--- title: "回帰分析とは？種類・回帰式・決定係数と実務での進め方を解説" url: "https://www.issoh.co.jp/column/details/5659/" published: 2025-03-05 updated: 2026-07-16 categories: ["マーケティング"] publisher: "株式会社一創" --- # 回帰分析とは？種類・回帰式・決定係数と実務での進め方を解説 回帰分析とは、ある変数（目的変数）が別の変数（説明変数）からどう決まるかを数式で表す統計手法です。広告費が売上をいくら押し上げるか、気温が来客数をどれだけ動かすかといった関係を、数値の大きさとして取り出せます。この記事では、回帰分析の定義と相関分析との違い、単回帰・重回帰・ロジスティック回帰の使い分け、回帰式と最小二乗法、決定係数やp値の読み方、そして実務でデータを集めてモデルを作る手順までを一気に整理しました。分析を自社で内製するか外部に委託するかの判断基準も示します。 ## まとめ：回帰分析の全体像と実務で押さえる要点 回帰分析の役割は二つに絞られます。将来の数値を予測すること、そしてどの要因がどれだけ効いているかを数値で示すことです。相関分析が「関連の強さ」しか示さないのに対し、回帰分析は「一方が動くと他方がいくつ動くか」まで踏み込みます。ここが両者を分ける決定的な差です。 手法選びはデータの性質で決まります。予測したい値が連続量なら単回帰か重回帰、購入・非購入のような二値なら分類確率を返すロジスティック回帰を使う形です。作ったモデルは決定係数だけで判断せず、p値による有意性検定と残差分析を組み合わせて妥当性を確かめます。決定係数が高すぎる場合はむしろ過学習を疑う姿勢が要ります。 実務でつまずく原因の多くはモデルの数式ではなくデータ側にあります。外れ値、欠損値、変数どうしの強い相関（多重共線性）を放置すると、係数の符号すら逆転しかねません。予測モデルを事業の意思決定に組み込む段階では、社内のリソースと精度要件を照らし、内製と外部委託のどちらが妥当かを見極めます。 ## 回帰分析とは何か：定義と統計分析での役割、相関分析との違いを整理 回帰分析は、データのばらつきの背後にある関係を回帰式という数式で表し、予測と要因把握の両方に使う手法です。マーケティング、経済、医療、スポーツのデータ分析まで広く使われ、データにもとづく意思決定の土台になります。ここでは定義・役割・相関分析との違い・学ぶための前提知識を順に押さえます。 ### 回帰分析の定義と回帰式で変数どうしの関係を数式化する基本の考え方 回帰分析は、データのパターンを見つけ、変数間の関係を回帰式で表します。単回帰の最も単純な形は Y = aX + b です。Yが目的変数、Xが説明変数、aが回帰係数、bが切片です。この式が決まれば、Xの値からYを推定できます。数式にすることの利点は、「関係がある／ない」という定性的な話を、「Xが1増えるとYがa増える」という量の話に変えられる点にあります。 ### 統計学とデータ分析のなかで回帰分析が担う予測と要因把握の役割 統計学のなかで回帰分析は、記述統計と推測統計をつなぐ位置にあります。データの傾向を要約するだけでなく、母集団の関係を推定し、予測に使えるからです。機械学習の入り口としても扱われ、線形回帰やロジスティック回帰は教師あり学習の基本モデルにあたります。予測精度を高める発展形として、ニューラルネットワークのような非線形モデルへ進む道筋もあります。回帰分析はその出発点にあたる手法です。詳しくは[ニューラルネットワークの仕組みを解説した記事](https://www.issoh.co.jp/tech/details/13428/)も参考になります。 使われ方は分野をまたぎます。小売では天候と来客数から発注量を見積もり、金融では取引履歴から与信スコアを組み立て、医療では検査値から発症リスクを推し量ります。共通するのは、過去のデータから将来や未知の値を数値で見通す点です。要因の効き目を一つずつ数値で示せるからこそ、勘に頼らない意思決定へつなげられます。 ### 相関分析との違いと一方の変数が他方に与える影響度を数値で示す特徴 相関分析と回帰分析は、どちらも変数の関係を調べますが、答える問いが違います。相関分析は「二つの変数がどれくらい連動するか」を相関係数で示すだけです。回帰分析はさらに踏み込み、「Xが1単位増えるとYがいくつ変わるか」を回帰係数として与えます。広告費と売上を例にとれば、相関分析は「連動が強い」までしか言えません。回帰分析なら「広告費1万円あたり売上2万円」という運用可能な数値が得られます。 もう一点、決定的な違いがあります。相関には向きがありませんが、回帰には説明変数と目的変数という向きがあります。「広告費で売上を説明する」のと「売上で広告費を説明する」のは別のモデルで、結果も一致しません。どちらを原因側に置くかは、事業の因果の理解にもとづいて決めます。ここを取り違えると、数式は解けても解釈が破綻します。 ### 回帰分析を学ぶ前提となる統計と線形代数、確率論やツールの基礎知識 回帰分析を理解するには、平均・分散・標準偏差といった記述統計に加え、線形代数と確率論の初歩があると理解が早まります。行列で連立方程式を解く発想が、重回帰の係数推定の背景にあるからです。手を動かす段階では、PythonやRを使えると実データにそのまま当たれます。Pythonのstatsmodelsやscikit-learn（1系・2025年時点）は、数行のコードで回帰係数と決定係数をまとめて出力します。 ## 単回帰・重回帰・ロジスティック回帰の種類と使い分けの判断基準 回帰分析には複数の型がありますが、実務で使う頻度が高いのは単回帰・重回帰・ロジスティック回帰の三つです。単回帰は説明変数が一つ、重回帰は複数、ロジスティック回帰は目的変数が二値のときに使います。どれを選ぶかは、予測したい値が連続量か分類かで大きく分かれます。 ### 単回帰分析の基本構造と気温と売上のような一対一の関係の適用例 単回帰分析は、説明変数一つと目的変数一つの関係を直線で表す最も単純な型です。気温とアイスクリームの売上、勉強時間とテスト点数のように、一対一の関係を素早く把握したい場面に向きます。係数の意味が読みやすく、結果を非専門家に説明しやすい点が長所です。一方で、売上のように複数の要因が絡む対象には、単回帰だけでは説明力が足りません。 具体的な数値で見てみます。ある店舗で気温が1度上がるごとにアイスの売上が5千円増えるなら、回帰式は「売上＝5千円×気温＋切片」という形です。気温という一つの手がかりだけで売上のおおまかな水準を見積もれるため、日次の仕入れ判断のたたき台に使えます。雨天や近隣イベントの影響までは説明できない点は、割り切って使う前提になります。 ### 重回帰分析で複数の説明変数を組み合わせて目的変数を予測する手法 重回帰分析は、二つ以上の説明変数から目的変数を予測します。式は Y = aX1 + bX2 + c のように項が増えます。たとえば売上を、広告費・価格・レビュー件数の三つから説明する構成です。現実の予測に近づく反面、説明変数を増やすほど過学習の危険が高まります。変数を足せば決定係数は必ず上がるため、数値の見かけに引きずられない判断が要ります。 たとえば売上を広告費・価格・レビュー件数の三変数で説明したとき、広告費の係数が2.0、価格の係数が−1.5と出れば、広告を増やすほど売上は伸び、価格を上げるほど売上は下がる関係が読めます。三つの要因の効き目を同じモデルで並べて比べられる点が重回帰の強みです。半面、似た動きをする変数を重ねると係数が不安定になるため、投入する変数は吟味します。 ### ロジスティック回帰で購入や合否など二値の分類確率を予測する仕組み ロジスティック回帰は、目的変数が0か1の二値のときに使います。購入するかしないか、病気を発症するかどうかといった対象です。出力は0から1の確率で、たとえば「この顧客が購入する確率は0.72」という形で返します。しきい値（多くは0.5）を境に分類へ変換する仕組みです。マーケティングの見込み客判定や、与信・医療の発症予測など、意思決定を確率で支える場面で使われます。 医療では、年齢・血圧・生活習慣から特定の病気を発症する確率を推定し、検診の優先順位づけに用いられます。マーケティングでは、閲覧履歴や購入回数から解約しそうな顧客を確率で洗い出し、引き止め施策の対象を絞れる点も実務的です。確率という連続値で返るため、しきい値を業務のリスク許容度に合わせて調整できる柔軟さがあります。 ### 数値予測と分類でどの手法を選ぶかを分けるデータの性質と判断基準 手法選択は難しく考えるより、目的変数の型から入ると迷いません。予測したい値が金額や人数などの連続量なら単回帰か重回帰、購入・離反などのカテゴリならロジスティック回帰です。説明変数が一つか複数かで単回帰と重回帰を分けます。下の対応表を出発点にしてください。 | 手法 | 目的変数 | 説明変数 | 代表例 | | ------- | ---- | ---- | ------- | | 単回帰 | 連続量 | 1つ | 気温と売上 | | 重回帰 | 連続量 | 複数 | 広告費等と売上 | | ロジスティック | 二値 | 1つ以上 | 購入の有無 | 単回帰は解釈が容易な半面、複雑な対象に弱いという偏りがあります。重回帰は多くの要因を扱える一方で過学習に注意が要ります。ロジスティック回帰は分類に向きますが、線形の関係を前提とするため、曲線的な関係が強いデータには不向きです。 迷ったときの初手は単回帰です。まず一番効きそうな変数一つで単回帰を引き、関係の向きと大きさをつかんでから、必要に応じて重回帰へ広げます。いきなり多変数のモデルを組むより、単純な形から段階的に育てるほうが、どの変数が効いたのかを見失いません。分類が目的だと分かっている場合だけ、最初からロジスティック回帰を選びます。 ## 回帰式の作り方と最小二乗法による回帰係数の求め方と結果の読み取り 回帰分析の中心は回帰式です。式を作れば、説明変数から目的変数を推定できます。ただし式を求めて終わりではなく、係数の意味と推定の確からしさを読み解く工程まで含めて回帰分析です。ここでは回帰式の構造、最小二乗法による係数の導き方、係数の解釈、標準誤差と信頼区間の読み方を扱います。 ### 回帰式の基本構造と回帰係数・切片が示す一単位あたりの変化量の意味 回帰式は、目的変数・説明変数・回帰係数・切片で構成されます。回帰係数は、説明変数が1単位動いたときに目的変数がどれだけ動くかを表します。「広告費が1万円増えると売上が2万円増える」なら、広告費の回帰係数は2です。切片は、説明変数がすべて0のときの目的変数の基準値にあたります。係数を読むことが、要因の効き目を数値で語ることそのものです。 切片の意味も具体で押さえます。売上の回帰式で切片が30万円なら、広告費がゼロでも見込める基礎的な売上が30万円ある計算です。係数と切片をセットで見ることで、土台がいくらで施策でどれだけ上積みできるかを分けて把握できます。数字を額面どおり受け取らず、データが取られた範囲の内側でだけ使う姿勢が要ります。 ### 最小二乗法で誤差の二乗和を最小化して回帰係数を導く数式の仕組み 回帰係数を決める標準的な方法が最小二乗法です。実測値と回帰直線の予測値とのズレを誤差とし、その二乗の合計 S = Σ(Yi − (aXi + b))² が最も小さくなるように a と b を選びます。二乗する理由は、正負の誤差が打ち消し合うのを防ぎ、大きなズレをより強く抑えるためです。実際の計算は偏微分で最小値を求めますが、統計ソフトが内部で処理するため、利用者が手計算する場面はほとんどありません。 二乗して合計する設計には副作用もあります。誤差を二乗するぶん、極端に外れた1点が全体の当てはめを強く引っ張ってしまう性質です。外れ値が数点混じるだけで回帰直線が傾き、予測が狂う例は珍しくありません。曲線的な関係が強いデータでも当てはまりが悪くなるため、その場合は非線形モデルへ切り替える判断が必要になります。非線形の関係やカテゴリ変数を素直に扱える[決定木分析（回帰木）を解説した記事](https://www.issoh.co.jp/tech/details/15206/)も、線形回帰の代替を検討する際の選択肢になります。 ### 回帰係数の符号と大きさから説明変数の影響の向きと強さを読む方法 回帰係数はまず符号を見ます。正なら説明変数が増えると目的変数も増え、負なら逆に減ります。価格が上がると売上が減るなら、価格の係数は負です。次に大きさで影響の強さを比べます。ただし単位が違う変数どうしを係数の大きさだけで比べるのは禁物です。広告費（万円）とレビュー件数（件）を並べる場合は、標準化回帰係数に直してから比較します。標準化すれば、単位に依存せず影響力を横並びにできます。 符号が事前の想定と逆に出たときは、モデルを疑う手がかりになります。価格の係数が正に出て「値上げで売上増」と読めてしまう場合、多重共線性やデータの偏りが背後に潜むことが多いからです。係数の数字だけを鵜呑みにせず、常識と照らして違和感を拾う目が要ります。 ### 標準誤差と信頼区間から回帰式の推定値がもつ確からしさを評価する 回帰式は点の予測値を返しますが、その値には不確かさが伴います。標準誤差は、回帰係数の推定がどれだけぶれるかを示す指標で、値が小さいほど推定は安定的です。信頼区間は「回帰係数が入るとみられる範囲」を示し、たとえば95%信頼区間が正の値だけで構成されるなら、その変数の効果は正だと一定の確からしさで言えます。点の数値だけでなく幅で捉える姿勢が、誤った断定を防ぎます。 例で考えます。広告費の係数が2.0でも、標準誤差が大きく95%信頼区間が−0.5から4.5に広がっていれば、効果がゼロやマイナスの可能性も残ります。同じ係数2.0でも、区間が1.8から2.2に収まっていれば、効果はほぼ確実です。数字が同じでも幅の狭さで信頼度はまるで変わるため、点推定と区間はセットで確認します。 ## 説明変数と目的変数の選び方と決定係数によるモデルの適合度評価 回帰分析の精度は、どの変数を選ぶかで大きく変わります。説明変数と目的変数の役割を取り違えないことが出発点です。変数を絞り込む基準と、できたモデルの当てはまりを測る決定係数の読み方を押さえます。決定係数は便利ですが、数値の高さだけを追うと過学習に足をすくわれます。 ### 説明変数と目的変数の違いと分析の目的から変数を絞り込む選び方 説明変数は原因側、目的変数は結果側の変数です。天気・価格・広告費などが説明変数、売上や顧客満足度が目的変数にあたります。変数選びでは、相関の有無・データの信頼性・多重共線性の回避という三つの観点が軸です。目的変数と関係の薄い変数を入れてもノイズになるだけなので、事前に相関係数で目星をつけ、事業側の知見も合わせて候補を絞ります。 ### 多重共線性と過学習を避けるための変数選択で用いる統計的な基準 説明変数どうしが強く相関する状態を多重共線性と呼び、係数の符号が不安定になる原因になります。変数を入れ過ぎると、手元のデータには合っても新しいデータに外れる過学習に陥りがちです。変数選択では、p値で各変数の有意性を確かめ、AIC（赤池情報量規準）が小さい構成を選ぶと、説明力とシンプルさのつり合いが取りやすくなります。サンプル数が少ないときほど、変数は絞る方向が安全です。 実務では、まず事業知識で候補を10個ほどに絞り、そこから統計指標で削っていく順序が回しやすいはずです。総当たりで変数を組み替えるより、意味のある仮説を先に立てるほうが、解釈しやすいモデルに落ち着きます。変数が3〜5個に収まると、関係者への説明もしやすくなります。 ### 決定係数R2の定義とモデルがデータの変動を説明する割合の読み方 決定係数（R²）は、モデルがデータの変動をどれだけ説明できるかを0から1で示します。R²が0.85なら、目的変数のばらつきの85%をモデルが説明している計算です。値は、1から「残差平方和を全変動で割った値」を引いて求めます。1に近いほど当てはまりは良いものの、経済予測のように外部要因が多い分野では、R²が低めでも実務で使えるモデルは珍しくありません。数値の高低は分野の文脈込みで判断します。決定係数そのものの計算式や、値が負になる仕組み、scikit-learnでの求め方まで踏み込みたい場合は、[決定係数（R2）の意味と計算式を実装目線で解説した記事](https://www.issoh.co.jp/tech/details/15240/)もあわせて確認してください。 実際の分析では、決定係数を最初の目安に置きつつ、単独では決め手にしません。訓練データと検証データを分ける交差検証を併用し、未知のデータでも同じくらいの説明力が出るかを確かめます。手元のデータだけでR²が突出して高いモデルは、本番データで精度が落ちる典型例です。汎化性能まで見て初めて、使えるモデルかどうかを判断できます。 ### 自由度調整済み決定係数やAICを併用して過学習を抑えるモデル評価 R²には弱点があります。説明変数を増やすと、無関係な変数でも値が上がってしまう点です。この見かけの上昇を補正するのが自由度調整済み決定係数（Adjusted R²）で、変数の数に見合った説明力かを判定します。あわせてAICやBICで比較し、交差検証で未知データへの当てはまりを確かめると、過学習を抑えたモデル選択に近づきます。単一の指標に頼らない評価が実務の鉄則です。 指標の使い分けはこう整理できます。当てはまりの良さはR²とAdjusted R²、モデルどうしの比較はAICやBIC、未知データへの強さは交差検証で確かめる形です。それぞれ測っているものが違うため、一つが良くても他が悪ければ採用は見送ります。複数の目でふるいにかける手間が、後の予測外れを減らします。 ## 回帰分析の実務手順とデータ収集・前処理・外れ値対応の進め方の全体像 回帰分析は、数式より前段のデータ準備で成否が決まります。目的を定め、信頼できるデータを集め、前処理で整え、モデルを作り、評価して解釈する。この流れを外すと、精緻な式を組んでも結論が揺らぎます。手順・データ収集・外れ値対応・前処理を具体的に押さえます。 ### 分析の目的設定からデータ収集とモデル評価までの回帰分析の基本手順 実務の手順は、次の6ステップにまとまります。順序を飛ばすと後工程で手戻りが起きます。 1. 分析の目的を決める（売上予測、施策の効果測定など） 2. データを集める（社内データ、公開データ、アンケート） 3. 前処理を行う（欠損補完、外れ値処理、正規化） 4. 手法を選ぶ（単回帰、重回帰、ロジスティック回帰） 5. モデルを評価する（決定係数、p値、有意性検定） 6. 結果を解釈し、意思決定に反映する 特に最初の目的設定が曖昧だと、集めるデータも評価軸もぶれます。需要予測のように予測そのものを事業へ組み込む場面では、手順の型を早めに固めておくと運用が安定します。実装イメージは[AI予測分析・需要予測の解説記事](https://www.issoh.co.jp/column/details/12930/)も具体的です。 手順のなかで最も時間を取られるのは、多くの場合データの前処理です。分析全体の作業時間の半分以上が、収集と整形に費やされることも珍しくありません。ここを軽く見て雑なデータのままモデルへ進むと、後の解釈でつまずき、結局は前処理へ戻る二度手間になります。急がば回れで、最初にデータの質を作り込む順序が結果を左右します。 ### 信頼性の高い分析につながるデータ収集の網羅性と出所で注意すべき点 データ収集では、網羅性と出所の二点を確かめます。マーケティング効果を見るのに一地域・短期間のデータだけでは、結論が偏りがちです。可能なら期間と範囲を広げて集めます。出所が不明なデータは、誤った結論を招くため使いません。POSデータや公式統計など、記録の経緯がたどれるソースを優先します。集めたデータを一元管理し可視化する基盤づくりは、[データ分析・BI基盤の記事](https://www.issoh.co.jp/column/details/12932/)が参考になります。 収集元の例を挙げます。売上分析ならPOSや会計システムの取引データ、Web施策ならアクセス解析や広告管理画面の数値、顧客分析ならCRMに蓄積した属性と履歴が一次の情報源になります。社外の公開統計を補助的に組み合わせると、季節性や市況の影響も切り分けやすくなる点が利点です。出所ごとに更新頻度や粒度が違うため、突き合わせる前に定義をそろえておく手間を惜しまない姿勢が効きます。 ### 外れ値と欠損値の検出と除去や補完によるデータ前処理の具体的な進め方 外れ値は、他と極端に離れた値で、回帰直線を大きく歪めます。箱ひげ図や散布図で可視化して特定し、誤記録なら除外、意味のある値なら扱いの判断が必要です。欠損値は、平均値や中央値での補完、あるいは回帰補完で埋める方法があります。ただし欠損の割合が高いときは、補完で取り繕うより、データの取り方そのものを見直す判断も必要です。前処理はpandasやscikit-learn（1系・2025年時点）で効率よく進められます。 ### 正規化とドメイン知識を踏まえて予測精度を上げるデータの選び方 単位が異なる変数を混ぜるときは、正規化で尺度をそろえます。広告費（万円）とレビュー件数（件）を同じモデルに入れる場合、スケールの差が係数の解釈を狂わせるためです。加えて、統計指標だけでなく事業側のドメイン知識を効かせて変数を選ぶと、精度と納得感の両方が上がります。現場の担当者が「効くはず」と考える要因を候補に入れ、データで裏づける進め方が実践的です。 カテゴリ変数の扱いも精度を左右する要素です。地域や職種のような文字データは、そのままでは計算に乗らないため、ダミー変数へ変換して数値化します。変換の仕方を誤ると、順序のないカテゴリに大小関係を持ち込んでしまい、係数の解釈が狂う原因です。数値化の設計まで含めて前処理と捉えると、後工程のブレを抑えられます。 ## 回帰分析の結果解釈と自社での内製か外部委託かを切り分ける判断基準 回帰分析は、結果を正しく読めて初めて意思決定に使えます。決定係数・回帰係数・p値・標準誤差を総合して評価しないと、誤った結論を招きかねません。ここでは結果の読み方、つまずきやすい失敗と手法を見送る場面、そして内製と外部委託の切り分けを扱います。ここが独自の判断を示す章です。 ### p値と有意性検定、残差分析を用いて回帰結果の妥当性を確かめる方法 回帰係数が偶然でないかは、p値で確かめます。目安として、p値が0.05未満なら統計的に有意とみなし、その変数は目的変数へ効いていると読む流れです。p値が高い変数は、影響が偶然の可能性があるため、除外を検討します。あわせて残差分析を行い、残差がランダムに散らばっていればモデルは妥当、規則的なパターンが残るなら式の見直しが必要という順で確かめる進め方です。数値と残差の形の両面から妥当性を裏づけます。 残差の見方も具体で押さえます。予測値を横軸、残差を縦軸に取った散布図で、点が0の周りに均一に散っていれば問題ありません。片側に偏ったり、扇形に広がったりする場合は、線形の前提が崩れているサインです。この一枚を描くだけで、決定係数の数字からは見えないモデルの弱点に気づけます。 ### 回帰分析でつまずきやすい失敗パターンと手法の採用を見送るべき場面 ここは言い切ります。次の三つに当てはまるなら、線形回帰の採用は見送るべきです。第一に、変数どうしが曲線的に絡む非線形の関係が強い場合。無理に直線を当てると予測が外れます。第二に、外れ値が多く原因も特定できない場合。最小二乗法は外れ値に弱く、少数の異常値に係数が引きずられます。第三に、サンプル数に対して説明変数が多すぎる場合。過学習で、手元のデータにだけ合う使えないモデルになります。こうした場面では、非線形モデルや別手法、あるいはデータの取り直しへ切り替えます。「とりあえず回帰」で押し通すのが最も危うい選択です。 もう一つ見落とされがちなのが、因果と相関の取り違えです。回帰で強い関係が出ても、それが因果とは限りません。アイスの売上と水難事故はどちらも気温という第三の要因で動くだけで、両者に直接の因果はありません。回帰式が示すのはあくまで数値上の関係で、原因と結果の断定には実験や業務知識による裏づけが要ります。 ### 自社で回帰分析を内製するか外部の受託開発に委託するかの判断基準 回帰分析を業務に組み込む段階では、内製と外部委託を切り分けます。単発の要因分析やExcelで完結する範囲なら、社内で回すほうが速く、知見も溜まりやすいはずです。一方、予測モデルを基幹業務やアプリに常時組み込む、精度要件が事業成果に直結する、データ基盤の設計から要るといった場合は、外部の受託開発と組むほうが総コストを抑えられます。判断軸は「一度きりか運用継続か」「精度が事業インパクトに直結するか」の二つです。予測モデルの設計から実装・運用まで踏み込みたい場合は、[AI予測分析ツールの開発支援サービス](https://www.issoh.co.jp/service/ai/predictive/)で相談内容を具体化できます。 ## よくある質問 回帰分析を学び始めた方や、業務で使い始めた担当者から寄せられることの多い質問に、簡潔に答えます。 ### 回帰分析とは何かをわかりやすく教えてください？ 回帰分析は、ある結果（目的変数）が別の要因（説明変数）からどう決まるかを数式で表す手法です。たとえば広告費から売上を、気温から来客数を推定できます。相関分析が「関連の強さ」までしか示さないのに対し、回帰分析は「要因が1増えると結果がいくつ動くか」まで数値で示せる点が持ち味です。 ### 回帰分析と相関分析の違いは何ですか？ 相関分析は二つの変数がどれくらい連動するかを相関係数で示すだけで、方向や因果の量には踏み込みません。回帰分析は説明変数と目的変数を分け、「Xが1単位増えるとYがいくつ変わるか」を回帰係数として与えます。予測や施策の効果測定に使えるのは、量まで示せる回帰分析のほうです。 ### 単回帰分析と重回帰分析はどう使い分けますか？ 説明変数が一つなら単回帰、複数なら重回帰を使います。売上を気温だけで見るなら単回帰、広告費・価格・レビュー件数など複数要因で見るなら重回帰です。重回帰は現実に近い一方、変数を増やすほど過学習の危険が上がるため、p値やAICで変数を絞り込みます。 ### 決定係数（R2）はどのくらいあれば良いモデルと言えますか？ 一律の合格ラインはありません。マーケティングの管理データなら0.7以上が一つの目安ですが、外部要因の多い経済予測では0.4前後でも実務に使えることがあります。むしろR²が1に近すぎるときは過学習を疑い、自由度調整済み決定係数や交差検証で未知データへの当てはまりを確かめてください。 ### 回帰分析はExcelでもできますか？PythonやRとの違いは？ Excelでも、分析ツールの回帰機能で単回帰や重回帰を実行できます。少量データの試行には十分です。データ量が大きい、前処理を自動化したい、ロジスティック回帰や交差検証まで踏み込むといった場合は、Pythonのstatsmodelsやscikit-learn、あるいはRのほうが向きます。まずExcelで感覚をつかみ、規模が増えたらコードへ移す流れが現実的です。 ## 関連記事 - [AI予測分析・需要予測とは](https://www.issoh.co.jp/column/details/12930/)：回帰分析を予測モデルとして業務に組み込む具体像がわかります。 - [データ分析・BI・可視化基盤とは](https://www.issoh.co.jp/column/details/12932/)：分析の前提となるデータ収集と可視化の土台づくりを解説しています。 - [ニューラルネットワークとは](https://www.issoh.co.jp/tech/details/13428/)：線形回帰の先にある非線形モデルの仕組みを理解できます。 --- 出典: [回帰分析とは？種類・回帰式・決定係数と実務での進め方を解説]()（株式会社一創）