標本誤差とサンプリングバイアスの違いとは？具体例で解説

DS082：標本誤差およびサンプリングバイアス、およびそれぞれの違いについて説明できる

データ分析や統計を学んでいると「標本誤差」と「サンプリングバイアス」という言葉に出会います。しかし、これらの違いが曖昧なまま使っている人も多いのではないでしょうか？

本記事では、それぞれの意味と違いを具体的な例とともに解説します。これを読むことで、データ分析の精度を高め、より信頼性のある結果を得るためのポイントを理解できます。

標本誤差（sampling error）は、標本（サンプル）から得られた統計量が母集団の真の値からズレることを指します。これは、偶然的に発生する誤差であり、完全に排除することはできません。

例：100万人の選挙有権者のうち1,000人をランダムに抽出して支持率を調査したとします。この標本の平均支持率は母集団の真の支持率と完全には一致しません。これが標本誤差です。

標本誤差を抑える方法
サンプルサイズを増やす（大きな標本ほど誤差は小さくなる）
標準誤差を算出する（標準誤差が小さいほど標本の信頼性が高い）

サンプリングバイアス（sampling bias）は、標本の選び方に偏りがあるために、母集団を正しく反映できない問題を指します。標本誤差とは異なり、ランダムではなく、特定の原因による偏りが発生するのが特徴です。

例１：オンラインアンケートで調査を行った場合、インターネットを利用しない人の意見が反映されない可能性がある。これにより、全体の意見とは異なる結果が出る。
例２：平日昼間に街頭でアンケートを実施した場合、働いている人の意見が反映されにくい。

サンプリングバイアスを防ぐ方法
ランダムサンプリングを徹底する（全員が等しく選ばれるようにする）
層別抽出法を使う（年齢や性別などのグループごとに適切な割合で標本を取る）
調査方法を多様化する（インターネット、対面、電話調査などを組み合わせる）