残差と誤差の違いを一言でいうと？

残差は実測値と予測値の差で、データから計算できるズレです。誤差は実測値と真の値の差で、真の値が分からないので直接は計算できません。

残差の合計はなぜ0になるのですか？

切片を含む回帰直線を最小二乗法で引くと、プラスとマイナスの残差がちょうど打ち消し合う位置に直線が決まるためです。

測定の誤差と残差はどう違いますか？

誤差は測定値と真の値の差、残差は測定値と平均値の差です。真の値は分からないので、ばらつきの計算には残差を使います。

残差と誤差の違いとは？式と計算例・残差プロットの見方を図解

※本記事にはプロモーション（広告）が含まれています。

回帰分析を勉強していると、必ず出てくる2つの用語があります。
それが「残差(Residual)」と「誤差(Error)」です。

「モデルの当てはまりを確かめるために残差を見ましょう」と聞いて、
「それって"誤差"と同じじゃないの?」と感じたことはありませんか?

💡 実はこの2つ、見ている世界が違うので、混同すると理解が一気に難しくなります。

この記事では、統計学において超重要なこの2つの概念を、初心者でも完全に理解できるよう、図解をたっぷり使って徹底解説します。

残差と誤差の違いを一枚で理解

まずは、残差と誤差の違いを一覧表で整理しましょう。
この表を見れば、2つの概念がどう違うのか一目瞭然です。

比較項目	残差 (Residual)	誤差 (Error)
対象	サンプル(手元のデータ)	母集団(未知の真のモデル)
定義	実測値 − 予測値	実測値 − 真の値
記号例	e_i	ε_i
計算できる?	✅ できる(データから算出)	❌ できない(真の値が不明)
主な用途	当てはまり診断・外れ値検出	理論モデルの前提・推定の基礎

つまり、残差は「見える世界」、誤差は「見えない世界」なのです。
でも、残差を調べることで、見えない誤差の性質を推測できるというわけですね!

残差が生まれるまで：3ステップでイメージ

それでは、残差がどうやって生まれるのかを、具体例を使って3ステップで見ていきましょう。

ここでは、「勉強時間」と「テスト点数」の関係を分析する例を考えます。

📈 STEP 1:散布図を描く

まず、横軸に勉強時間(x)、縦軸にテスト点数(y)をとって、データの点をプロットします。

点の「雲」を観察すると、右肩上がりの関係がありそうだと感覚的につかめますね。

📐 STEP 2:回帰直線を引く

次に、最小二乗法を使って、データに最もよく当てはまる直線を引きます。

この直線が「予測モデル」になります。
ここまでが"モデル作り"の段階です。

📏 STEP 3:残差を計算

各データ点について、以下の式で残差(e_i)を計算します。

図を見ると、縦方向の短い矢印が残差を表しています。
矢印が上下に散っていれば、モデルにまだ吸収しきれない要因が潜んでいる合図です。

残差プロットで分かる4つのこと

残差を計算したら、次は「残差プロット」を作ります。
これは、横軸に予測値(ŷ)、縦軸に残差(e)をとった散布図です。

このプロットを見れば、モデルの問題点が一目瞭然になります!

✅ 1. モデルの当てはまり

残差がランダムに散らばっているなら、モデルは良い当てはまりを示しています。

この続きと一緒に読まれている記事

逆に、残差に曲線的なパターンが見えるなら、直線モデルでは不十分かもしれません。
その場合は、非線形モデル(2次関数など)を検討しましょう。

⚠️ 2. パターンの検出

残差プロットにU字型やS字型のパターンが現れたら要注意。
これは、モデルが重要な非線形関係を見逃している可能性があります。

📢 3. 等分散性の確認

残差の散らばり具合が、予測値に関わらず一定かをチェックします。

もし、予測値が大きくなるにつれて残差の散らばりも大きくなる「漏斗(ろうと)型」になっていたら、等分散性の仮定が破れています。

🎯 4. 外れ値の検出

他の点から大きく飛び出した残差は、外れ値の候補です。

外れ値は、データ入力ミスの可能性もあれば、重要な特殊ケースの可能性もあります。
クック距離などで影響の大きさを数値化し、慎重に判断しましょう。

誤差の4つの仮定と残差を使った確認方法

回帰分析では、「誤差(ε)」に関する4つの仮定を置いています。

これらの仮定が満たされていないと、推定結果が信頼できなくなります。
でも安心してください!残差を調べることで、誤差の性質を推測できます。

数値で確かめる｜5点のデータで残差を計算する

勉強時間 x（時間）とテストの点数 y の5人分のデータで、回帰直線を引いて残差を出してみます。

平均は x̄＝3、ȳ＝63。偏差の積和 Sxy＝56、x の偏差平方和 Sxx＝10 なので、傾きは 56÷10＝5.6、切片は 63−5.6×3＝46.2。回帰直線は ŷ＝46.2＋5.6x です。

x（時間）	実測値 y	予測値 ŷ	残差 e＝y−ŷ	残差の2乗
1	52	51.8	＋0.2	0.04
2	58	57.4	＋0.6	0.36
3	61	63.0	−2.0	4.00
4	70	68.6	＋1.4	1.96
5	74	74.2	−0.2	0.04
合計			0.0	6.40

表から、残差について大事な性質が3つ読み取れます。

残差の合計は0：切片を含む直線を最小二乗法で引くと、必ずこうなります。だから「残差の平均が0か」を見ても、誤差の平均が0かは確かめられません。偏りは残差プロットの形で見ます
残差平方和 Se＝6.40：最小二乗法は、この値がいちばん小さくなる直線を選ぶ方法です
誤差の分散は残差から推定する：Se を n−2（＝3）で割った 6.40÷3≒2.13 が、見えない誤差の分散 σ² の推定値です（標準偏差にすると約1.46点）

n ではなく n−2 で割るのは、傾きと切片の2つをデータから決めたぶん、残差が自由に動ける数（自由度）が2つ減るからです。残差は、見えない誤差より少しだけ小さく出る性質があります。

測定・実験での「残差」と「誤差」

回帰分析だけでなく、同じ量を何回も測る測定や測量でも、2つの言葉は同じ考え方で使い分けます。

	誤差	残差
定義	測定値−真の値	測定値−平均値（最も確からしい値）
計算できるか	できない（真の値は分からない）	できる
合計	0になるとは限らない	必ず0
使いみち	測定の正確さを考えるときの概念	ばらつき（標準偏差）を計算する

標準偏差を出すときに n ではなく n−1 で割るのも、真の値の代わりに平均値を使い、残差で計算しているためです。回帰分析で n−2 で割るのと同じ理由です。

よくある質問

仮定	数式	確認方法	違反時の対処
① 平均ゼロ	E(ε_i) = 0	残差プロットで偏りを見る（切片ありの最小二乗法では残差の平均は必ず0）	切片の追加
② 等分散性	Var(ε_i) = σ²	残差プロットの確認	変数変換、加重回帰
③ 独立性	Cov(ε_i, ε_j) = 0	ダービン・ワトソン検定	時系列モデル検討
④ 正規性	ε_i ~ N(0, σ²)	Q-Qプロット、シャピロ検定	変数変換、ロバスト推定

よくある誤解と正しい見方

残差と誤差について、初心者がよく陥る誤解をまとめました。
あなたも当てはまっていませんか?

よくある誤解	なぜ起こる?	正しい見方
残差=誤差だから深く考えなくていい	用語が似ている	残差は"見える"ズレ。分析後の品質チェックに必須
残差がゼロに近ければ完璧	サンプルサイズが小さいと偶然でも小さく見える	決定係数や交差検証も合わせて評価
外れ値は全部除去すべき	ルール化し過ぎ	ビジネス的に意味がある点なら残す判断も

まとめ:残差は"モデルの健康診断レポート"

残差と誤差の違い、理解できましたか?
この知識があれば、回帰分析の精度を格段に高めることができます。

次は、実際に残差プロットを作って、あなたのモデルを診断してみましょう!

🔗 あわせて読みたい関連記事

📚 次に読むべき記事

相関と回帰の「違い」がわかったら、次は中身に進みましょう。今のあなたの状態に近いところから読むのがおすすめです。

残差と誤差の違いとは？式と計算例・残差プロットの見方を図解

残差と誤差の違いを一枚で理解