- F検定で有意差は出たけど、この結論を本当に信じていいのか不安
- 「残差分析」という言葉は聞くけど、何のためにやるのか分からない
- 残差プロットを見せられても、どこを見て良し悪しを判断するのか分からない
- 残差分析とは何か、なぜサボると結論が無効になるのか
- 残差の計算方法（具体例つきで1ステップずつ）
- 残差プロットで異常を見抜く4つの診断パターン
残差分析とは、実験データが「正規分布・等分散・独立」という分散分析の前提を満たしているかを、残差（実測値と平均値のズレ）を使ってチェックする「データの健康診断」です。F検定で有意差が出ても、この前提が崩れていれば結論は信用できません。残差をグラフにして、ゼロを中心にランダムにばらついていれば合格、パターンやクセが見えたら要注意、と判断します。
目次
残差分析とは？分析結果の「健康診断」です
分散分析（F検定）で「A条件とB条件には差がある」という結果が出たとします。うれしい瞬間です。でも、プロのエンジニアはここでシャンパンを開けません。最後にもう一つ、やるべきことが残っています。それが残差分析です。
残差分析とは、ひとことで言えば「その計算結果、本当に信じていいの？」を確かめる検算です。人間ドックで血液検査をして「異常なし」を確認してから健康と判断するのと同じ。データにも健康診断が必要なのです。
分散分析は「データが正規分布に従う」「バラつきが一定」という前提の上に成り立っています。この前提が崩れていると、計算したF値も信頼区間もすべて無効。有意差ありという結論そのものが、砂上の楼閣になってしまうのです。
つまり残差分析は「おまけ」ではなく、結論を世に出す前の最後の関門。ここを通って初めて、あなたの実験データは「真実」として信頼されます。
そもそも「残差」とは何か
残差分析の主役、残差（ざんさ）から説明します。残差とは、「実測値」と「予測値（各水準の平均値）」のズレのことです。
残差 ＝ 実測値 − その水準の平均値
たとえば温度という要因の効果を調べたとき、「温度の効果」を取り除いた後に残る純粋なノイズ（残りカス）が残差です。実験がうまくいっていれば、この残りカスはただのランダムな誤差になっているはずです。
料理の味付けで「塩の効果」を分析したあと、それでも説明できない味のブレが残差。もしこの残りカスに規則性（クセ）があったら、「塩以外の何か」がこっそり影響している証拠なのです。
「残差」は実際に計算で求められる目に見えるズレ、「誤差」は本来あるはずの目に見えない真のバラつきです。ここは間違えやすいので、残差と誤差の違いの解説で整理しておくと理解が深まります。
「健康な残差」が満たす3つの条件
残差が「健康」かどうかは、次の3つの条件で判断します。これは分散分析が成り立つための前提そのものです。
正規性：ゼロを中心に、きれいな釣鐘型（正規分布）にばらついているか？
等分散性：どの水準でも、バラつきの幅が同じくらいか？（A条件だけ極端に暴れていないか）
独立性：時間の経過で徐々に増えたり、規則的に動いたりしていないか？
つまり、理想の残差は「ゼロ付近で、まんべんなく、ランダムに散らばっている」状態。逆に言えば、この3つのどれかが崩れていたら、実験のどこかに問題が潜んでいます。
「無秩序でランダム＝健康」というのが面白いところ。データにきれいな模様が見えてしまったら、それは"効果を取り除いたはずなのに、何かが残っている"サインなのです。
実践：残差を計算してみる
言葉だけでは分かりにくいので、実際に手を動かしてみましょう。温度を2水準（A1・A2）変えて、ある製品の強度を3回ずつ測ったデータを使います。
| 水準 | 実測値（3回） | 平均値 |
|---|---|---|
| 温度A1 | 3, 4, 5 | 4.0 |
| 温度A2 | 7, 8, 9 | 8.0 |
残差は「実測値 − その水準の平均値」でした。1つずつ引き算していきます。
A1（平均4.0）の残差：
3 − 4.0 ＝ −1／4 − 4.0 ＝ 0／5 − 4.0 ＝ +1
A2（平均8.0）の残差：
7 − 8.0 ＝ −1／8 − 8.0 ＝ 0／9 − 8.0 ＝ +1
残差をまとめる：
{ −1, 0, +1, −1, 0, +1 }
つまり、温度の効果（平均の差）を取り除くと、残ったのは「−1, 0, +1」というきれいで小さなブレだけ。これがまさに健康な残差の見本です。ゼロを中心に、左右対称にばらついていますね。
残差プロットで異常を見抜く4つのパターン
残差は数字のまま眺めても分かりにくいので、グラフにします。これを残差プロットと呼びます。ここで見つかる異常は、大きく4パターンに分けられます。それぞれ「何を疑い、何をすべきか」を対応表にまとめました。
| 見えたパターン | 疑うこと | やるべきこと |
|---|---|---|
| ① 分布が片側に歪む | 正規性が崩れている | 対数変換などでデータを整形する |
| ② 一つだけ巨大な値 | 測定ミス・突発トラブル（外れ値） | 原因を調査。正当な理由があれば除外 |
| ③ 前半マイナス・後半プラス | 装置のドリフト（状態変化） | 実験順序を無作為化（ランダム化）する |
| ④ ジグザグに動く | 交互作用や測定者のクセ | 要因の見直し・測定手順の統一 |
診断①：正規性のチェック（ヒストグラム）
残差でヒストグラムを作ります。先ほどの「−1, 0, +1」なら左右対称できれい。もし右側だけ極端に長い（歪んでいる）場合は、正規性が崩れているサインです。
診断②：外れ値のチェック
残差の中に一つだけ「+10」のような巨大な値があったら、それは測定ミスかトラブルの可能性大。そのまま解析すると平均や分散が歪み、F検定の結論を誤らせます。
現場でありがちなのが、都合の悪い値を理由もなく消してしまうこと。これはデータの捏造に近い危険な行為です。除外するのは「測定機器が故障していた」など正当な理由を特定できたときだけ。理由が分からなければ、残したまま解析するのが誠実です。
診断③・④：時系列で並べてクセを探す
実験を行った順番に残差を並べます。前半がマイナスばかり・後半がプラスばかりなら、装置が徐々に変化した「ドリフト」を疑います。規則的にジグザグしていれば、交互作用や測定者のクセが混ざっているかもしれません。
異常が見つかったらどうする？
残差プロットで異常が見つかっても、慌てる必要はありません。むしろ「解析前に問題に気づけてラッキー」です。異常のタイプ別に、次の一手を整理します。
データ側で直せる
- 歪み → 対数変換などで整形
- 明確な測定ミス → 理由を記録して除外
実験計画から見直す
- ドリフト → 順序をランダム化
- ジグザグ → 要因や手順を再検討
ドリフトやクセを防ぐには、そもそも実験の設計段階で「ランダム化・反復・局所管理」という実験の3原則を守ることが効きます。詳しくは実験の3原則の解説を読むと、なぜ順序を無作為にするのかが腑に落ちます。
残差分析は「やり直しを命じる嫌な検査」ではなく、「間違った結論を世に出す前に止めてくれる安全装置」。見つかった異常は、次の実験をより良くするヒントになります。
残差分析の前後で読んでおきたい記事
残差分析は、分散分析の「最後の仕上げ」です。前後の流れをつかむと、実験計画法の全体像がぐっと見えやすくなります。関連記事を段階別に紹介します。
残差分析の「前」にやること
まず分散分析とは？平均の差を"分散"で判定する理由で判定の仕組みを押さえ、一元配置分散分析の計算で分散分析表の作り方を手を動かして確認しておきましょう。最適条件の予測は母平均の点推定と区間推定が参考になります。
残差分析の「後」に進む世界
一元配置が終わったら、要因を2つに増やした二元配置実験へ。ここで実験計画法最大の山場交互作用が登場します。用語でつまずいたら誤差とは？実験で避けられないバラつきの正体もあわせてどうぞ。
基礎から直交表・応用までの読む順番は実験計画法の学習マップにまとまっています。どこから手をつけるか迷ったら、まずここを見てください。
よくある質問（FAQ）
- 残差分析＝分析結果を信じてよいか確かめる「データの健康診断」
- 残差＝実測値 − その水準の平均値（純粋なノイズ）
- 健康な残差はゼロ中心にランダム。正規性・等分散・独立が条件
- 異常は「歪み・外れ値・ドリフト・ジグザグ」の4パターンで見抜く
- 外れ値は正当な理由があるときだけ除外する
F検定で有意差が出ても、すぐに飛びついてはいけません。最後にこの健康診断を通し、「異常なし」と確認して初めて、そのデータは真実として世に出せます。残差分析は、あなたの結論を守る最後の砦です。次はいよいよ、要因を2つに増やした二元配置実験へ進みましょう。
自動車部品メーカーで電気設計・品質保証に携わってきた経験をもとに執筆しています。実験データの解析は日々の仕事の一部。むずかしい統計をできるだけ数式に頼らず、たとえと図で「なぜそうするのか」まで伝えることを大切にしています。
📚 次に読むべき記事
基礎から直交表・応用まで、どの順で学べば迷わないかを1枚に整理。全体像の地図です。
残差分析の前段階。F値を出すまでの計算を、電卓で最後まで解けるように解説します。
一元配置の次のステップ。温度と圧力など、要因を2つに増やす実験へ進みます。