Wald検定計算機 - 統計的有意性
Wald検定でパラメータ推定値が統計的に有意かを判定します。β̂、β₀、SE、αを入力するとすぐに結果が得られます。
パラメータ推定値、仮説値、標準誤差、有意水準を入力してください。計算機はWald統計量、zスコア、p値、判定を返します。
Wald検定計算機 - 統計的有意性
Wald検定でパラメータ推定値が統計的に有意かを判定します。β̂、β₀、SE、αを入力するとすぐに結果が得られます。
Wald検定計算機について
Wald検定は、統計学者Abraham Waldにちなんで名付けられたパラメトリックな統計検定です。最尤推定における古典的な3つの仮説検定の1つで、ほかに尤度比検定とスコア（ラグランジュ乗数）検定があります。Wald検定は、推定値そのものとその標準誤差だけを必要とし、どちらも統計ソフトウェアで通常報告されるため、完全な尤度関数を必要とせず、最もよく使われています。
Wald検定の考え方は直感的です。パラメータ推定値 β̂ が、その精度（標準誤差 SE で測定）に対して仮説値 β₀ から大きく離れていれば、帰無仮説 H₀: β = β₀ は成り立ちにくいと考えます。Wald統計量は W = ((β̂ − β₀) / SE)² で、これはzスコアの二乗です。帰無仮説の下で十分に大きな標本がある場合、Wは自由度1のカイ二乗分布に従います。同等に、符号付きzスコア z = (β̂ − β₀) / SE は標準正規分布に従うため、両側p値は 2 · (1 − Φ(|z|)) です。ここで Φ は標準正規分布の累積分布関数です。
p値は次の問いに答えます。帰無仮説が真であるとしたら、実際に計算された検定統計量と同じかそれ以上に極端な値を観測する確率はどれくらいか。小さいp値（通常は有意水準 α 未満で、しばしば0.05または0.01に設定）は、H₀に反する証拠となります。p < α の場合、結果は統計的に有意と呼ばれ、帰無仮説を棄却します。p ≥ α の場合は棄却しません。これはパラメータが β₀ と異なると結論づける十分な証拠がないという意味であり、H₀が真であることを意味するわけではありません。
Wald検定は応用統計で広く使われています。線形回帰やロジスティック回帰では、各係数について報告されるt統計量は本質的にWaldのzスコアであり、対応するp値は各係数がゼロと有意に異なるかを検定します。計量経済学では、Wald検定は複数の係数に関する同時仮説を検定するために使われます（行列代数による拡張）。生存分析では、共変量がハザード率を有意に予測するかを検定します。遺伝学では、ゲノムワイド関連解析で数百万の一塩基多型を検定するためにWald型統計量が使われます。
Wald検定の既知の限界は、パラメータの表現方法によって異なる結果を生むことがある点です。これは、検定が尤度の局所的な二次近似に依存しているためです。小標本では、より正確な尤度比検定が好まれることがよくあります。Wald検定は、標本サイズが大きく、推定値が近似的に正規分布し（すなわち漸近条件が成り立ち）、標準誤差が適切に推定されている場合に最も信頼できます。
Wald検定の例
経済学、医学、一般統計からの3つの現実的なシナリオで、Wald検定の使い方を示します。
| 入力 | 判定 | 詳細 |
|---|---|---|
| β̂=2.5, β₀=0, SE=1.1, α=0.05 | H₀を棄却 | z = 2.27, W = 5.17, p ≈ 0.023。推定値はゼロから2標準誤差を超えて離れているため、α = 0.05 で帰無仮説を棄却します。 |
| β̂=0.08, β₀=0, SE=0.02, α=0.05 | H₀を棄却 | 教育係数: z = 4.0, p < 0.001。教育年数が1年増えることは、賃金に対して高度に有意な非ゼロ効果を持ちます。 |
| β̂=−0.5, β₀=0, SE=0.2, α=0.01 | H₀を棄却しない | 厳格な α=0.01 での薬効: z = −2.5, p ≈ 0.012。この効果は α=0.05 では有意ですが、より厳しい1%のしきい値では有意ではありません。 |
Wald検定計算機の使い方
- 回帰出力または統計モデルから得たパラメータ推定値 β̂ を入力します。
- 仮説値 β₀ を入力します。係数がゼロでないかを検定する場合は通常0です。
- 同じ統計出力に報告されている推定値の標準誤差 SE を入力します。
- 有意水準 α を設定します。従来の5%しきい値には0.05、より厳しい1%しきい値には0.01を使用します。
- 計算をクリックすると、Wald統計量、zスコア、両側p値、棄却または非棄却の判定が得られます。
Wald検定のFAQ
Wald検定は何を測定しますか？
Wald検定は、パラメータ推定値が仮説値からどれだけ離れているかを標準誤差の単位で測定します。与えられた有意水準で、その距離が真のパラメータは仮説値と異なると結論づけるのに十分大きいかを検定します。
Wald検定とt検定の違いは何ですか？
大標本では両者は本質的に同等です。どちらも推定値を標準誤差の単位で帰無値と比較します。主な違いは、t検定が分散推定の不確実性を考慮するt分布を使うのに対し、Wald検定は正規分布を使うため、大標本に適した漸近検定である点です。
帰無仮説が通常 β₀ = 0 なのはなぜですか？
ゼロに対する検定は、予測変数に何らかの効果があるかを問うものです。回帰では係数がゼロであれば、その変数は無関係であることを意味します。β₀ = 0 が最も一般的ですが、任意の値に対して検定できます。たとえば、パラメータが1や−0.5など理論的に予測された値に等しいかを確認できます。
H₀を棄却しないとはどういう意味ですか？
H₀を棄却しないとは、パラメータが仮説値と異なると結論づける十分な証拠がデータから得られないという意味です。H₀が真であることを証明するものではありません。結果は実際に効果がゼロであることを示している場合もあれば、標本が小さい、または標準誤差が大きいために統計的検出力が不足している場合もあります。
いつ尤度比検定を使うべきですか？
標本サイズが小さい場合、パラメータが許容範囲の境界付近にある場合、またはWald検定の結果が選択したパラメータ化に大きく依存する場合は、尤度比検定が好まれます。大標本で推定値が滑らかに分布している場合、Wald検定と尤度比検定はほぼ同じp値を与えます。
どの有意水準を使うべきですか？
従来のしきい値は α = 0.05（5%）で、真の帰無仮説を誤って棄却する確率を5%受け入れることを意味します。医療機器の承認、ゲノミクス、物理学などより厳しい要件では、α = 0.01 または0.001が使われます。探索的研究では α = 0.10 が認められることもあります。この選択はデータを見る前に行うべきです。