回帰式とは?意味・求め方と回帰分析における役割を解説!
売上や気温、勉強時間など、数値どうしの関係を調べたい場面では、ばらついたデータを一つの式で表す方法が役立ちます。
その代表例が回帰式です。
回帰式を理解すると、過去のデータから傾向を読み取り、ある条件でどの程度の結果が見込まれるかを考えやすくなります。
一方で、式が示すのは確定した未来ではなく、観測したデータに基づく推定である点にも注意が必要です。
この記事では、回帰式の意味、求め方、回帰分析における役割、読み方の注意点をわかりやすく解説します。
回帰式の意味と基本的な仕組み

それではまず回帰式の意味と基本的な仕組みについて解説していきます。
データの傾向を表す予測の式
回帰式とは、ある数値の変化から別の数値の傾向を説明したり予測したりするための式です。
たとえば、広告費を増やすと売上がどのように変わるかを、過去の実績から考えるとします。
このとき広告費を説明変数、売上を目的変数として、両者の関係を式にまとめたものが回帰式です。
説明変数は結果に関係しそうな要因を表し、目的変数は知りたい結果を表します。単回帰では、それぞれを1つずつ扱います。
散布図に点を打つと、実際のデータは一直線に並ばず、ある程度ばらつくことが一般的です。
回帰式は、そのばらつきの中心を通るような線を求め、全体としての関係を読み取るために使われます。
たとえば勉強時間が長いほどテストの得点が高い傾向にあっても、睡眠不足や体調によって得点は上下するでしょう。
個別の事情まですべて説明する式ではなく、データ全体に見られる平均的な動きを示す点が重要です。
観測したデータに共通する傾向を、数値として表すための道具です。
予測値と実際の値に差が出ることを前提に読み取る必要があります。
回帰式を使うと、感覚だけでは判断しにくい関係を、傾きや切片という具体的な数値で確認できます。
ただし、数値に関係が見えても、一方が他方の原因であるとは限らないため、背景の事情もあわせて検討しましょう。
単回帰式の形と各記号の意味
最も基本的な単回帰式は、目的変数を説明変数で表す直線の式です。
単回帰分析では、一般に目的変数を y、説明変数を x として、次の形で回帰式を書きます。
y = a x + b
y は予測したい目的変数です。
x は結果に関係すると考える説明変数です。
a は x が1単位増えたときに y が平均してどれだけ変わるかを示す回帰係数です。
b は x が0のときの y の推定値であり、切片と呼ばれます。
x と y の単位は、売上なら円、時間なら時間、気温なら摂氏温度など、扱うデータに応じて変わります。
たとえば y = 3x + 50 という式では、x が1増えるごとに y は平均して3増えると読み取れます。
x が0なら y は50と推定されるため、50が切片にあたります。
ここでいう平均してという言葉を見落とさないことが大切です。
実際の観測値は式どおりになるとは限らず、回帰式が示す値は同じ条件における代表的な予測値にすぎません。
また、切片は数学的には必要な値でも、現実には意味を持ちにくい場合があります。
たとえば営業時間が0時間の店の売上を考える場合、切片だけを実務上の結論として扱うのは適切ではありません。
式を読む際は、係数の数値だけでなく、x が取りうる範囲やデータを集めた条件にも目を向けましょう。
回帰分析における位置づけ
回帰分析では、データの関係を調べた結果として回帰式を作り、その妥当性を検証します。
回帰分析は、単に一本の線を引く作業ではありません。
どの変数を使うかを決め、データを確認し、式を求め、関係の強さや予測の精度を評価する一連の分析です。
回帰式は、その分析結果を最もわかりやすく表した中心的な成果物といえます。
たとえば店舗別の来客数と売上を分析するなら、来客数だけでなく、曜日、季節、値引きの有無も売上に影響するかもしれません。
来客数だけで式を作る単回帰分析は関係の入口をつかむのに向いています。
複数の要因を同時に扱いたい場合には、複数の説明変数を用いる重回帰分析を検討します。
回帰式を得たあとも、決定係数、残差、係数の有意性などを確認して、式をどこまで信頼できるかを判断します。
式がデータをどの程度説明できるかを評価し、意思決定に使える範囲を見極めることが大切です。
数値が出た理由を業務や研究の知識と照らして考える姿勢も欠かせません。
分析結果を報告するときは、回帰式だけを示すより、対象期間、データ数、説明変数、予測に使える範囲も添えると誤解を減らせます。
回帰式は分析の終点ではなく、次の判断や改善策を考えるための出発点です。
回帰式の求め方と最小二乗法
続いては回帰式の求め方と最小二乗法を確認していきます。
散布図と残差による考え方
回帰式は、実測値と式による予測値の差である残差が全体として小さくなるように求めます。
データを散布図にすると、各点は実際に観測された組み合わせを示します。
回帰直線上の位置は、その x の値から回帰式が計算した y の予測値です。
実測値と予測値の縦方向の差を残差と呼びます。
たとえば予測売上が100万円で、実際の売上が108万円なら、残差は8万円です。
残差が正なら実測値は予測値より上にあり、負なら予測値より下にあります。
線を少し動かすと、ある点には近づいても別の点から離れるため、すべての残差を0にすることは通常できません。
そこで残差を二乗し、その合計が最も小さくなる直線を選ぶ方法が最小二乗法です。
二乗することで正と負の差が打ち消し合うのを防ぎ、大きく外れた誤差も評価に反映できます。
残差 = 実測値 - 予測値
残差平方和 = 各データの残差を二乗して合計した値
最小二乗法では、この残差平方和が最小になるように回帰係数と切片を決めます。
残差の単位は目的変数と同じですが、残差平方和の単位は目的変数の単位を二乗したものになります。
ただし、極端に大きい値が1件あると、二乗によって回帰式が大きく影響を受ける場合があります。
計算結果だけを信じず、散布図で外れ値の有無を確かめることが実務では重要です。
回帰係数と切片の計算手順
単回帰式の回帰係数は、x と y が一緒に変化する度合いを x のばらつきで割って求めます。
実務では表計算ソフトや統計ソフトを使うことが多いものの、計算の意味を知ると出力結果を判断しやすくなります。
回帰係数 a は、x と y の共分散を x の分散で割った値として求められます。
切片 b は、y の平均から a と x の平均の積を引いた値です。
a = Σ{x - xの平均}{y - yの平均} ÷ Σ{x - xの平均}²
b = yの平均 - a × xの平均
x は説明変数で、単位は時間、個数、円などです。
y は目的変数で、単位は点数、売上、消費量などです。
a の単位は、y の単位を x の単位で割ったものになります。
b の単位は y と同じです。
たとえば x の平均が4時間、y の平均が70点、計算した回帰係数が5点毎時間なら、切片は50点になります。
途中式は、70 - 5 × 4 = 50です。
したがって回帰式は y = 5x + 50となり、勉強時間が1時間増えると得点が平均で5点上がる傾向を表します。
ただし、この式を勉強時間が極端に長い人へそのまま当てはめるのは危険です。
元のデータが1時間から6時間の範囲なら、20時間の予測は観測範囲外への外挿となります。
回帰式は、基本的に分析に使ったデータの範囲内で利用するほうが、解釈の信頼性を保ちやすいでしょう。
表計算ソフトでの確認方法
表計算ソフトでは、散布図、近似直線、関数を組み合わせると回帰式を手早く確認できます。
まず、説明変数と目的変数を対応する行に入力し、どちらも数値として認識されているかを確かめます。
次に散布図を作成すると、直線的な傾向がありそうか、曲線的な関係か、外れ値があるかを視覚的に確認できます。
散布図に近似直線を追加し、グラフ上に数式を表示すれば、単回帰式の形をすぐに把握できます。
回帰係数だけを求めたい場合には、傾きを求める関数や切片を求める関数を使う方法もあります。
分析機能を利用すれば、係数だけでなく決定係数や標準誤差などもまとめて出力できます。
ただし、グラフに表示された式の小数点以下が丸められている場合があります。
予測計算に使うときは、表示用の丸めた数値ではなく、セルに保持されている係数を参照するほうが安全です。
単位の混在、空白セル、文字列として入力された数値、集計期間の違いを確認してから分析しましょう。
見た目が整ったグラフでも、元データの条件がそろっていなければ結論は不安定になります。
また、切片を0に固定する設定は、理論上 x が0なら y も0になる根拠がある場合に限って使います。
根拠なしに固定すると、傾きまで変わり、実態に合わない式になるおそれがあります。
回帰式から読み取れる傾向と精度
続いては回帰式から読み取れる傾向と精度を確認していきます。
傾きと切片の実務的な読み方
回帰係数の符号と大きさを見ると、説明変数の変化と目的変数の関係を具体的に読み取れます。
傾きが正なら、x が大きくなるほど y も大きくなる傾向です。
傾きが負なら、x が大きくなるほど y は小さくなる傾向を示します。
たとえば気温と暖房使用量の回帰式で傾きが負なら、気温が高い日に暖房使用量が減る関係を表していると考えられます。
傾きの大きさは、説明変数の単位に左右されます。
売上を円で扱う場合と万円で扱う場合では、同じ関係でも係数の数値は10000倍異なります。
そのため、係数の大きさだけで別の分析結果と単純比較するのではなく、単位と変数の尺度を確認する必要があります。
切片は x が0のときの推定値ですが、現実的に x が0にならないケースもあります。
たとえば購入回数が0の顧客の年間利用額を扱うなら、切片には基礎的な会費や別経路の利用が含まれる可能性があります。
係数を見たら、数字を文章に言い換えて説明する習慣をつけると、関係者にも伝わりやすくなります。
数式の意味を業務の言葉で確認することが、解釈の飛躍を防ぐ助けになります。
決定係数と残差の確認
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目安です。
決定係数は一般に R² と表され、0から1の範囲で確認します。
値が1に近いほど、回帰式は観測データのばらつきをよく説明していると判断できます。
たとえば R² が0.80なら、目的変数のばらつきのうち約80パーセントを、その回帰式で説明できているという見方が基本です。
ただし、R² が高いからといって、必ず将来予測が正確とは限りません。
分析に使ったデータに過度に合わせ込んだ式は、新しいデータでは精度が下がることがあります。
残差の散らばり方も重要な確認対象です。
残差が全体にランダムに散らばっていれば、直線の式で捉える考え方が比較的なじみやすいと考えられます。
一方で、残差が曲線のような形を示すなら、関係が直線ではない可能性があります。
大きな残差が特定の季節や店舗に集中している場合は、式に入れていない要因があるかもしれません。
決定係数は便利な指標ですが、散布図と残差を併せて見ることで、より実用的な評価になります。
相関関係と因果関係の違い
回帰式で関係が見つかっても、その関係だけで原因と結果を断定することはできません。
回帰分析は、変数間にどのような関連があるかを数量的に示す方法です。
しかし、関連があることと、一方が他方を直接引き起こしたことは別の問題です。
たとえば夏にアイスの売上と水難事故の件数が同時に増えても、アイスの売上が事故の原因になるわけではありません。
気温や行楽客の増加といった第三の要因が、両方に関係している可能性があります。
売上分析でも、広告費が多い月に売上が高いという結果だけでは、広告の効果を断定できません。
繁忙期だから広告費も売上も増えたという事情があれば、季節要因を考慮する必要があります。
因果関係を確かめるには、実験、比較対象の設定、時系列の確認、交絡要因の検討などが求められます。
回帰式は仮説を検討する有力な材料ですが、結論を自動的に保証するものではありません。
分析前に、何が原因候補で、どの要因が結果に影響しうるかを整理しておくと、無理のない解釈につながります。
数字の関係を発見したあとこそ、現場の知識を使って理由を確かめる姿勢が大切です。
単回帰式と重回帰式の使い分け
続いては単回帰式と重回帰式の使い分けを確認していきます。
説明変数の数による違い
単回帰式は説明変数が1つで、重回帰式は複数の説明変数を同時に扱う点が違います。
単回帰式は y = ax + b のように、1つの要因と結果の関係を簡潔に確認したいときに向いています。
重回帰式では、売上に対する来客数、広告費、気温など、複数の要因を同時に入れて分析できます。
重回帰式の基本形は、目的変数に対して複数の説明変数の係数を足し合わせる形です。
| 比較項目 | 単回帰式 | 重回帰式 |
|---|---|---|
| 説明変数の数 | 1つ | 2つ以上 |
| 式の形 | y = ax + b | y = a₁x₁ + a₂x₂ + b |
| 主な目的 | 基本的な関係の把握 | 複数要因を考慮した推定 |
| 解釈の難しさ | 比較的わかりやすい | 変数間の影響を考慮する必要がある |
| 活用例 | 勉強時間と得点 | 来客数、広告費、天候と売上 |
重回帰式では、ほかの説明変数を一定とみなしたうえで、各係数を読むのが基本です。
たとえば広告費の係数は、来客数や気温などを考慮したうえで、広告費が変化した場合の関係を示します。
ただし、説明変数を増やせば必ず分析が良くなるわけではありません。
目的との関係が薄い変数や、意味を説明できない変数をむやみに入れると、解釈が複雑になりやすいでしょう。
重回帰式を使う際の注意点
重回帰式では、説明変数どうしが似た情報を持ちすぎる多重共線性に注意が必要です。
たとえば、店舗面積と売場面積を同時に入れると、両者は強く似た動きをする可能性があります。
このような場合、各係数が不安定になり、わずかなデータ変更で符号や大きさが変わることがあります。
また、売上と利益のように目的変数の結果に近い情報を説明変数へ入れると、予測時に利用できない情報を混ぜるおそれがあります。
分析の目的が将来予測なのか、要因の理解なのかによって、選ぶ変数も変わります。
将来予測なら、予測時点で確実に取得できるデータだけを説明変数にする必要があります。
要因を説明する目的なら、係数の符号が業務知識と大きく矛盾していないかを確かめます。
データ数に比べて説明変数が多すぎる場合も注意が必要です。
少ない観測値に多くの要因を入れると、偶然のばらつきまで拾ってしまい、新しいデータに弱い式になりかねません。
使う変数は、事前の仮説、取得可能性、解釈のしやすさを基準に絞り込みましょう。
目的に応じた分析方法の選択
回帰式は、説明したい目的と予測したい場面を明確にしてから選ぶと活用しやすくなります。
まずは単回帰式で、重要と思われる要因と結果に大まかな関係があるかを確認する方法があります。
この段階では、散布図を見ながらデータの特徴や外れ値を把握することが役立ちます。
次に複数の要因を考慮する必要があるなら、重回帰式へ進む流れが自然です。
一方で、時間の流れが強く影響する売上予測では、過去の売上推移を扱う時系列分析のほうが適する場合もあります。
目的変数が購入するかしないかのように二択なら、通常の直線回帰よりロジスティック回帰が使われることがあります。
回帰式の選択は、式を複雑にすることではなく、問題に合った形にすることが目的です。
分析結果を使う人が理解でき、実際にデータを更新できる仕組みであるかも重要な判断材料になります。
新しいデータが加わったときに定期的に式を見直せるなら、環境変化によるずれにも対応しやすくなります。
最初から完璧な式を目指すより、検証と改善を繰り返せる分析にすることが実務では有効です。
回帰式の意味と使い方のまとめ
回帰式は、データに見られる傾向を式として表し、説明や予測に役立てるための方法です。
単回帰式では、説明変数と目的変数の関係を、傾きと切片を持つ直線で表します。
回帰式は最小二乗法によって、実測値と予測値の差が全体として小さくなるように求められます。
係数を読むときは、単位、対象範囲、切片が現実に持つ意味を確認することが必要です。
決定係数や残差を確認すれば、式がデータをどの程度説明しているかを評価できます。
また、回帰式が示す関連だけで因果関係を断定せず、季節や条件などの背景要因を検討しましょう。
要因が1つなら単回帰式、複数の要因を同時に考えたいなら重回帰式が候補になります。
まずは身近なデータを散布図にして、どのような傾向が見えるかを確かめるところから始めてみてください。