Top 5 This Week

関連記事

幾何平均と調和平均:比率や成長率をまとめる場面

- 本サイト運営者のサービスの紹介 -
Dr.データサイエンス|医療統計解析の代行・相談

ある投資が1年目に50%増え、2年目に50%減った場合、2つの変化率を足して2で割ると平均は0%になりますが、元本100は150を経て75まで減っています。同じ食い違いは、往路と復路で速さが異なる移動の平均速度や、右に長い裾を持つ濃度データの代表値でも起こり、算術平均が「平均したい量」と一致しない場面は統計の実務で珍しくありません。

この食い違いは、どの量を一定に保った時の平均なのかを決めないまま、足し算の平均を当てはめたことから生じます。成長率や倍率は掛け算で積み重なり、速度や単価は分母側の量を揃えた時に意味を持つため、それぞれに合う平均の取り方があります。

平均したい量で3種類の平均が決まる

扱うデータの尺度は【医療統計版】データの種類:連続・順序・名義をどう見分けるかで説明した見分け方で先に確かめておき、ここでは正の値 $x_1, \dots, x_n$ に対して、よく使われる3つの平均を次のように定義します。

$$\bar{x}_{\mathrm{A}} = \frac{1}{n}\sum_{i=1}^{n} x_i \tag{1}$$

式(1)は算術平均で、$n$個の値を足し合わせた合計を個数で割った値です。合計が意味を持つ量、たとえば体重や得点のように値を足し合わせて全体を表せる量では、この平均が自然な代表値になります。

$$\bar{x}_{\mathrm{G}} = \left(\prod_{i=1}^{n} x_i\right)^{1/n} = \exp\left(\frac{1}{n}\sum_{i=1}^{n}\log x_i\right) \tag{2}$$

式(2)は幾何平均で、$n$個の値を掛け合わせた積の $n$ 乗根、言い換えると対数をとった値の算術平均を元の尺度へ戻したものです。そのため、同じ倍率を $n$ 回掛けると実際の積に一致する値として読め、掛け算で積み重なる量に向いています。

$$\bar{x}_{\mathrm{H}} = \left(\frac{1}{n}\sum_{i=1}^{n}\frac{1}{x_i}\right)^{-1} \tag{3}$$

式(3)は調和平均で、逆数の算術平均をもう一度逆数に戻した値です。逆数をとる操作は、時速を「1kmあたりの所要時間」に読み替えるように分子と分母を入れ替えることに当たり、分子側の量(距離や金額)を揃えて比を平均したい時に、この形が現れます。

値を足し合わせた合計、掛け合わせた積、逆数の合計のどれを保ちたいかを先に定めれば、使う平均は自動的に決まります。この3つの式を並べると、どれが正しい平均かを決めるのは、式の形よりもデータが表す量の意味だと分かります。

成長率や倍率は幾何平均でまとめる

冒頭の+50%と−50%の例を倍率で書き直すと、1.5と0.5になります。この2つの算術平均は1.0で「平均すると増減なし」と読めますが、幾何平均は $\sqrt{1.5 \times 0.5} \approx 0.866$ で、毎年約13.4%ずつ減った場合と同じ2年後の値(75)を与えます。

さらに、もう少し現実的な系列として、年率の平均5%、標準偏差15%で乱数を生成した10年分の成長倍率を用意しました。この10年分の倍率から2種類の平均を求め、それぞれで10年間複利計算した最終値を実際の最終値と比べました。

set.seed(42)
# 10年分の年間成長倍率(平均5%、標準偏差15%)
growth_ratio <- 1 + rnorm(10, mean = 0.05, sd = 0.15)
am_ratio <- mean(growth_ratio)
gm_ratio <- exp(mean(log(growth_ratio)))
round(c(arithmetic = am_ratio, geometric = gm_ratio), 4)
round(c(actual = 100 * prod(growth_ratio), by_am = 100 * am_ratio^10,
        by_gm = 100 * gm_ratio^10), 2)
# +50%と-50%の2年
half_ratio <- c(1.5, 0.5)
c(arithmetic = mean(half_ratio), geometric = exp(mean(log(half_ratio))))
#> arithmetic  geometric
#>     1.1321     1.1260
#> actual  by_am  by_gm
#> 327.69 345.80 327.69
#> arithmetic  geometric
#>  1.0000000  0.8660254 

この出力を見ると、算術平均の倍率は1.132、幾何平均の倍率は1.126で、差は小さく見えます。ところが100から始めて10年間複利で積み上げると、幾何平均を使った値は実際の最終値327.7と一致する一方、算術平均を使った値は345.8となり、18.11だけ過大になりました。

この過大評価の向きは、正の値では算術平均が常に幾何平均以上になるという不等式から導かれます。したがって、過去の成長率を要約して「年平均で何%伸びたか」を報告する場面では幾何平均を使い、算術平均の成長率で複利計算して最終値を見積もる使い方はしません。

years <- 0:10
actual_path <- 100 * c(1, cumprod(growth_ratio))
plot(years, actual_path, type = "b", pch = 19, ylim = range(actual_path, 100 * am_ratio^years),
     xlab = "Year", ylab = "Value (start = 100)", main = "Compounding with arithmetic vs geometric mean")
lines(years, 100 * am_ratio^years, lty = 2, col = "firebrick", lwd = 2)
lines(years, 100 * gm_ratio^years, lty = 3, col = "steelblue", lwd = 2)
legend("topleft", legend = c("Actual", "Arithmetic mean ratio", "Geometric mean ratio"),
       lty = c(1, 2, 3), col = c("black", "firebrick", "steelblue"), pch = c(19, NA, NA), bty = "n")
10年間の実際の値の推移と、算術平均の倍率および幾何平均の倍率で複利計算した線を重ねた図です。幾何平均の線は10年目に実際の値と一致し、算術平均の線は上に外れています。
図1 100から始めた10年間の値の推移です。点線(幾何平均の倍率)は10年目に実際の値327.7と重なり、破線(算術平均の倍率)は345.8まで上に外れています。

もっとも、算術平均の成長率に用途がないとは言えません。Jacquierら(2003)は、将来の1期間の期待収益率を見積もる目的では算術平均が不偏に近く、長い期間の複利を予測する時には幾何平均側へ寄せる必要があることを論じており、過去の実績を要約するのか将来の期待値を推定するのかで、適切な平均は変わります。

速度や単価は調和平均でまとめる

片道60kmを往路は時速40km、復路は時速60kmで移動した場合、往路に1.5時間、復路に1時間かかり、往復120kmを2.5時間で移動したことになります。このため実際の平均速度は時速48kmで、2つの速度を単純に足して2で割った時速50kmとは一致しません。

# 片道60kmを往路40km/h、復路60km/h
speed_kmh <- c(40, 60)
c(true = 120 / sum(60 / speed_kmh), arithmetic = mean(speed_kmh),
  harmonic = 1 / mean(1 / speed_kmh))
#>       true arithmetic   harmonic
#>         48         50         48 

この出力では、総距離を総時間で割った値と調和平均がどちらも48になり、算術平均の50だけが外れています。遅い往路に時間を多く使うため、時間で重みを付けた平均は遅い側へ引き寄せられ、各区間を同じ重みで扱う算術平均は平均速度を過大に見積もります。

また、同じ構造は、一定の金額で毎月購入した時の平均購入単価や、一定数の処理にかかった時間から求める処理速度でも現れます。分子と分母のどちらを揃えたデータなのかで答えが変わり、往路と復路を同じ時間ずつ走った場合には時間が揃っているので、速度の算術平均がそのまま平均速度になります。

たとえば毎月1万円ずつ購入し、単価が100円の月と200円の月があったとすると、購入数は100個と50個で、2万円を150個で割った平均購入単価は約133円です。単価の算術平均150円はこれより高く、金額を揃えた購入では調和平均 $2/(1/100+1/200) \approx 133$ 円が実際の平均購入単価に一致します。

この例は金額や距離が区間ごとに等しい場合で、区間ごとに距離が異なる場合は、距離を重みにした加重調和平均が総距離を総時間で割った値に一致します。どの量で重みを付けるかも、何を揃えたデータかという同じ問いから決まります。

3つの平均の大小と右に裾の長い分布

正の値だけからなるデータでは、値がどれも等しい場合を除いて次の大小関係が成り立ちます。

$$\bar{x}_{\mathrm{A}} \ge \bar{x}_{\mathrm{G}} \ge \bar{x}_{\mathrm{H}} \tag{4}$$

式(4)は、算術平均が最も大きく、調和平均が最も小さく、幾何平均がその間に入ることを表しています。値のばらつきが大きいほど3つの差は広がるため、ばらつきの小さいデータでは3つがほぼ同じ値になり、どれを使っても結論はほとんど変わらず、逆に後で見る対数正規分布の例では、算術平均が調和平均の2倍以上になります。

この差が大きく開く典型は、対数をとると正規分布に近づく対数正規分布です。Limpertら(2001)は、物質の濃度、潜伏期間、生物の大きさなど自然科学の多くの量がこの形に近いことを示し、その代表値として幾何平均を、ばらつきとして幾何標準偏差(対数尺度の標準偏差を指数に戻した倍率)を使うことを論じています。

実際に、対数尺度の平均3、標準偏差1の対数正規分布から200個の値を生成しました。この分布の真の中央値は $e^{3} \approx 20.09$、真の平均は $e^{3.5} \approx 33.12$ で、右の裾に引っ張られて平均が中央値より大きくなる形をしています。

# 対数正規分布から200個
lognormal_values <- rlnorm(200, meanlog = 3, sdlog = 1)
three_means <- c(arithmetic = mean(lognormal_values),
                 geometric = exp(mean(log(lognormal_values))),
                 harmonic = 1 / mean(1 / lognormal_values))
round(three_means, 2)
round(median(lognormal_values), 2)
round(as.numeric(exp(t.test(log(lognormal_values))$conf.int)), 2)
round(exp(sd(log(lognormal_values))), 2)
#> arithmetic  geometric   harmonic
#>      29.88      18.68      11.35
#> [1] 19.17
#> [1] 16.28 21.43
#> [1] 2.68

この出力では、算術平均29.88、幾何平均18.68、調和平均11.35と、式(4)の順に並びました。標本の中央値は19.17で幾何平均はこれに近く、対数正規分布では幾何平均が中央値 $e^{\mu}$ を推定する量になることと整合しています。

対数尺度で求めた平均の95%信頼区間を元の尺度へ戻すと、幾何平均の95%信頼区間は16.28から21.43でした。この区間は真の中央値20.09を含んでいますが、真の平均33.12は含んでおらず、幾何平均と算術平均が推定している量そのものが異なることが分かります。

同じデータで対数尺度の標準偏差を指数に戻した幾何標準偏差は2.68でした。幾何平均18.68を2.68で割った値から2.68を掛けた値までの範囲は、対数尺度での平均±1標準偏差を元の尺度へ戻した範囲に当たり、対数正規分布ではおよそ68%の値がこの中に入るため、Limpertら(2001)はこれを「幾何平均 ×/÷ 幾何標準偏差」と倍率で書く表記を提案しています。

hist(lognormal_values, breaks = 40, col = "grey85", border = "white",
     main = "Lognormal sample (n = 200) with three means", xlab = "Value")
abline(v = three_means, col = c("firebrick", "steelblue", "darkgreen"),
       lty = c(1, 2, 4), lwd = 2)
legend("topright", legend = c("Arithmetic", "Geometric", "Harmonic"), bty = "n",
       col = c("firebrick", "steelblue", "darkgreen"), lty = c(1, 2, 4), lwd = 2)
対数正規分布から生成した200個の値のヒストグラムに、算術平均、幾何平均、調和平均の位置を縦線で重ねた図です。分布は右に長い裾を持ち、算術平均が最も右、調和平均が最も左にあります。
図2 対数正規分布から生成した200個の値の分布と3つの平均の位置です。幾何平均(破線)は分布の山の中心付近にあり、算術平均(実線)は右の裾に引かれて大きく、調和平均(一点鎖線)は小さい値の影響を受けて左に寄っています。

この図2を見ると、算術平均の線は分布の山から右に離れた位置にあり、多くの観測値よりも大きな値を「平均的な値」としています。そのため、右に裾の長い正の値のデータで典型的な水準を伝えたい場合には、算術平均だけを報告するより、幾何平均と幾何標準偏差、または中央値を添える方が分布の中心を正しく伝えられます。

0や負の値を含むデータでの限界

式(2)は対数をとる計算を含むため、0や負の値が1つでも入ると幾何平均は定義できなくなります。0を含む3つの値と、負の値を含む3つの値で幾何平均を求めると、次のようになります。

# 0や負の値を含む場合
c(with_zero = exp(mean(log(c(0, 2, 8)))), with_negative = exp(mean(log(c(-1, 2, 8)))))
#>     with_zero with_negative
#>             0           NaN
#> Warning message:
#> In log(c(-1, 2, 8)) : NaNs produced

実際、0を含む場合は他の値が2と8であっても結果が0になり、残りの値の情報が失われ、負の値を含む場合は数値として計算できません。調和平均も0を含むと逆数が発散するため、この2つの平均は正の値だけからなるデータに限って使える要約です。

この制約に対して、どの値にも1などの定数を足してから対数をとる処理が使われることがありますが、足す定数の大きさによって幾何平均の値が変わり、元の尺度での解釈も失われます。そのため、検出限界未満の測定値や前年比がマイナスになる変化量のように0や負の値が本質的に含まれるデータでは、定数を足して無理に幾何平均を計算するより、中央値や別の要約を選ぶ方が解釈を保てます。

一方、成長率のように負の値を取りうる量でも、冒頭の例のように倍率(1に成長率を足した値)に直せば正の値になるので、幾何平均は計算できます。倍率が0以下になるのは100%以上減った場合に限られるため、成長率の要約で幾何平均が使えなくなるのは、元の値が0まで落ちる期間を含む場合です。

論文や報告書ではどう扱われているか

BlandとAltman(1996a)は、右に裾の長い測定値を対数変換して解析する場面について、対数変換したデータの平均を元の尺度へ戻した値が幾何平均になること、またその信頼区間も同じ手順で元の尺度へ戻せることを解説しています。

さらに、2群を比較する場面について、BlandとAltman(1996b)は、対数尺度での平均の差を指数に戻すと幾何平均の比になり、群間の結果は幾何平均の比として解釈することを解説しています。そのため、幾何平均を報告する論文では、対数変換したことと、群間の結果を幾何平均の比として示したことを方法の欄で明記しておく必要があり、たとえば比が1.2なら、一方の群の典型的な値が他方より約2割高いという読み方になります。

なお、比率の平均については、計算機の性能評価という別分野でも同じ議論があります。FlemingとWallace(1986)は、基準機との速度比で表した複数のベンチマーク結果を算術平均で要約すると、どの機械を基準にするかで順位が入れ替わることを報告し、正規化した比の要約には幾何平均を使うべきだと論じました。

平均を選ぶ時の判断

使う平均を選ぶ時は、合計、積、逆数の合計のどれを保ちたいかに加えて、過去の実績を要約するのか将来の期待値を見積もるのか、分子と分母のどちらを揃えたデータなのかを確かめます。この確認を省いて平均値の数値だけから結論を出すと、冒頭の投資の例のように、実際には元本が減っているのに増減なしと読み違えます。

そのうえで、典型的な水準を伝える場面では分布の形も判断に加わり、正の値で右に裾の長い濃度や抗体価のデータでは、幾何平均と幾何標準偏差を報告し、比較の結果は幾何平均の比として示すと、読み手が分布の中心と効果の大きさを取り違えにくくなります。一方、0や負の値を含むデータに幾何平均や調和平均を当てはめる場面では、計算できるように加工する前に、その要約が平均したい量を表しているかを確かめる必要があります。

参考文献

  1. Fleming PJ, Wallace JJ. How not to lie with statistics: the correct way to summarize benchmark results. Communications of the ACM. 1986;29(3):218-221.
  2. Limpert E, Stahel WA, Abbt M. Log-normal distributions across the sciences: keys and clues. BioScience. 2001;51(5):341-352.
  3. Bland JM, Altman DG. Transforming data. BMJ. 1996;312:770.(本文中の1996a)
  4. Bland JM, Altman DG. The use of transformation when comparing two means. BMJ. 1996;312:1153.(本文中の1996b)
  5. Jacquier E, Kane A, Marcus AJ. Geometric or arithmetic mean: a reconsideration. Financial Analysts Journal. 2003;59(6):46-53.

Popular Articles