tecktom.com

仮説検定で使う用語

2026年10月17日8分で読めますAI生成教科書『資格試験』第12章 仮説検定の考え方と平均の検定
目次
  1. 用語の定義
  2. 値
  3. 値は が正しい確率ではない
  4. 確認テスト
  5. 木下の層

AI 生成・木下が未勉強

統計学の復習 第12章 §12.2 ★★★ pp 値は H0H_0 のもとでの裾の確率で、H0H_0 が正しい確率ではない。p≤αp\le\alpha と「統計量が棄却域に入る」は同じ判定である

用語の定義

検定の材料を、§12.1 の手順の順に名前で呼ぶ。

定義 12.1(検定の用語)

  1. 帰無仮説 H0H_0 と対立仮説 H1H_1:母数の取りうる値を2つに分けたもの。H0H_0 は、そのもとで検定統計量の分布が1つに決まる側に取る。H0H_0 が指定する母数の値(μ0\mu_0 など)を帰無仮説の値と呼ぶ。
  2. 検定統計量:標本から計算され、H0H_0 のもとでの分布が分かっている統計量。観測値を代入した値を実現値と呼び、zobsz_{\mathrm{obs}}・tobst_{\mathrm{obs}} と書く。
  3. 有意水準 α\alpha:H0H_0 が正しいときに H0H_0 を棄却する確率の上限として、データを見る前に決める数。
  4. 棄却域:「検定統計量がここに入れば H0H_0 を棄却する」と決めた値の集まり。その補集合を採択域と呼ぶ。
  5. H0H_0 を棄却することを「有意である」とも言い、「有意水準 5%5\% で有意」のように水準を添える。

「採択」という語を使うが、採択域に入ったことは H0H_0 が正しいと認めたことを意味しない。§12.1 で見たとおり、棄却しなかったときに言えるのは「H0H_0 と矛盾するとはいえない」ことだけである。

pp 値

棄却域に入るかどうかの二択の代わりに、観測値の珍しさを1つの数で表すのが pp 値である。

定義 12.2(pp 値)

検定統計量を TT、実現値を tobst_{\mathrm{obs}} とする。H0H_0 のもとで、TT が tobst_{\mathrm{obs}} と同じかそれ以上に H1H_1 の方向へ極端な値をとる確率を pp 値と呼ぶ。

  • 上側の対立仮説(大きい値が H1H_1 の証拠)のとき:p=PH0(T≥tobs)p=P_{H_0}(T\ge t_{\mathrm{obs}})。
  • 下側の対立仮説のとき:p=PH0(T≤tobs)p=P_{H_0}(T\le t_{\mathrm{obs}})。
  • 両側の対立仮説で、H0H_0 のもとでの TT の分布が 00 について対称なとき:p=PH0(∣T∣≥∣tobs∣)=2PH0(T≥∣tobs∣)p=P_{H_0}(\lvert T\rvert \ge\lvert t_{\mathrm{obs}}\rvert )=2P_{H_0}(T\ge\lvert t_{\mathrm{obs}}\rvert )。

ここで PH0P_{H_0} は H0H_0 が正しいとして計算した確率を表す。

TT が連続型の確率変数なら PH0(T=tobs)=0P_{H_0}(T=t_{\mathrm{obs}})=0 であり、観測値1点の確率では珍しさを測ることができない。定義の「同じかそれ以上に極端な」という部分は、1点でなく裾全体の確率を取るために必要な部分で、これによって pp 値は正の値になる。両側の pp 値が片側の2倍になるのは、極端と認める領域が左右に2つあるからである。

命題 12.3(pp 値による判定と棄却域による判定は一致する)

上側の対立仮説で、H0H_0 のもとでの TT の累積分布関数 FF が連続で狭義に増加するとする。c=F−1(1−α)c=F^{-1}(1-\alpha) を上側 100α%100\alpha\% 点とすると、

  1. p≤α  ⟺  tobs≥cp\le\alpha\iff t_{\mathrm{obs}}\ge c である。
  2. H0H_0 のもとで、確率変数としての pp 値 1−F(T)1-F(T) は区間 (0,1)(0,1) 上の一様分布に従う。したがって PH0(p≤α)=αP_{H_0}(p\le\alpha)=\alpha である。
証明

(1) p=PH0(T≥tobs)=1−F(tobs)p=P_{H_0}(T\ge t_{\mathrm{obs}})=1-F(t_{\mathrm{obs}}) である。p≤α  ⟺  F(tobs)≥1−αp\le\alpha\iff F(t_{\mathrm{obs}})\ge1-\alpha で、FF は狭義に増加するので、これは tobs≥F−1(1−α)=ct_{\mathrm{obs}}\ge F^{-1}(1-\alpha)=c と同値である。

(2) 第6章の確率積分変換から U=F(T)∼U(0,1)U=F(T)\sim\mathrm U(0,1) である。0<u<10<u<1 に対して

PH0(1−F(T)≤u)=P(U≥1−u)=1−(1−u)=uP_{H_0}\bigl(1-F(T)\le u\bigr)=P(U\ge1-u)=1-(1-u)=u

なので、1−F(T)1-F(T) の累積分布関数は uu で、これは U(0,1)\mathrm U(0,1) の累積分布関数である。u=αu=\alpha とすれば PH0(p≤α)=αP_{H_0}(p\le\alpha)=\alpha を得る。

(1) は、同じ判定に2つの書き方があり、不等号の向きが逆になることを述べている。統計量はずれの大きさなので「臨界値を超えたら棄却」、pp 値は珍しさの確率なので「α\alpha を下回ったら棄却」である。両方を計算した問題では、2つの判定が一致することで検算することができる。(2) は、pp 値で判定する規則の第1種の過誤の確率が、宣言した α\alpha にちょうど等しいことを保証している。

pp 値は H0H_0 が正しい確率ではない

pp 値を「H0H_0 が正しい確率」と読むのは誤りである。理由は2つある。

第一に、条件の向きが逆である。pp 値は「H0H_0 が正しいという条件のもとで、データがこれ以上に極端になる確率」であり、確率が載っているのはデータの側で、条件になっているのが H0H_0 である。「H0H_0 が正しい確率」は「データという条件のもとで H0H_0 が成り立つ確率」で、条件と対象が入れ替わっている。第3章で見たとおり P(A∣B)P(A\mid B) と P(B∣A)P(B\mid A) は一般に異なる。

第二に、この章の枠組みでは母数 μ\mu は未知の定数で、μ=200\mu=200 は真か偽のどちらかに決まっている。確率変数なのは標本の側だけなので、「H0H_0 が正しい確率」という量はそもそも定義されない。これは第10章で「95%95\% 信頼区間が μ\mu を含む確率が 0.950.95」と読むのが誤りであったのと同じ構造である。

仮に H0H_0 が正しい確率 π0\pi_0 を外から与えれば、第3章の Bayes の定理で「棄却したときに H0H_0 が正しかった確率」を計算することはできる。対立仮説のもとでの棄却の確率(§12.3 の検出力)を 1−β1-\beta とすると

P(H0 が正しい∣棄却)=α π0α π0+(1−β)(1−π0)(12.1)P(H_0\text{ が正しい}\mid\text{棄却})=\frac{\alpha\,\pi_0}{\alpha\,\pi_0+(1-\beta)(1-\pi_0)}\tag{12.1}

である。右辺には pp 値でも α\alpha だけでもなく、π0\pi_0 と検出力が入っている。データから得た pp 値だけでは、H0H_0 が正しい確率は決まらない。母数を確率変数として扱う Bayes 統計の立場は数理統計の解説 第10章で扱う。

例題 12.2 pp 値を計算して有意水準と比べる ★★★

オリジナル§12.1 の菓子の例(σ=6\sigma=6、n=36n=36、xˉ=202.3\bar x=202.3、μ0=200\mu_0=200)で、Φ(2.3)=0.98928\Phi(2.3)=0.98928 とする。

  1. 対立仮説が H1:μ≠200H_1:\mu\ne200 のときの pp 値を求め、有意水準 5%5\% と 1%1\% での結論を述べよ。
  2. 対立仮説が H1:μ>200H_1:\mu>200 のときの pp 値を求め、有意水準 5%5\% と 1%1\% での結論を述べよ。
解答

(1) zobs=(202.3−200)/(6/36)=2.3z_{\mathrm{obs}}=(202.3-200)/(6/\sqrt{36})=2.3 である。両側なので

p=P(∣Z∣≥2.3)=2{1−Φ(2.3)}=2×0.01072=0.0214.p=P(\lvert Z\rvert \ge2.3)=2\{1-\Phi(2.3)\}=2\times0.01072=0.0214.

p<0.05p<0.05 なので有意水準 5%5\% では棄却し、p>0.01p>0.01 なので有意水準 1%1\% では棄却しない。統計量で書くと、5%5\% の臨界値 1.9601.960 を 2.32.3 は超え、1%1\% の臨界値 2.5762.576 は超えないので、同じ結論になる。

(2) 上側なので p=P(Z≥2.3)=0.0107p=P(Z\ge2.3)=0.0107 である。5%5\% では棄却する。1%1\% では 0.0107>0.010.0107>0.01 なので棄却しない(臨界値 z0.01=2.326z_{0.01}=2.326 を 2.32.3 はわずかに超えない)。同じデータでも、対立仮説の向きによって pp 値は2倍違う。

確認テスト

オリジナル

  1. 12.2-1 次の文の正誤を答え、誤りなら理由を述べよ。(a) pp 値が 0.030.03 なら、H0H_0 が正しい確率は 3%3\% である。(b) pp 値が小さいほど、データは H0H_0 に反する。(c) 有意水準は、pp 値を見てから結論が出るように決めてよい。(d) 両側検定で p=0.03p=0.03 なら、有意水準 5%5\% では棄却し、1%1\% では棄却しない。
  2. 12.2-2 母分散既知の zz 検定で zobs=−1.8z_{\mathrm{obs}}=-1.8 であった(Φ(1.8)=0.96407\Phi(1.8)=0.96407)。H1:μ≠μ0H_1:\mu\ne\mu_0 のときと H1:μ<μ0H_1:\mu<\mu_0 のときの pp 値をそれぞれ求めよ。
  3. 12.2-3 式 (12.1) で α=0.05\alpha=0.05、検出力 1−β=0.51-\beta=0.5、π0=0.8\pi_0=0.8 とするとき、棄却したときに H0H_0 が正しかった確率を求めよ。
  4. 12.2-4 Z∼N(0,1)Z\sim\mathrm N(0,1) のとき、両側の pp 値 P=2{1−Φ(∣Z∣)}P=2\{1-\Phi(\lvert Z\rvert )\} が U(0,1)\mathrm U(0,1) に従うことを示せ。

木下の勉強ステータス

木下はまだこの記事を勉強していません。

AI(Claude)が書いた教材を、木下が勉強しながら公開しています。式と数値は検算していますが、誤りが残っているかもしれません。誤りのご指摘・削除のご依頼をいただければ直します。 連絡先:support@tecktom.com

← AI生成教科書『資格試験』の記事一覧へ