尺度水準

概要

尺度水準は、データを「名義尺度・順序尺度・間隔尺度・比率尺度」の4つの水準に分類する枠組みです。血液型のような「区別しかできない値」と、身長のような「引き算も割り算もできる値」では、同じ数字に見えても許される計算がまったく違います。尺度水準は、目の前のデータに対して「平均を取ってよいか」「差に意味があるか」「2倍と言ってよいか」を判定するためのものさしです。

分析の入口でこの分類を意識すると、その後に選ぶべき集計方法やグラフ、統計手法が自然に絞られます。たとえばアンケートの「満足度 1〜5」は数字で記録されていても順序尺度であり、平均値の扱いには注意が必要です。逆に、郵便番号や社員IDは数字の見た目をしていても名義尺度であり、大小比較にすら意味がありません。「数字だから計算できる」とは限らない — この当たり前だけれど見落としやすい事実を体系化したのが尺度水準です。

統計学の教科書で最初に登場する概念でありながら、実務でのデータ分析、アンケート設計、機械学習の特徴量設計まで、データを扱うあらゆる場面で判断の土台になります。

なぜ生まれたか

この分類を定式化したのは、心理学者スタンレー・スティーヴンスによる1946年の論文です。背景には、当時の科学界で続いていた「感覚は測定できるのか」という論争がありました。音の大きさの感じ方や知能テストの点数は、長さや重さと同じ意味で「測定」と呼べるのか。物理学者たちは「足し算が成り立たない量の測定は測定ではない」と批判し、心理学者たちは反論に窮していました。

スティーヴンスの答えは、「測定にはいくつもの水準があり、水準ごとに許される操作が異なる」という発想の転換でした。測定とは「規則に従って対象に数値を割り当てること」であり、その規則の強さに応じて名義・順序・間隔・比率の4水準がある。そして統計処理は、その水準で意味が保たれる操作だけを使うべきだ — この整理によって、「数値化されたデータ」と「そのデータに適用できる分析」の対応関係が初めて明文化されました。今日「順序尺度に平均を使ってよいか」といった議論ができるのは、この枠組みのおかげです。

詳細

4つの水準 — 上に行くほど「できる計算」が増える

4つの水準は、下から順に情報の豊かさが増していく階層構造をなしています。上の水準は下の水準の性質をすべて含むため、「比率尺度のデータは順序尺度として扱うこともできるが、逆はできない」という片方向の関係が成り立ちます。

名義尺度は、値がカテゴリの「ラベル」でしかない水準です。血液型のA型とB型は区別できますが、大小も差もありません。できる集計は件数と割合、代表値は最頻値だけです。順序尺度は大小の順序が加わった水準で、満足度の5段階評価や震度が典型です。「4は2より上」とは言えますが、「4と3の差」が「2と1の差」と同じ大きさだとは保証されません。代表値には中央値が使えます。

間隔尺度は目盛りの間隔が等しく、差の計算に意味がある水準です。摂氏温度の「20度と25度の差」は「0度と5度の差」と同じ5度です。ただしゼロ点は人間が便宜的に決めたものなので、「20度は10度の2倍暑い」とは言えません。比率尺度は「無」を意味する絶対的なゼロを持ち、比の計算まで意味がある水準です。身長200cmは100cmの2倍であり、売上ゼロは本当に売上が無いことを意味します。

尺度が決める「使える道具」

尺度水準の実用的な価値は、集計・可視化・分析の選択を機械的に絞り込めることにあります。代表値なら、名義尺度は最頻値、順序尺度は中央値、間隔尺度以上で平均が正当化されます。2変数の関係を見るときも、質的変数どうしならクロス集計、量的変数どうしなら散布図と相関、というように尺度が手法を導きます。順序尺度にはスピアマンの順位相関のような順位ベースの手法が用意されています。グラフ選びも同様で、名義尺度のカテゴリを折れ線グラフでつなぐ（存在しない「間の値」を暗示してしまう）のはデータ可視化の典型的な誤りです。

実務での境界線 — リッカート尺度と「数字の顔をした名義尺度」

実務で最も悩ましいのは順序尺度と間隔尺度の境界です。アンケートの5段階評価（リッカート尺度）は厳密には順序尺度で、「満足度の平均3.7」は本来正当化しにくい計算です。しかし実務や研究では「段階の間隔はおおむね等しい」とみなして平均や分散を計算することが広く行われています。大切なのは、これが「近似として割り切っている」と自覚することです。回答が一方の端に偏っているときは平均が実態を歪めるため、段階ごとの割合や中央値を併記するのが安全です。

逆方向の罠が「数字の顔をした名義尺度」です。郵便番号・商品コード・アンケートの選択肢番号（1=はい、2=いいえ など）は、データファイル上は数値でも名義尺度です。集計ツールや機械学習ライブラリは尺度水準を知らないため、指示すれば郵便番号の平均でも平然と計算します。分析の前に各列の尺度水準を確認する作業は、探索的データ分析の最初の一歩であり、この確認を怠ると後続のすべての分析が無意味になりかねません。

なお、量的データはさらに「離散型（人数のように飛び飛びの値）」と「連続型（身長のように切れ目のない値）」に分けられ、この区別は度数分布とヒストグラムでの階級の切り方や、確率分布の種類の選択につながっていきます。尺度水準は分類のための分類ではなく、この先のあらゆる手法選択の分岐点なのです。