多変量解析の基礎｜目的変数の有無とデータ型で手法を選ぶ手法マップ

アンケート分析や顧客データ分析の現場では、重回帰分析・主成分分析・因子分析・クラスター分析……と、よく似た響きの手法名が次々と登場します。1つずつ調べると、それぞれが孤立した知識になってしまい、「結局どれを、いつ使えばいいのか」が見えてきません。本記事では、これらをまとめて 「多変量解析」 という1つの上位概念で捉え直し、手法を選ぶための地図を示します。

データ分析でよく使う「指標（ものさし）」を整理した データ分析でよく使うアルゴリズム・指標まとめ が「ものさし」の地図だとすれば、本記事は「手法そのもの」の地図です。整理する軸が違うので、両方を持っておくと分析の設計で迷いにくくなります。

01.まず結論：多変量解析は「複数の変数を同時に扱う」手法群

多変量解析は、特定の1つの手法ではなく、手法のグループ（手法群）の名前です。「広告費・記事数・季節・流入経路が同時に動くなかで、何が売上を動かしているのか」「数十問のアンケートを、いくつかの意味のある軸に要約したい」——こうした「複数の変数が絡む問い」に答えるための道具箱が、まとめて多変量解析と呼ばれています。

道具箱の中身は多いものの、選ぶときの判断は単純です。まず 「予測・説明したい結果の列（目的変数）があるか」 を決め、次に 「扱うデータが数値（量的）か、カテゴリ（質的）か」 を確認する。この2つが決まれば、候補は数個に絞れます。本記事は、その2軸と手法選択マップ、そして実務で最も混同されやすい主成分分析と因子分析の違いを中心に整理します。

02.多変量解析とは｜記述統計・相関分析との違い

多変量解析の位置づけは、「扱う変数の数」で考えると分かりやすくなります。変数が 1つ なら、平均・分散・ヒストグラムで分布を要約する記述統計。変数が 2つ なら、相関係数や散布図で「一緒に動くか」を見る相関分析。そして変数が 3つ以上 になると、1つずつ・2つずつ見る方法では追いつかなくなり、多変量解析の出番になります。

なぜ「同時に」扱う必要があるのでしょうか。複数の要因が絡むとき、2変数ずつの相関だけを見ると判断を誤るからです。たとえば「広告費と売上の相関が強い」と分かっても、実は広告を増やした月は記事公開も多かった、という具合に別の要因が背後で動いていることがあります。多変量解析は、こうした要因を同時にモデルに入れて、互いの影響を取り除いたうえで関係を読むことを可能にします。本記事は、1変数・2変数の分析の「次の段」にあたる手法群を、選び方の地図として整理します。

03.手法選択の2軸｜目的変数の有無 × データ型

多変量解析の手法は数多くありますが、選ぶときに見る軸は2つです。まず用語を整理します。目的変数とは「予測・説明したい結果の列」（売上、解約の有無など）で、外的基準とも呼ばれます。説明変数はその要因となる列（広告費、利用日数など）です。

• 軸1：目的変数があるか —— ある場合は「要因から結果を予測・説明する」手法、ない場合は「データそのものの構造を要約・分類する」手法になります。
• 軸2：データ型が量的か質的か —— 量的データは売上・年齢のような数値、質的データは性別・職業・購入カテゴリのようなカテゴリです。手法は扱えるデータ型が決まっています。

この2軸を掛け合わせると、多変量解析の手法は次の4つの区画に分かれます。自分の分析がどの区画にあるかを決めるのが、手法選びの出発点です。

04.目的変数がある手法｜予測・説明

目的変数がある手法は、「予測・説明したい結果の列」が先に決まっているのが特徴です。機械学習でいう教師あり学習に近い考え方で、複数の説明変数から目的変数への関係を式にします。

代表的な手法は次のとおりです。どれを使うかは、目的変数が量的か質的か、説明変数が量的かカテゴリかで決まります。

このうち、量的な結果を予測・説明する 重回帰分析 と、2択の確率を予測する ロジスティック回帰 は実務での登場頻度が高く、 回帰分析の基礎 で係数の読み方や注意点を詳しく扱っています。判別分析は「どのグループに入るか」を予測する点でロジスティック回帰と目的が近く、実務ではロジスティック回帰で代替されることも多い手法です。数量化I類・II類は、説明変数がカテゴリ（性別・職業・居住エリアなど）のときの選択肢で、後述する数量化理論の一部です。

05.目的変数がない手法｜要約・分類

目的変数がない手法は、「予測したい結果の列」を持ちません。機械学習でいう教師なし学習に近く、データそのものの構造を、少数の軸（要約）やいくつかのグループ（分類）に整理することが目的です。

代表的な手法は次のとおりです。「変数を要約したいのか」「サンプル（顧客・商品）をグループに分けたいのか」で大きく分かれます。

このうちクラスター分析は、 クラスタリング・顧客セグメンテーションの基礎 で深掘りしています。主成分分析（PCA）・因子分析・コレスポンデンス分析は本記事では概要にとどめますが、主成分分析は変数の要約や可視化の前処理に、因子分析はアンケートの潜在構造を読み解くのに、コレスポンデンス分析はブランドイメージ調査のように「商品 × イメージ語」のクロス集計を可視化するのによく使われます。

06.主成分分析と因子分析の違い

多変量解析でもっとも混同されやすいのが、主成分分析（PCA）と因子分析です。どちらも「多くの変数を少数にまとめる」点が似ているため同じ手法のように扱われがちですが、考え方の向きが逆です。

ポイントは「観測した変数（アンケートの各項目など）」と「まとめた変数」の関係の向きです。PCA は、観測変数を重み付きで足し合わせて主成分を作ります（変数 → 主成分）。主成分は計算上の合成変数で、目的は情報の圧縮・次元削減です。一方 因子分析は、背後に共通因子という潜在変数があり、それが各観測変数に影響を与えて値を生んでいる、というモデルを置きます（共通因子 → 観測変数）。目的は、観測変数の背後にある構造（因子）を解釈することです。

07.手法選択マップ｜2軸と早見表で選ぶ

ここまでの2軸を、実際に手を動かす順番に並べ替えたのが次の手法選択マップです。上から順に質問に答えていくと、候補の手法にたどり着きます。

「やりたいこと」から逆引きしたいときは、次の早見表が使えます。

08.実務での使い方｜マーケティングリサーチ・アンケート分析

多変量解析は、マーケティングリサーチやアンケート分析、顧客理解の文脈で定番の道具になっています。「複数の質問・複数の属性が同時に絡む」というアンケートの性質が、まさに多変量解析の得意分野だからです。代表的な実務シーンを、手法と得たいアウトプットで整理します。

実務では、手法を1つだけ使うより組み合わせて使うことが多くなります。たとえば、数十問のアンケートをまず主成分分析や因子分析で少数の軸に要約し、その軸を使ってクラスター分析で顧客をセグメントに分ける、という流れは定番です。要因の寄与を知りたいときは重回帰分析、というように、「まず構造を要約 → 次に予測・説明」と段階を分けると、分析が安定します。

09.よくある質問（FAQ）

10.まとめ

多変量解析は単一の手法ではなく、複数の変数を同時に扱う手法群の総称です。手法は多くても、選ぶときに見る軸は 「目的変数があるか」 と 「データ型が量的か質的か」 の2つだけ。目的変数があれば重回帰分析・判別分析・ロジスティック回帰など予測・説明の手法、なければ主成分分析・因子分析・クラスター分析など要約・分類の手法、というように候補が絞れます。

実務で混同しやすい主成分分析と因子分析は、「観測変数 → 主成分」と「共通因子 → 観測変数」という考え方の向きで区別できます。アンケート分析や顧客理解では、まず要約してから予測・説明へ、と段階を分けるのが安定したやり方です。個別の手法は、回帰分析やクラスタリングの各記事で深掘りできます。