みなさんは統計学の教科書で「予測区間」という言葉を見かけて、「信頼区間と何が違うんだろう？」と疑問に思ったことはありませんか？あるいは実際にデータ分析をしていて、回帰分析の出力に表示される予測区間の意味を上司にうまく説明できずに困った経験があるかもしれません。
結論から言うと、予測区間は「未来のたった1つの新しいデータが入るであろう範囲」を示すものであり、信頼区間（平均値のような統計量の推定範囲）よりも常に広くなります。この違いの根本には、「モデルそのものの不確実性」と「データ本来のばらつき（偶然誤差）」という二つの異なる不確実性が存在するからです。本記事では、この「なぜ予測区間の方が広いのか」という本質を、視覚的なイメージも交えながら徹底的に掘り下げていきます。具体的な計算方法だけでなく、正規分布に頼らない現代的なアプローチまでカバーすることで、実務で使える深い理解を得られるはずです。
そもそも予測区間とは何か？—未来の1点を当てる範囲
予測区間を一言で表すなら、「まだ観測されていない1つの新しいデータポイントが、ある確率（例えば95%）で含まれると予測される区間」です。例えば、来月の売上を予測するとき、「来月の売上は95%の確率で100万円〜120万円の間になるでしょう」と言った場合、この100〜120万円という区間が予測区間にあたります。
ここで重要なのは、予測区間が「平均値」ではなく「個別の値」のばらつきを対象としているという点です。このことは、信頼区間との違いを理解するうえで非常に大切なポイントになります。
信頼区間と予測区間の違いは「何の不確実性を測るか」にある
多くの解説では「信頼区間は母数を推定する区間、予測区間は個別の値を予測する区間」と説明されます。これ自体は間違いではありませんが、それだけでは両者の本質的な違いを掴みきれません。
数学的に整理すると、予測区間の方が信頼区間よりも必ず広くなるのですが、その理由は「予測区間が、より多くの不確実性の要素を含んでいるから」です。
具体的には、ある回帰モデルを使って新しいデータの値を予測する場合を考えてみましょう。その予測の不確実性は、以下の二つの要素から構成されています。
- モデル不確実性（母数の推定誤差）：回帰係数（傾きや切片）の推定値自体が、サンプルデータに基づいて推定されたものであり、真の値からずれている可能性があるという不確実性。
- 内在的ランダム性（誤差項のばらつき）：どれだけ優れたモデルを使っても、データ生成過程に本来備わっている偶発的なばらつき（ノイズ）によって、実際の値は予測値からどうしてもずれるという不確実性。
この二つの要素について、Scipedia（Bohrium）の解説（公開日不明）では、「予測区間は、平均値の推定における不確実性（モデル不確実性）に加えて、個々のデータが平均値からどれだけ散らばるかというランダム性（内在的ランダム性）を考慮している」と明確に説明されています。
信頼区間は、主にこのうち「1. モデル不確実性」だけを評価しています。つまり、「真の回帰直線（平均値）は、だいたいこの範囲に収まるだろう」という区間です。
一方、予測区間は「1. モデル不確実性」と「2. 内在的ランダム性」の両方を評価します。つまり、「真の回帰直線がこの辺りにあって、さらにその直線からデータがランダムにばらつくとしても、新しいデータはこの範囲に収まるだろう」という、より広い区間を考える必要があるのです。
この二つの不確実性の積み重ねが、予測区間を信頼区間よりも「広く」している本質的な理由です。
予測区間の計算方法—古典的アプローチと現代的手法
予測区間の計算方法は、時代とともに進化しています。ここでは、古典的な方法と、より柔軟な現代的な手法を比較しながら見ていきましょう。
古典的手法：正規分布を仮定するアプローチ
伝統的な統計学の教科書でよく紹介されるのは、誤差項が正規分布に従うことを前提とした方法です。単回帰分析の場合、新しい説明変数 (x_0) に対する予測値 ( \hat{y}_0 ) の95%予測区間は、以下のような形で表されます。
[
\hat{y}0 \pm t{(n-2, 0.025)} \cdot \sqrt{ \hat{\sigma}^2 \left( 1 + \frac{1}{n} + \frac{(x_0 – \bar{x})^2}{\sum (x_i – \bar{x})^2} \right) }
]
一見複雑ですが、この式の構造がまさに先ほどの二つの不確実性を反映しています。ルートの中の「1」は内在的ランダム性、「1/n + …」の部分はモデル不確実性に対応しているのです。この式を覚える必要はありませんが、「予測区間の計算には、平均値の推定誤差に加えて、データの個別のばらつき（1という項）が明示的に含まれている」という点が非常に重要です。
現代的手法：仮定を緩和するブートストラップ法と共形予測
しかし、現実のデータが常に正規分布に従うとは限りません。特にビッグデータや複雑な機械学習モデルを使う場面では、この古典的な仮定が成り立たないことも多いでしょう。
そこで登場するのが、ブートストラップ法や共形予測（Conformal Prediction）といった現代的な手法です。これらの手法は、「データそのもの」から予測区間を構築するという点で共通しています。
- ブートストラップ法：元のデータセットから重複を許して何度もサンプリング（リサンプリング）を行い、その都度モデルを構築して予測値を計算します。こうして得られた多数の予測値の分布から、パーセント点を取ることで予測区間を推定します。Scipediaの解説では、この手法が複雑なモデルや分布仮定が怪しい場合に特に有効であるとされています。この手法は、金融リスク管理や生態学の個体数推定といった、データの分布が複雑な分野で実用化されています。
- 共形予測（Conformal Prediction）：さらに新しいアプローチとして、ロンドン大学ロイヤルホロウェイ校のオンライン予測Wiki（2020年7月10日公開）では、共形予測が「与えられたデータ列と有意水準に基づいて、未来のラベルが取り得る部分集合（予測領域）を出力するアルゴリズム」と定義されています。この手法の最大の特徴は、データの分布に一切仮定を置かず、任意の機械学習モデルと組み合わせて、有限標本での厳密なカバレッジ確率を保証できるという点です。医療診断の支援や異常検知システムなど、予測の不確実性を正確に評価することが求められる分野での応用が進んでいます。
これら古典的手法と現代的手法の違いを、以下の表にまとめました。
| 特徴 | 古典的手法（正規分布仮定） | 現代的手法（ブートストラップ法） | 現代的手法（共形予測） |
|---|---|---|---|
| 前提条件 | 誤差が正規分布に従う、または標本サイズが大きい | データが元の分布からの独立したサンプルであること | データの交換可能性（i.i.d.に近い状態） |
| 計算方法 | 解析的な公式を用いて計算 | 元のデータからリサンプリングを繰り返し、予測値の分布をシミュレート | 新しいデータ点に対する「適合度（非適合度）」を既存データと比較するアルゴリズム |
| 主な利点 | 計算が軽快で理論が確立されている | 複雑なモデルや分布仮定が怪しい場合にも適用可能 | 分布仮定が不要で、有限標本での厳密なカバレッジ保証が可能 |
| 主な欠点 | 分布仮定が崩れると信頼性が低下する | 計算コストが高い（多くのリサンプリングが必要） | 計算コストが非常に高く、理論が比較的新しい |
| 実務での適用例 | 単純な回帰分析、品質管理（抜取検査） | 金融リスク管理、生態学の個体数推定 | 医療診断の支援、異常検知、意思決定システム |
実は奥が深い？逆予測区間という考え方
ここまで「未来のデータ（目的変数）」の予測区間を見てきましたが、実はその逆も可能です。逆予測（Inverse Prediction）とは、回帰分析において、目的変数（Y）の値から説明変数（X）の値を推定する手法です。
例えば、ある薬品の濃度（X）と吸光度（Y）の検量線を作成した後、未知のサンプルの吸光度（Y）を測定し、その値から薬品の濃度（X）を逆算する、といったケースです。
この逆推定においても、当然ながら推定値には不確実性が伴います。この不確実性を区間で示したものが「逆予測区間」です。驚くかもしれませんが、この逆予測区間の計算は、実はよく知られている通常の予測区間の公式を変形することで求めることができます。
MathWorks社のMATLABドキュメントでは、統計学ツールボックスに invpred という専用関数が用意されており、これを使うことで簡単に逆予測とその区間を計算できると説明されています。一般的な解説ではほとんど触れられることのない専門的なトピックですが、検量線を使った分析業務などに携わっている方にとっては、非常に実践的な知識になるでしょう。
ユーザーが本当に知りたかったこと—「なぜ予測区間はこんなに広いのか」
ここまで理論的な話を進めてきましたが、実務で予測区間を扱う際に多くの人が直面する現実的な悩みがあります。それは「予測区間が広すぎて、実務で役に立たないのでは？」という感覚です。
実際に統計学関連のQ&Aサイトやデータサイエンティスト向けのフォーラム（2026年5月時点で確認）では、「回帰分析の結果に出てくる予測区間の意味を上司に説明できない」「信頼区間と予測区間の違いがどうしても理解できない」といった根本的な疑問に加えて、「予測区間が広すぎて意思決定に使いにくい」という実用的な悩みが多く寄せられていることがわかりました。
この悩みは、まさに本記事の冒頭で説明した「予測区間は二つの不確実性を含むから広い」という本質に根ざしています。予測区間が広いのは、データに内在する偶然のばらつきを見積もっているからであり、決してモデルが悪いからではありません。
むしろ、予測区間が広いことは現実を正直に反映していると捉えるべきでしょう。未来の個別の値を完全にピンポイントで予測することは、どんなに優れたモデルを使っても不可能に近いのです。予測区間が広いという事実は、「この予測にはこれだけの不確実性がある」ということを経営陣やステークホルダーに伝えるための、重要なコミュニケーションツールとして機能します。
もし予測区間を狭めたいのであれば、内在的ランダム性（ノイズ）を減らすことはできませんが、モデル不確実性を減らすことは可能です。具体的には、より多くのデータを集めたり、説明変数を追加してモデルの精度を高めることで、予測区間の幅を狭めることができます。この点は、予測区間をビジネスに活用する上での重要な指針になるでしょう。
まとめ：予測区間は「未来への正直な態度」
本記事では、予測区間の定義から、信頼区間との本質的な違い、計算方法、そして実務上の悩みまでを解説してきました。
改めて重要なポイントを整理します。
- 予測区間は「未来の1つの値」の範囲であり、信頼区間（平均値の範囲）よりも常に広くなる。
- その理由は、予測区間が「モデル不確実性」と「内在的ランダム性」の二つの不確実性を考慮するから。
- 古典的な正規分布仮定に加え、ブートストラップ法や共形予測といった、より柔軟な現代的手法も実務で重要になりつつある。
- 予測区間が広いのは当然のことであり、その広さこそが、予測の限界を正直に示す重要な指標である。
予測区間を単なる計算式の結果として見るのではなく、「未来に対する謙虚で正直な態度」の現れとして捉えることができれば、データ分析の結果を説明する際にも、より納得感のあるコミュニケーションができるはずです。
ぜひ本記事で得た知見を、明日からのデータ分析やビジネスでの説明に役立ててください。
コメント