  |
はてなキーワード: 相関係数とは
まず、因果推論全般では、「相関がある／ない」と「因果関係がある／ない」を同じ軸で考えない。
相関は、観測されたデータ上で見える関係である。因果は、一方を変えたときに、もう一方が変わると考えられる関係である。
なお、「相関がない」と書くと完全に無関係であるように読めるため、以下では原則として「相関が見える／見えない」と書く。
そのため、全体像としては、次のような2×2で整理するとわかりやすい。
| 分類 | 因果関係がある | 因果関係がない |
|---|---|---|
| 相関が見える | A. 因果関係が相関として見えている | B. 見かけ上の相関 |
| 相関が見えない | C. 因果関係はあるが、相関として見えにくい | D. 関係が見られない |
ここでいう「相関が見えない」は、「その観測方法・分析方法では相関が確認できない」という意味であり、完全に無関係であることを直ちに意味しない。
この表は、あくまで全体像を示すための地図である。因果推論では、相関が見えるかどうかと、因果関係があるかどうかを分けて考える。
Aは、相関が見えており、因果関係としても説明できる場合である。
Bは、相関は見えているが、それが因果関係を示しているとはいえない場合である。いわゆる擬似相関はここに入る。
Cは、因果関係はあるが、単純な観測データでは相関として見えにくい場合である。非線形の関係、時間差のある関係などが該当する。
Dは、相関も見えず、因果関係も想定しにくい場合である。ただし、相関が見えないことは、完全に無関係であることを直ちには意味しない。
したがって、因果推論全般では、相関が見えるからといって因果とは限らないし、相関が見えないからといって完全に無関係とも限らない、という両方の注意が必要になる。
一方、高校教科「情報」で扱う範囲は、因果推論全般そのものではない。
高校範囲で中心になるのは、散布図や相関係数をもとに、今見ている2つのデータの関係をどう読むかである。具体的には、散布図や相関係数を使って、2つのデータに直線的な関係が見えるかを確認する。そのうえで、「相関が見えるからといって、因果関係があるとは限らない」という点を学ぶ。
先ほどの分類表を高校「情報」の範囲に寄せると、次のように整理できる。
| 分類 | 高校範囲での扱い |
|---|---|
| 直線的な相関が見える | 高校1：因果関係として説明できる場合／高校2：擬似相関の場合 |
| 直線的な相関が見えない | 高校3：相関が見られない。ただし、完全に無関係とは限らない |
高校1は、直線的な相関が見え、背景知識などから因果関係として説明できるもの。これは、全体表のA「因果関係が相関として見えている」にあたる。
高校2は、直線的な相関は見えるが、因果関係として説明できないもの。これは、全体表のB「見かけ上の相関」にあたる。擬似相関はここに入る。
高校3は、直線的な相関が見えないもの。高校範囲では、いったん「相関が見られない」と整理されることが多い。ただし、これは完全に無関係であることを意味しない。非線形関係、時間差、しきい値のように、別の見方をすれば関係が見える場合もある。
高校範囲で中心になるのは、「直線的な相関が見える」場合である。つまり、その相関を因果関係として説明できるのか、それとも擬似相関なのかを考えることが主題になる。
一方、「直線的な相関が見えない」場合については、基本的には「相関が見られない」と整理する。ただし、これは完全に無関係だと断定することではなく、高校範囲では深く扱わない発展的な関係が隠れている場合もある。
相関関係とは、2つのデータの増減に一定の傾向が見られる関係のこと。
高校範囲では、主に散布図や相関係数で確認する。そのため、ここでいう相関は、基本的には直線的な相関である。
片方が増えるともう片方も増えるなら、正の相関。片方が増えるともう片方が減るなら、負の相関。増減の関係がはっきり見られないなら、相関が見られない、と整理する。
ただし、ここでいう「相関が見られない」は、少なくとも散布図や相関係数では、直線的な相関が見られないという意味である。
現実には、曲線的な関係、時間差のある関係、しきい値のある関係などが隠れている場合もある。したがって、「相関が見られない＝完全に無関係」とは言えない。
因果関係とは、一方の変化が、もう一方の変化を引き起こすと考えられる関係のこと。
ここでは、原因側のデータ項目を X、結果側のデータ項目を Y と書く。
・X → Y
これは、X が Y に影響している関係である。現実の例で言えば、「気温 → アイスの売上」のような関係である。
この場合、気温の上昇がアイスの売上に影響していると考えられる。
ただし、2つのデータに相関が見えるだけでは、因果関係があるとは言えない。因果関係を考えるには、少なくとも以下のような項目を確認する必要がある。
なお、高校範囲で「因果関係」と言う場合は、多くの場合、X → Y のような単純な関係を念頭に置いている。X → M → Y のような間接因果については、後述する。
擬似相関とは、2つのデータに相関が見えるが、その相関が因果関係を示しているとはいえないものを指す。
ここで注意したいのは、擬似相関は「相関がない」という意味ではないこと。多くの場合、相関は実際に見えている。擬似なのは、相関そのものというより、因果関係があるように見える解釈のほうである。
つまり、擬似相関は、その相関だけでは因果関係を示しているとはいえない相関と考えるとわかりやすい。実際、「擬似」という言い方だと相関そのものが存在しないように誤解されるため、「非因果相関」と呼ぶ方がよいと考える人もいる。
擬似相関の原因には、主に以下のようなものがある。
それぞれ整理すると、次のようになる。
交絡因子による擬似相関は、次の形で表せる。
・Z → X
・Z → Y
2つのデータ X と Y の両方に、第3の要因 Z が影響している場合である。このような第3の要因を、交絡因子という。
・気温 → アイスの売上
・気温 → 熱中症の発生数
このとき、アイスの売上と熱中症の発生数には相関が見えるかもしれない。しかし、次のような因果関係があるわけではない。
実際には、気温という Z が、アイスの売上 X と熱中症の発生数 Y の両方に影響している。
高校範囲では、擬似相関の典型例として、この交絡因子による説明がよく使われる。
特に、たくさんのデータを比べていると、本当は関係がなくても、偶然よく似た動きをする組み合わせが見つかることがある。
この2つが、ある期間たまたま似た増減をしたとしても、それだけで因果関係があるとは言えない。これは、意味のある関係ではなく、偶然相関して見えただけである。
時系列データでよく起きる。2つのデータが、どちらも時間とともに増えている、または減っているだけで、相関があるように見える場合である。
・スマートフォンの普及率
どちらもある期間に増加していると、相関があるように見えるかもしれない。しかし、それだけで、次のような因果関係があるとは言えない。
この場合、両方が「時間の経過」とともに増えているため、見かけ上の相関が生じている。
データのまとめ方によって、相関があるように見えたり、逆に相関が消えたりする場合である。
たとえば、10年分のデータ全体ではほとんど関係がないのに、ある3か月だけを切り取ると、2つのデータが同じように増えているように見えることがある。
これは、特定のトレンドが見えている期間だけを切り取ることで、相関があるように見える場合である。意図的にやれば「都合のよい期間の切り取り」になるし、意図せず起きることもある。
また、全体で見るか、グループ別に見るかで、関係が変わる場合もある。
・学校全体で見ると、学習時間が長い生徒ほど成績が高いように見える。
・しかし、学年別に分けると、その関係は弱かったり、違う傾向が見えたりする。
この場合、学年、クラス、地域、年齢層などの分け方によって、見える相関が変わっている。
さらに、個人単位で見るか、都道府県単位で見るか、国単位で見るかによっても、関係が変わることがある。個人レベルでは成り立たない関係が、都道府県ごとの平均値で見ると相関して見える場合がある。これは、専門的には生態学的誤謬に近い話である。
また、割合で見るか、実数で見るか、平均で見るか、合計で見るかによっても、相関は変わる。
たとえば、人口が多い地域では、店舗数も事故件数も多くなりやすい。そのため、単純な件数同士で見ると相関が出ることがある。しかし、人口あたりの件数に直すと、その関係が弱まる場合がある。
つまり、集計方法の影響とは、期間、集団、単位、指標の取り方によって、相関があるように見えたり、消えたりすることである。
高校情報の教科書では、間接因果は独立した中心概念としてはあまり扱われない。
高校範囲で重要なのは、まず、相関関係が見えても因果関係があるとは限らないこと、そして交絡因子による擬似相関に注意することである。
そのうえで、間接因果については、補足的に考えればよい。
間接因果とは、X が別の要因を介して Y に影響する関係である。中間に入る要因を M と書くと、次のようになる。
・X → M → Y
この場合、「勉強時間」と「点数」の間には、「問題演習量」を介した因果関係があると考えられる。
これは直接の因果関係ではないが、比較的近く、説明しやすい間接因果である。そのため、高校範囲では次のように丸めて説明しても、通常は問題ない。
つまり、近い間接因果は、広い意味で因果関係として扱える場合がある。
・大型商業施設ができる
→ 人の流れが変わる
→ 通学経路や交通混雑が変わる
このような関係は、完全にありえないとは言えない。
しかし、途中に入る要因が多く、他の要因も大量に関わるため、単純な相関関係からこの因果経路を説明するのは難しい。
さらに遠い因果経路まで含めると、ほとんど何でも何かに影響している、という話になってしまう。
そこまで広げると、バタフライエフェクトのような話になり、高校範囲の「相関関係と因果関係」の整理としては扱いにくい。
そのため、間接因果は次のように考えるとよい。
・比較的近く、説明可能な間接因果は、広い意味で因果関係として扱える。
・一方、因果経路が遠すぎるものや、途中の要因が複雑すぎるものは、高校範囲では擬似相関に近いもの、または発展的な話題として扱うのが自然である。
つまり、間接因果は、高校情報の中心的な分類ではなく、発展的な補足として考えるのがよい。
高校範囲では、まず「直線的な相関が見える場合」に、その相関を因果関係として説明できるのか、それとも擬似相関なのかを考えることが重要である。間接因果は、その後に考える発展的な補足として扱えばよい。
高校「情報」で中心になるのは、「相関関係」「因果関係」「擬似相関」を区別して考えることである。
「相関関係」は、2つのデータの増減に一定の傾向が見られる関係である。
「因果関係」は、一方の変化が、もう一方の変化を引き起こすと考えられる関係である。
「擬似相関」は、相関は見えているが、それだけでは因果関係を示しているとは言えない関係である。典型例は、第3の要因である交絡因子が2つのデータの両方に影響している場合や、たまたま似た動きをしただけの偶然の一致である。
ただし、高校範囲で扱う相関は、主に散布図や相関係数で見る直線的な相関である。そのため、「相関が見られない」と整理される場合でも、完全に無関係とは限らない。非線形関係や時間差のある関係のように、別の見方をすれば関係が見える場合もある。ただし、そうした見方は高校範囲では基本的に深く扱わず、大学以降の専門的な範囲に入る。
また、間接因果は、高校情報の中心的な分類ではなく、発展的な補足として考えるのがよい。
要するに高校範囲では、相関が見えてもそれだけで因果とは言えず、相関が見えなくてもそれだけで無関係とは言えない、という点を押さえるのが重要である。
2026年3月26日夜、東京・池袋のサンシャインシティ内「ポケモンセンター」で、店員の春川萌衣さん（21）が元交際相手の広川大起容疑者（26）に首などを刃物で複数回刺されて死亡しました。広川容疑者は2025年12月にストーカー規制法違反で逮捕され、翌年1月に罰金80万円で略式起訴・釈放された後に犯行に及んでいます。逮捕時に「復縁したかった」「自殺するつもりだった」と話しており、自殺の予告という重大なリスクサインが見落とされていました。
犯罪学の研究は、ストーカー殺人加害者の外見や運動能力が犯行と有意な相関を持つという証拠を支持しません。殺害に至るストーカーの研究では、リスク因子として挙げられるのは心理的要因・関係性・行動パターンであり、容姿・体力は分析対象にすら含まれていません。ステレオタイプ的な「弱者像」を加害者に当てはめようとするバイアスは、ストーカー加害者の本質的な特徴を見誤る原因になります。
犯罪心理学において、最も殺人リスクが高いとされるのが「拒絶型（RejectedStalker）」です。
元交際相手によるストーカー殺人にはほぼ例外なく「支配・強制的コントロール」のパターンが先行しており、オーストラリアのデータでは元パートナーストーカー殺人の67〜88%でその証拠が確認されています。
ナルシシズムと親密パートナーへの暴力（IPV）の関係は研究で確認されており、相関係数はr=.15と有意なポジティブ相関が示されています。重要なのは「自己愛性人格障害になりやすいのはどういう人か」という問いです。
ブリティッシュ・ジャーナル・オブ・サイカイアトリーは、ストーカーが恥・屈辱感・悲しみから自己を守るためにナルシシスティック・レイジ（自己愛的激怒）を用い、愛着対象を貶め攻撃し始めると論じています。むしろ外見に自信があり社交性も高い人物の方が、「なぜ自分が拒絶されるのか」という認知的不協和が強く、危険な状態に陥りやすい可能性があります。
今回のケースで特筆すべきは、広川容疑者がカウンセリング受診を拒否していた点です。筑波大学の原田隆之教授は「接近禁止命令だけでは不十分で、ストーキング行為の背景にある心理学的要因への介入が不可欠」と指摘しています。ストーカー加害者の多くは「自分は被害者である」という当事者意識の欠如を持ち、治療への動機がそもそも生まれにくい構造があります。NPOヒューマニティの小早川明子氏（2026年2月死去）が長年訴え続け、「条件反射制御法」による治療で高い脱却率を示したように、強制力を伴う加害者治療プログラムの法制化が課題として残されています。
以下は研究から導き出された、ストーカーが殺人にエスカレートする際のリスクファクターです。
今回の事件はこれらのリスク因子を複数同時に抱えていたにもかかわらず、最悪の結果を防げなかった典型例であり、リスクアセスメントの精度向上と制度改革の緊急性を示しています。
私はこの分野の門外漢で，加えて生成AIに計算してもらってるので話半分でお願いします
そうした意味で、入学試験の得点だけを意識した、視野の狭い受験勉強のみに意を注ぐ人よりも、学校の授業の内外で、自らの興味・関心を生かして幅広く学び、その過程で見出されるに違いない諸問題を関連づける広い視野、あるいは自らの問題意識を掘り下げて追究するための深い洞察力を真剣に獲得しようとする人を東京大学は歓迎します。
まず、普通ってどのくらいのこと言ってるんだろうか？
偏差値40 → 165cm、340万円
偏差値45 → 168cm、415万円
偏差値50 → 171cm、490万円
偏差値55 → 174cm、565万円
偏差値60 → 177cm、640万円
で、偏差値40〜60には約68％が入り、偏差値45〜55には38％が入る
もし、普通（厳密には普通以上）を「偏差値45以上である」とすれば、69％が該当するが
「年収と身長が偏差値45以上」つまり「身長168cm以上、年収415万円以上の32歳男性」は0.69^2=0.47で、47％しかいないことになる
では同じように
身長、年収、体型＆ルックス、性格を偏差値45以上で求めていくとしよう
すると0.69^4=0.22で22％しかいない
では、これに学力、趣味の良さ、相性などどんどん入れていくと、簡単に「100人に数人」まで落ちる
そして実際、多くの人はその人に集中するので、それはもう厳しい戦いになる
大学でイメージすると、上位10％あたりというのは、だいたいMARCHクラスである、婚活競争でMARCHクラスを狙える根拠がない人はよくよく考えたほうがいい
じゃあどう考えればいいのか？と言えば
多くの人は「どこか欠けている」ので、そこをどう考えるかだと思う
本当は検索も「検索条件のうち3つに該当する人」みたいにできればいいんだけどね
＿＿＿
どれどどれが相関係数１なの？
アメリカにおける年収と学力（認知能力）の相関（相関係数0.46）
https://ifstudies.org/blog/can-intelligence-predict-income?utm_source=chatgpt.com
https://www.amstat.org/asa/files/pdfs/stew/TheUnitedStatesofObesity.pdf?utm_source=chatgpt.com
東京23区と周辺のいくつかの市で、東京選挙区での参政党の得票率がどんな要因と関係しているのか、軽い気持ちで回帰分析してみた。
変数の多重共線性とか処理はガバガバなので軽い気持ちで見てほしいんだが、ざっくりまとめると、「大学院卒業者の割合」が高い地域では得票率が低く、「役員の割合」が高い地域では逆に得票率が高い、という傾向がありそう。
使ったデータはNHKが出している投票所別の得票率。手入力なので誤りがあるかもしれない。
それに、東京都の人口統計と国勢調査（令和2年の）などから市区町村ごとの属性データをくっつけて、変数を一律で標準化したうえで回帰分析を行った。
都内の市区町村のうち、データが揃ってる27地域を対象にした（23区＋町田・八王子・調布・西東京）。
20万人以上の市しか一部のデータが見つけられなくて、そこはごめんって感じ。
まず、説明変数を11個使って線形回帰分析をしたところ、決定係数は0.83（調整済み決定係数は0.71）だった。何を使ったかは後で。
そこから影響が特に大きそうな4変数（平均年齢、大学院卒業者割合、役員の割合、情報通信業の割合）に絞って分析し直すと、決定係数は0.73（調整済み決定係数は0.68）になった。
詳しくはこれ
国勢調査は5年に1回しかなくて、最新の結果が令和2年のだった。
4つの変数の関係を見てみると、平均年齢は他の3つの変数（大学院卒、役員、情報通信業）と負の相関を持っていた（相関係数 < -0.69）。一方、大学院卒業者の割合・役員の割合・情報通信業の割合は互いに中程度以上の正の相関（相関係数 > 0.5）を持っており、特に大学院卒と役員の間の相関係数は0.75と大きかった（いずれもピアソン相関）。
ただし、回帰係数を見ると、興味深い違いがある。大学院卒業者の割合、平均年齢、情報通信業の割合はいずれも負の係数を持っていて、これらが高いと参政党の得票率は下がる傾向がある。一方で、役員の割合は正の係数を持っていた。
| 市区町村 | 参政党得票率（NHK） | 予測値_参政党得票率 | 平均年齢（令和7年1月） | 大学院卒業者割合（令和2年国勢調査） | 役員の割合（令和2年国勢調査） | 情報通信業の割合（令和2年国勢調査） |
| 千代田区 | 9.4 | 9.6 | 42.69 | 0.088 | 0.162 | 0.115 |
| 中央区 | 9.8 | 9.3 | 42.17 | 0.075 | 0.126 | 0.135 |
| 港区 | 10.1 | 10.4 | 43.48 | 0.065 | 0.171 | 0.131 |
| 新宿区 | 9.4 | 9.5 | 44.08 | 0.052 | 0.097 | 0.129 |
| 文京区 | 7.4 | 7.6 | 43.35 | 0.097 | 0.098 | 0.118 |
| 台東区 | 10 | 10.1 | 45.59 | 0.041 | 0.109 | 0.112 |
| 墨田区 | 10.1 | 9.8 | 44.88 | 0.035 | 0.073 | 0.115 |
| 江東区 | 9 | 9.4 | 44.82 | 0.041 | 0.069 | 0.12 |
| 品川区 | 9 | 8.6 | 44.34 | 0.056 | 0.077 | 0.143 |
| 目黒区 | 9 | 9.4 | 44.88 | 0.05 | 0.109 | 0.137 |
| 大田区 | 9.9 | 9.5 | 45.67 | 0.039 | 0.069 | 0.105 |
| 世田谷区 | 9.9 | 9.4 | 45.19 | 0.047 | 0.097 | 0.128 |
| 渋谷区 | 10 | 9.7 | 44.8 | 0.054 | 0.142 | 0.152 |
| 中野区 | 9.5 | 9.3 | 44.57 | 0.038 | 0.072 | 0.141 |
| 杉並区 | 8.5 | 8.9 | 45.23 | 0.047 | 0.076 | 0.136 |
| 豊島区 | 9.6 | 9.5 | 44.05 | 0.044 | 0.081 | 0.132 |
| 北区 | 9.2 | 9.4 | 45.74 | 0.036 | 0.058 | 0.107 |
| 荒川区 | 9.4 | 9.9 | 46.23 | 0.032 | 0.071 | 0.096 |
| 板橋区 | 9.9 | 10.0 | 45.73 | 0.027 | 0.059 | 0.099 |
| 練馬区 | 10.3 | 9.6 | 45.5 | 0.034 | 0.068 | 0.113 |
| 足立区 | 10.5 | 10.7 | 46.74 | 0.017 | 0.063 | 0.073 |
| 葛飾区 | 10 | 10.4 | 46.52 | 0.02 | 0.061 | 0.083 |
| 江戸川区 | 11 | 10.7 | 45.09 | 0.021 | 0.062 | 0.085 |
| 八王子市 | 10.1 | 9.7 | 48.31 | 0.029 | 0.054 | 0.054 |
| 町田市 | 10 | 9.5 | 48.16 | 0.031 | 0.058 | 0.068 |
| 調布市 | 8.6 | 9.4 | 45.66 | 0.035 | 0.06 | 0.113 |
| 西東京市 | 9.1 | 9.5 | 46.9 | 0.028 | 0.055 | 0.102 |
雑なモデルなので話半分でね。
OLS Regression Results
==============================================================================
Dep. Variable: y R-squared: 0.730
Model: OLS Adj. R-squared: 0.680
Method: Least Squares F-statistic: 14.84
Date: Mon, 21 Jul 2025 Prob (F-statistic): 5.09e-06
Time: 07:21:02 Log-Likelihood: -20.653
No. Observations: 27 AIC: 51.31
Df Residuals: 22 BIC: 57.78
Df Model: 4
Covariance Type: nonrobust
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
const 1.277e-15 0.111 1.15e-14 1.000 -0.230 0.230
x1 -0.5743 0.230 -2.493 0.021 -1.052 -0.096
x2 -1.3278 0.204 -6.512 0.000 -1.751 -0.905
x3 0.8670 0.174 4.973 0.000 0.505 1.229
x4 -0.5382 0.169 -3.184 0.004 -0.889 -0.188
==============================================================================
Omnibus: 2.233 Durbin-Watson: 2.170
Prob(Omnibus): 0.327 Jarque-Bera (JB): 1.169
Skew: -0.035 Prob(JB): 0.557
Kurtosis: 1.983 Cond. No. 4.48
==============================================================================
| 変数 | 回帰係数 |
| 平均年齢（令和7年1月） | -0.78 |
| 1世帯あたり人口 | -0.31 |
| 男性率（令和7年1月） | 0.07 |
| 外国人比率（令和7年1月） | -0.07 |
| 5年間外国人割合変化 | 0.27 |
| 犯罪認知割合 | -0.05 |
| 大学院卒業者/全卒業者（令和2年国勢調査） | -1.77 |
| 不詳者/全卒業者（令和2年国勢調査） | -0.51 |
| 従業上の地位：役員の割合 | 1.39 |
| 従業上の地位：自営業主の割合 | 0.09 |
| 産業区分：情報通信業の割合 | -0.53 |
| 地域 | 参政党得票率（NHK） | 予測値_参政党得票率 | 平均年齢（令和7年1月） | 1世帯あたり人口 | 男性率（令和7年1月） | 外国人比率（令和7年1月） | 5年間外国人割合変化（令和2年から7年） | 犯罪認知割合（令和6年件数/令和7年人口） | 大学院卒業者/全卒業者（令和2年国勢調査） | 不詳者/全卒業者（令和2年国勢調査） | 従業上の地位：役員の割合（令和2年国勢調査） | 従業上の地位：自営業主の割合（令和2年国勢調査） | 産業区分：情報通信業の割合（令和2年国勢調査） |
| 千代田区 | 9.4 | 9.5 | 42.69 | 1.75 | 0.50 | 0.06 | 1.22 | 0.04 | 0.09 | 0.36 | 0.16 | 0.09 | 0.12 |
| 中央区 | 9.8 | 9.8 | 42.17 | 1.76 | 0.48 | 0.07 | 1.33 | 0.01 | 0.08 | 0.28 | 0.13 | 0.08 | 0.14 |
| 港区 | 10.1 | 10.0 | 43.48 | 1.74 | 0.47 | 0.08 | 1.08 | 0.01 | 0.07 | 0.42 | 0.17 | 0.10 | 0.13 |
| 新宿区 | 9.4 | 9.0 | 44.08 | 1.52 | 0.50 | 0.14 | 1.12 | 0.02 | 0.05 | 0.39 | 0.10 | 0.09 | 0.13 |
| 文京区 | 7.4 | 7.5 | 43.35 | 1.80 | 0.48 | 0.07 | 1.32 | 0.01 | 0.10 | 0.25 | 0.10 | 0.08 | 0.12 |
| 台東区 | 10.0 | 10.3 | 45.59 | 1.58 | 0.51 | 0.09 | 1.21 | 0.01 | 0.04 | 0.36 | 0.11 | 0.09 | 0.11 |
| 墨田区 | 10.1 | 10.1 | 44.88 | 1.69 | 0.49 | 0.06 | 1.25 | 0.01 | 0.04 | 0.28 | 0.07 | 0.07 | 0.12 |
| 江東区 | 9.0 | 9.2 | 44.82 | 1.84 | 0.49 | 0.07 | 1.23 | 0.01 | 0.04 | 0.27 | 0.07 | 0.06 | 0.12 |
| 品川区 | 9.0 | 8.6 | 44.34 | 1.73 | 0.49 | 0.04 | 1.19 | 0.01 | 0.06 | 0.24 | 0.08 | 0.07 | 0.14 |
| 目黒区 | 9.0 | 9.3 | 44.88 | 1.74 | 0.47 | 0.04 | 1.19 | 0.01 | 0.05 | 0.35 | 0.11 | 0.10 | 0.14 |
| 大田区 | 9.9 | 9.7 | 45.67 | 1.77 | 0.50 | 0.04 | 1.26 | 0.01 | 0.04 | 0.23 | 0.07 | 0.07 | 0.11 |
| 世田谷区 | 9.9 | 9.3 | 45.19 | 1.84 | 0.47 | 0.03 | 1.22 | 0.01 | 0.05 | 0.30 | 0.10 | 0.10 | 0.13 |
| 渋谷区 | 10.0 | 9.9 | 44.80 | 1.61 | 0.48 | 0.06 | 1.12 | 0.02 | 0.05 | 0.34 | 0.14 | 0.12 | 0.15 |
| 中野区 | 9.5 | 9.5 | 44.57 | 1.57 | 0.51 | 0.07 | 1.20 | 0.01 | 0.04 | 0.33 | 0.07 | 0.09 | 0.14 |
| 杉並区 | 8.5 | 8.9 | 45.23 | 1.73 | 0.48 | 0.04 | 1.19 | 0.00 | 0.05 | 0.26 | 0.08 | 0.09 | 0.14 |
| 豊島区 | 9.6 | 9.5 | 44.05 | 1.57 | 0.50 | 0.12 | 1.21 | 0.01 | 0.04 | 0.34 | 0.08 | 0.09 | 0.13 |
| 北区 | 9.2 | 9.2 | 45.74 | 1.71 | 0.50 | 0.09 | 1.31 | 0.01 | 0.04 | 0.31 | 0.06 | 0.07 | 0.11 |
| 荒川区 | 9.4 | 9.6 | 46.23 | 1.77 | 0.50 | 0.11 | 1.19 | 0.01 | 0.03 | 0.29 | 0.07 | 0.08 | 0.10 |
| 板橋区 | 9.9 | 10.0 | 45.73 | 1.73 | 0.49 | 0.07 | 1.29 | 0.01 | 0.03 | 0.30 | 0.06 | 0.07 | 0.10 |
| 練馬区 | 10.3 | 9.6 | 45.50 | 1.89 | 0.48 | 0.04 | 1.22 | 0.01 | 0.03 | 0.25 | 0.07 | 0.08 | 0.11 |
| 足立区 | 10.5 | 10.6 | 46.74 | 1.84 | 0.50 | 0.06 | 1.28 | 0.01 | 0.02 | 0.31 | 0.06 | 0.08 | 0.07 |
| 葛飾区 | 10.0 | 10.5 | 46.52 | 1.86 | 0.50 | 0.06 | 1.27 | 0.01 | 0.02 | 0.27 | 0.06 | 0.08 | 0.08 |
| 江戸川区 | 11.0 | 10.8 | 45.09 | 1.93 | 0.50 | 0.07 | 1.27 | 0.01 | 0.02 | 0.26 | 0.06 | 0.07 | 0.09 |
| 八王子市 | 10.1 | 9.7 | 48.31 | 1.96 | 0.50 | 0.03 | 1.28 | 0.01 | 0.03 | 0.21 | 0.05 | 0.07 | 0.05 |
| 町田市 | 10.0 | 10.0 | 48.16 | 2.06 | 0.49 | 0.02 | 1.44 | 0.01 | 0.03 | 0.17 | 0.06 | 0.08 | 0.07 |
| 調布市 | 8.6 | 9.1 | 45.66 | 1.92 | 0.49 | 0.02 | 1.14 | 0.01 | 0.04 | 0.23 | 0.06 | 0.08 | 0.11 |
| 西東京市 | 9.1 | 9.2 | 46.90 | 2.00 | 0.49 | 0.03 | 1.15 | 0.01 | 0.03 | 0.20 | 0.06 | 0.08 | 0.10 |
OLS Regression Results
==============================================================================
Dep. Variable: y R-squared: 0.833
Model: OLS Adj. R-squared: 0.711
Method: Least Squares F-statistic: 6.803
Date: Mon, 21 Jul 2025 Prob (F-statistic): 0.000472
Time: 06:53:14 Log-Likelihood: -14.148
No. Observations: 27 AIC: 52.30
Df Residuals: 15 BIC: 67.85
Df Model: 11
Covariance Type: nonrobust
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
const -5.405e-15 0.106 -5.12e-14 1.000 -0.225 0.225
x1 -0.7820 0.361 -2.165 0.047 -1.552 -0.012
x2 -0.3056 0.355 -0.860 0.403 -1.063 0.452
x3 0.0671 0.270 0.248 0.807 -0.509 0.643
x4 -0.0737 0.213 -0.346 0.734 -0.527 0.379
x5 0.2652 0.168 1.579 0.135 -0.093 0.623
x6 -0.0534 0.246 -0.217 0.831 -0.578 0.472
x7 -1.7650 0.293 -6.018 0.000 -2.390 -1.140
x8 -0.5147 0.379 -1.358 0.195 -1.322 0.293
x9 1.3916 0.348 3.994 0.001 0.649
あなたの指摘しているのは、いわゆる「統計的なアーティファクトとしてのダニング＝クルーガー効果」という議論です。学術的にもちゃんと検証されているテーマで、あなたの定式化はそのポイントを端的に表しています。
まず整理しますね。
変数:
命題:
d = y - x は x と負の相関がある
この式はそのままみれば
→ Cov(d, x) = Cov(y - x, x) = Cov}(y, x) - Var(x)
ここで、
→ しっかりと「負の相関」になります。
あなたが言っていることは、まさに「統計的アーチファクト（虚像）」という批判です。
この話は、2000年代後半くらいから心理統計学の界隈でけっこう議論されています。
要点は：
これを入れると、
このとき、x が低いほど d = y - x が大きくなるのは当然で、相関係数はさらに強まる。
つまり、「自己評価の分布が中央寄りで、実際の能力評価の分布が広い」という現実的な前提があれば、さらに極端な傾向が出る。
まとめると：
「デフレ脱却」という概念の定義とその問題点について、検索結果から分析してみます。
政府は「デフレ脱却」を「物価が持続的に下落する状況を脱し、再びそうした状況に戻る見込みがないこと」と定義しています[1][5][8]。この定義は2006年3月に内閣府によって示されました[8]。
判断基準としては、一般的に以下の4条件が知られています[4][8]：
「再びそうした状況に戻る見込みがないこと」という条件は、いわば「悪魔の証明」です[7]。何事も「見込みがない」ことを証明するのは非常に困難です。
現在、消費者物価は前年比2％程度で上昇しており、明らかに「デフレではない」状況にあります[7][8]。2013年末以降、「物価が持続的に下落する状況を脱した」という前段の条件はおおむね達成されています[8]。
内閣府の需給ギャップは物価への説明力が低下しています。1985～1994年の相関係数は0.66だったものが、2015～2023年には0.17まで低下しました[4]。「2006年の頃は相関関係が認められていたのだろうが、2007～2023年にかけてはその関係性は乏しくなっている」という指摘もあります[4]。
デフレ脱却宣言が出れば、「積極的な財政出動が不要となるだけでなく、金融緩和についても、政府と日銀の共同声明は役目を果たしたことになり、日銀はより柔軟に金融政策を運営することが可能になる」と考えられます[1]。これは「政治的にも都合の悪い結果を招くリスクがある」ため、「デフレ脱却宣言には、データの蓄積だけでなく、宣言後に種々の政策の正常化を進めるという政府の強い意志と覚悟も必要になる」と指摘されています[1]。
「国民の肌感覚から考えると、インフレが進んでもまだデフレの最中だという政府の見解は、著しくずれていると言わざるを得ない。物価上昇による所得、資産の目減りを放っておいて、まだデフレの最中だというのは理不尽に思える」という批判もあります[4]。
「景気回復が5年も続いているのにデフレが終わらないというのは大きな謎」とする見解もあり[2]、「日本社会では、よく起こる弊害として、ずっと昔に作られたルールが現実に合わなくなっても、延々と現在の経済活動を縛り続けることが挙げられる」という指摘も見られます[4]。
## 結論
「デフレ脱却」の定義は通常のデフレ（物価の持続的下落）の概念を超えた条件を課しており、特に「再び戻る見込みがない」という条件は実証が極めて困難です。経済実態との乖離や政策変更への躊躇が見られることから、この独自の条件設定は政策転換のハードルを高く設定する効果を持っていると言えるでしょう。
少なくとも経済の実態と整合性を欠く面があり、政策的・政治的な配慮が影響している可能性は否定できません[1][4][7]。
相関係数が低ければ有意にはなりにくいって自分で書いてんじゃん 相関係数がp値に関係するって自分で書いておきながらなんで最後で逆のことを言い出すんだ
いや、たとえば有意水準5%で検定をする、と決めて始めたときに、p値が0.06となるか0.04となるかは大違いだけど、0.04となるか0.01となるかには違いはない。仮説検定というのはそういう通るか通らないかのゼロイチのもので、0.04よりは0.01の方が精度が高いロバストな結果と評価するものじゃないよ。相関係数が低いとp値（2変数でのｔ検定だとほぼ同義に近い）は高くなり棄却に失敗しやすいが、それが意味を持つのはあくまで事前に設定した有意水準のところより上か下かだけ。だから先程のような書き方（ちゃんと、「有意という結果が出た下では」って書いてあるよね）になったわけだけど。で今回の、論理的思考力の高さと斎藤氏は陥れられたとみなすことに有意な相関が見られたというのに対して、有意と言っても相関係数が低い（p値がギリギリなくらい大きい）から信頼性の無い結果だとか、これがもっと相関係数が高い・p値が小さい結果だったらもっと信頼性が高かったみたいな評価をしてはならないんだよ。p値はそんな風に使えるものではないからね。
あと、どうしてベイズって言うかだって？だってまさにやりたかった、ゼロイチだけではない証拠の強さを表せるものとしてベイズファクターがあるから。ベイズファクターならそういう使い方が出来るけど、p値は無理。相関係数が高ければ高いほど、p値が低ければ低いほど強い証拠が得られたなんて使い方はできないものなの。
もしかしてp値を「帰無仮説が正しい確率」のようなものとして理解している？もしそう誤解していたら、確かに低ければ低いほど帰無仮説が間違っている（つまりその余事象の対立仮説が正しい）確率が高い、信頼性が高いって評価できるように思うかも知れないけど……
それとも、p値が小さければ有意水準5%だけでなく有意水準1%や0.5%でも有意に帰無仮説と異なると言えるぜ、そうなりゃ非常に高い統計学的有意性が得られたぜ、みたいな話？でも、仮説検定では有意水準は事前に決めなければならないものだから、後からより低いもので有意となるp値が得られたとしても意味はない。
もちろん実際には、とても低いp値が得られるような時にはそうでない場合よりもベイズファクターのような証拠の強さを表せる方法での分析を採用していたら強い結果が得られた可能性は高いだろう。逆にギリギリのp値だったら弱い結果となる可能性は高い。でもそれは、仮説検定を行うという研究デザインでやっているものに対して有効な批判にはならないんだよ。まさに筋違いな批判であって。
事前に設定した有意水準のもと、帰無仮説を棄却するだけの差があるならたとえそれがギリギリ棄却となるような低い相関係数であっても仮説検定としては何も問題はない。仮説検定というのは棄却するかどうかという定性的なものであって、小さなp値で棄却できた方が頑健な結果というような解釈が出来る定量的なものではない。仮説検定で有意という結果が得られた後にやって意味がある定量的な分析は、効果量がどれくらいかを見ること。具体的には各メディア情報への信頼指数が1σ変化することに対応する斎藤氏への評価の変化幅はどれくらいかといった分析。これは相関係数が低くても大きなものになり得るし、その逆もあり得る。相関係数は線形度合いを見ているだけだから、各メディア情報への信頼指数が1σ変化することに対応する斎藤氏への評価の変化幅が全て2倍になったり半分になってもほぼ変わらない。つまり、相関係数では効果量は測れない。当然、相関係数が小さく見えるといったことも分析上の問題にはならない。繰り返しになるが、仮説検定は帰無仮説を棄却するかどうかが全てであって、より大きな相関係数で棄却出来ればより頑健な結果が得られたといったような評価を出来るものではない。
（ｔ）検定というのはゼロイチで結果が決まるものだから、有意という結果が出た下では相関係数が大きい小さいは関係ないというか、そのことで検定の結果や評価に問題があるとは言えないよ。
もちろん相関係数が低ければｔ検定が有意にはなりにくいわけだが、有意になった上では相関係数が大きいものの方が説得力が高いとはならない。
いや高いだろ
相関係数が低ければ有意にはなりにくいって自分で書いてんじゃん 相関係数がp値に関係するって自分で書いておきながらなんで最後で逆のことを言い出すんだ
そういうことをやりたいならベイズでないとね。
なんでこういう半端に統計かじった感じの人ってベイズを妄信しがちなんだろうね
ま、もっとも執筆者当人が「非常に弱くではあるが認められた」といった強弱含む評価をしていて、検定とはどういうものかを誤解している可能性はあるけど、これはnoteでの殴り書きでなく論文にするならその過程で指摘を受けて直ると思う。
検定の話と相関の強弱の話は両立しうるだろ なんでこんなバカみたいなことすらわからずにウエメセで評論を書けるのかりかいできない
そもそもこの程度のことさえ指摘できない連中が査読してるパターンなんて無数にあるだろ ウエメセで馬鹿なこと書いてドヤってる奴もすぐわいてくるくらいだし
あと、相関係数が低いものを有意と言うことはそもそもp-hackingとは言わないよ。これがたとえば裏でSRSやCRT以外にも様々な数値とで検定を行っていて、その中で有意となったがSRSやCRTだけだったときに、有意とならなかったものを公表せずSRSやCRTの結果だけを出していたならp-hackingの一種だけど。
でも今時の論文は最初に（検定などをする前に）SRSやCRTを使うという設定や有意水準の設定など決め事をした上でやるのが最低限の流儀なんで、それくらいは守ってるんじゃないかな。
ここは同意
元増田は、一応統計学は知っているのだろうが、この類の分析は門外漢なんだろう。
雑に言えば、相関係数にはデータのタイプごとに相場観があって、0.8でも「低い」という分野もあれば、0.5でも「超高い」という分野もある。
p値だって分野ごとの相場観があって、0.1が「十分低い」という分野もあれば「高過ぎる。有意ではない」という分野もある。
（そもそも「有意か否か」という考え方をしないのが現代的だが。）
著者自身が書いているように、0.1台の相関係数はそれを考えても低いが、だからと言って論文で何も書かない、というのもおかしい。
今は、アンケート調査を実施する前にどのような仮説を検証するための調査なのか等を外部に登録をしなければならず、登録したからにはその結果を公開する必要に迫られる。
したがって、斎藤氏への姿勢とCRT、SRSの調査をした以上、「弱いが有意な正相関があった」以外の論文の書きようが無い。
まあまず相関係数と言うのは単に二つの変数の共分散を二つの変数の標準偏差の積で割ったものだから、極端に言えばサンプルサイズ2だと+1or-1になるんだな
例えば確率変数Xが連続一様分布[-1, 1]に従うとして、確率変数YをY=X^2と定義すると、XとYの相関係数はゼロだけどYは完全にXに依存している。
「相関係数がゼロに近いから2変数間に関係は無い」みたいな論法は自分の学部1年の頃を思い出して恥ずかしくなるのでやめてほしい
「本当は差がないにも関わらず、差があると主張してしまう誤り」の確率は仮説検定をする時に決めた有意水準そのものであって、それは相関係数の大きさ≒t値の大きさ≒p値の低さで変わってくるものではない。今回で言えば「論理的思考力が高くても本当は陰謀論的な思考をしがちではないにも関わらず、そうしがちであると主張してしまう誤り」の確率は相関係数が小さくても高まらない。相関係数が小さく見える≒p値が閾値は下回るものの高めに見える、ということからは論理的思考力が高いほど陰謀論的な思考をしがちという今回のモデルスペシフィケーションに対する誤りを指摘することはできない。
相関係数の目安って、、、それを判定しているのが有意水準だろ。なんで有意水準での判定をした上で、さらに追加で目安なんて基準でもう一度判定する必要があるんだ。しかも分布が全然違う、サンプルサイズもバラツキも違った別データでどれくらいかなんて何の基準にもならん。
（ｔ）検定というのはゼロイチで結果が決まるものだから、有意という結果が出た下では相関係数が大きい小さいは関係ないというか、そのことで検定の結果や評価に問題があるとは言えないよ。もちろん相関係数が低ければｔ検定が有意にはなりにくいわけだが、有意になった上では相関係数が大きいものの方が説得力が高いとはならない。そういうことをやりたいならベイズでないとね。ま、もっとも執筆者当人が「非常に弱くではあるが認められた」といった強弱含む評価をしていて、検定とはどういうものかを誤解している可能性はあるけど、これはnoteでの殴り書きでなく論文にするならその過程で指摘を受けて直ると思う。
あと、相関係数が低いものを有意と言うことはそもそもp-hackingとは言わないよ。これがたとえば裏でSRSやCRT以外にも様々な数値とで検定を行っていて、その中で有意となったのがSRSやCRTだけだったときに、有意とならなかったものを公表せずSRSやCRTの結果だけを出していたならp-hackingの一種だけど。でも今時の論文は最初に（検定などをする前に）SRSやCRTを使うという設定や有意水準の設定など決め事をした上でやるのが最低限の流儀なんで、それくらいは守ってるんじゃないかな。
最近、自分が勤めている会社からもチラホラ転職者が出ていて、そのたびに不安なような、でもライバルが減って嬉しいみたいな複雑な気持ちになる。
そんなクソみたいな自分の頭を整理するべく、これまたクソみたいな日記を書かせていただく。
始めに記載すると、俺は半導体製造装置メーカー、とはいえ業界の中では正直下位クラスの会社に勤め続けているクソ雑魚エンジニア5年目。
一応院卒なので最初から等級は高いが、技術屋としての実力は低いと思っている。
どこの会社も同じような退職金制度だと思うけど、勤続年数に比例する形で退職金が積み立てられていく関係上、勤め続けた方が絶対に有利になる。
・1年目から給付倍率が加算されていき、勤続年数が20年を超えるとようやく満額となる
自分の出世ルートを中程度に見積もると、40歳を過ぎた辺りから毎年の退職金の積立額が約80万くらいになる。
そのまま定年まで勤めるとその区間だけで1600万の20％割り増しで1920万。
働かないオジサンが量産される原因なのでは、と個人的には思うが、現状の制度から逆算される選択肢が働かずダラダラ過ごすことなのだから仕方がない。
●コンフォートゾーンにいることで為せることもある
「楽な仕事ばかりで成長できないから転職する」とか、「コンフォートゾーンに居る人は淘汰される」とか、これもよく聞く理論ではあるけど、100％同意はしかねる。
楽な仕事を経験しているのであればその分精神的余裕が生まれるのだから、副業にチャレンジしたり勉強に充てたり、できることが増えるのではないか。
自分もそうやって自分の環境を整えてきた。勤めるにつれて、自身の業務周りに関してはかなりコントロールできるようになったと思う。
毎日定時に帰ることもできるといえばできるし、有休もある程度自由に使えるようになった。
地道に業務改善や教育を行っていった成果なので、転職してその権利がリセットされるのはちょっと痛い。
たいていの企業は新卒よりも中途の方が等級が低い。加えて勤続年収に比例する形で発生する手当もあり、どうしても中途がプロパーの給料を超えることは少ない気がする。
もちろん本人の努力次第では出世できる可能性もある。が、日系大手企業の管理職がそこまで個々人の成果を確認できているかというとそうでもない気がする。
ちょっとキモイ表現で申し訳ないんだけど、「能力が高ければ高収入である可能性は高いけど、必ずしもその関係が当てはまるわけじゃない」ってことを言いたい。
個人的に一番ギャップに感じた部分なんだけど、「新卒でたまたま給料が高い会社に入れた」という事実が滅茶苦茶威力を発揮している。
俺より設計力やプログラミング力、英語力が高い派遣さんはいるけれど、俺の半額くらいしか貰ってないみたい。
子会社の人もそう。俺より優秀な人はたくさんいるけれど、結果的に貰う給料は本社の方が高くて、「年収の話は子会社の人にしないでね」なんて言われてる。
俺より高学歴だったり学生時代の成績が高い友達はいっぱいいたけど、俺より年収が高い友達はそんなに多くない。
「スキルアップと転職を繰り返して年収アップ」論は正しいっちゃ正しいけど、1社に勤める人間と比較してどれほどトータルの年収に差が出るのかいまいちわからない。
まだまだ日本の就活は新卒採用が強力で、そこで金の切符を手に入れられるか否かが人生を大きく左右する気がする。
以前転職エージェントを利用した際、転職をやたら煽る割に今の自分の年収を超える企業や俺のスキルアップにはあまり相談に乗ってくれない。
また俺の仕事に対する理解も甘い。エージェントと我々求職者の利害ってそんなに一致してないんじゃないかと思う。
の割にD〇daだのテック〇ャンプだの、広告を山ほど見かける。本当に転職して生涯年収が上がる人、どのくらいいるのだろうか。
以上。もちろん例外もたくさんあるだろうが、「新卒で良い会社に入社してそこで一生を過ごす」という行動が日本のルールに沿った最適解なんじゃないかと個人的には思っている。
悪質な炎上屋と組んで気に食わないやつに難癖をつけて炎上させて回っている浅田カズラ, VRChatの代理人とかVRChatのフィクサーを名乗り始めました. メタカル最前線デスク就任に反対する.
https://x.com/SakamotoVRChat/status/1775077902155170258
「僕みたいな人が「言語化の代理人」を請け負うべきなのかなぁ」」
https://x.com/SakamotoVRChat/status/1793510115951444191
https://togetter.com/li/2299383
VR国勢調査という調査プロジェクトが国内最大規模のXR/メタバース専門メディアMogura VRのライターと自称炎上対策専門家によって炎上させられ、名称変更を余儀なくされた事件についてまとめてみる。
自分はVRや社会調査が専門ではないがPh.D.持ちの職業研究者で、VRChat歴は長くないが学術イベントに出入りしている。
自分はこの調査を先進的で意義のある内容だと考えている。膨大な労力がかかっているのに無償公開されており参照しやすい。VR国勢調査という名称はメタバースをリアルな国と対等な世界と見立てた良い名称だと思っていたので非常に残念だ。今現在世界最大の調査であり、自分はこの名前で全く違和感は無かった。
■登場人物
・浅田カズラ氏：Mogura VR編集部に参加しているフリーライター・編集者。ただし社員ではないらしい。
・おおつねまさふみ氏：株式会社MiTERU代表取締役。炎上対策専門家を名乗りながらいつも炎上の火種を撒いている。2017年頃からたびたびフォロワーをけしかけて炎上事件を起こしており、これに関してはヨッピー氏のブログが詳しい。以前はテレビにも出ていたようだが、悪評が広まってネットウォッチ界隈では相手にされなくなったのか、昨年からブームに便乗してメタバース炎上対策専門家を名乗ってVRChat界隈に出没するようになった。こういう輩がいるのは世の常だが、今回は権威のあるMoguraのライターと結託しているのでたちが悪い。
ttps://yoppymodel.hatenablog.com/entry/2019/12/20/182214
んで批判される方だってそうですよ。「炎上」って簡単には言うけれども、程度によってはその人の人生が破壊されかねないんですよ。殴る方も殴られる方も痛いのが炎上じゃないですか。そういう、リスクと責任を背負って当事者は炎上と向き合ってるのに、横からなんのリスクも責任も負わずに、「もっとやれ～！」って煽ってる人達は嫌いです。僕は自分からぶん殴りに行くことはあっても、煽ったりする事はそんなに無いです。たぶん。自分が刺される勇気も無いくせに、安全圏から石だけ投げて、あまつさえそれを自分のTwitterなりブログなりのネタにして銭コロをチャリンチャリン稼ぐっていう手法を快く思っていません。何が炎上対策専門家だよ。バ～～～～～カ！
・内輪に甘いから嫌い
まずこの人。古参有名サイト「ネタフル」管理人のコグレさん。2017年の時はまあ本筋と関係ないしって我慢してたんですけど、今回腹が立ったんで「あんたの所、他所からパクッてきただけの記事が大量にあるよね？それどうなん？」って直接ぶつけてみました。
ちなみにここでコグレさんが認めている通り、「ネタフル」にはどう見ても引用の範囲内とは思えない、どっかから引っ張ってきた写真や文章を使いつつネタ元を明記してない、つまりは「法律に定められた引用の要件を満たしてない」パクリ記事が大量にあります。あと「梅宮辰夫死去」みたいな記事もあって腰抜かすかと思ったわ。PV目当てオンリーのカス記事やん。広告もゴチャゴチャしてて読みづらいし何が「読者のため」だよ。ただの銭ゲバだろ。今必死こいて記事消してんのかな。知らんけど。
・ttps://note.com/nemchan_nel/n/ne0ebf797984c
・ttps://note.com/nemchan_nel/n/n167e77d78711
・2021年から行われている、VTuber/作家のバーチャル美少女ねむ氏とスイス・ジュネーブ大学の人類学者のリュドミラ・ブレディキナ氏が共同で実施している大規模アンケート調査プロジェクト。
・ソーシャルVRユーザーのライフスタイルについて広範な内容を詳しく調査しており、サンプル数も2000件と統計学上有意な数が揃っている。
・スピアマンの順位相関係数により各項目の相関関係を分析し、結果を可視化している。
・現実的にメタバースの現状を外部に説明するときにまともに使えるほぼ唯一の資料で、多数の論文にデータが引用されている。
・今回の炎上事件に便乗して項目が性的な内容に偏っているという指摘があったが、社会調査で性的な内容も聞くのは当たり前だ。人類文化の研究なので、参加者同士のつながりの強さを測る指標として恋愛やVR空間での性的な活動の頻度や経験数が入ることに違和感はない。ねむ氏は調査項目を公募しているし、そもそも私的調査なのだから、文句を言うなら別で調査をすればいいだけの話だ。
ttps://x.com/nemchan_nel/status/1721768324437340338
■名称について
・VR国勢調査という名称にした理由についてレポートで以下の通り説明されていた。
「※世界中の人が集まるソーシャルVR/メタバースは「国境のないひとつの国」になっていってほしい、という願いから日本語版については「VR国勢調査」と名付けました。日本政府によるものではなく、私共の私的調査になります。「国勢調査」という言葉を使っても統計法上特に問題ない旨、統計局に確認済みです。」
・浅田カズラ氏が参加しているMoguraでも普通に何度も引用されており、自分の知る限り今回の騒動が起こるまで名称が問題視されたことはなかった。
ttps://www.moguravr.com/babiniku-paper/
「ミラ氏は日本のVTuberやバ美肉などが人間のアイデンティティやコミュニケーションに与える可能性について着目し、これまでに様々な研究レポートを発表しています。また、VTuberのバーチャル美少女ねむ氏とともに「ソーシャルVR国勢調査2021」を実施しており、自身もアバターを介して活動の幅を広げています。」
・浅田カズラ氏も2021年からアンケート回答に協力しており国勢調査という名前を使って応援していた。
ttps://x.com/asada_kadura_vb/status/1429660864727056384
・国勢調査を名乗っている調査プロジェクトは先行事例が多数存在する。運営でない有志によるものも全数調査でないものも多数含まれており問題とされた事例は見当たらなかった。
ガンダム国勢調査 ttp://amazon.jp/dp/4063648125
テニプリ国勢調査 ttps://jumpsq.shueisha.co.jp/contents/sp_tennisnooujisama/
ゲーマー国勢調査 ttps://fpsjp.net/archives/416142
サイクリスト国勢調査 ttps://www.tour-de-nippon.jp/series/topics/5444/
ドラゴンクエストIX国勢調査 ttps://www.4gamer.net/games/072/G007233/20100219010/
■2023年11月6日、バーチャル美少女ねむ氏、リュドミラ・ブレディキナ氏がソーシャルVR国勢調査2023を発表。
・ttps://x.com/nemchan_nel/status/1721359591550918826
・ttps://x.com/BredikhinaL/status/1721442597074305315
■2023年11月7日、浅田カズラ氏がVR国勢調査の名称を問題視するブログを公開。誠実でない、大仰だ、n数が足りないとXで主張しはじめる。
・ttps://v-v-report.hatenablog.com/entry/social-vr-lifestyle-survey-2023-revue
・「「Lifestyle Survey（ライフスタイル調査）」という英題はまだ妥当だけど、これに「国勢調査（National Census）」という日本語をあてるのは、ちょっと乱暴かな～とも思った。法的な話ではなく、ことばの持つ意味と力の話。」
・ttps://x.com/asada_kadura_vb/status/1721886864171573724
・「誠実でない」
・「いまの5倍のn数はあってやっと背負える」
■2023年11月7日、おおつねまさふみ氏が「大袈裟」「釣り」とXでフォロワーを扇動しはじめる。浅田カズラ氏がこれを次々とリポスト。擁護する意見は引用ポストで封じ込める。
・ttps://twitter.com/otsune/status/1721767903366967371
・「「大袈裟なタイトルで偏った主張しないで」と思った人は、自説を負けずにアピールする事で対抗したり他者の言論の指摘をするのが正しい行動と言えます。」
・ttps://twitter.com/otsune/status/1722155567249342925
・「騒動の論点は「英語版ではLifestyle surveyと穏便に書いてるのに日本語版で"国勢調査"って大袈裟に書くのはどうなの」というタイトル釣り部分なので、その釣り要素が改められない限り批判は止まらないと思います。」
■2023年11月9日、浅田カズラ氏とおおつねまさふみ氏がお互いに引用ポストしながら、有名税だ、開き直るな、スパム業者や迷惑系配信者とおなじだ、とXで主張。調査と関係ないねむ氏への誹謗中傷も多数投稿され、完全に炎上状態となる。
・ttps://x.com/asada_kadura_vb/status/1722305944485576938
・「いわゆる有名税ですな。」
・ttps://x.com/otsune/status/1722421141208481897
・「「（メタバース世界について）代表してない」を主張するのなら「じゃあ国勢調査という大袈裟な表現はやめて」となるだけ。
都合の良い時だけ「そんなこと言ってない」と開き直らないで、となる話だと思った。」
・ttps://x.com/otsune/status/1722430965354733600
・「スパム業者や迷惑系配信者とおなじ手口のタイトル釣りをしたのに「みずからそうとは名乗ってないのでそういう言い方をしないで」と言い張っても通用しないのと同じ。」
■2023年11月9日、バーチャル美少女ねむ氏が名称変更についてお詫びをXで発表。
・ttps://x.com/nemchan_nel/status/1722554946338668635
【お詫び】「ソーシャルVR国勢調査2023」の名称変更について
2023年11月6日に私共が公開したレポート「ソーシャルVR国勢調査2023」（ハッシュタグ : #VR国勢調査 ）の日本語名称について、SNSや読後アンケートで以下のような意見を複数頂いています。
・私的な調査プロジェクトであるにも関わらず、政府の「国勢調査」を用いるのは不適切ではないか
・公開アンケート方式にも関わらず、全数調査である「国勢調査」を用いるのは紛らわしいのではないか
名称については、以下の理由により現在のものを採用しておりました。
・2年前に実施した「ソーシャルVR国勢調査2021」でも、配布サイト上でネーミングの理由を説明し一部から好評を頂いており、読後アンケートでも指摘がなかったこと
・「●●国勢調査」というネーミングで既にMMOやソーシャルゲーム等で多数使われていたこと
・「国勢調査」という言葉を使っても統計法上問題ない旨、統計局に確認していたこと
しかしながら、皆さんのご意見と、レポートの注目度が我々の当初の想定を大きく超えてしまったこと等から、現在では不適当と判断し、名称を変更致します。
新名称については、既存の他調査と被らないこと、語感・わかりやすさ・覚えやすさなどを考慮し
「ソーシャルVRライフスタイル調査2023」（ハッシュタグ : #VRライフスタイル調査 ）
とさせて頂きます。
（英語名称については「Social VR Lifestyle Survey 2023」のままとさせて頂きます）
たくさんの方に回答・拡散協力頂いたプロジェクトにも関わらず、誤解を招くような表現を使ってしまったこと、不快感・ご心配をおかけしてしまったこと、大変申し訳ありませんでした。
■2023年11月13日、浅田カズラ氏がVRChatで撮ったおおつねまさふみ氏の写真をXに投稿。VRChatでふたりでねむ氏を燃やしてやったと大爆笑していた。自分も掲示板に書き込みをしていた人から直接聞いたが胸糞悪い内容だった。
・ttps://x.com/asada_kadura_vb/status/1724052464561701021
・「おっきいほうおおつねさん」
・ttps://suki-kira.com/people/result/%E3%83%90%E3%83%BC%E3%83%81%E3%83%A3%E3%83%AB%E7%BE%8E%E5%B0%91%E5%A5%B3%E3%81%AD%E3%82%80
・「フレンドに聞いたけど、VRChatでふたりでねむ燃やしてやったって大爆笑してたらしい。マジで胸糞悪い。身勝手な正義で周りを陥れるライターと炎上対策界隈から消えて欲しい」
・「俺もこれ聞いてました。本当に胸糞悪い連中です」
■今後について
・VR国勢調査という名称には法的にも倫理的にも問題はなかった。意義のある調査プロジェクトの名称に難癖を付け、炎上させて名前を変えさせたのは悪質な言葉狩りである。
・公的な影響力のあるメディアのライターが炎上屋と結託して騒ぎを起こしている現状は大きな問題であり、こんな連中がいる限りVR界隈の未来は暗い。
・非難を避ける為に軽々に名称を変更したねむ氏にも苦言を呈したい。炎上で一方的な意見がまかり通るというお墨付きをこの連中に与えてしまった。
・この連中は他にもVR界隈で炎上事件を起こしているので今後それらについてもまとめていく。
・このブログの著作権は放棄するのでどんどん転載してこのことを少しでも広めてほしい。
https://x.com/SakamotoVRChat/status/1793505446017573041