R2乗値とは？意味や求め方も！（決定係数：回帰分析：相関係数：0から1の範囲など）

R2乗値は、回帰分析の結果を読むときに欠かせない数値です。

売上予測、品質管理、広告効果の検証、研究データの分析など、説明変数と目的変数の関係を確かめたい場面で幅広く使われています。

ただし、R2乗値が高ければ必ず良い分析になるとは限りません。

数値の意味、求め方、相関係数との違い、注意点まで理解しておくと、分析結果をより実務的に判断しやすくなるでしょう。

R2乗値の意味と決定係数の基本

それではまず、R2乗値が何を示す数値なのかを解説していきます。

R2乗値が示す説明力

R2乗値とは、回帰式が目的変数の変動をどの程度説明できているかを表す指標です。

正式には決定係数と呼ばれ、英語の coefficient of determination に由来して R squared と表記されます。

たとえば、広告費と売上高の関係を回帰分析したとします。

このときR2乗値が0.80であれば、売上高のばらつきのうち約80パーセントを広告費との関係で説明できるという意味になります。

残りの約20パーセントには、季節、価格、競合の動き、商品の評判、偶然の変動など、回帰式に含まれていない要因が関係している可能性があります。

R2乗値は予測式の当たり具合を直感的に理解する助けになりますが、原因を断定するための数値ではありません。

0から1の範囲と数値の読み方

一般的な切片を含む回帰分析では、R2乗値は0から1の範囲で示されます。

0に近いほど回帰式で説明できる割合が小さく、1に近いほどデータに回帰式がよく当てはまっている状態です。

ただし、どの程度なら高いと判断するかは、分野や目的によって異なります。

物理実験のように条件を厳密に管理できる領域では0.9を超える値が期待されることもあります。

一方で、人の行動、景気、購買、満足度など多くの要因が重なる分野では、0.3から0.5程度でも有用な分析になる場合があります。

R2乗値の目安	一般的な読み方	確認したい点
0.00から0.19	説明力は限定的	重要な説明変数が不足していないか
0.20から0.49	一定の関係を把握できる水準	業界や対象の性質に合うか
0.50から0.79	比較的高い説明力	残差や外れ値に問題がないか
0.80から1.00	非常に高い当てはまり	過学習や情報漏れがないか

この表はあくまで一般的な目安です。

R2乗値だけで分析の良し悪しを決めないことが、適切な判断につながります。

決定係数という名称の背景

決定係数という言葉には、目的変数の変動が回帰式によってどれだけ決まるかという考え方が含まれています。

ここでいう決まるとは、結果が完全に確定するという意味ではありません。

観測されたデータのばらつきを、モデルがどの程度うまく説明しているかという意味です。

たとえば、気温からアイスクリームの売上を説明する回帰式では、気温が高いほど売上が増える傾向を表せるでしょう。

しかし、雨の日かどうか、店舗の立地、イベントの有無、商品の在庫状況なども売上に影響します。

R2乗値は、こうした複数の影響の中で、モデルに入れた要因が果たしている説明の割合を示すための数値です。

R2乗値の求め方と計算式

続いては、R2乗値をどのように計算するのかを確認していきます。

全変動と残差変動の考え方

R2乗値は、実際のデータが平均値からどれだけ散らばっているかと、回帰式で説明できなかった誤差を比べて求めます。

実測値と予測値の差は残差と呼ばれます。

残差が小さいほど、回帰式は実際のデータに近い値を予測できていると考えられます。

二乗する理由は、正の差と負の差を打ち消さず、誤差の大きさを公平に扱うためです。

大きな誤差ほど強く反映されるため、外れ値がある場合にはR2乗値の解釈にも注意が必要でしょう。

具体例による計算の流れ

簡単な例として、実測値の平均からのずれを二乗して合計した結果が100だったとします。

これは全平方和が100である状態です。

回帰式による予測後、実測値とのずれを二乗して合計した残差平方和が25だった場合を考えます。

この結果は、回帰式が目的変数の変動の75パーセントを説明していることを表します。

残りの25パーセントは、モデルで説明できなかった変動です。

R2乗値の計算では、予測がどれだけ誤差を減らせたかを平均値だけで予測した場合と比べています。

Excelや統計ソフトでの確認方法

R2乗値は、Excel、Googleスプレッドシート、R、Python、各種統計ソフトで確認できます。

Excelでは散布図に近似曲線を追加し、グラフ上にR2乗値を表示する方法が手軽です。

分析ツールの回帰機能を使うと、R Square として出力されることもあります。

ただし、グラフに表示された数値だけを見て判断するのはおすすめできません。

回帰係数の符号、標準誤差、p値、残差プロット、サンプル数もあわせて確認すると、分析の信頼性を高められます。

計算をソフトに任せる場合でも、数値が何を意味するのかを理解しておくことが大切です。

相関係数とR2乗値の違い

続いては、混同されやすい相関係数とR2乗値の違いを確認していきます。

相関係数が示す関係の向きと強さ

相関係数は、二つの変数にどの程度の直線的な関係があるかを示す指標です。

値はマイナス1から1の範囲をとります。

1に近いと一方が増えるほどもう一方も増える正の相関を示し、マイナス1に近いと一方が増えるほどもう一方が減る負の相関を示します。

0に近い場合は、直線的な関係が弱いと考えられます。

たとえば、気温と暖房費には負の相関が見られることがあります。

気温が上がるほど暖房費が下がる傾向があるためです。

単回帰分析における二乗の関係

説明変数が一つだけの単回帰分析では、R2乗値は相関係数を二乗した値と一致します。

相関係数が0.8なら、その二乗は0.64です。

この場合のR2乗値は0.64となり、目的変数の変動の64パーセントを説明できると読み取れます。

相関係数がマイナス0.8であっても、二乗すると0.64になります。

そのため、R2乗値からは関係の強さは分かっても、増加方向なのか減少方向なのかは分かりません。

重回帰分析で生じる違い

複数の説明変数を使う重回帰分析では、単純に一つの相関係数を二乗してR2乗値を求めることはできません。

たとえば、売上を広告費、店舗面積、来店者数、天候で説明する場合、それぞれの要因が組み合わさって予測値が作られます。

このときのR2乗値は、複数の説明変数をまとめた回帰モデル全体の説明力を示します。

説明変数どうしが強く似た動きをしている場合には、多重共線性という問題も起こり得ます。

R2乗値が高くても各説明変数の影響を正しく分離できているとは限らないため、相関行列やVIFも確認すると安心です。

回帰分析におけるR2乗値の見方

続いては、実際の回帰分析でR2乗値をどう読むかを確認していきます。

分析目的に合わせた基準

R2乗値の評価には、絶対的な合格ラインがあるわけではありません。

予測精度を重視するのか、要因の傾向を理解したいのか、研究仮説を検証したいのかによって必要な水準が変わります。

新規事業の需要予測では、完全な精度よりも、意思決定に使える方向性を得ることが大切な場合があります。

製造工程の異常検知では、小さな誤差が重大な品質問題につながるため、より高い精度が求められるでしょう。

分析対象の不確実性と利用目的をセットで考えることが、R2乗値の適切な評価につながります。

残差グラフによる補足確認

R2乗値が高い場合でも、残差に偏りがあると回帰式の前提が崩れている可能性があります。

残差グラフでは、横軸に予測値や説明変数、縦軸に残差を配置して、誤差の広がり方を確認します。

理想的には、残差が0付近にランダムに散らばる状態です。

曲線のような模様が見える場合は、直線モデルでは捉えられない非線形の関係があるかもしれません。

予測値が大きくなるほど残差が広がる場合は、分散が一定ではない不均一分散も疑われます。

こうした状態では、変数変換、非線形モデル、重み付き回帰などを検討する余地があります。

外れ値と影響力の確認

少数の極端なデータがR2乗値を大きく左右することがあります。

たとえば、非常に大きな売上を記録した特別なキャンペーン日が含まれていると、回帰直線がその一点に引っ張られる可能性があります。

外れ値は単純に削除すればよいものではありません。

入力ミス、測定ミス、特殊な事情、重要な市場変化など、発生理由を確認する必要があります。

Cookの距離やレバレッジなどの指標を使うと、回帰式に大きく影響している観測値を探しやすくなります。

高いR2乗値を作ることより、現実を適切に表すモデルを作ることが分析の本来の目的です。

自由度調整済みR2乗値と注意点

続いては、説明変数が複数ある場合に重要な自由度調整済みR2乗値を確認していきます。

説明変数を増やしたときの問題

通常のR2乗値には、説明変数を追加すると値が下がりにくいという特徴があります。

目的変数とほとんど関係がない変数であっても、モデルに加えることでR2乗値がわずかに上昇する場合があります。

これは、データに偶然含まれる細かな変動まで拾ってしまうためです。

その結果、学習に使ったデータではよく当てはまって見えても、新しいデータでは予測力が落ちる過学習につながることがあります。

自由度調整済みR2乗値の役割

自由度調整済みR2乗値は、説明変数の数とサンプル数を考慮してR2乗値を補正した指標です。

役に立たない変数を追加した場合には、調整済みR2乗値が下がることがあります。

複数の回帰モデルを比較するときには、通常のR2乗値だけでなく調整済みR2乗値を見ると判断しやすくなります。

ただし、調整済みR2乗値が最も高いモデルが、常に最良とは限りません。

業務知識、説明のしやすさ、データ取得のコスト、将来の運用可能性も重要な判断材料です。

予測精度との違いと検証データ

R2乗値は通常、分析に使ったデータに対する当てはまりを示します。

そのため、未知のデータでも同じように予測できるかは別途確認が必要です。

データを学習用とテスト用に分け、テスト用データで予測誤差を確認する方法がよく使われます。

平均絶対誤差、二乗平均平方根誤差、平均絶対パーセント誤差なども、予測性能の評価に役立ちます。

学習データのR2乗値が高く、テストデータで低い場合は、過学習を疑うべきでしょう。

交差検証を行えば、限られたデータでもモデルの安定性をより丁寧に確かめられます。

R2乗値の活用における実務上のポイント

続いては、R2乗値を実務で活用する際のポイントを確認していきます。

データの品質を整える視点

回帰分析の結果は、元となるデータの品質に強く左右されます。

欠損値、入力ミス、単位の不一致、重複データ、集計期間のずれがあると、R2乗値の解釈も不安定になります。

売上を分析するなら、返品を含むか、税抜きか税込みか、値引き後の金額かなどの定義をそろえる必要があります。

説明変数と目的変数の時点がずれていないかも重要です。

広告を出した当日に売上へ反映されるとは限らないため、タイムラグを考慮した変数設計が必要になることもあります。

因果関係と相関関係の区別

R2乗値が高いことは、変数間に説明しやすい関係があることを示します。

しかし、それだけで一方が他方の原因であると結論づけることはできません。

たとえば、アイスクリームの売上と水難事故の件数に同時に増える傾向があっても、売上が事故を起こすわけではありません。

両方に影響している気温や季節という共通要因があるためです。

因果関係を検討するには、実験、時系列の順序、統制変数、制度変更、専門知識などを組み合わせる必要があります。

回帰分析は仮説を検証する材料の一つであり、結論を自動で出す装置ではありません。

報告書で伝わる説明の組み立て

分析結果を報告するときは、R2乗値だけを示すよりも、目的、対象データ、回帰式、主要な係数、限界を一緒に伝えると理解されやすくなります。

たとえば、広告費と売上の関係を分析した場合には、対象期間、店舗数、季節要因を含めたかどうかを明記します。

R2乗値が0.65であれば、売上変動の約65パーセントをモデルで説明できたと平易に言い換えることも有効です。

そのうえで、残りの変動には未観測の要因が含まれること、予測値には誤差があることも添えると、過度な期待を防げます。

数値の高さを強調するだけでなく、数値が示す範囲と示さない範囲を伝える姿勢が信頼につながります。

R2乗値に関するまとめ

R2乗値は決定係数とも呼ばれ、回帰分析のモデルが目的変数の変動をどの程度説明できるかを示す指標です。

一般的には0から1の範囲で表され、1に近いほど分析対象のデータへの当てはまりが良いと考えられます。

単回帰分析では相関係数を二乗した値とR2乗値が一致しますが、相関係数と異なり、関係の正負までは分かりません。

重回帰分析では、説明変数を増やすほど通常のR2乗値が上がりやすいため、自由度調整済みR2乗値も確認することが重要です。

残差、外れ値、データ品質、テストデータでの予測精度まで確認すると、数字だけに偏らない分析になります。

R2乗値は回帰分析を評価するための有力な入口であり、最終結論そのものではないと理解して活用しましょう。