ウェイトバック集計とは？計算式・やり方と有権者構成に合わせる補正の注意点

ウェイトバック集計は、回収したアンケートの構成比が母集団とずれているとき、回答一人ひとりに重みを掛けて母集団の構成へ戻す集計方法です。世論調査で「有権者の構成に合わせて補正した」と書かれているのも、この処理を指します。式は割り算ひとつですが、実務でつまずくのは、どの属性で補正するか、補正すべきかという判断のほうです。この記事では総務省が公開している実際のウェイト表と、朝日新聞社・日経リサーチの実務家が論文に書いた集計手順と留保をもとに整理します。

まとめ：ウェイトバック集計の要点

• ウェイト値の計算式は「母集団の構成比 ÷ 回収サンプルの構成比」。セルごとに1つの値が決まる。
• 補正で直せるのは構成比の偏りだけ。本文で取り上げる総務省の設問例では、補正の前後で回答比率が最大4.1ポイント動いた。
• 抽出確率の違いを打ち消す補正と、回収後の偏りを人口構成へ合わせる補正は別物（日経リサーチ・佐藤2019はそれぞれをウエイト集計、ウエイトバック集計と呼び分けている）。
• 有権者構成に合わせる補正は世論調査各社で対応が割れている。朝日新聞社は抽出確率の調整のあとに地域・性別・年代を国勢調査の構成へ合わせる2段構えで集計し（2024年の論文）、日本経済新聞は2019年時点で実施していない。
• 補正には精度の代償がある。総務省の公開表を計算すると、重みだけから求めた有効サンプルサイズは回収500人に対して約276人になる（本記事による試算）。
• 属性を増やしてセルが細かくなるときはレーキングで周辺分布を合わせる手があるが、属性どうしの組み合わせの構成まで一致する保証はない。
• 住民基本台帳から等確率で抽出した調査では抽出確率の補正（ウエイト集計）は要らない。補正に使ったセルの中だけで比率を見る集計も、補正しても比率は変わらない。

ウェイトバック集計の定義と、混同されやすい抽出確率の補正

ウェイトバック集計の定義と表記のゆれ

ウェイトバック集計とは、回収されたサンプルの構成比を母集団の構成比に一致させるため、サンプル1件ごとに重み（ウェイト値）を掛けて集計しなおす方法です。総務省の資料「アンケート結果におけるウェイトバック集計について」では「サンプルを実際の市場構成に合わせるために、サンプルに重みづけをして集計」と説明されています。統計ソフトによっては母集団拡大集計と呼ばれることもあり、重みを掛けた結果が母集団の実数（何万世帯など）になるよう設計する場合はこの呼び方が実態に合います。

表記は「ウェイトバック集計」と「ウエイトバック集計」が混在し、同じ総務省の資料でも表題は「ウェイト」、本文と表頭は「ウエイト」です。指す内容は同一なので、社内文書では片方に決めておけば十分です。

抽出確率の補正（ウエイト集計）との区別

実務でとくに混乱しやすいのが、抽出確率の違いを打ち消す補正との区別です。日経リサーチ世論調査部の佐藤寧氏は、マス・コミュニケーション研究第94号（2019年、43ページから50ページ）で両者を明確に呼び分けています。携帯電話を2台持っている人は1台の人より2倍の確率で調査対象になるため「携帯電話を２台保有している人については，２分の１をかけて集計を行う必要がある」とし、これを「ウエイト集計」と呼びます。

一方、回収後に若年層が少なかったなど目に見える偏りが出たとき「これを人口分布に合わせるような重みをかけてつじつまを合わせる手法」がウエイトバック集計だとしています。前者は設計上あらかじめ分かっている確率のずれを戻す作業で、理論的に必要な処理です。後者は結果を見てから当てる補正であり、必要かどうかは調査ごとに判断が分かれます。この2つを同じ「重み付け」として扱うと、後述する適用判断を誤ります。

ウェイト値の計算式と実際のやり方

セルごとのウェイト値の計算式

ウェイト値は、補正に使う属性で回答者をセルに分けたうえで、セルごとに次の式で求めます。

ウェイト値 ＝ 母集団におけるそのセルの構成比 ÷ 回収サンプルにおけるそのセルの構成比

構成比の代わりに人数で計算しても同じ結果になります（母集団構成比に総回収数を掛けた目標人数 ÷ 実際の回収人数）。値が1より大きいセルは回収が足りず膨らませる対象、1より小さいセルは獲れすぎたので縮める対象です。分子を母集団の実数にすると、ウェイトの合計が回収数ではなく母集団の人数になり、比率は同じでも集計表の件数が何万人単位で出ます。母集団拡大集計と呼ばれるのはこの使い方で、どちらで作ったウェイトなのかは集計表のNを見れば判別できます。

男女2セルの数値例

母集団の男女比が50対50なのに、回収500人の内訳が男性300人、女性200人だったとします。男性の構成比は60パーセントなので、ウェイト値は50 ÷ 60 ＝ 0.833…です。以下の計算では丸める前の値を使い、表示のみ0.833とします。女性は40パーセントなので50 ÷ 40 ＝ 1.25です。男性300人×0.833で250人分、女性200人×1.25で250人分となり、合計は500のまま男女比だけが50対50に戻ります。

ある設問の賛成が男性120人（40パーセント）、女性120人（60パーセント）なら、補正前の賛成率は240 ÷ 500で48パーセントです。補正後は男性120×0.833で100、女性120×1.25で150、合計250 ÷ 500で50パーセントになります。女性の回答が少なかった分、女性に多い意見が2ポイント持ち上がった形です。なお、この例のKishの有効サンプルサイズ（後述）は480人で、回収数500人より4パーセント小さい値です。これは推定精度が4パーセント低下するという意味ではありません。

総務省の公開表で見る実際のウェイト値

総務省の2011年9月作成の資料には、実際に使われたウェイト表がそのまま載っています。回収500件を、居住エリア（政令指定都市と東京23区／その他）、住居形態（戸建／集合住宅）、IP電話の利用有無の3軸で8セルに分け、それぞれに補正値を割り当てたものです。母集団側の数値には平成21年通信利用動向調査のIP電話利用率（戸建19パーセント、集合住宅24パーセント）と2005年版国勢調査の世帯分布を使っています。

回収数は8セルにほぼ均等（62件か63件）に割り付けられている一方、市場構成は1.76パーセントから38.84パーセントまで22倍の開きがあります。この差がそのまま補正値の開き（0.14201から3.13207まで約22倍）になりました。均等割付で集めたデータを人口構成へ戻すと補正値が大きく振れるという構造は、均等割付とは？比例割付との違い・ウェイトバック集計まで調査設計を解説で扱う割付方式の選択と表裏の関係にあります。

この表の表示値から検算すると、資料に記載された補正値とはわずかに異なります。市場構成の1.76パーセントを回収構成比の12.40パーセントで割ると0.14194で、資料の0.14201とずれます。表の市場構成は小数2桁に丸めた値で、資料は丸める前の値から補正値を出しているためです。自社で再現するときは、母集団側の構成比を丸めずに持っておいてください。

補正前後で動く集計結果

同じ資料には、IP電話に変更した理由を尋ねた複数回答の設問への適用結果も載っています。回収は57件、補正後の母数は95.96（資料の表記は96）です。資料の補正後のパーセントと、回収件数から算出した補正前のパーセントを並べます。

動いた幅は最大4.1ポイントで、上位選択肢の順位は入れ替わりませんでした。この設問では変化が数ポイントに収まりましたが、変化幅は構成比のずれとセル別の回答傾向で決まります。母集団の男女比が50対50なのに回収が90対10で、賛成率が男性60パーセント、女性20パーセントなら、補正前の56パーセントが補正後は40パーセントになり、賛否の多数派が入れ替わります。

注目すべきは最下段です。回答者が1名だけだった選択肢は、補正前なら57分の1で1.8パーセントですが、補正後は0.58を95.96で割って0.6パーセントになります。同資料はこの計算過程を「０．５８としてカウント」「０．５８÷９６＝０．６％」と明記しています。回答者が1人しかいない選択肢に、3分の1に薄まった0.6パーセントという数字が付くわけです。

Excelでのウェイト付与と加重集計の手順

1. 補正に使う属性を決め、母集団側の構成比を公的統計などから取得する。
2. 回収データを同じ属性でクロス集計し、セルごとの回収数と構成比を出す。
3. セルごとにウェイト値を計算し、回答者1件ずつの行にウェイト値の列を紐づける。
4. 設問の集計は単純なカウントではなく、ウェイト値の合計で行う。

4の集計は、選択肢ごとの該当フラグとウェイト値を掛けて足す形になるため、SUMPRODUCTで書けます。回答列がB列、ウェイト値がW列なら =SUMPRODUCT((B2:B501="はい")*W2:W501) で重み付きの件数が、これを =SUM(W2:W501) で割れば重み付きの比率が出ます。回答者行にウェイト値を持たせておけば、単純集計もクロス集計も同じ列を参照するだけで済みます。クロス表の読み方そのものはアンケートのクロス集計とは？やり方・表の見方から単純集計との違い、カイ二乗検定まで解説で整理しています。毎回の調査で同じ補正をかけるなら、回答データにウェイト列を持たせる処理を集計の仕組みに組み込むことで、手作業の転記を減らせます。弊社のアンケート管理システム開発では、こうした集計処理を含めた設計を承っています。

属性を増やすときのレーキング（Pythonで検算）

性別×年代×地域のように補正の属性を増やすと、セルが細かくなり回収0件や数件のセルが出ます。そのときの選択肢がレーキング（反復比例調整）です。ただし、補正する属性のカテゴリー全体で回収が0件なら重み付けでは補えず、カテゴリーの統合や追加回収が必要です。セルの組み合わせではなく、属性ごとの周辺分布（男女比、年代比、地域比）だけを目標にして、属性を1つずつ順番に合わせる処理を収束するまで繰り返します。

総務省の8セル表で、セル別のウェイトとレーキングを比べたのが次のコードです（Python 3.9.6で実行、標準ライブラリのみ）。レーキングには3属性それぞれの周辺分布だけを与えています。反復は100回で固定しており、このデータでは周辺の合計が目標と一致することを確かめました。別のデータに流用するときは、終了後に周辺の合計と目標の差を確認してください。

# 総務省(2011)のウェイト表：(エリア, 住居形態, IP電話, 市場構成%, 回収数)
cells = [
    ("政令市", "戸建", "利用", 1.76, 62), ("政令市", "戸建", "非利用", 7.32, 63),
    ("政令市", "集合", "利用", 4.24, 63), ("政令市", "集合", "非利用", 13.49, 62),
    ("その他", "戸建", "利用", 9.35, 63), ("その他", "戸建", "非利用", 38.84, 62),
    ("その他", "集合", "利用", 5.98, 63), ("その他", "集合", "非利用", 19.03, 62),
]
n = sum(c[4] for c in cells)

def neff(ws):
    """Kishの有効サンプルサイズ (Σw)^2 / Σw^2"""
    sw = sum(w * c[4] for w, c in zip(ws, cells))
    return sw * sw / sum(w * w * c[4] for w, c in zip(ws, cells))

# 1) セル別ウェイト：母集団の構成比 ÷ 回収の構成比
cell_w = [(c[3] / 100) / (c[4] / n) for c in cells]

# 2) レーキング：3属性の周辺分布だけに合わせる反復比例調整
target = {}
for k in range(3):
    for c in cells:
        target[k, c[k]] = target.get((k, c[k]), 0) + c[3] / 100 * n
rake_w = [1.0] * len(cells)
for _ in range(100):
    for k in range(3):
        tot = {}
        for w, c in zip(rake_w, cells):
            tot[c[k]] = tot.get(c[k], 0) + w * c[4]
        rake_w = [w * target[k, c[k]] / tot[c[k]] for w, c in zip(rake_w, cells)]

for c, cw, rw in zip(cells, cell_w, rake_w):
    print(f"{c[0]}・{c[1]}・IP{c[2]}  セル別 {cw * c[4]:6.1f}  レーキング {rw * c[4]:6.1f}")
print(f"有効サンプルサイズ  セル別 {neff(cell_w):.1f}  レーキング {neff(rake_w):.1f}")

レーキングでも政令市134.1、戸建286.4、IP利用106.7といった周辺の合計は母集団どおりになります。ところがセル単位では、政令市・戸建・IP非利用が36.6のはずの所で60.9、その他・戸建・IP非利用が194.2のはずの所で164.5になるなど、最大で約30件分ずれました。母集団ではIP電話の利用率が住居形態やエリアによって違うのに、レーキングは周辺分布しか知らないので、その組み合わせの違いを再現できません。代わりにウェイトのばらつきが小さく、有効サンプルサイズは301.7とセル別より26人分多く残ります。

使い分けの基準ははっきりしています。セルごとに数十件の回収があり、母集団の組み合わせ別の構成も分かっているならセル別で補正します。組み合わせ別の構成が手に入らない、またはセルが細かすぎて回収が足りないときにレーキングを使い、属性どうしの組み合わせは合っていないという前提で結果を読みます。

有権者構成に合わせるウェイトバック集計と、世論調査各社の対応差

世論調査各社で割れる実施状況

有権者構成に合わせるウェイトバック集計（有権者ウェイトバック集計）は、少なくとも2019年時点では、報道各社で実施の有無が分かれていました。前掲の佐藤氏は「実際にマスコミ電話世論調査でも，このウエイトバック集計を行っている社（代表的なところで朝日新聞など），おこなっていない社（日経新聞など）に分かれている」と書いています。同じ日に同じ手法で調査しても、集計方針が違えば数値が動くということです。

朝日新聞社の2段階の重み付け

実施している側の手順は、朝日新聞社世論調査部の6名による論文「朝日新聞社の選挙調査の手法」（データ分析の理論と応用 第13巻第1号、2024年）に書かれています。同社は2016年7月の全国世論調査から固定電話と携帯電話の両方にかけるRDD方式を採っており、集計はまず抽出確率の調整から始まります。電話回線を2本持つ世帯の回答は2分の1にする、固定電話では世帯内の有権者数による抽出確率の違いを調整する、固定と携帯の両方を持つ人の回答を調整する、といった処理で、前述の区別でいえばウエイト集計にあたります。

そのうえで「上のような調整をしたうえで，さらに，全体として地域別，性別，年代別の構成比のゆがみをなくす補正をする」とし、「回答者の構成比が5年ごとの国勢調査の構成比と同じになるようにする」と書いています。これが有権者ウェイトバック集計の実際の形です。抽出確率の調整を先に済ませ、残った偏りだけを地域・性別・年代の3属性で国勢調査に合わせる順序になっています。自社調査で両方の補正が必要なときも、この順序で掛け合わせるのが筋です。

同じ論文は、補正の限界も書いています。2021年衆院選の情勢調査で使ったインターネット調査は登録モニターによる非確率標本で、その偏りは「性別や年代別の構成比を国勢調査の実態構成比に合わせる，といった単純な方法では補正しきれない」。そのため同社は、並行して実施した電話調査（確率標本）のデータを基準にネット調査のデータを補正しています。モニター調査の結果を性別と年代で人口構成に合わせただけで「有権者の縮図」と呼ぶのは、少なくとも同社の基準では足りないということです。

補正で精度が上がらない条件

直感に反しますが、人口構成へ合わせる補正は精度を保証しません。佐藤氏は「一見，このウエイトバック集計を行ったほうが正確な調査結果になると思われるが，理論的にはそうではない」と明言し、固定電話のみで調査していた時代の20代を例に挙げています。当時、固定電話が自宅にある20代は親と同居している層にほぼ限られていました。この層を人口比まで膨らませると「一部の偏った」20代の意見を拡大して集計することになり、調査結果全体を正確にしているとは必ずしも言えません。

つまりウェイトバック集計が直せるのは、セル内では回答者が母集団の縮図になっているという前提が成り立つ場合の偏りだけです。セル内の回答傾向に偏りがある場合、そのセルに一律の重みを掛けても偏りは解消しません。全体の推定値への影響は、各セルの重みと偏りの方向・大きさによって変わります。同じ属性のなかで回答した人と回答しなかった人の性質が違うという問題は、無回答バイアスとは？無回答誤差・未回答との違いと集計での扱い方で扱う無回答バイアスそのものであり、重み付けでは解消しません。

ただし佐藤氏は否定一辺倒ではなく、「年代別に意見があるテーマでかつ年代ごとに回収率がことなる調査の場合（例えば夫婦別姓に関する賛否など）は，ウエイトバック集計を行うことが適切だという指摘もある」とも書いています。年代で意見が明確に割れ、かつ年代別の回収率に差がある。この2条件がそろったときが、補正の効果が損失を上回りやすい場面です。回収率の出し方と目安は回収率とは？アンケート調査での計算方法・目安・上げ方を解説にまとめています。

等確率抽出で不要になる抽出確率の補正

同じ論文は「政府の実施する世論調査のように，住民基本台帳から個人を等しい確率で無作為に抽出するのであれば特に補正の必要はない」としています。ここで不要なのは、抽出確率の違いを打ち消す補正です。等確率抽出でも標本誤差は生じ、無回答によって回答者の構成が偏る可能性もあります。抽出確率の差への補正が必要になるのは、電話番号を無作為に発生させるRDD（RDD法）とは？世論調査で使われる電話番号の無作為抽出方式をわかりやすく解説のように、対象者が選ばれる確率が人によって異なる設計を採ったときです。自社調査で補正の要否を迷ったら、まず抽出設計に立ち返って確率が等しいかを確認してください。

ウェイトバック集計で失うもの：有効サンプルサイズと母数の表記

重みの不均等さの目安：Kishの有効サンプルサイズ

重みの不均等さは推定値の分散を増やす要因になります（補正で偏りが減る分、ばらつきが必ず増えるとは限りません）。その大きさの目安が有効サンプルサイズで、Kishが Survey Sampling（Wiley、1965年）で示した設計効果の考え方に基づき、重みの合計の2乗を重みの2乗和で割って求めます。重みのばらつきだけから求める指標です。

先ほどの総務省の表に当てはめて計算すると（本記事による試算）、重みの合計は500.0、重みの2乗和は906.14となり、有効サンプルサイズは275.9、すなわち約276人です。約276人という値は重みの不均等さを表す目安であり、各設問の推定精度が一律に276人分になることを意味しません。重みと調査変数が無相関などの近似条件の下では、重みの不均等さによる設計効果は約1.81、標準誤差の倍率は約1.35と見積もれます。構成比は目標に一致し、重みだけから求めた有効サンプルサイズは回収数より約45パーセント小さくなります。男女2セルの数値例（約480人）と比べると、補正値の開きが大きいほど目減りが急になることが分かります。

補正後のデータで検定や誤差の幅を示すときは、重みだけから求めた有効サンプルサイズへの置換で済ませず、抽出設計と補正方法を考慮して標準誤差を計算し直します（標準誤差の求め方は標準誤差とは？求め方・エクセル計算と標本誤差・標準偏差の違いを参照）。抽出設計や補正を無視して単純無作為抽出の式を使うと、誤差を過小評価する場合があり、有意差検定で本来は出ない有意差が出ることがあります。検定の種類と手順は有意差検定とは？有意差・p値の意味と検定の種類・やり方をわかりやすく解説で扱っています。

実務では「ウェイト値は2倍までに抑える」といった上限を設ける運用があります。ただし、この閾値を裏づける公的機関の基準は見当たりません（総務省の上記資料と労働力調査の解説のいずれにも上限の記載はありません）。重みだけから求める有効サンプルサイズは、重みの不均等さを確認する目安です。必要な精度を満たすかどうかは、抽出設計と補正方法を考慮した設問別の標準誤差で判断します。必要な精度を下回るなら、補正でごまかさず追加回収を検討すべきです。

補正後の母数（N）の表記

総務省の資料は、集計表の母数（N）の扱いまで具体的に示しています。IP電話非利用者に限定した設問では実際の回収数は249件でしたが、「ウエイトバック集計による重みづけ後のサンプル数は、３９３となるため、母数（Ｎ）については３９３と表記」しています。前節で見た設問でも、回収57件が補正後96件となり、Nは96と表記されました。

この方式には落とし穴があります。読み手が実回収数を知らなければ、1名だけの回答から出た0.6パーセントを、96件規模の回答に裏づけられた比率と誤読しかねません。補正後のNを母数に採るなら、実回収数を併記するのが安全です。

公的統計での補正：労働力調査の比推定

総務省統計局「労働力調査の解説［第5版改訂版］」によれば、労働力調査はまず抽出率の逆数を掛ける線型推定を行います。「ウエイト３の調査区の場合，三つに一つの割合で住戸を調査するから，調査した住戸に居住する就業者の数が50人であったならば，50×３＝150人をその調査区の就業者数と推定する」という考え方で、これは前述のウエイト集計と同じ発想です（同解説は「ウエイト集計」という語自体は使っていません）。

そのうえで「男女，年齢５歳階級(16区分)，地域（11区分）別人口をベンチマーク人口とする比推定」を重ね、統計局が毎月公表する推計人口へ合わせ込みます。ベンチマーク人口は5年ごとに最新の国勢調査ベースへ切り替わります。2022年1月分からの2020年国勢調査ベースへの切り替えでは、新旧の比較基準とした2020年9月分の15歳以上人口が旧基準より26万人多くなりました。統計局の切替え資料によれば、基本集計の全国結果では、2020年9月から2021年12月までを遡及集計し、2015年10月から2020年8月までは補間補正した時系列接続用数値が作成されました（比率を除く）。

補正の基準を替えると数値に段差が出るため、国は過去の数値を新しい基準へつなぎ直しています。自社調査を継続的に実施する場合も、母集団データの更新が前回との比較に影響する可能性があるため、使った統計名と年を記録に残してください。標本から全体を推定する枠組みの整理は標本調査とは？母集団との関係・身近な例とメリット・デメリットを公的データで解説にまとめています。

ウェイトバック集計の適用条件と避けるべき条件

ここまでの材料から、判断は次のように整理できます。

2行目は見落とされがちです。同じセルの回答者には同じウェイトが掛かるので、たとえば男女でウェイトを付けたあと男性だけ、女性だけの賛成率を見るなら、補正前と同じ数字が出ます。補正が効くのは、セルをまたいで全体の比率を出すときだけです。

最も危ういのは、回収が数件しかないセルに大きな重みを掛ける操作です。総務省の例では最大の補正値が3.13で、各セルの回収数は62件から63件でした。ただし、この件数だけを理由に補正値を許容できるとは判断できません。回収5件のセルに補正値10が付くような設計では、1人の回答が集計上10人分として動き、そのセル全体が50人分の重みを持ちます。補正の前に、セルごとの回収数を確保するよう割付の設計側を直すほうが、得られる精度は高くなります。割付の決め方はサンプル割付とは？アンケート調査の割付方法・決め方を解説で整理しています。

母集団データが確かでない場合も同様です。補正は「正しい母集団構成が分かっている」という前提の上に成り立つ処理であり、前提が怪しいまま実行すると、偏りを別の偏りに置き換えるだけになります。自社顧客だけを対象にした調査で総人口の構成へ合わせるといった補正は、そもそも母集団の設定を誤っています。標本が母集団を代表しているかという論点は代表性とは？調査・統計でのサンプルの代表性と高め方をわかりやすく解説で扱っています。

よくある質問

ウェイトバック集計とは何ですか？

回答1件ごとに重みを掛け、回収サンプルの構成を母集団へ合わせる方法です。

ウエイトバック集計とウェイトバック集計は違うものですか？

同じものです。総務省の資料でも表題は「ウェイトバック集計」、本文と表頭は「ウエイトバック集計」と混在しており、表記が統一されていないだけです。学術文献や公的資料では「ウエイトバック」表記が使われ、調査会社の解説記事では両方の表記が見られます。

ウェイトバック集計のやり方は？

補正に使う属性を決めて母集団の構成比を用意し、回収データを同じ属性でクロス集計してセルごとにウェイト値を計算します。そのうえで回答者1件ずつにウェイト値を紐づけ、設問の集計を件数の合計ではなくウェイト値の合計で行います。男性60パーセント、女性40パーセントの回収を50対50に戻すなら、ウェイト値は男性0.833、女性1.25です。

有権者構成へのウェイトバックは世論調査で必ず行われますか？

2019年時点では全社共通の処理ではありませんでした。朝日新聞は実施し、日本経済新聞は実施していないと、日経リサーチ世論調査部の佐藤寧氏が学会誌で報告しています。朝日新聞社は2024年の論文でも、抽出確率の調整のあとに地域・性別・年代を国勢調査の構成へ合わせる補正をすると説明しています。住民基本台帳から等確率で抽出する場合、抽出確率の差への補正は不要ですが、無回答などによる構成の偏りへの対応は別途判断します。

加重平均や拡大推計とは何が違いますか？

加重平均は重みを付けて平均を出す計算そのもの、拡大推計は標本の結果を母集団の実数へ引き伸ばす推定を指します。ウェイトバック集計は、重みの決め方を「母集団構成比への復元」と定めた具体的な適用例で、計算としては加重平均を使い、結果として拡大推計になる場合もあります。

関連記事

• 均等割付とは？比例割付との違い・ウェイトバック集計まで調査設計を解説
• 代表性とは？調査・統計でのサンプルの代表性と高め方をわかりやすく解説
• 無回答バイアスとは？無回答誤差・未回答との違いと集計での扱い方
• RDD（RDD法）とは？世論調査で使われる電話番号の無作為抽出方式をわかりやすく解説
• 標準誤差とは？求め方・エクセル計算と標本誤差・標準偏差の違い