〇 テスト製品A・Bのうち、どちらの購入意向の割合が高いかを比較する
〇 男性と女性で、サービスを利用した人の割合に違いがあるかを確認する
〇 30代と40代で、あるキャンペーンへの反応（興味あり、なし、どちらでも）の分布に差があるか確認する
これらは一例ですが、ビジネスの現場では「割合を比較する」場面が多くあります。しかし、単に数字を比べるだけでは、偶然の違いなのか本当に意味のある差なのかを判断できません。そこで役立つのが「割合の差の検定」です。
本動画では、統計初心者の方にもわかりやすく、
・割合の差の検定の考え方
・無料で使える統計解析ツール「js-STAR」を使った実践手順
・ビジネスデータでの活用事例
を“やさしく・丁寧に”解説します。
「js-STAR」はインストール不要で、ブラウザ上で使える無料ツールです。Excelだけでは難しい検定も、誰でも簡単に実行できます。このセミナーを通じて、“統計の基礎を自分の手で動かして理解する”経験が得られます。
〇 男性と女性で、サービスを利用した人の割合に違いがあるかを確認する
〇 30代と40代で、あるキャンペーンへの反応（興味あり、なし、どちらでも）の分布に差があるか確認する
これらは一例ですが、ビジネスの現場では「割合を比較する」場面が多くあります。しかし、単に数字を比べるだけでは、偶然の違いなのか本当に意味のある差なのかを判断できません。そこで役立つのが「割合の差の検定」です。
本動画では、統計初心者の方にもわかりやすく、
・割合の差の検定の考え方
・無料で使える統計解析ツール「js-STAR」を使った実践手順
・ビジネスデータでの活用事例
を“やさしく・丁寧に”解説します。
「js-STAR」はインストール不要で、ブラウザ上で使える無料ツールです。Excelだけでは難しい検定も、誰でも簡単に実行できます。このセミナーを通じて、“統計の基礎を自分の手で動かして理解する”経験が得られます。
◆30分で学ぶ統計解析セミナー
割合の差の検定を仕事に活かす：計算の仕組みと実践活用のポイントを学ぶ
こんな方におすすめ！
◆ データ分析や統計をこれから学びたい初心者の方
◆ Excelだけでは分析・検定が難しいと感じている方
◆ 無料ツール「js-STAR」で実践的に統計解析を体験したい方
◆ アンケートデータや各種ビジネスデータを自分で分析したい方
プログラム
1. 割合の差を検定するための各種手法
2. フリーのオンライン統計解析ツール「js-STAR」を活用して、割合の差を検定してみましょう
3. 実務で割合の差を検定して活用する際のポイント
2. フリーのオンライン統計解析ツール「js-STAR」を活用して、割合の差を検定してみましょう
3. 実務で割合の差を検定して活用する際のポイント
講師
株式会社日本能率協会総合研究所
ＭＤＢ事業本部 経営・マーケティング研究部
部長 稲富 健
【略歴】
民間企業のマーケティング戦略立案支援を目的とした様々なリサーチ・コンサルティングに従事。部門全体としては年間200案件を超える、リサーチをベースとしたコンサルティング・マーケティング支援の統括責任者。専門統計調査士を保有。
＜執筆・取材＞
日本経済新聞：日本経済新聞「私見卓見」（2019年 8月15日付）
技術情報協会：研究開発リーダー（2020年3月号） 高齢者マーケティングを成功させるために必要となる視座
ビジネス誌「PRESIDENT」（2021年5月）：アクティブシニア特集
ファイナンシャルプランナー向け業界誌 “KINZAI Financial Plan”（2022年8月）
ＭＤＢ事業本部 経営・マーケティング研究部
部長 稲富 健
【略歴】
民間企業のマーケティング戦略立案支援を目的とした様々なリサーチ・コンサルティングに従事。部門全体としては年間200案件を超える、リサーチをベースとしたコンサルティング・マーケティング支援の統括責任者。専門統計調査士を保有。
＜執筆・取材＞
日本経済新聞：日本経済新聞「私見卓見」（2019年 8月15日付）
技術情報協会：研究開発リーダー（2020年3月号） 高齢者マーケティングを成功させるために必要となる視座
ビジネス誌「PRESIDENT」（2021年5月）：アクティブシニア特集
ファイナンシャルプランナー向け業界誌 “KINZAI Financial Plan”（2022年8月）
本動画に関するお問い合わせ
株式会社日本能率協会総合研究所 経営・マーケティング研究部
担当：稲富
住所：〒105-0011 東京都港区芝公園3－1－22 日本能率協会ビル
TEL：03-3578-7607
e-mail：info_mlmc@jmar.co.jp
担当：稲富
住所：〒105-0011 東京都港区芝公園3－1－22 日本能率協会ビル
TEL：03-3578-7607
e-mail：info_mlmc@jmar.co.jp
本動画の要約
1. 導入：意思決定の前に確認すべきこと
例題⓵ パッケージ案A/Bを50名で評価し、
A案＝30名（60%）、B案＝20名（40%）となった。
ここで「Aに決めてよいか？」を考える際、まず重要なのはその50名が全数データかサンプリングデータか。
・全数データ（例：自社社員50名全員が回答）なら、その結果をそのまま受け入れてよい。
・サンプリングデータ（例：Z世代母集団からたまたま抽出した50名）なら、結果は毎回ブレるため検定が必要。
→街頭アンケートの結果が日によって変わるのと同様に、サンプルの割合は揺れる前提で解釈する。
2. 割合の差の検定とは
「サンプリングによって偶然生じた差」か
「母集団の傾向差によって生じた差」かを統計的に判断する方法。
母集団の傾向差が生んだ差なのかを判断する手続き。
見た目の人数差や割合差を、そのまま意思決定に使うのは危険。
3. 検定のロジック（帰無仮説→乖離→判断）
検定は「差がない（同じ割合）」という前提からスタートする＝帰無仮説。
その前提のもとで、実際に得られたデータがどれくらい乖離しているか（ズレているか）を表す指標＝検定統計量を計算する。
ズレが小さければ 帰無仮説を支持する。
ズレが大きければ 帰無仮説を棄却し、対立仮説を支持する＝「有意差がある」と結論する。
→ 「差があると証明する」のではなく、「差がないとは言えない」という二重否定のロジック。
4. 適合度検定（乖離をカイ二乗値で評価）
例題⓵：1×2（A案30名 60％/ B案20名 40％の場合）
結果： p=0.2026 → ns（有意でない）
→ 60/40は「偶然の範囲」と判断。
例題⓶：1×2（A案35名 70％/ B案15名 30％の場合）
結果：p<0.05で有意
→ 偶然では起こりにくく、母集団でもAが好まれる可能性が高い。
例題⓷：1×4（A案30名 15％/ B案40名 20％/ C案30名 15％/ D案100名 50％の場合）
結果：1×J表のカイ二乗検定で有意（p<.01）
さらに多重比較を行うことで、Dが他の製品より有意に多いことを特定できる。
これらの「理論値（均等）とのズレ」を見る検定を適合度検定と呼ぶ。
5. 独立性検定：クロス集計の傾向差を見る（例題⓸）
性別（男性/女性）× 好み（A/B）のように、2つの軸を持つデータでは独立性検定を使う。
帰無仮説：「性別と好みは無関係（独立）」
観測値と、独立していると仮定した場合の理論値のズレをカイ二乗値で評価する。
有意であれば、「性別によって好みの傾向が異なる」と結論づける。
※注意：独立性検定は「女性がBをAより好き」と断定するものではなく、“男性と比べて女性はB寄り”のような相対的な傾向差を示す。
その後は残差分析で、どのセルが多い／少ないかを読む。
6. 統計解析ツール活用：js-STAR
カイ二乗検定はExcelでも可能だが、js-STAR を使えば、
1×2、1×J、2×2、i×J いずれも入力だけで計算可能。
実務では「計算する」より「結果をどう解釈するか」が重要。
7. 実務で特に注意すべきポイント
複数回答（MA）データの割合差検定は簡単ではない。
「1位と2位に有意差があるか」を厳密に言いたいなら、
調査設計段階で単一回答（SA）にしておく必要がある。
検定は分析段階だけでなく、設計段階から影響する。
まとめ
割合データはサンプリング誤差で揺れるため、
検定によって“偶然か母集団における差か”を切り分けることが不可欠。
対象が1つの集団なら適合度検定、2つ以上の集団の傾向差は独立性検定を使う。
js-STARなどの統計解析ツールを活用すれば、実務でも迅速に検定可能。
ただし最も重要なのは、結果をどう解釈し、どう意思決定につなげるかである。
例題⓵ パッケージ案A/Bを50名で評価し、
A案＝30名（60%）、B案＝20名（40%）となった。
ここで「Aに決めてよいか？」を考える際、まず重要なのはその50名が全数データかサンプリングデータか。
・全数データ（例：自社社員50名全員が回答）なら、その結果をそのまま受け入れてよい。
・サンプリングデータ（例：Z世代母集団からたまたま抽出した50名）なら、結果は毎回ブレるため検定が必要。
→街頭アンケートの結果が日によって変わるのと同様に、サンプルの割合は揺れる前提で解釈する。
2. 割合の差の検定とは
「サンプリングによって偶然生じた差」か
「母集団の傾向差によって生じた差」かを統計的に判断する方法。
母集団の傾向差が生んだ差なのかを判断する手続き。
見た目の人数差や割合差を、そのまま意思決定に使うのは危険。
3. 検定のロジック（帰無仮説→乖離→判断）
検定は「差がない（同じ割合）」という前提からスタートする＝帰無仮説。
その前提のもとで、実際に得られたデータがどれくらい乖離しているか（ズレているか）を表す指標＝検定統計量を計算する。
ズレが小さければ 帰無仮説を支持する。
ズレが大きければ 帰無仮説を棄却し、対立仮説を支持する＝「有意差がある」と結論する。
→ 「差があると証明する」のではなく、「差がないとは言えない」という二重否定のロジック。
4. 適合度検定（乖離をカイ二乗値で評価）
例題⓵：1×2（A案30名 60％/ B案20名 40％の場合）
結果： p=0.2026 → ns（有意でない）
→ 60/40は「偶然の範囲」と判断。
例題⓶：1×2（A案35名 70％/ B案15名 30％の場合）
結果：p<0.05で有意
→ 偶然では起こりにくく、母集団でもAが好まれる可能性が高い。
例題⓷：1×4（A案30名 15％/ B案40名 20％/ C案30名 15％/ D案100名 50％の場合）
結果：1×J表のカイ二乗検定で有意（p<.01）
さらに多重比較を行うことで、Dが他の製品より有意に多いことを特定できる。
これらの「理論値（均等）とのズレ」を見る検定を適合度検定と呼ぶ。
5. 独立性検定：クロス集計の傾向差を見る（例題⓸）
性別（男性/女性）× 好み（A/B）のように、2つの軸を持つデータでは独立性検定を使う。
帰無仮説：「性別と好みは無関係（独立）」
観測値と、独立していると仮定した場合の理論値のズレをカイ二乗値で評価する。
有意であれば、「性別によって好みの傾向が異なる」と結論づける。
※注意：独立性検定は「女性がBをAより好き」と断定するものではなく、“男性と比べて女性はB寄り”のような相対的な傾向差を示す。
その後は残差分析で、どのセルが多い／少ないかを読む。
6. 統計解析ツール活用：js-STAR
カイ二乗検定はExcelでも可能だが、js-STAR を使えば、
1×2、1×J、2×2、i×J いずれも入力だけで計算可能。
実務では「計算する」より「結果をどう解釈するか」が重要。
7. 実務で特に注意すべきポイント
複数回答（MA）データの割合差検定は簡単ではない。
「1位と2位に有意差があるか」を厳密に言いたいなら、
調査設計段階で単一回答（SA）にしておく必要がある。
検定は分析段階だけでなく、設計段階から影響する。
まとめ
割合データはサンプリング誤差で揺れるため、
検定によって“偶然か母集団における差か”を切り分けることが不可欠。
対象が1つの集団なら適合度検定、2つ以上の集団の傾向差は独立性検定を使う。
js-STARなどの統計解析ツールを活用すれば、実務でも迅速に検定可能。
ただし最も重要なのは、結果をどう解釈し、どう意思決定につなげるかである。
