カイ二乗検定入門！アンケート結果の関連性を調べる統計手法を初心者向けに解説

リンドくん

たなべ先生、アンケート結果を分析してるんですけど、「性別と商品の好み」みたいな項目同士に関連があるかどうかって、どうやって調べればいいんですか？

たなべ

そういうときに使うのがカイ二乗検定（カイにじょうけんてい）という統計手法なんだ。
アンケートのようなカテゴリーデータの関連性を科学的に調べることができるんだよ。

データ分析を始めると、必ず遭遇するのが「2つの項目に関連性があるか」という問いです。
例えば、「男性と女性で商品の好みに違いがあるのか」「年齢層によって利用サービスに偏りがあるのか」といった疑問は、ビジネスでもよく出てきますよね。

こうした質問に答えるための強力なツールがカイ二乗検定（chi-square test）です。
本記事では、統計学初心者の方でも理解できるよう、カイ二乗検定の基本概念から実際のPythonコードを使った分析まで、段階的に解説していきます。

アンケート結果を「なんとなく」ではなく、科学的根拠を持って分析できるスキルを身につけていきましょう！

カイ二乗検定とは何か

リンドくん

「カイ二乗」って名前からして難しそうなんですけど...

たなべ

名前は確かに難しそうだけど、やってることはシンプルなんだよ。
「実際の結果」と「関連がないと仮定した場合の予想結果」を比べるだけなんだ。

カイ二乗検定の基本概念

カイ二乗検定は、カテゴリーデータ（質的データ）の関連性を調べる統計手法です。
カテゴリーデータとは、「男性・女性」「好き・嫌い」「A商品・B商品・C商品」のように、数値ではなく分類で表されるデータのことです。

この検定の核心は以下の考え方にあります。

もし2つの項目に関連がないなら、データはある特定のパターンになるはず
実際のデータがそのパターンから大きくずれているなら、関連がある可能性が高い
そのずれの大きさを数値化したものがカイ二乗統計量

どんなときに使うのか

カイ二乗検定が活躍する場面は以下のようなケースです。

アンケート調査の分析 → 性別と商品の好みに関連があるか
マーケティング分析 → 年齢層と購入チャネルに偏りがあるか
医療研究 → 治療法と回復率に関連があるか
A/Bテスト → デザインAとBでクリック率に差があるか

これらはすべて「カテゴリー×カテゴリー」の関連性を調べる問題であり、カイ二乗検定が最適な手法となります。

仮説検定の流れ

カイ二乗検定は仮説検定の一種です。基本的な流れは次のようになります。

帰無仮説の設定 → 「2つの項目に関連はない」と仮定
データの収集 → 実際のアンケート結果などを集める
カイ二乗統計量の計算 → 実際のデータと期待値のずれを数値化
p値の算出 → その統計量が偶然起こる確率を求める
判定 → p値が小さければ帰無仮説を棄却し、関連があると結論

この一連の流れを理解することで、カイ二乗検定の本質が見えてきます。

カイ二乗検定の計算の仕組み

リンドくん

実際にはどうやって計算するんですか？数式とか出てきますか？

たなべ

基本的な考え方を理解しておくと、Pythonで実行するときも何をやってるか分かりやすいよ。
観測度数と期待度数の差を見るんだ。

クロス集計表（分割表）

カイ二乗検定では、まずクロス集計表（分割表）というものを作ります。
例えば、「性別」と「商品の好み」のアンケート結果を整理すると以下のようになります。

	A商品が好き	B商品が好き	合計
男性	30	20	50
女性	15	35	50
合計	45	55	100

この表の各マスの数字を観測度数と呼びます。

期待度数の計算

次に、もし「性別と商品の好みに関連がない」と仮定した場合の期待度数を計算します。
期待度数は以下の式で求められます。

code

期待度数 = (その行の合計 × その列の合計) ÷ 全体の合計

例えば、「男性×A商品」の期待度数は次のようになります。

code

期待度数 = (50 × 45) ÷ 100 = 22.5

カイ二乗統計量の計算

各マスについて、観測度数と期待度数の差を計算し、それを標準化したものの合計がカイ二乗統計量です。

code

カイ二乗統計量 = Σ [(観測度数 - 期待度数)² ÷ 期待度数]

この値が大きいほど、実際のデータが「関連なし」という仮定から大きくずれていることを意味します。

p値による判定

カイ二乗統計量が計算できたら、それが偶然起こる確率（p値）を求めます。
一般的にはp値が0.05未満なら「関連がある」と判定します。

このp値の計算には自由度が必要で、クロス集計表の場合は以下のように求めます。

code

自由度 = (行数 - 1) × (列数 - 1)

Pythonでカイ二乗検定を実行してみよう

リンドくん

Pythonでやってみたいです！

たなべ

じゃあ、実際のコードを見ていこう。Pythonのscipyライブラリを使えば、すごく簡単にできるんだよ。

基本的なサンプルコード

まずは、先ほどの「性別と商品の好み」の例をPythonで分析してみましょう。

python

import numpy as np
from scipy.stats import chi2_contingency

# クロス集計表のデータ
observed = np.array([
    [30, 20],  # 男性：A商品、B商品
    [15, 35]   # 女性：A商品、B商品
])

# カイ二乗検定の実行
chi2, p_value, dof, expected = chi2_contingency(observed)

# 結果の表示
print(f"カイ二乗統計量: {chi2:.4f}")
print(f"p値: {p_value:.4f}")
print(f"自由度: {dof}")
print("\n期待度数:")
print(expected)

# 判定
alpha = 0.05
if p_value < alpha:
    print(f"\np値({p_value:.4f}) < {alpha} のため、関連性がある可能性が高い")
else:
    print(f"\np値({p_value:.4f}) >= {alpha} のため、関連性があるとは言えない")

このコードを実行すると、以下のような結果が得られます。

code

カイ二乗統計量: 9.0909
p値: 0.0026
自由度: 1

期待度数:
[[22.5 27.5]
 [22.5 27.5]]

p値(0.0026) < 0.05 のため、関連性がある可能性が高い

コードの解説

このコードのポイントを解説します。

chi2_contingency()関数 → カイ二乗検定を一発で実行してくれる便利な関数
戻り値 → カイ二乗統計量、p値、自由度、期待度数の4つが返される
判定基準 → 一般的にはp値0.05を基準に使う

pandasを使った例

実際のデータ分析では、pandasのDataFrameを使うことが多いです。
以下はアンケートデータからクロス集計表を作成し、カイ二乗検定を行う例です。

python

import pandas as pd
import numpy as np
from scipy.stats import chi2_contingency

# アンケートデータの作成（実際はCSVファイルなどから読み込む）
data = {
    '性別': ['男性']*50 + ['女性']*50,
    '好きな商品': ['A']*30 + ['B']*20 + ['A']*15 + ['B']*35
}
df = pd.DataFrame(data)

# クロス集計表の作成
cross_table = pd.crosstab(df['性別'], df['好きな商品'])
print("クロス集計表:")
print(cross_table)
print()

# カイ二乗検定の実行
chi2, p_value, dof, expected = chi2_contingency(cross_table)

# 結果の表示
print(f"カイ二乗統計量: {chi2:.4f}")
print(f"p値: {p_value:.4f}")
print(f"自由度: {dof}")

# わかりやすい判定メッセージ
if p_value < 0.05:
    print(f"\n結論: 性別と商品の好みには関連性があります（p={p_value:.4f}）")
else:
    print(f"\n結論: 性別と商品の好みに関連性があるとは言えません（p={p_value:.4f}）")

3×3以上の表にも対応

カイ二乗検定は、2×2の表だけでなく、より大きな表にも使えます。
例えば、年齢層と利用サービスの関連を調べる場合は次のようになります。

python

# 年齢層（3カテゴリー）× サービス（3カテゴリー）の例
observed = np.array([
    [20, 30, 10],  # 20代：サービスA、B、C
    [25, 25, 20],  # 30代：サービスA、B、C
    [15, 20, 35]   # 40代：サービスA、B、C
])

chi2, p_value, dof, expected = chi2_contingency(observed)

print(f"カイ二乗統計量: {chi2:.4f}")
print(f"p値: {p_value:.4f}")
print(f"自由度: {dof}")

if p_value < 0.05:
    print("\n年齢層と利用サービスには関連性があります")
else:
    print("\n年齢層と利用サービスに関連性があるとは言えません")

このように、chi2_contingency()関数は表のサイズに関わらず使用できます。

カイ二乗検定の注意点と制約

リンドくん

どんな場合でもカイ二乗検定を使っていいんですか？

たなべ

実は、いくつか注意すべき点があるんだ。特にサンプルサイズが小さい場合は気をつける必要があるよ。

期待度数の制約

カイ二乗検定を正しく適用するには、以下の条件を満たす必要があります。

すべてのセルの期待度数が5以上であること
もし期待度数が5未満のセルが20%以上ある場合は、検定結果が信頼できない

期待度数が小さすぎる場合の対処法は以下の通りです。

サンプルサイズを増やす → より多くのデータを集める
カテゴリーを統合する → 細かすぎる分類を大きくまとめる
フィッシャーの正確検定を使う → 特に2×2表で期待度数が小さい場合

フィッシャーの正確検定の使用例

期待度数が小さい2×2表の場合は、フィッシャーの正確検定を使います。

python

from scipy.stats import fisher_exact

# 期待度数が小さい2×2表の例
observed = np.array([
    [8, 2],   # グループA
    [1, 5]    # グループB
])

# フィッシャーの正確検定
odds_ratio, p_value = fisher_exact(observed)

print(f"オッズ比: {odds_ratio:.4f}")
print(f"p値: {p_value:.4f}")

if p_value < 0.05:
    print("\n関連性があります")
else:
    print("\n関連性があるとは言えません")

たなべ

そう言ってもらえると嬉しいね！
統計の力を使えば、データから客観的な答えを導き出せるんだ。ぜひいろんな場面で活用してみてね。

カイ二乗検定は、カテゴリーデータの関連性を調べるための強力な統計手法です。
この記事で学んだ内容を振り返ってみましょう。

重要なポイントは以下です。

カイ二乗検定の目的 → カテゴリー変数同士の関連性を統計的に検証する
基本的な考え方 → 観測度数と期待度数のずれを数値化して評価する
Pythonでの実装 → scipy.stats.chi2_contingency()で簡単に実行できる
判定基準 → 一般的にはp値0.05を基準に関連性を判断する
注意点 → 期待度数が小さい場合は別の手法を検討する必要がある

データ分析のスキルは、実際に手を動かすことで確実に向上します。
この記事で学んだ知識を活かして、ぜひ実際のデータ分析にチャレンジしてみてください。

カイ二乗検定入門！アンケート結果の関連性を調べる統計手法を初心者向けに解説

カイ二乗検定とは何か

カイ二乗検定の基本概念

どんなときに使うのか

仮説検定の流れ

カイ二乗検定の計算の仕組み

クロス集計表（分割表）

期待度数の計算

カイ二乗統計量の計算

p値による判定

Pythonでカイ二乗検定を実行してみよう

基本的なサンプルコード

コードの解説

pandasを使った例

3×3以上の表にも対応

カイ二乗検定の注意点と制約

期待度数の制約

フィッシャーの正確検定の使用例

独立性の仮定

因果関係ではない

まとめ

関連するコンテンツ

重回帰分析入門！複数の要因を組み合わせて予測精度を上げる方法を解説

単回帰分析入門！1つの変数から未来を予測する基礎をPythonで学ぼう

相関分析入門！相関係数でデータの関連性を測る方法を初心者にもわかりやすく解説

t検定入門！2つのグループの平均に差があるか判定する方法を初心者にもわかりやすく解説

仮説検定の基礎！帰無仮説と対立仮説、p値の正体を初心者にもわかりやすく解説

区間推定とは？信頼区間の考え方とPythonでの算出方法を初心者向けに解説