フィッシャーの正確確率検定計算機
小さなデータにこそ、真実は宿る。厳密な確率計算で、確かな結論を導き出す。
検定結果解析
統計検定において、最も頻繁に使用されるのは「カイ二乗検定（Chi-square test）」ですが、サンプルサイズが小さい場合や期待度数が低い（一般に5未満の）セルがある場合、その近似精度は低下し、誤った結論を導く可能性があります。そのような「小さなデータ」に対して威力を発揮するのが、 フィッシャーの正確確率検定（Fisher's Exact Test） です。
本記事では、フィッシャーの正確確率検定の原理、計算方法、そしてカイ二乗検定との使い分け基準について、Kaori Suzuki が1000文字以上のボリュームで詳しく解説します。
1. フィッシャーの正確確率検定とは？
この検定は、英国の統計学者ロナルド・フィッシャーによって考案されました。彼は「紅茶の味がわかる」と主張する婦人が、ミルクを先に入れた紅茶と後に入れた紅茶を区別できるかどうかをテストするためにこの手法を用いたと言われています（有名な「紅茶の婦人」の逸話）。
原理としては、周辺度数（行の合計と列の合計）を固定した上で、観測されたデータ配置（またはそれ以上に偏った配置）が偶然起こる確率（P値）を、 超幾何分布（Hypergeometric Distribution） を用いて直接計算します。近似を使わないため、「正確（Exact）」という名前がついています。
2. 超幾何分布による確率計算
2x2分割表の各セルの値を a, b, c, d とし、N = a+b+c+d としたとき、特定の配置が得られる確率は以下の式で表されます： `p = ((a+b)! (c+d)! (a+c)! (b+d)!) / (a! b! c! d! N!)` 階乗（!）を使うため計算量は膨大になりますが、コンピュータの力を使えば一瞬で結果が出ます。
3. カイ二乗検定との使い分け基準
一般的に、以下の条件に当てはまる場合はフィッシャーの正確確率検定を使用すべきです。
- 総サンプル数（N）が少ない場合： N < 20 の場合は必須です。
- 期待度数が小さい場合： 期待度数が5未満のセルが全体の20%以上ある場合（2x2なら1つでもあれば）、カイ二乗検定は不適切です。
- 精度の追求： たとえサンプル数が大きくても、計算資源が許すならば、近似であるカイ二乗検定よりも正確検定の方が厳密で好ましいとされます（ただし、Nが数千を超えると計算負荷が問題になることがあります）。
4. 両側検定と片側検定
検定結果を見る際、「P値」には両側（Two-tailed）と片側（One-tailed）があります。
- 両側検定： 「2つのグループに違いがあるか？」を調べたいときに使います（A > B でも A < B でもOK）。通常はこちらを使います。
- 片側検定： 「グループAはグループBより明らかに大きいか？」など、方向性が明確な仮説がある場合に使いますが、恣意的な解釈になりやすいため注意が必要です。
5. まとめ：小さなデータにこそ、統計の光を
研究や実務の現場では、必ずしも大量のデータ（ビッグデータ）が得られるわけではありません。希少疾患の臨床データ、初期のマーケティング調査、工場の不良品分析など、「少ないデータから確かなことを言いたい」場面は数多く存在します。フィッシャーの正確確率検定は、そのような状況において真実を見極めるための強力な武器となります。
Gojikaraは、難解な統計手法を誰もが使えるツールとして提供し、データに基づく意思決定をサポートします。