1. 結論：全体の数字だけを見ると、判断を間違えることがある

データを見るときに大切なのは、「何％か」だけでなく「どんな集団をまとめた数字なのか」まで確認することです。

シンプソンのパラドックスは、全体で見た結論と、グループ別に見た結論が逆になる現象です。

たとえば、次のようなことが起こります。

これは、計算ミスではありません。
全体の数字も、グループ別の数字も、それぞれ計算としては正しい場合があります。

問題は、どの数字をもとに判断すべきかです。

試験の合格率、教材の効果、営業成績、採用結果、医療データ、AIの精度、ニュースで紹介される調査結果など、現代ではさまざまな場面で数字が使われます。しかし、集計の仕方を間違えると、「効果があるように見える方法」「公平に見える評価」「正しそうに見える結論」を誤って信じてしまうことがあります。

数字は強力ですが、集団の中身を見ないまま使うと、もっともらしい誤解を生みます。

2. 30秒でわかる具体例：全体では学習法A、グループ別では学習法Bが勝つ

ある資格試験の対策で、学習法Aと学習法Bの合格率を比べたとします。
受験者は「経験者」と「初心者」に分かれています。

グループ別に見ると、どちらの層でも学習法Bの方が高い合格率です。

• 経験者：学習法Bは90.0%、学習法Aは80.0%
• 初心者：学習法Bは15.0%、学習法Aは10.0%

ところが、全体でまとめると結果が逆になります。

全体では、学習法Aの方が圧倒的に良く見えます。

なぜこのような逆転が起こるのでしょうか。

理由は、学習法Aには「経験者」が多く、学習法Bには「初心者」が多く含まれているからです。
つまり、学習法Aが優れていたというより、学習法Aを選んだ人の中に、もともと合格しやすい人が多かった可能性があります。

この状態で「全体の合格率が高いから学習法Aが優れている」と判断すると、実際には効果を見誤るかもしれません。

3. なぜ逆転するのか：原因は「重み」と「交絡因子」

この現象の本質は、全体の割合が、各グループの割合を単純に平均したものではない点にあります。

全体の割合は、次のように計算されます。

全体の割合 = すべての成功数の合計 ÷ すべての人数の合計

つまり、人数が多いグループほど、全体の数字に強く影響します。

先ほどの学習法の例では、学習法Aには経験者が多く含まれていました。
一方、学習法Bには初心者が多く含まれていました。

このとき、全体の合格率には次の2つが混ざっています。

ここで重要になるのが、交絡因子です。

交絡因子とは、比較したい関係に影響を与えている第三の要因です。
学習法の例でいえば、「経験者か初心者か」が交絡因子です。

このように、見たい関係の裏に別の要因があると、全体の数字だけでは判断がゆがむことがあります。

4. 有名な実例：Berkeley大学院入試データ

この現象の代表例としてよく紹介されるのが、1973年のカリフォルニア大学バークレー校の大学院入試データです。

Rの公式データセット「UCBAdmissions」には、1973年にBerkeleyの大学院主要6部門へ出願した4,526件の集計データが収録されています。
参考：R Documentation “UCBAdmissions”

全体で見ると、男性出願者の合格率は44.5%、女性出願者の合格率は30.4%でした。
この数字だけを見ると、女性に不利な入試が行われていたように見えます。

しかし、部門別に見ると解釈は単純ではありません。
女性出願者は、もともと合格率が低い部門に多く出願していました。そのため、全体で集計すると女性の合格率が低く見えたのです。

この事例を分析したBickel、Hammel、O’Connellの論文は、Science誌に掲載されました。
参考：Science “Sex Bias in Graduate Admissions: Data from Berkeley”

ここで注意したいのは、次の点です。

• 全体の差だけで、すぐに原因を断定してはいけない
• グループ別に見ることで、隠れていた構造が見えることがある
• ただし、どのグループで分けるべきかは、背景知識が必要になる
• 「差がある」ことと「何が原因か」は別の問題である

Stanford Encyclopedia of Philosophyでも、この現象は、集団全体で見られる関連が、サブグループで消えたり、逆転したりする統計現象として説明されています。
参考：Stanford Encyclopedia of Philosophy “Simpson’s Paradox”

5. 学習や試験対策で起こる例：合格率だけでは判断できない

学習法や教材を選ぶとき、「合格率」「平均点」「満足度」などの数字は参考になります。
しかし、その数字だけで良し悪しを決めるのは危険です。

たとえば、「この教材を使った人の合格率は高い」と書かれていたとします。
一見すると、その教材の効果が高いように見えます。

しかし、利用者の多くが次のような人だったらどうでしょうか。

• もともと基礎学力が高い
• 学習時間を十分に確保できる
• すでに受験経験がある
• 難関試験に慣れている
• 独学でも継続できる習慣がある

この場合、合格率の高さは教材だけの効果とは限りません。
利用者の背景が、結果に影響している可能性があります。

逆に、初心者向けの学習サービスは、利用者全体の平均点や合格率が低く見えることがあります。
それはサービスの質が低いからではなく、最初から学習経験が少ない人や、苦手意識のある人が多く使っているからかもしれません。

学習データを見るときは、次のように考えると判断しやすくなります。

数字を否定する必要はありません。
大切なのは、数字が何を表していて、何を表していないのかを考えることです。

英語、TOEIC、資格、受験勉強などを進めるときも、学習時間や正答率だけで一喜一憂するのではなく、分野別・難易度別・期間別に振り返ると改善点が見えやすくなります。完全無料で利用できるDailyDropsは、学習行動がユーザーに還元される共益型プラットフォームなので、日々の学習を続けながら、自分の理解度や行動を見直す選択肢の一つになります。

6. 仕事で起こる例：平均値だけでは現場の差が見えない

仕事でも、全体の数字だけを見て判断する場面はよくあります。

たとえば、次のような報告です。

• 「Aチームの営業成約率が高い」
• 「この研修を受けた人の成果が高い」
• 「有料プラン利用者の継続率が高い」
• 「新しい業務フローの方が処理時間が短い」
• 「AIツールを導入した部署の生産性が高い」

これらの数字は役に立ちます。
しかし、集団の中身を確認しないまま使うと、判断を誤ることがあります。

特に注意したいのは、平均値や全体比率が、現場の実態を隠すことがあるという点です。

全体の処理時間が短くなっていても、難しい案件では時間が増えているかもしれません。
全体の満足度が高くても、特定の地域や年齢層では不満が増えているかもしれません。
全体のAI正答率が高くても、一部の条件では誤答が多いかもしれません。

仕事でデータを見るときは、全体の数字を確認したうえで、少なくとも次の問いを立てることが大切です。

7. AI時代に重要な理由：全体精度だけでは不十分

AIや機械学習でも、同じような問題は起こります。

たとえば、あるAIモデルの全体正答率が90%だったとします。
数字だけ見ると高性能に見えます。

しかし、対象を分けて見ると、次のような結果だったらどうでしょうか。

全体では良いモデルに見えても、特定のグループでは精度が低い可能性があります。

AIの評価では、全体の平均精度だけでなく、データの偏り、属性別の性能、利用場面ごとのリスクを見ることが重要です。
OECDも、AI時代には一部の専門家だけでなく、多くの人にデータを使い、分析し、解釈する力が求められると指摘しています。
参考：OECD “AI and skills”

また、日本でも高校の「情報Ⅰ」などを通じて、データ活用や問題解決の学習が重視されています。
参考：文部科学省 高等学校情報科に関する特設ページ

これからの時代に必要なのは、難しい統計式を暗記することだけではありません。
数字を見たときに、次のように問い直す力です。

• この数字は、どの集団をまとめたものか
• グループ別に見ると同じ傾向か
• 分母は十分か
• 隠れている要因はないか
• 相関を因果のように言っていないか

この問いを持てるだけで、データに振り回されにくくなります。

8. よくある誤解と注意点

このテーマで誤解されやすいのは、「全体の数字は信用できない」「グループ別に見れば必ず正しい」と考えてしまうことです。

どちらも正確ではありません。

全体を見るべき場面もあります。
たとえば、会社全体の売上、サービス全体の継続率、試験全体の合格率などは、全体傾向を知るうえで役立ちます。

一方で、施策改善や原因分析をしたい場合は、グループ別に見る必要があります。

重要なのは、目的に合った粒度で見ることです。

「全体か、グループ別か」ではなく、次の順番で考えると実践しやすくなります。

1. まず全体を見る
2. 結果に影響しそうな要因で分ける
3. 分母とサンプル数を確認する
4. 相関と因果を分けて考える
5. 何を判断したいのかに戻る

9. 見抜くためのチェックリスト

ニュース、SNS、会社の資料、学習サービスの実績などで数字を見るときは、次のチェックリストを使うと判断しやすくなります。

特に割合を見るときは、分母の確認が欠かせません。

同じ50%でも、次の2つは意味が違います。

割合が同じでも、信頼性は大きく違います。
少ないデータでは、偶然によって大きく見えることがあります。

また、強い主張ほど注意が必要です。

• 「この方法で必ず成果が出る」
• 「この施策は明らかに優れている」
• 「この属性の人は成績が低い」
• 「AIの精度は人間を超えた」

こうした表現を見るときほど、集計の仕方、分母、比較対象、交絡因子を確認しましょう。

10. FAQ：よくある質問

Q1. 簡単に言うと、どんな現象ですか？
全体で見るとAが良く見えるのに、グループ別に見るとBが良く見えるように、集計の仕方によって結論が逆転する現象です。

Q2. なぜこのような逆転が起こるのですか？
AとBで、含まれているグループの構成が違うからです。人数の多いグループが全体の割合に強く影響するため、見かけの結論が変わることがあります。

Q3. 交絡因子とは何ですか？
比較したい関係に影響を与える第三の要因です。学習法の合格率なら、もともとの学力や学習時間、受験経験が交絡因子になることがあります。

Q4. 全体とグループ別のどちらを信じればいいですか？
目的によります。全体傾向を知りたいなら全体の数字が役立ちます。原因分析や改善策を考えるなら、グループ別の確認が重要です。

Q5. グループ別に見れば必ず正しいのですか？
いいえ。分け方が不適切だったり、サンプル数が少なすぎたりすると、かえって判断を誤ることがあります。

Q6. 仕事ではどう防げますか？
全体の平均だけで判断せず、担当案件の難易度、地域、時期、経験年数、対象者の属性などで分けて確認します。さらに、分母とサンプル数も確認することが重要です。

Q7. AIや機械学習でも起こりますか？
起こります。全体精度が高くても、特定のグループでは精度が低い場合があります。AIを評価するときは、全体平均だけでなく、条件別・属性別の性能を見ることが大切です。

Q8. 統計が苦手でも理解できますか？
理解できます。高度な数式よりも、「同じ割合でも、集団の中身が違えば意味が変わる」という考え方を押さえることが大切です。

11. まとめ：数字を疑うのではなく、背景を確かめる

この現象が教えてくれるのは、数字を疑うことではありません。
数字をより正確に使うために、背景を確かめる習慣を持つことです。

重要なポイントを整理します。

データリテラシーとは、難しい計算をすべて覚えることではありません。
数字を見たときに、少し立ち止まって「この集計で本当に比べられているのか」と考える力です。

全体の数字を見たら、グループ別にも見る。
割合を見たら、分母を見る。
差を見たら、原因を急がない。

この3つを意識するだけでも、統計の罠にかなり強くなれます。
仕事、勉強、AI活用、ニュースの読み取りまで、数字に振り回されず判断するための基本として、ぜひ覚えておきたい考え方です。