおり自由度が小さいほど臨界値が大きくなる（判定が厳しくなる）ので、少サンプルの試験では「差があるはずなのに有意にならない」ことが頻発します。これは検出力が低いせいで、t検定が正しく機能している証拠でもあります。ここで「有意差なし＝差がない」と結論づけてしまうのが一番多いミスです。正しくは「このサンプル数では差を検出できなかった」であって、差がないことの証明にはなりません。

実務で効いてくるのが、本記事の「自由度30が境界」という目安です。30個もデータが取れればt検定はほぼZ検定と同じになり、サンプル数の少なさを気にする必要がなくなります。逆に言えば、評価計画を立てる段階で「何個測れば狙った差を有意にできるか」をサンプルサイズ設計で先に決めておくと、試験後に「データが足りなくて判定できなかった」という手戻りを防げます。測ってから考えるのではなく、測る前にnを決めるのが現場の鉄則です。

もう一つの落とし穴が、少サンプルでの正規性の前提です。データが多ければ多少分布が崩れても問題になりにくいのですが、n=4や5では1個の外れ値が平均も標準偏差も大きく動かし、t検定の結果を簡単にひっくり返します。少サンプルのときほど、検定にかける前に必ず生データと外れ値を目で確認するクセが重要になります。

理由②：「たまたま」のリスクを抑える

データが少ないと、「たまたま」極端な結果が出やすいんです。

データが少ない状態で「有意差あり！」と判定すると、第1種の過誤（あわてんぼうのミス）のリスクが高まります。

そのリスクを抑えるために、判定基準を厳しくするのです。

実務での目安｜「自由度30」がひとつの境界線

統計学の世界では、こんな目安があります。

まとめ｜t分布は「不確実さの反映」

次に読むべき記事

t分布と自由度の関係を理解したら、次は「2つのグループを比較するt検定」を学びましょう。

「A組とB組の平均に差はあるか？」のような、2標本の比較ができるようになります。