データで答えられる質問

統計は問いから始まりますが、すべての問いが統計の問いとは限りません。

次の2つを比べてみましょう。

• 「私たちの表の1行目にいるペンギンの体重はどれくらいですか？」
• 「成鳥のジェンツーペンギンの体重はどれくらいですか？」

1つ目には答えが1つあります。調べればわかります（3 750 g）。2つ目には答えがたくさんあります。ペンギンごとに違うからです。2つ目は、多くの測定値の要約（典型的な値、範囲、図など）でしか答えられません。統計的な問いとは、答えがばらつくと予想され、集めるデータもばらつく問いです。

「今日、私たちのクラスには何人の生徒がいますか？」は、答えが1つの数える問いです。「学校のある日の夜、私たちの学校の生徒は何時間眠りますか？」は統計的な問いです。生徒によって答えが異なり、そこにパターンが見られることが興味深いからです。

データはたいてい表として届きます。知っておきたい言葉は次のとおりです。

• 観測単位（ケースとも呼ばれます）：各行が表しているもの。ペンギンの表では、1羽のペンギンです。
• 変数：すべての単位について測定または記録するもの。変数ごとに1列あり、種、島、フリッパーの長さ、体の質量、性別などがあります。
• 値：1つのセルに入っているもの。「Gentoo」や214 mmなどです。

標準的なレイアウトは、整然データと呼ばれることが多く、3つのルールに従います。各行は1つの単位、各列は1つの変数、各セルには1つの値を入れます。整然とした表は、並べ替え、フィルター、数え上げ、グラフ化が簡単です。そのため、データ分析のほとんどのツールはこの形式を想定しています。

ペンギンの表の最初の3行は、次のようになります。

• Adelie · Torgersen · くちばし：長さ39.1 mm、深さ18.7 mm · フリッパー181 mm · 3 750 g · オス · 2007年
• Adelie · Torgersen · くちばし：長さ39.5 mm、深さ17.4 mm · フリッパー186 mm · 3 800 g · メス · 2007年
• Adelie · Torgersen · くちばし：長さ40.3 mm、深さ18.0 mm · フリッパー195 mm · 3 250 g · メス · 2007年

ペンギンの測定データは、パーマーペンギンのデータセットです。南極のパーマー基地で、2007年、2008年、2009年に測定された344羽の鳥類のデータで、Gorman、Williams、Fraser（2014）によって公開され、パブリックドメイン（CC0）で共有されています。

変数には大きく分けて2つの種類があります。

• カテゴリカル変数は、各単位をグループに分けます。種、島、性別などです。値はラベルです。それぞれのグループにいくつあるかを数えられます。
• 数値（量的）変数は、計算に意味がある測定値や数えた数です。フリッパーの長さや体の質量などがあります。平均値を求められます。

数値変数はさらに分けられます。離散変数は、巣にある卵の数（0、1、2、3 …）のように、数えられる別々の値をとります。連続変数は、測定の精度によって限られるだけで、範囲内のどんな値でもとることができます。フリッパーの長さは214 mm、214.3 mm、214.27 mmなどになります。表では体の質量やフリッパーの長さをグラムやミリメートルの整数で記録していますが、これらは連続変数です。

「数値」かどうかを見分けるよい方法は、平均値に意味があるか？と考えることです。ペンギンのグループの体の質量の平均値には意味があります。郵便番号のリストの平均値には意味がありません。