回帰曲線とは？意味や求め方をわかりやすく解説！（回帰分析：グラフ：近似曲線：散布図など）

回帰曲線は、散布図に表れたデータの傾向を曲線として捉えるための考え方です。

売上と広告費、気温と電力使用量、学習時間と得点など、複数の数値の関係を分析する場面で活用されます。

ただし、曲線が描けたからといって、すべての関係を正確に説明できるとは限りません。

データの見方、近似曲線との違い、回帰分析の基本、予測時の注意点まで理解すると、グラフから読み取れる情報が大きく変わります。

回帰曲線の意味と基本的な役割

それではまず、回帰曲線の意味と、データ分析で果たす役割について解説していきます。

散布図の傾向を表す曲線

回帰曲線とは、散布図上に配置された複数のデータ点に対し、全体としてどのような関係があるかを表した曲線です。

散布図では、横軸に説明変数、縦軸に目的変数を置くケースが一般的です。

説明変数は結果に関係すると考えられる要因であり、目的変数は予測したい数値や把握したい結果を指します。

たとえば横軸を気温、縦軸をアイスクリームの売上にすると、気温が上がるにつれて売上も増える傾向が見えるかもしれません。

このとき、個々の点は完全に一直線や同じ曲線上には並ばないでしょう。

天候、曜日、店舗の立地、販促施策など、気温以外の要因も売上に影響するためです。

そこで、点のばらつきを含めた全体傾向を表す線や曲線として、回帰曲線が用いられます。

回帰曲線は一つひとつの観測値を再現するものではなく、データ群の中心的な流れを読み取るための目安です。

回帰分析との関係

回帰曲線を求める手法は、一般に回帰分析と呼ばれます。

回帰分析では、説明変数の値が変化したとき、目的変数が平均的にどのように変化するかを数式で表します。

最も基本的な方法は、直線を使う単回帰分析です。

しかし、現実のデータには直線では説明しにくい関係も少なくありません。

たとえば運動時間と疲労度の関係では、最初はゆるやかに増え、一定時間を超えると急に疲労度が高まることがあります。

このような場合、直線よりも曲線のほうが実態に近い傾向を表せる可能性があります。

回帰分析は、関係の有無を感覚だけで判断せず、データに基づいて検討するための分析手法です。

回帰曲線は、その分析結果を視覚的に理解しやすくする役割も担います。

近似曲線との違い

回帰曲線と近似曲線は似た意味で使われることがありますが、目的には違いがあります。

近似曲線は、観測されたデータ点の形に近づくように数式や曲線を当てはめる広い概念です。

一方で回帰曲線は、説明変数と目的変数の関係を推定し、平均的な変化や予測に役立てることを重視します。

表計算ソフトでは散布図に近似曲線を追加できるため、回帰曲線と同じように扱われることもあります。

ただし、分析の目的が予測なのか、単にデータの形をなめらかに見せたいのかによって、選ぶべき方法は変わります。

項目	回帰曲線	近似曲線
主な目的	関係の推定と予測	データ形状の表現
重視する点	説明変数と目的変数の関係	観測値への当てはまり
活用例	売上予測、需要予測、要因分析	実験値の傾向確認、グラフの可視化
注意点	因果関係とは限らない	予測の妥当性を別途確認する

散布図から回帰曲線を読む手順

続いては、散布図を使って回帰曲線を読み取る手順を確認していきます。

横軸と縦軸の設定

散布図を作成する前に、何を説明変数にし、何を目的変数にするかを整理します。

広告費から売上を考えるなら、広告費を横軸、売上を縦軸に置くのが自然です。

横軸は原因や条件として扱う数値、縦軸は結果として確認したい数値という考え方が基本になります。

ただし、統計上の設定だけで原因と結果が確定するわけではありません。

広告費が多い月に売上が高いとしても、繁忙期であることが両方に影響している可能性があります。

グラフを作る段階で、変数の意味とデータの取得条件を確認することが重要です。

単位が異なる数値を比較する場合は、円、個、時間、割合などを明記すると、読み違いを防ぎやすくなります。

点の並び方と関係の方向

散布図を見たとき、右上がりの配置が多ければ、横軸の値が大きいほど縦軸の値も大きくなる正の関係が考えられます。

反対に、右下がりなら負の関係が疑われます。

ただし、点が大きく散らばっている場合は、関係が弱いか、別の要因の影響が強いかもしれません。

また、中央付近では増加しているのに、一定値を超えると減少するような形もあります。

このようなデータに直線だけを当てはめると、重要な変化を見落とすおそれがあります。

散布図では、右上がりか右下がりかだけでなく、曲がり方、ばらつき方、集まり方まで観察することが大切です。

特に端の部分に少数のデータしかない場合、その範囲での予測は慎重に扱う必要があるでしょう。

外れ値とデータの偏り

外れ値とは、多くのデータ点から大きく離れた値です。

入力ミス、測定ミス、特殊なキャンペーン、突発的な天候などによって生じることがあります。

外れ値があるからといって、すぐに削除してよいわけではありません。

たとえば大幅な売上増が大型イベントによるものであれば、その値は事業上の重要な事実を示しています。

一方で、桁の入力を間違えたデータなら修正が必要です。

外れ値は消す前に理由を調べるという姿勢が、信頼できる回帰分析につながります。

データが特定の期間や特定の顧客層に偏っている場合も、回帰曲線の解釈は限定的になります。

分析対象の範囲を明確にし、どのようなデータから曲線が作られたのかを意識しましょう。

回帰曲線の求め方と代表的な式

続いては、回帰曲線を求める基本的な考え方と、代表的な数式を見ていきます。

最小二乗法の考え方

回帰曲線を求める代表的な方法に、最小二乗法があります。

これは、実際のデータ点と回帰曲線との差をできるだけ小さくする考え方です。

データ点と曲線の縦方向の距離は残差と呼ばれます。

残差には正と負があるため、単純に足し合わせると打ち消し合ってしまいます。

そこで残差を二乗し、その合計が最も小さくなるように係数を決めます。

この方法により、データ全体に対してバランスよく当てはまる回帰式を求められます。

個々の誤差をゼロにするのではなく、誤差全体を小さくする点が最小二乗法の特徴です。

線形回帰と一次式

もっとも基本となる回帰式は、一次式で表す線形回帰です。

式は、目的変数をｙ、説明変数をｘとして、ｙ＝ａｘ＋ｂの形で表されます。

ａは傾きであり、ｘが一単位増えたときにｙが平均的にどの程度変化するかを示します。

ｂは切片であり、ｘがゼロのときのｙの推定値です。

ただし、説明変数がゼロになる状況に現実的な意味がない場合、切片だけを単独で解釈する必要はありません。

傾きが正なら右上がり、負なら右下がりの直線になります。

線形回帰は計算が比較的わかりやすく、基礎的な予測や傾向把握に幅広く利用されています。

二次関数と非線形の曲線

散布図が弓なりや山形の傾向を示す場合には、二次関数を使った回帰曲線が候補になります。

二次式は、ｙ＝ａｘ²＋ｂｘ＋ｃのように表されます。

広告の投下量が少ない段階では売上が増えるものの、投下しすぎると効率が下がるような状況では、曲線的な関係が見られることがあります。

ほかにも、指数関数、対数関数、ロジスティック曲線などが使われます。

ただし、複雑な式を選べば、手元のデータにはよく合うとは限りません。

細かく曲がる曲線は、偶然のばらつきまで拾ってしまう過学習につながることがあります。

回帰曲線の形は、見た目の美しさではなく、業務上の意味、データ量、予測精度を踏まえて選ぶことが大切です。

回帰分析で確認したい精度指標

続いては、回帰曲線の信頼性を判断するために確認したい精度指標を解説していきます。

決定係数の見方

決定係数は、回帰式が目的変数のばらつきをどの程度説明できているかを示す指標です。

一般にＲ二乗と表記され、ゼロから一の範囲で示されます。

一に近いほど、回帰式によってデータの変動を説明しやすい状態と考えられます。

たとえば決定係数が０．８であれば、目的変数のばらつきのうち約８割を回帰式で説明できるという見方ができます。

しかし、決定係数が高いことだけで、よい分析と決めつけることはできません。

説明変数を増やすと値が高くなりやすいことや、学習用データだけに過度に合っている可能性もあるためです。

決定係数は重要な目安ですが、単独で結論を出すための数値ではありません。

残差の分布と予測誤差

残差の確認は、回帰曲線が見落としているパターンを発見するために役立ちます。

理想的には、残差がゼロの周辺にランダムに散らばる状態が望ましいとされます。

残差が一方向に偏る場合、選んだ曲線の形が適切でない可能性があります。

たとえば小さい値では予測が高すぎ、大きい値では予測が低すぎるなら、直線ではなく曲線を検討する場面かもしれません。

また、予測誤差が特定の範囲で急に大きくなる場合、データの分散が一定ではないこともあります。

売上規模が大きい店舗ほど変動幅も大きいといったケースでは、残差の広がり方に特徴が現れます。

予測値だけでなく、どの程度ずれる可能性があるかまで確認すると、実務で利用しやすい分析になります。

学習用データと検証用データ

回帰曲線の精度を確かめる際は、式を作るためのデータと、精度を確認するためのデータを分ける方法が有効です。

前者は学習用データ、後者は検証用データと呼ばれます。

同じデータだけで評価すると、そのデータに特化しすぎた曲線でも高い精度に見えることがあります。

別の期間や別のデータで予測させることで、実際の利用場面に近い精度を確認できます。

特に予測を目的とする場合は、未知のデータに対してどれだけ使えるかを重視する必要があります。

データ数が少ないときは、複数回に分けて検証する交差検証という方法も検討できます。

表計算ソフトで作る回帰曲線とグラフ

続いては、表計算ソフトを使って回帰曲線と散布図を作成する流れを確認していきます。

散布図の作成手順

表計算ソフトで回帰曲線を扱う場合は、まず二列の数値データを準備します。

一列目に説明変数、二列目に目的変数を配置すると、散布図を作りやすくなります。

次にデータ範囲を選択し、グラフ機能から散布図を選びます。

折れ線グラフでは、横軸がデータの並び順として扱われる場合があります。

数値と数値の関係を正しく表すには、通常は散布図を選ぶことが適しています。

グラフを作成したら、軸のタイトル、単位、対象期間を加えましょう。

見栄えを整えるだけでなく、第三者がグラフを誤解せずに読めるようにするための作業です。

近似曲線の追加方法

散布図に近似曲線を追加すると、データの傾向を視覚的に確認できます。

多くの表計算ソフトでは、データ系列を選択して近似曲線を追加し、線形、指数、対数、多項式などの種類を選べます。

最初は線形を試し、散布図の形や残差を見ながら、必要に応じて別の種類を検討するとよいでしょう。

回帰式と決定係数をグラフ上に表示できる機能もあります。

数式を表示すれば、特定の説明変数に対する予測値を計算しやすくなります。

ただし、表示桁数が少ないと、実際の計算結果と差が出る場合があります。

重要な分析では、セル上の計算式や統計機能で係数を確認するほうが安心です。

グラフの確認項目	見るべき内容	注意点
軸の設定	横軸と縦軸の変数名、単位	軸の取り違えを防ぐ
データ点	ばらつき、集中、外れ値	一部の点だけに注目しない
曲線の種類	直線、二次式、指数式など	複雑な式を安易に選ばない
決定係数	当てはまりの程度	高い数値だけで判断しない
予測範囲	データが存在する範囲	範囲外への予測は慎重に行う

グラフを報告資料に活かす工夫

回帰曲線を含むグラフは、分析結果を短時間で伝えるのに役立ちます。

ただし、曲線だけを示すと、データのばらつきや外れ値が見えにくくなることがあります。

報告資料では、散布図の点を残したうえで回帰曲線を重ねる方法がおすすめです。

必要に応じて、対象期間、データ件数、除外した条件も本文や注記で説明します。

また、回帰曲線から予測値を示す際は、確定値のように表現しないことも大切です。

予測には誤差が含まれるため、予測の前提条件と利用範囲を添えると、誤解を抑えられます。

グラフは結論を強調する道具であると同時に、根拠を共有するための道具でもあります。

回帰曲線を利用するときの注意点

続いては、回帰曲線を実務や学習で利用するときの注意点を解説していきます。

相関関係と因果関係の違い

二つの数値に強い関係が見られても、一方が他方の原因であるとは限りません。

これを相関関係と因果関係の違いといいます。

たとえば夏に日焼け止めの売上と清涼飲料水の売上が同時に増えたとしても、日焼け止めが飲料水の売上を増やしたとはいえません。

両方に影響している要因は、気温や季節である可能性が高いでしょう。

回帰曲線は変数同士の関係を把握するのに役立ちますが、原因を断定するためには、実験、追加分析、業務知識などが必要になります。

関係があることと、原因であることは別の話です。

この違いを意識するだけでも、グラフの読み違いを大きく減らせます。

範囲外予測のリスク

回帰曲線は、観測したデータの範囲内で使うほど信頼しやすいといえます。

たとえば気温が十五度から三十五度までのデータだけを使っている場合、四十五度の売上を同じ式で予測することには注意が必要です。

データの範囲を超える予測は外挿と呼ばれます。

外挿では、これまで見られなかった条件や限界が影響し、曲線どおりに結果が動かない場合があります。

広告費を増やし続ければ売上も無限に増えるという予測は、現実には成り立ちにくいでしょう。

市場規模、予算、顧客数、供給能力などに上限があるためです。

予測値を利用するときは、分析に使ったデータ範囲を必ず確認しましょう。

説明変数を増やす場合の考え方

売上を予測する場合、広告費だけでは説明しきれないことが多くあります。

季節、価格、競合の動き、在庫、顧客属性などを追加して分析する方法が重回帰分析です。

説明変数を増やせば精度が上がる可能性はありますが、無関係な項目まで入れると分析が複雑になり、解釈もしにくくなります。

互いに非常によく似た説明変数を同時に入れると、係数が不安定になることもあります。

これは多重共線性と呼ばれる問題の一つです。

変数を選ぶ際には、統計的な数値だけでなく、業務上の意味や取得のしやすさも検討します。

目的に必要な変数を、根拠を持って選ぶことが、使いやすい回帰分析につながります。

回帰曲線の理解を深めるためのまとめ

回帰曲線は、散布図にあるデータのばらつきから、全体としての傾向を読み取るための曲線です。

回帰分析によって求められ、売上予測、需要予測、品質管理、研究データの検討など、幅広い場面で活用されています。

基本となる線形回帰では、説明変数と目的変数の関係を一次式で表します。

散布図に曲がり方が見られる場合は、二次式などの回帰曲線も候補になります。

ただし、複雑な曲線ほどよいわけではありません。

データへの当てはまり、残差、決定係数、検証用データでの精度を合わせて確認することが大切です。

また、回帰曲線が示すのは数値上の関係であり、因果関係をそのまま証明するものではありません。

外れ値の理由、対象データの偏り、予測する範囲、外部要因にも目を向ける必要があります。

まずは散布図を作り、データ点の並び方を丁寧に観察してみましょう。

そのうえで適切な回帰曲線を選べば、数字の羅列から、判断に役立つ傾向を見つけやすくなるでしょう。