統計学 on kenji.blog

「検査で陽性」＝「病気」とは限らない？：基準値の錯誤

Thu, 10 Sep 2026 21:00:00 +0900

健康診断やがん検診で「陽性（異常あり）」という結果が出たら、誰でもパニックになるでしょう。しかし、統計学と確率の知識があれば、深呼吸をして冷静になることができるかもしれません。なぜなら、「精度の高い検査で陽性になった」からといって「実際に病気である確率が高い」とは限らないからです。

これは**「基準値の錯誤（Base Rate Fallacy）」**または「事前確率の無視」と呼ばれる、人間の直感が確率の計算を大きく見誤る典型的な認知バイアスです。

恐怖の健康診断問題

次のような状況を想像してみてください。

ある町で、1万人に1人（0.01%）が感染している未知の病気があります。この病気を発見するために、**「精度99%」**の優れた検査キットが開発されました。（※精度99%とは、病気の人が検査を受けた場合に99%の確率で正しく「陽性」と判定し、健康な人が受けた場合に99%の確率で正しく「陰性」と判定するという意味です）

あなたがたまたまこの検査を受けたところ、結果は**「陽性」でした。さて、あなたが本当にこの病気に感染している確率**はどれくらいでしょうか？

多くの人は「検査の精度が99%なんだから、自分が病気である確率も99%だろう」と直感的に答えます。しかし、数学的な正解は**「約0.98%（1%未満）」**です。

一体なぜ、99%の精度があるのに、実際の確率は1%未満になってしまうのでしょうか？

ベイズの定理と全体の可視化

この問題を解き明かすカギは、検査の精度だけでなく、**「その病気がもともとどれくらい珍しいのか（基準値・事前確率）」**を考慮することにあります。直感に反するこの現象を、100万人という大きな集団を使って可視化してみましょう。

全体の人数：1,000,000人
実際に病気の人（1万人に1人）：100人
健康な人：999,900人

この100万人全員に「精度99%」の検査を実施します。

1. 実際に病気の人（100人）が検査を受けた場合

精度99%なので、正しく「陽性」と判定されるのは： 100人 × 99% = 99人（真の陽性）

2. 健康な人（999,900人）が検査を受けた場合

精度99%なので、1%の確率で間違って「陽性」と判定されてしまう人（偽陽性）がいます： 999,900人 × 1% = 9,999人（偽の陽性）

graph TD A["全人口 (1,000,000人)"] --> B["病気の人 (100人)"] A --> C["健康な人 (999,900人)"] B -->|99%正解| B1["真の陽性 (99人)"] B -->|1%失敗| B2["偽の陰性 (1人)"] C -->|99%正解| C1["真の陰性 (989,901人)"] C -->|1%失敗| C2["偽の陽性 (9,999人)"] B1 -.-> D{"『陽性』と言われた人の総数: 10,098人"} C2 -.-> D style A fill:#ECEFF1,stroke:#333 style B fill:#FFCDD2,stroke:#333 style C fill:#C8E6C9,stroke:#333 style B1 fill:#F44336,stroke:#333,color:#fff style C2 fill:#FF9800,stroke:#333,color:#fff style D fill:#FFF9C4,stroke:#333,stroke-width:2px

あなたが病気である本当の確率

さて、あなたは医者から「陽性です」と告げられました。これは、あなたが図の右下にある「『陽性』と言われた人の総数（10,098人）」のグループに入ったことを意味します。

このグループの中で、**「本当に病気の人（真の陽性）」**の割合はどれくらいでしょうか？

$$ \text{本当に病気である確率} = \frac{\text{真の陽性}}{\text{陽性と言われた全員}} = \frac{99}{99 + 9,999} = \frac{99}{10,098} \approx 0.0098 $$

計算結果は**約0.98%**です。「陽性」と言われたにもかかわらず、あなたが健康である確率（偽陽性）の方が圧倒的に高い（約99%）のです。

なぜ直感は間違えるのか？

この現象は、条件付き確率を求める**「ベイズの定理」**によって数学的に説明されますが、人間の脳はこの計算が非常に苦手です。

私たちが間違いを犯す理由は、目先で提供された個別で強烈な情報（「あなたの検査結果は陽性！精度は99%！」）に気を取られ、背景にある膨大で退屈な統計データ（「そもそもこの病気にかかっている人は1万人に1人しかいない（基準値）」）を無視してしまうからです。

「病気の希少性（0.01%）」が、「検査の不正確さ（1%）」よりもはるかに極端であるため、わずかな検査のミスが、本来の病人の数をあっという間に飲み込んでしまうのです。

社会に潜む「基準値の錯誤」

この錯覚は、医療だけでなく様々な場面でパニックや誤った判断を引き起こします。

顔認証システムとテロリスト：精度99.9%の顔認証カメラが空港で「テロリスト」を見つけたとしても、テロリストの基本確率が極めて低いため、捕まるのはほとんどが顔の似た無実の一般人（偽陽性）になります。
交通事故と高齢者ドライバー：「事故を起こした車の〇〇%が高齢者だった」というニュースを見て危険だと感じても、「そもそも道路を走っている全ドライバーのうち、高齢者が占める割合（基準値）」を考慮しなければ、特定の年齢層が本当に事故を起こしやすいかは分かりません。

「基準値の錯誤」は、ショッキングな数字や個別事例を見たときこそ、**「そもそも全体の中で、それはどれくらい起きやすいことなのか（基準値）」**に立ち返るという、統計的思考の重要性を私たちに教えてくれます。

シンプソンのパラドックス：部分で勝っているのに、全体で負ける謎の現象

Thu, 10 Sep 2026 07:00:00 +0900

1. どちらの病院で手術を受けるべきか？

あなたは重い病気にかかり、手術を受けなければならなくなりました。目の前には、A病院とB病院という2つの選択肢があります。あなたはそれぞれの病院の手術の「成功率」のデータを取り寄せました。

【全体の成功率】

A病院： 1000人のうち、900人が成功（成功率 90%）
B病院： 1000人のうち、800人が成功（成功率 80%）

これを見れば、誰でも「A病院の方が優秀だ！」と思うはずです。しかし、あなたは慎重な性格なので、病気の状態（軽症か、重症か）によってデータがどう変わるのか、さらに細かく調べてみることにしました。

【軽症患者の成功率】

A病院： 100人のうち、99人が成功（成功率 99%）
B病院： 900人のうち、870人が成功（成功率 96%） $\rightarrow$ 軽症の場合は、A病院の勝ち（99% > 96%）

【重症患者の成功率】

A病院： 900人のうち、801人が成功（成功率 89%）
B病院： 100人のうち、70人が成功（成功率 70%） $\rightarrow$ 重症の場合でも、A病院の勝ち（89% > 70%）

あれ？おかしいと思いませんか？

「軽症」の患者にとっても、A病院の方が成功率が高い。「重症」の患者にとっても、A病院の方が成功率が高い。それなのに、患者全員を合わせた「全体」の成功率を計算すると……？

A病院全体： $(99 + 801) / 1000 =$ 90%
B病院全体： $(870 + 70) / 1000 =$ 94%……ではなく、さっきの計算だと 80%？

待ってください、もう一度最初のデータを見てみましょう。最初のデータはこうでした。

A病院全体の成功率： 90%
B病院全体の成功率： 80%

しかし、細かく分けたデータで計算し直してみると、 B病院の全体成功率は $(870 + 70) / 1000 = 940 / 1000 = $ 94% になるはずです。

…いや、騙されましたね！ 実は、この数字のトリックこそが、今回解説する統計学の恐ろしい罠なのです。正しいデータをもう一度お見せしましょう。

2. 騙されたあなたへ：本当のデータ

【軽症患者の成功率】

A病院： 900人のうち、870人が成功（成功率 96%）
B病院： 100人のうち、99人が成功（成功率 99%） $\rightarrow$ 軽症の場合は、B病院の勝ち（99% > 96%）

【重症患者の成功率】

A病院： 100人のうち、30人が成功（成功率 30%）
B病院： 900人のうち、315人が成功（成功率 35%） $\rightarrow$ 重症の場合でも、B病院の勝ち（35% > 30%）

つまり、軽症でも重症でも、B病院の方が圧倒的に優秀なのです。

では、これを「全体」で合算してみましょう。

A病院全体： $(870 + 30) / (900 + 100) = 900 / 1000 =$ 成功率 90%
B病院全体： $(99 + 315) / (100 + 900) = 414 / 1000 =$ 成功率 41%

なんと、「部分」で見るとすべてB病院が勝っているのに、「全体」で合わせるとA病院の圧勝になってしまいました！これが**「シンプソンのパラドックス」**と呼ばれる現象です。

graph TD subgraph "部分的なデータ（Bの勝ち）" Light["軽症： B病院の勝ち (99% > 96%)"] Heavy["重症： B病院の勝ち (35% > 30%)"] end subgraph "全体のデータ（Aの勝ち）" Total["全体合算： A病院の圧勝 (90% > 41%)"] end Light -->|合算するとなぜか逆転| Total Heavy -->|合算するとなぜか逆転| Total style Total fill:#ff9999,stroke:#333,stroke-width:2px

3. なぜこんな奇妙な逆転が起こるのか？

このパラドックスの正体は、**「母数（分母）の偏り」と「隠れた変数（交絡因子）」**にあります。

データをよく見てください。

A病院は、**「治りやすい軽症患者」を大量に（900人）**受け入れています。
B病院は、**「治りにくい重症患者」を大量に（900人）**受け入れています。

B病院は腕が良いので、他で断られるような難しい重症患者をたくさん引き受けている「最後の砦」のような病院だったのです。当然、重症患者の成功率は低くなります（35%）。B病院の「全体の成功率」は、この大量の重症患者の低い成功率に足を引っ張られて、全体として低く（41%）見えてしまったのです。

逆にA病院は、簡単な軽症患者ばかりをこなしているため、全体の成功率が高く（90%）見えていただけで、同じ条件（重症同士、軽症同士）で比べるとB病院より腕が劣っていたのです。

数式で表すと、分数の足し算の性質が原因です。一般に、$\frac{a}{b} < \frac{A}{B}$ かつ $\frac{c}{d} < \frac{C}{D}$ であっても、

$$ \frac{a+c}{b+d} < \frac{A+C}{B+D} $$

が常に成り立つとは限りません。分母の大きさが極端に違う場合、不等号の向きが逆転することがあるのです。

4. 現実世界で起きた「シンプソンのパラドックス」

このパラドックスは単なる算数パズルではなく、現実の社会でも頻繁に発生し、大論争を巻き起こしてきました。

1973年カリフォルニア大学バークレー校の性差別疑惑

バークレー校の大学院の合格率を調査したところ、「男性の合格率（44%）」が「女性の合格率（35%）」よりも有意に高く、女性への明らかな差別があるとして問題になりました。しかし、データを「学部ごと」に分けて細かく分析したところ、驚くべき事実が判明しました。ほぼすべての学部で、女性の合格率の方が男性よりも高かったのです。

なぜ全体の数字が逆転したのか？実は、女性は「合格率の低い（狭き門の）学部」に多く応募しており、男性は「合格率の高い（入りやすい）学部」に多く応募していただけでした。

コロナワクチンの有効性データ

「ワクチンを接種した人の方が、未接種の人よりも死亡率が高い」というデータが出回り、騒ぎになったことがあります。これも年代別のデータ（隠れた変数）を無視した結果です。ワクチンは「高齢者（もともと死亡率が高い）」から優先的に接種されていたため、全体の死亡率をただ合算すると、ワクチン接種グループの方に高齢者が極端に偏ってしまい、見かけ上死亡率が高くなってしまったのです。

年代ごとに分けて比較すると、すべての年代において「接種した人の方が死亡率が低い」ことが確認されました。

5. まとめ：データは嘘をつかないが、人はデータで嘘をつける

シンプソンのパラドックスは、**「平均値や合計値などの全体データだけを見て判断することの危険性」**を警告しています。

世の中には、「全体の数字」だけを切り取って自分たちに都合の良いようにアピールする企業や政治家、メディアが溢れています。「当社の製品Aは、他社製品Bよりも全体の満足度が高いです！」と言われても、もしかしたら「若者層」「高齢者層」に分けてみれば、どちらの層でも他社製品Bの方が勝っているかもしれません。

データを見るときは、表面上の「全体」の数字に騙されず、「背後に隠れた変数（年齢、性別、重症度など）によって、グループの割合に極端な偏りがないか？」を疑う目を持つことが、現代の情報社会を生き抜くための最強の武器となります。