生存者バイアス
Survivorship Bias ・ せいぞんしゃばいあす
生き残った個体だけを観察して全体を判断し、結論が正反対に歪む偏り
✦ 30秒で試す — 航海潰れなかった店の「秘訣」は、潰れた店もやっていたかもしれない残った60本の、これから10年の成績は？予想してみる概要
生存者バイアスとは、何らかの選別を「生き残った」対象だけを観察して全体の性質を推論してしまうことで生じる偏りです。成功した起業家の共通点を調べて成功法則を導く、長寿企業の経営を手本にする、優良な投資ファンドの過去成績を平均する — どれも一見まっとうな分析ですが、脱落した起業家・倒産した企業・清算されたファンドが視界から消えているため、結論は系統的に歪みます。
この偏りの怖さは、歪みの向きがしばしば「正反対」になることです。単にノイズが増えるのではなく、「危険な特徴」が「成功の秘訣」に見えたり、実際より高い平均リターンが「普通」に見えたりします。手元のデータをどれだけ精密に分析しても直らない点で、計算ミスとは質の違う誤りです。
生存者バイアスは選択バイアスの代表的な一類型です。選択バイアスが「観察対象の選ばれ方が偏る」問題一般を指すのに対し、生存者バイアスは「時間の中の淘汰を通過した者だけが残る」という形で選別が起きるケースを指します。淘汰は倒産・戦死・退学・解約など、あらゆる場所で静かに進行しているため、このバイアスは実務データのいたるところに潜んでいます。
なぜ生まれたか
この概念を象徴するのが、第二次世界大戦中の「爆撃機の弾痕」の逸話です。帰還した爆撃機の被弾箇所を調べると、弾痕は翼や胴体に多く、エンジンまわりには少なかった。弾痕の多い場所を装甲で補強しようという意見に対し、統計学者エイブラハム・ウォールドは正反対の結論を出した——「補強すべきは弾痕のない場所、エンジンだ」。帰還機に弾痕が多い場所とは「そこを撃たれても帰って来られる場所」であり、弾痕のない場所を撃たれた機体は帰還できず、そもそもデータに現れていない。観察できたのは淘汰の生き残りだけだ、という洞察です。
ただし、この話は広まるうちにかなり脚色されています。ウォールドがコロンビア大学の統計研究グループで1943年に書いた実際の報告書は、帰還機の被弾の分布から「どの部位への1発がどれだけの確率で撃墜につながるか」を推定する数理的な方法で、軍の誰かを説き伏せた劇的な場面や、機体の図に赤い点を打った有名なイラストは後年の創作です。それでも核心——撃墜された機体という「見えない標本」を推論に組み込まなければ、見えている標本だけから正反対の結論が出てしまう——は、ウォールドの仕事そのものに含まれています。
この逸話が示したのは、「データに何が写っているか」だけでなく「何が写っていないか」を問わなければ、分析は逆向きの結論に導かれ得るという教訓でした。標本が母集団からどう選ばれたか——統計学が標本抽出の理論で厳密に管理しようとしてきたこの過程が、現実のデータでは「淘汰」という形で暗黙に、しかも強烈に偏ることがあります。生存者バイアスという名前は、この見えない欠落に注意を向けるために広まり、観察対象の選ばれ方の偏りを扱う選択バイアスの議論の中でも、とくに身近で強力な型として、金融・経営・疫学などデータの残り方に淘汰が絡むあらゆる分野で語られるようになりました。
詳細
構造 — 観察は淘汰の後に行われる
生存者バイアスの構造は単純です。母集団に淘汰のフィルタがかかり、通過した個体だけが観察テーブルに載る。分析者が「全体」だと思っているものは、実は「フィルタの通過者」なのです。統計の言葉でいえば、知りたいのは母集団の性質なのに、手元の標本は母集団からの無作為な抽出ではなく、淘汰という特定の仕組みで選ばれた部分集合になっています。フィルタの通過確率が調べたい性質と相関しているとき、標本の分布は母集団の分布からずれ、そのずれはサンプルサイズを増やしても消えません。
実務での現れ方
金融では教科書級の実例があります。「現存するファンドの過去10年の平均リターン」を計算すると、成績不振で清算・統合されたファンドが集計から消えているため、平均は実力より高く出ます。米国の投資信託を対象にした実証研究では、この上振れは年率で1%前後（エルトンらの1996年の研究で約0.9%、マルキールの1995年の研究で約1.4%）と推計されており、ファンドどうしの手数料の差に匹敵する大きさです。そのためファンド評価では消滅したファンドを含めた「生存者バイアス補正済み」のデータベースを使うのが常識になっています。経営書の世界も同様で、「成功企業に共通する習慣」を挙げる名著の常連企業が、その後に凋落した例は枚挙にいとまがありません。同じ習慣を持ちながら失敗した企業を数えていない以上、共通点が成功の原因だとは言えないのです。
下の部品では、腕の差がまったくない100本のファンド（毎年の成績は平均0%のでたらめ）を10年間走らせます。資産が一定ラインを割ったファンドは清算されて墓場へ。生き残ったファンドだけの平均リターンが、年を追うごとに全体の平均から離れていく様子を見てください。
100本のファンドが資産 100 から出発します。毎年の成績は平均 0% のでたらめで、腕の差はありません。資産が 70 を割ったファンドは清算されて消えます。「1年進める」を押してください。
線 = 各ファンドの資産の推移（毎年のリターンは平均0%・SD16%の乱数）。資産が70を割ると清算（×）
日常にも同じ構造が転がっています。「昔の建物は頑丈だ」— 脆い建物はすでに取り壊されて残っていません。「大学を中退した起業家が大成功している」— 中退して成功しなかった圧倒的多数は報道されません。「うちの祖父はヘビースモーカーで90歳まで生きた」— 早世した喫煙者は思い出話に登場しません。医療データの解析でも、「ある治療を長期間受けられた患者ほど生存期間が長い」という関係には「長く生きた患者ほど長く治療を受けられる」という逆向きの構造が潜んでおり、生存時間分析の分野では不死時間バイアスとして知られる落とし穴になっています。
科学における生存者バイアス — 出版バイアス
研究の世界では、論文そのものが淘汰にかけられます。有意な結果の論文は出版され、有意でない結果はお蔵入りになる出版バイアスは、「文献」という標本にかかった生存者バイアスにほかなりません。生き残った論文だけからメタ分析をすれば効果は過大評価されます。この構造はp値ハッキングと組み合わさって再現性の危機の中核をなしました。個々の研究が誠実でも、淘汰の仕組みがある限り「残ったものの集まり」は偏るのです。
防御 — 分母を数える
生存者バイアスへの防御は、分析技術というより問いを立てる習慣です。第一に「分母は何か」を必ず問うこと。成功者を観察したら、同じスタートラインに立った全員（脱落者を含む）を数えられないかを考えます。第二に「このデータはどんなフィルタを通って手元に来たか」を、データが記録された過程まで遡って言語化すること。統計の言葉でいえば、脱落した個体は値そのものが観測されていない欠損値であり、しかも欠け方が調べたい値（成績や生存）に依存している、最も扱いにくい種類の欠損です。解約済みユーザーはこのテーブルに残っているか、倒産企業はこのデータベースから消されていないか。第三に、可能なら追跡の起点をフィルタの前に置いた設計 — 出撃時点の全機体、設定時点の全ファンド、入学時点の全学生 — でデータを取り直すことです。選択バイアス一般への対処と同じく、集まったデータの内側では偏りを修正しきれないため、「何が欠けているか」を設計段階で潰すことが最も確実な対策になります。
試問
8つの調べ方を、生存者バイアスが入るものと入らないものに仕分けよ
項目を選んでから、入れる箱を選びます