「平均のおこづかいは25万円です」と聞いたら、ほとんどの生徒がそれくらいもらっていると思いませんか?
実は、一人の極端に大きな回答だけで、平均が大きく引き上げられることがあります。
先に結論:データ分析で確かめたい3つのこと
- 集め方:誰に、何を、どう聞いたデータか。
- 整え方:未回答や誤入力をどう扱ったか。未回答は0とは限らず、極端な値も誤りとは限りません。
- まとめ方:平均だけで判断せず、中央値や値のばらつき、学年ごとの違いも見る。
平均値は「合計÷個数」、中央値は「小さい順に並べた真ん中」、最頻値は「最も多く現れる値」です。この違いを軸に、架空の学校アンケートでデータ分析の基本を見ていきましょう。
おこづかいの平均が25万円。計算は合っている?
文化祭が終わった秋。生徒会選挙に向けたアンケート412件を集計していたユウキが、画面の前で固まりました。
ユウキ「ひと月のおこづかい、平均およそ25万円……?」
ハルカ「それ、うちの学校?」
Sandy「足し算が合うとるかと、その数字で何が言えるかは、別やで」
この物語の人数・金額は、すべて学習用の架空設定です。411人の回答は3,000〜10,000円で、その411人の平均は6,000円。残る一件が1億円でした。
412件をそのまま平均すると、約248,704円になります。

計算は、(6,000×411+100,000,000)÷412です。411人の回答は全員10,000円以下なので、全体の平均より下になります。「平均より上と下が、半分ずつ」という決まりはありません。
ただし、1億円という大きさだけで「間違い」と決め付けてはいけません。まず回答者に確認します。今回は確認の結果、誤入力だと分かったものの、正しい金額は確認できなかった、という設定です。
量的データと質的データ:数字でも数量とは限らない
データの種類によって、意味のある計算が違います。
種類 | 表すもの | 例 |
|---|---|---|
量的データ | 数量 | 身長、金額、人数 |
質的データ | 分類や順序 | 血液型、好きな教科、順位 |
背番号10と20を足して30にしたり、「20番は10番の2倍」と言ったりしても、選手の性質を表す数量にはなりません。番号は区別のための記号だからです。
Sandy「数字で書いてあるから量的、とは限らへん」
ユウキ「何を表している数字かを見るんだね」
名義・順序・間隔・比例の4尺度
尺度は、順番、間隔、0の意味を確かめて整理できます。

尺度 | 何に意味があるか | 例 |
|---|---|---|
名義尺度 | 同じか違うか | 血液型、背番号 |
順序尺度 | 順番 | 順位、満足度の5段階 |
間隔尺度 | 等しい目盛りの差 | 摂氏の気温、西暦 |
比例尺度 | 差に加えて比 | 長さ、金額、人数 |
見分けるときは、次の順に考えます。
- 区別するだけ? 背番号のような記号なら名義尺度。
- 順番はあるが、差の大きさは分からない? 順位や5段階の満足度なら順序尺度。
- 同じ数値の差が、同じ量の差を表す? ここからは間隔尺度か比例尺度です。
- 0が、その量がないことを表す? 表すなら比例尺度、表さないなら間隔尺度です。
基本の分類では、名義・順序は質的データ、間隔・比例は量的データです。たとえば順位が1つ違っても、1位と2位のタイム差が0.1秒、2位と3位の差が5秒かもしれません。順位だけでは、差の大きさまでは分からないのです。
摂氏の20℃と10℃の差は10℃ですが、「20℃は10℃の2倍の温度」とは解釈しません。0℃が温度の不在を表すわけではないからです。一方、長さの0cmは長さがないことを表し、20cmは10cmの2倍と解釈できます。同じ対象でも、どの単位や測り方を使うかによって尺度が変わる場合があります。
集める前に、誰に・何を・どう聞くか
集め方にはアンケート、観察、センサ、既存データの利用などがあります。目的に合う対象や項目を決めるのが先です。
「改善が必要だと思いませんか」と聞く場合と、「どの点をどう評価しますか」と聞く場合では、答えを誘導する程度が変わる可能性があります。選択肢の不足や、回答できる人の偏りにも注意が必要です。
たとえば、昼休みに食堂でだけ聞いたアンケートでは、食堂を利用しない生徒の意見が集まりにくくなります。回答の集まり方に偏りがあれば、計算が正しくても、学校全体の意見を表すとは限りません。
自分で集める以外に、公開されているオープンデータを使う方法もあります。基本の条件は「営利・非営利を問わず二次利用できる」「コンピュータで読み取り、処理しやすい形式」「無償で利用できる」の三つです。Web上のデータがすべて自由に使えるわけではないので、出典や利用条件を確認しましょう。
前処理:欠損値と外れ値を、同じ扱いにしない
分析前にデータを整える作業が前処理です。表記のゆれや誤りを確認して整えるデータクレンジングも、その一部です。たとえば、同じカテゴリの表記をそろえたり、金額の単位を確認したりします。似た表記でも、本来違う内容を無理にまとめないようにします。
欠損値は記録がない箇所、外れ値はほかの値から大きく離れた値です。外れ値が誤りとは限りません。

状態 | 確認すること |
|---|---|
欠損値 | なぜ記録がないか。集計から外すか、根拠を持って補完するか |
外れ値 | 誤入力・測定ミスか、本当にその値なのか |
確認された誤り | 訂正できるか。できなければ扱い方と理由を残す |
おこづかいの未回答を0円で埋めると、「もらっていない」と勝手に決めたことになります。平均による補完も、分布やほかの項目との関係を変え得るため、万能ではありません。
今回の1億円は本人確認で誤入力と分かりました。訂正できれば訂正を優先しますが、正確な額が不明なので、おこづかいの集計から一件を外し、理由を記録しました。ほかの項目の回答まで一律に消す必要はありません。
ハルカ「高い数字だから外したんじゃなく、誤入力と確認できたんだね」
Sandy「せや。結果が都合よくなるから消すんとは違うんや」
たとえば別の調査で3万円という回答が正しいと確認できたなら、高いだけで除外する理由にはなりません。何をどう処理したか、件数とともに残します。
平均値・中央値・最頻値:同じデータの別の顔
代表値は、データの中心的な傾向などを一つの値で要約するものです。よく使う三つを、別の小さな例で比べましょう。
3,000円、5,000円、5,000円、7,000円、100,000円なら、平均24,000円・中央値5,000円・最頻値5,000円です。

代表値 | 求め方 | この5件での結果 |
|---|---|---|
平均値 | 合計÷個数 | 120,000÷5=24,000円 |
中央値 | 小さい順に並べた中央 | 3番目の5,000円 |
最頻値 | 最も多く現れる値 | 2回現れる5,000円 |
この5件は、冒頭の412件とは別の学習例です。
数値データが偶数個なら、中央値は中央二つの平均です。たとえば3,000円、5,000円、7,000円、9,000円なら、(5,000+7,000)÷2=6,000円です。最頻値は同じ最多回数の値が複数あれば、複数になります。
平均値は極端な値の影響を受けやすい一方、中央値は受けにくい性質があります。ただし、中央値が「常に正解」、平均が「悪い値」ではありません。全体の合計や一人当たりの配分を考えるなら平均も重要です。
先ほどの5件で100,000円を1,000,000円に変えると、平均は204,000円に上がりますが、中央値は5,000円のままです。並べた真ん中が変わらないためです。「中央値は極端な値の影響を受けにくい」とは、このような意味です。
使い分けの目安は、合計を人数で均等に分けた額なら平均、金額の順で真ん中にいる人の額なら中央値、最もよくある回答なら最頻値です。なお、好きな教科などの名義尺度でも最頻値は使えますが、教科の番号を平均しても意味はありません。
冒頭のおこづかいは、誤入力一件の処理後、411件で平均6,000円・中央値5,000円という設定です。412件の平均約25万円と、処理後の結果を混ぜないようにしましょう。
クロス集計:全体だけでは見えない違い
クロス集計は、学年と満足度など、複数の項目を掛け合わせ、組み合わせごとの人数などを集計する方法です。
満足度の項目は、おこづかいとは別に、有効回答300件・未回答112件として集計します。

学年 | 1点 | 2点 | 3点 | 4点 | 5点 | 有効回答数 |
|---|---|---|---|---|---|---|
3年 | 0 | 0 | 0 | 20 | 80 | 100 |
2年 | 0 | 0 | 0 | 30 | 70 | 100 |
1年 | 0 | 0 | 90 | 10 | 0 | 100 |
この人数表がクロス集計です。満足度は1点を最も低く、5点を最も高く評価したものとします。その上で、点と点の間隔が等しいと仮定すると、学年別平均は4.8点、4.7点、3.1点。全体では1,260÷300=4.2点です。
ただし、満足度の「3から4への変化」と「4から5への変化」が、同じ大きさとは限りません。そのため、平均点だけでなく人数表も見ましょう。表からは、1年生の90%が3点、3年生の80%が5点と答えたことが分かります。
今回は各学年100人なので学年別平均を足して3で割っても全体平均になります。人数が違う場合は、各学年の点数の合計を全部足し、回答者の総数で割る必要があります。
ユウキ「全体の4.2点だけだと、1年生の様子が消えていたんだ」
Sandy「せや。ほんで、答えてへん112人がどんな人かも、気になるとこやな」
これは回答した300人についての結果です。未回答者まで含む全校生徒の満足度だと、そのまま断定してはいけません。
オリジナル確認問題:数字の役割を見分けよう
以下はこの記事独自の学習問題で、実際の共通テスト問題ではありません。
問1:背番号10と20は、基本の4尺度ではどれ?
答え:名義尺度。 数量ではなく識別のための番号です。20番が10番の2倍の能力という意味はありません。
問2:2、3、3、4、100の平均値・中央値・最頻値は?
答え:平均22.4、中央値3、最頻値3。 合計112を5で割り、並べた中央は3、最も多く現れるのも3です。
問3:未回答の金額は、計算のため全部0にしてよい?
答え:理由なく0にはしません。 0という回答と未回答は別です。欠損の理由と、処理が集計へ与える影響を考えます。
まとめ:集め方・整え方・要約の仕方を確かめる
計算が合っていても、誤入力が含まれたり、目的に合わない代表値だけを見たりすれば、実態を読み違えます。尺度を確認し、欠損や誤りの処理を記録し、代表値と分布を合わせて読みましょう。
ハルカ「結果の紙、平均の一行だけじゃ足りないね」
ユウキ「回答数も、処理した件数も、学年ごとの人数表も載せよう」
Sandy「せや。何をどうまとめた数字か、伝わるようにするんやで」
Sandboxでは、Pythonなどを使ったデータ分析を通じて、数字を計算し、その意味を考える力も学べます。