ベイズ統計の信用区間と頻度論の信頼区間の違いについて
はじめに
統計学において「区間推定」は、未知の母数に対する不確実性を表現する重要な手法です。頻度論的アプローチでは「信頼区間」、ベイズ的アプローチでは「信用区間」という異なる概念が用いられます。両者は似たような形で「範囲」を提示しますが、背後にある解釈が根本的に異なるため、混同すると誤解を招きます。
そこで今回は信用区間と信頼区間の違いについて解説し、R言語による実装例も用いて解説していきます。
なお、ベイズ統計と頻度論の考え方そのものの違いについては、ベイズ統計入門：頻度論との違いとベイズの定理で基礎から整理しています。本記事はその応用として、推定結果の「区間」の意味に焦点を当てます。
頻度論の信頼区間
頻度論では、母数は固定された未知の値とみなし、データはランダムに変動するものと考えます。信頼区間は「多数の標本を繰り返し抽出したとき、そのうち一定割合の区間が真の母数を含む」という性質を持ちます。
数式表現
母平均 \(\mu\) を推定する場合、標本平均 \(\bar {X}\) の標準誤差を用いて次のように表されます。
\[CI_{95\% }=\bar {X}\pm z_{0.025}\cdot \frac{\sigma }{\sqrt{n}}\]
ここで、\(z_{0.025}\) は標準正規分布の上側2.5%点です。
- 「この区間が95%の確率で母数を含む」とは言えない
- 正しい解釈は「無限に標本を繰り返したとき、95%の区間が母数を含む」というもの。
出典：統計WEB（bellcurve.jp）の解説を参考に作成
ベイズ統計の信用区間
ベイズ統計では、母数そのものを確率変数とみなし、データと事前分布を組み合わせて事後分布を得ます。信用区間は、この事後分布に基づき「母数がある範囲に含まれる確率」を直接表現します。なお、事前分布・事後分布・尤度の関係については事前分布・事後分布・尤度の関係と共役事前分布で詳しく解説しています。
数式表現
事後分布 \(\pi (\theta |x)\) に基づく信用区間は次のように定義されます。
\[P\left( \theta \in [a,b]\mid x\right) =0.95\]
つまり、「母数 \(\theta\) が区間 [a,b] に含まれる確率が95%」という直感的な解釈が可能です。
言い換えると、事後分布の分布の中で、「確率が95％を含む範囲」といえます。
- 等裾信用区間（Equal-tailed interval）
事後分布の両端を同じ確率で切り落とす。 - 最高事後密度区間（HPD: Highest Posterior Density interval）
事後分布の密度が最も高い領域を選ぶ。
信頼区間と信用区間の違いを一覧で整理
ここまでの内容を、頻度論の信頼区間とベイズの信用区間の対比として一覧にまとめます。両者は見た目が似ていても、「何を固定し、何が確率的に動くと考えるか」が正反対であり、その結果「95%」という数字の意味も変わります。
| 観点 | 頻度論の信頼区間 | ベイズの信用区間 |
|---|---|---|
| 母数の捉え方 | 固定された未知の定数 | 確率変数（分布をもつ） |
| ランダムに動くもの | データ＝区間の位置 | 母数 θ そのもの |
| 「95%」の意味 | 同じ手順を無限に繰り返すと95%の区間が真値を含む | 母数が区間内にある確率が95% |
| 事前情報の利用 | 使わない | 事前分布として明示的に取り込む |
| 代表的な区間 | 標準誤差ベースの1種類 | 等裾区間・HPD区間 |
| 計算方法 | 解析的（z・t分布）が中心 | 事後分布から算出（MCMC等） |
| 直感的な解釈 | しにくい（誤解されやすい） | しやすい |
| 主な活躍場面 | 伝統的な仮説検定・規制申請の主流 | 事前情報の活用・適応的／小規模試験 |
「95%」の意味を取り違えない ― 頻度論の落とし穴
信頼区間で最も誤解されやすいのが「95%」の意味です。多くの人が「母平均がこの区間に95%の確率で入っている」と読みたくなりますが、頻度論ではこの言い方は誤りです。母数は固定された定数なので、「ある1本の区間が真値を含むかどうか」は含むか含まないか（0か1）のどちらかでしかありません。
「95%」が意味するのは、同じ手順で何度も標本を取り直して区間を作り続けたとき、そのうち約95%の区間が真値を含むという「手順の性質」です。これをRで実際に確かめてみましょう。真の母平均 \(\mu = 5\) のデータから95%信頼区間を100回作り、何本が真値5を含むかを数えます。
# 95%信頼区間を100回つくり、真値 mu=5 を含む本数を数える
set.seed(1)
mu <- 5; sigma <- 2; n <- 30
hit <- 0
for (i in 1:100) {
x <- rnorm(n, mu, sigma)
se <- sd(x) / sqrt(n)
ci <- mean(x) + c(-1, 1) * qt(0.975, n – 1) * se
if (ci[1] <= mu && mu <= ci[2]) hit <- hit + 1
}
hit # 真値5を含んだ区間の本数 → おおむね93〜97本に収まる
実行すると、含んだ本数はおおむね95本前後になります。つまり「95%」は区間を作る手順の長期的な的中率を指しており、いま手元にある1本の区間に対する確率ではありません。一方、ベイズの信用区間なら「母数が区間内にある確率が95%」とそのまま読んで構いません。この読み替えのしやすさが、ベイズの信用区間が実務で好まれる理由のひとつです。
HPD区間と等裾区間の違いを深掘り
定義の違い
等裾区間（Equal-tailed Interval）:
事後分布の両端を同じ確率（例：2.5%ずつ）で切り落とし、残りの95%を含む区間。
数式で表すと、
\[P(\theta < a \mid x) = \alpha /2 , P(\theta > b\mid x)=\alpha /2\]
となる区間 \([a,b]\)のことです。
HPD区間（Highest Posterior Density Interval）:
事後分布の密度が最も高い部分を選び、全体で95%の確率質量を含む区間。
数式で表すと以下のようになります。
\[\pi (\theta \mid x)\geq k\quad \mathrm{となる集合Cで\ }P(\theta \in C\mid x)=0.95\]
図解イメージ
下記で2つの分布の場合を見ていきます。
正規分布（対称分布）:等裾区間とHPD区間はほぼ同じ。
密度が異なる分布:密度が異なる分布では、HPD区間では、密度が高い部分を選び、区間とします。そのため、パラメータの真値である可能性が高い区間という意味でHPD区間のほうが、適切を考えられます。
Rによる実装例
頻度論的信頼区間
# データ生成
set.seed(123)
x <- rnorm(100, mean = 5, sd = 2)
# 標本平均と標準誤差
mean_x <- mean(x)
se_x <- sd(x) / sqrt(length(x))
# 95%信頼区間
ci_lower <- mean_x – qnorm(0.975) * se_x
ci_upper <- mean_x + qnorm(0.975) * se_x
c(ci_lower, ci_upper)
ベイズ的信用区間（単純な正規事前分布）
library(rstanarm)
# データ生成
set.seed(123)
x <- rnorm(100, mean = 5, sd = 2)
# ベイズ回帰で平均を推定
fit <- stan_glm(x ~ 1, prior = normal(0, 10), chains = 2, iter = 2000)
# 95%信用区間の取得
posterior_interval(fit, prob = 0.95)
例えば結果が [4.7, 5.3] と出た場合：
- 解釈は「母平均がこの区間に含まれる確率が95%」と直接言えます。
- これは事後分布に基づく確率的な推定であり、直感的に理解しやすいです。
- 規制科学や製薬分野では「母数がこの範囲にある確率」を明示できる点が、意思決定に有用となります。
興味深いのは、無情報に近い事前分布（ここでは広い正規分布）を使うと、ベイズの信用区間は頻度論の信頼区間と数値的にほぼ一致する点です。同じデータ・同じ95%でも、得られた区間を「手順の的中率」と読むか「母数が入る確率」と読むかが両者の本質的な違いであり、数値の近さは解釈の違いを打ち消しません。
どちらを使うべきか ― 製薬・規制での使い分け
「信頼区間と信用区間のどちらを使うべきか」に唯一の正解はなく、目的・前提情報・規制の文脈で選びます。実務での目安を整理します。
- 信頼区間（頻度論）が向く場面
確証的試験など、事前情報を持ち込まず客観性・再現性を重視する場面。多くの規制申請は依然として頻度論が主流。 - 信用区間（ベイズ）が向く場面
過去データや外部情報を事前分布として活用したい場面、小規模・希少疾患、適応的デザインや中間解析で「効きそうな確率」を直接示したい場面。
近年は規制当局でもベイズ的アプローチの活用が広がっています。背景や具体的な設計は、ベイズ臨床試験デザイン入門やFDA 2026年ベイズドラフトガイダンス徹底解読、実装面はベイズ統計の解析手法と製薬業界での活用でそれぞれ詳しく扱っています。なお、信頼区間と表裏一体の概念である「p値」の正しい理解についてはp値とは何か？もあわせてご覧ください。
よくある質問（FAQ）
Q. 信頼区間と信用区間、どちらが「正しい」のですか？
A. どちらも正しい区間推定です。両者は「母数を固定された定数とみるか（頻度論）」「確率変数とみるか（ベイズ）」という前提の違いから生じるもので、優劣ではありません。目的と前提情報に応じて使い分けます。
Q. 「95%信頼区間に母数が95%の確率で入る」と言ってはいけないのですか？
A. 頻度論ではその言い方は誤りです。母数は定数なので、特定の1本の区間が真値を含む確率は0か1のどちらか。「母数がこの区間に入る確率95%」と直接言えるのは、ベイズの信用区間の方です。
Q. 信用区間の計算に事前分布は必須ですか？
A. はい、ベイズの信用区間は事後分布から求めるため事前分布が必要です。ただし無情報に近い事前分布を使えば、結果は頻度論の信頼区間に近づくことが多くなります。詳しくは事前分布・事後分布・尤度の関係をご覧ください。
まとめ
今回はベイズ統計の信用区間と頻度論の信頼区間の違いについて解説いたしました。
区間推定における頻度論とベイズ統計の違いは、母数の扱い方と区間の解釈に根本的な差があります。頻度論的な信頼区間は「推定方法の性質」を保証するものであり、無限に標本を繰り返したときに一定割合の区間が真の母数を含むことを意味します。一方で、ベイズ的な信用区間は事後分布に基づき「母数がその区間に含まれる確率」を直接表現できるため、より直感的で意思決定に活用しやすい特徴があります。
さらに、信用区間には等裾区間と HPD 区間という二つの代表的な形式があります。対称的な分布では両者はほぼ同じですが、分布が歪んでいる場合には HPD 区間の方が短く、事後分布の密度が高い領域を優先して示すため、より「確からしい」範囲を提示できます。実務では、標準的な報告には等裾区間を用い、歪んだ分布や多峰性分布では HPD 区間を選ぶことで、より適切な解釈が可能となります。
このように、信頼区間と信用区間の違いを理解し、状況に応じて等裾区間と HPD 区間を使い分けることは、医薬品開発や規制科学における統計的意思決定をより確かなものにする重要なステップです。
