ベイズ推定のt検定とは？

最近、学会やジャーナルで「ベイズ統計」という言葉を聞く機会が増えてきたのではないでしょうか。

統計解析には、頻度論の統計（従来の統計手法）とベイズ統計という二つの流派があります。従来の頻度論統計でも解析はできていましたが、ベイズ統計にするといったい何が良いのでしょうか？

この記事では、頻度論のt検定との違いに触れながら、ベイズ推定のt検定の考え方を、全体像がつかめる範囲でざっくり解説していきます。BF・事前分布・事後分布・尤度・頑健性といった個々の用語は、それぞれ別記事でじっくり掘り下げていく予定なので、この記事では「地図」として全体像を押さえてください。

1. ベイズ推定のt検定とはどんなもの？

ベイズ統計によるt検定とは、2群の差について「データが得られるたびに確信度を更新していく」推定方法です。

身近な例で考えてみましょう。よく行くAラーメン店と、気になっているBラーメン店があるとします。実際に並ぶ前の感覚では、「Aは大体10分待ち、Bも口コミによれば同じぐらいらしい」と思っていたとします。同じぐらいだろうと考えているので、下のグラフのようにAとBの確信の分布はぴったり重なっています（横軸は待ち時間・分だと考えてください）。

実際にBラーメン店に何度か並んでみると、以下のような具合でした（●が実際の待ち時間）。データは10分よりも短い方に寄っています。もしかしたら、Bの待ち時間は10分より短いかもしれません。少し考えを改めて、Bの分布を少し左へずらします。

さらに何度か並んでみました。

やはりBの待ち時間はAよりもかなり短そうです。データが増えて確信度が増しました。さらに赤の分布をずらします。

人間は普段の生活でこのような推測を感覚的・直感的に行っています。日常生活ならそれで困りません。

しかし、学術的な場面で以下のような問に答えようとしたときは、どうしたらいいでしょう？
・「AとBは同じ（または違う）という考えをどれぐらい強く支持するか？」
・「差はいくつだと推測するのが妥当か？」
閾値を設けてそれを超えたら「差があるという考え」を10倍支持する、のように判断したら良さそうでしょうか？
悩ましいですね。

しかも、問題はもっと複雑です。同じようにデータを取得しても、事前の確信度によりその後の推測も影響を受けます。Bラーメン店について「ほぼ間違いなく10分ぐらいだろう」と考えているときと、「Bラーメン店は10分かも知れないが、もしかしたら全然違うかも」と考えているときでは、その後の予測にも違いが出るはずです。

このように、データを取得して正確に推測を更新していくのは、人間には困難です。

これが出来るのがベイズ統計によるｔ検定です。

ベイズ統計のｔ検定は、この「予想を更新していくプロセス」により、どちらの考えがどれぐらい支持されるか・それはどの程度か、という視点で教えてくれます。

3. 事前分布とは？

事前分布は、実際にデータを取る前に置かれる予測です。先ほどの画像でいえば、一番最初のグラフになります。

この画像ではBラーメン店の待ち時間もおおむね5～15分にはおさまるだろう、という予測が表れています。

実際のｔ検定では強い事前分布を置くと結果に影響しすぎるため、もっと山が低く裾の長い分布が使用されます。

4. 尤度（ゆうど）って何

事前分布が「データを見る前の予想」だとすると、尤度は「ある仮定（平均・ばらつき）のもとで、実際に観測されたこのデータがどれくらい起こりやすいか」を表す情報です。

先ほどのグラフを見てみましょう。赤い分布をもとに考えたとき、データを表す「●」は分布の平均あたりに集まっています。平均的なデータが多く得られるのはよくある（起こりやすい、尤もらしい）ことなので、尤度は高くなります。

一方、青い確率分布のもとで「●」が得られたとしたらどうでしょう。青の分布の平均からかなり離れたデータが取得されたことになります。この場合は尤度は非常に低くなります。

→ 尤度の数式的な意味や、平均・ばらつきの仮定によって尤度がどう変わるかは、尤度の解説記事で扱います。

5. 事後分布とは

事後分布は、事前分布が尤度によって更新された後の、新しい予想です。

先ほどのグラフでいえば、赤いグラフのことを言っています。次の節で説明する95%CrIも、BFも、すべてこの事後分布から導き出されています。

2. BF（Bayes Factor）とは？

ベイズファクターとは、「データがどれぐらいの強さで仮説を支持しているか」の指標です。

また、グラフを見ながら考えてみましょう。

先ほど尤度のお話をさせていただきました。尤度はそれぞれの確率分布で、データがよくあるものかどうかを評価するものでした。

・赤い分布：●のデータは平均付近なので尤度は高い→起こりやすい

・青い分布：●のデータは平均から離れており尤度は低い→起こりにくい

ベイズ統計では、これらの尤度（起こりやすさ）を使って、二つの仮説を比較します。尤度に差がないという仮説に対して、差があるという仮説の尤度が5倍であればBFは5になります。
※差がないという仮説のほうから見れば、BFは5の逆数の0.2（1/5）になります。

なお、頻度論統計は構造的に「差がない」ことを積極的に支持できませんが、ベイズ統計では差がある/ないの両方を同様に検証できます。これがベイズ統計の大きな特徴のひとつです。

6. 95%信用区間ってなに？

事後分布は2群の差を確率分布という幅を持った形で表現します。この分布の中で「真値がここに入っている確率が95％です」と言える範囲を示したものが95%信用区間（CrI）です。例えば「差の平均は5分、95%CrIは2分〜8分」という結果であれば、「本当の差は95％の確率で2〜8分の範囲に収まっていそうだ」とストレートに解釈できます。

なお、頻度論統計の95%信頼区間（CI）とは名前も見た目も似ていますが、解釈には重要な違いがあります。

→ 95%CIとの違いについては、頻度論t検定の記事および95%CI解説記事で詳しく比較しています。

7. 頑健性って何？

頑健性とは、結果がゆるぎないか、という概念です。

冒頭の例ではデータを三つ見た時点で、予測を左に2ずらしています。しかし、事前の予測が確信に近いものだったらどうだったでしょう？「たまたま小さいデータが取れただけだ」と予測を変えなかったかもしれません。これは事前の予測（事前分布）により、結果が変わってしまうことを意味します。

このようにベイズ推定では、事前の予測（事前分布）により、事後分布がどの程度変動してしまうかを検討する必要があります。データが十分な情報を持っていて、事前分布をかえても事後分布が変動しなければ、頑健性は高いと言えます。

→ 複数パターンの事前分布でBF・95%CrIを比較する具体的な手順は、頑健性の解説記事で扱います。

8. 頻度論のt検定（古典的ｔ検定）との対応表

最後に、頻度主義のt検定とベイズ推定のt検定の対応関係を一覧にまとめます。気になる用語があれば、それぞれの個別記事もあわせてご覧ください。

頻度論のt検定	ベイズ推定t検定	役割の違い
p値	BF（ベイズファクター）	p値は差があるという仮説だけ、積極的に支持できる。 BFは差がある/ないというどちらの仮説も積極的に支持できる。
有意水準（例：p<0.05）	BFの目安（Jeffreys, Lee & Wagenmakers）	p値は0.05という閾値で「あり/なし」を二極的に判定。 BFは1〜3（わずかな証拠）、3〜10（中等度のエビデンス）、10〜30（強いエビデンス）…と、証拠の強さを段階的に表現する。
95%CI（信頼区間）	95%CrI（信用区間）	95%CIは「同じ手続きを繰り返したときに真値を含む区間の割合が95%」という間接的な解釈。95%CrIは「真値がこの範囲にある確率が95%」とストレートに解釈できる。
（明確に対応する概念なし）	頑健性	事前分布の置き方を変えても結論が変わらないかを確認する、ベイズ統計特有のチェック項目。

こうして並べてみると、ベイズ推定のt検定は頻度主義のt検定と全く違うことをしているわけではなく、「差があるかないか」を白黒つける代わりに、「どちらの考えがどれぐらい確からしいか」を、より直感的でグラデーションのある形で教えてくれる手法だと言えます。

9. まとめ

この記事では、グラフを見ながらベイズ推定のt検定の全体像を解説してきました。

• ベイズ推定は「もともとの予想（事前分布）」を「データ（尤度）」によって更新し、「新しい予想（事後分布）」を導き出すプロセスである
• BFは、データがどちらの仮説をどれぐらい支持しているかを、倍率という形でグラデーションを持って教えてくれる
• 事後分布から、95%CrIという「真値がこの範囲にありそうだ」という区間も直接的に導き出せる
• 事前分布の置き方によって結論が変わりすぎていないか（頑健性）を確認することで、結論の信頼性を担保できる

頻度主義のt検定が「差があるかないか」を判定する手法だったのに対し、ベイズ推定のt検定は「どちらの考えがどれぐらい確からしいか」を、より柔軟でグラデーションのある形で表現してくれる手法です。臨床の現場でも、「有意差があったから効果がある／なかったから効果がない」という二極的な判断だけでなく、「どれぐらいの確信を持ってそう言えるのか」という視点を取り入れることで、より丁寧なデータ解釈ができるようになるはずです。

ベイズ統計のｔ検定に関連がある記事

• ベイズ統計の対応のあるt検定のやり方～結果の記載例（無料ソフトをJASP使用）
• ベイズ統計の対応のないt検定のやり方～結果の記載例（無料ソフトをJASP使用）
• ベイズ統計とは？
• ベイズ統計と頻度論統計の確率の扱いの違い