データ分析

分析手法

【2025年最新】線形回帰分析とは？データで未来を予測する基本手法を解説

2025/05/26 2025/05/16

データドリブンな意思決定が求められる現代、過去のデータを使って未来を予測する手法として「線形回帰分析」が注目されています。売上予測や価格予測など、ビジネスのあらゆる場面で活用されているこの手法は、統計分析の入門としても最適です。本記事では、線形回帰分析の基本から、実務への活用方法、実装のポイントまでを詳しく解説します。

分析結果が山ほどあるのに、成果につながらない…その原因とは？

分析手法やレポートだけが増え、作業時間ばかりが膨らんでいる
“数字を見ているだけ”で、現場も成果も変わっていない
実は、“見るべき数字を絞っただけ”で売上が伸びた企業もあります

プロが教える、“本当にやるべき分析”と“見るべき指標”を聞いてみませんか？もっと詳しく知りたい方は、こちらをご覧ください。

1 線形回帰分析の定義と基本概念
2 単回帰分析と重回帰分析の違い
3 線形回帰分析の前提条件と注意点
4 最小二乗法による回帰直線の算出方法
5 モデル評価指標：決定係数と多重共線性
6 線形回帰におけるハイパーパラメータとその調整
7 線形回帰の活用事例
8 線形回帰分析におけるよくある質問
9 まとめ

線形回帰分析の定義と基本概念

線形回帰分析とは、目的変数（従属変数）と説明変数（独立変数）の間の関係を「直線」で表す統計手法です。データがどのように関係しているかを数式で表現し、将来の値を予測するために用いられます。例えば、「広告費が増えると売上が伸びる」といった関係性を数式に落とし込むことで、広告予算の最適化に役立てることが可能です。この手法は、単純でありながらも非常に強力で、ビジネス分析やマーケティング、社会調査など、幅広い分野で使われています。

単回帰分析と重回帰分析の違い

単回帰分析

1つの説明変数から目的変数を予測するモデルです。たとえば「気温（説明変数）」から「アイスの売上（目的変数）」を予測するようなシンプルな関係に適しています。変数同士の明確な相関関係を探る際や、影響の大きさを定量的に把握したい場合に有効です。

重回帰分析

複数の説明変数を用いて目的変数を予測します。カフェの売上を予測する際に、「天気」「曜日」「駅からの距離」など複数の要因を加味することで、精度の高い予測が可能になります。実務では複数の要因が売上や需要に影響を与えることが多いため、重回帰分析の方が実用的なケースが多くなります。

線形回帰分析の前提条件と注意点

信頼性の高い線形回帰モデルを構築するには、いくつかの統計的な前提条件を確認することが不可欠です。以下の項目を事前に満たしているかをチェックすることで、分析結果の信頼性と解釈の正確性を高めることができます。

線形性の仮定：目的変数と説明変数の関係が直線的である必要があります。散布図を描いて視覚的に確認したり、残差プロットでチェックすることが一般的です。
誤差の独立性：各データポイントにおける残差（予測値と実測値の差）が互いに独立であることが求められます。時系列データの場合は特に注意が必要です。
誤差の正規性：残差が正規分布に従うことが望まれます。これは主に推定値の信頼区間や仮説検定の正確性に関わるため、ヒストグラムやQ-Qプロットで確認します。
分散の等質性（ホモスケダスティシティ）：残差の分散がすべての説明変数に対して一定である必要があります。これが満たされないと、回帰係数の信頼性が損なわれます。

これらの前提条件を満たしていない場合、モデルの解釈や予測精度が著しく低下する可能性があります。そのため、分析に入る前に必ず前処理と診断を行い、必要に応じてデータの変換や変数の見直しを検討することが重要です。

最小二乗法による回帰直線の算出方法

線形回帰では、最小二乗法（OLS：Ordinary Least Squares）を用いて回帰直線を求めます。これは、実際の値と予測値の差（残差）の二乗和が最小になるように、切片と傾きを決定する方法です。グラフ上で見ると、データの中心を通る最も自然な直線が得られます。

この回帰直線の算出は、数学的には行列計算や微分を用いて導かれますが、実際にはExcelやGoogleスプレッドシートなどの表計算ソフトでも簡単に実行可能です。散布図を作成し、「近似曲線の追加」機能を使うことで、自動的に回帰直線を描画し、傾きや切片、決定係数を表示させることができます。

手計算に頼らずとも、ツールを活用することで誰でも線形回帰の基本的な分析を実施できるようになります。

モデル評価指標：決定係数と多重共線性

決定係数（R²）

モデルの予測力を示す指標で、0〜1の範囲で評価されます。1に近いほど、説明変数が目的変数をよく説明できていることを意味します。たとえば、R²が0.85であれば、目的変数の変動のうち85%が説明変数によって説明されていることになります。逆に、R²が極端に低い場合は、モデルに含まれる変数が目的変数にあまり影響を与えていない可能性があります。

多重共線性

複数の説明変数が強く相関している状態を指します。この状態では、どの変数が本当に目的変数に影響しているのかが不明確になり、予測精度やモデルの信頼性が低下します。具体的には、回帰係数の推定値が不安定になり、モデルの解釈が難しくなります。VIF（分散膨張係数）などの指標でチェックするのが一般的で、一般にVIFが10を超える場合は多重共線性の可能性が高いとされます。

線形回帰におけるハイパーパラメータとその調整

通常の線形回帰には明確なハイパーパラメータは存在しませんが、過学習への対応や汎化性能の向上を図るために、正則化を取り入れた手法が多く用いられています。その際には、以下のようなパラメータの設定が重要になります。

・リッジ回帰（L2正則化）：すべての回帰係数を小さく抑えることで、過学習を防ぎ、モデルの安定性を高めます。連続的に影響する変数が多い場合に有効です。

・ラッソ回帰（L1正則化）：一部の回帰係数をゼロにすることで、自動的に重要な変数を選択します。変数選定とモデルの簡素化を同時に行える点が特徴です。

これらの手法を用いる場合、正則化の強さを決定するハイパーパラメータ（一般に「α」や「λ」と表記）を適切に調整する必要があります。

最適な値を見つけるには、グリッドサーチや交差検証（クロスバリデーション）といった方法が有効です。これらの手法を組み合わせることで、モデルの汎化性能と予測精度のバランスを最適化することが可能です。

線形回帰の活用事例

広告戦略の最適化

広告費と売上の関係をモデル化することで、広告予算の最適な配分が可能になります。オンライン広告とオフライン広告を分けて分析すれば、チャネルごとの効果検証も実現できます。

不動産の価格予測モデル

広さ、築年数、駅からの距離、周辺施設の有無といった複数の変数を使って物件価格を予測します。これにより不動産査定業務の標準化や、投資判断のサポートが可能になります。

製造業における設備管理の効率化

設備の稼働時間、使用頻度、温度変化などのデータから故障の発生リスクを予測。予防保全のスケジューリングやダウンタイムの削減に役立ちます。

線形回帰分析におけるよくある質問

線形回帰分析とは何ですか？

線形回帰分析とは、ある目的変数（従属変数）と複数の説明変数（独立変数）との関係性を「直線」で表現し、その関係をモデル化する統計手法です。たとえば、広告費（説明変数）と売上（目的変数）のような関係を分析し、「広告費が増えると売上がどのくらい増えるのか？」を数式で表すことができます。予測や因果関係の検討に役立ちます。

線形回帰の目的は？

線形回帰の主な目的は次の2つです。

関係性の把握：どの変数が目的変数に影響しているのかを定量的に理解するため。
将来予測：既存のデータから得られた回帰式を使って、未来の値を予測するため。

これにより、データに基づいた意思決定や戦略立案が可能になります。

重回帰と線形回帰の違いは？

「線形回帰分析」は1つの説明変数で予測する「単回帰分析」と、複数の説明変数を用いる「重回帰分析」の総称です。具体的には次のように違います。

分類	説明変数の数	例
単回帰分析	1	売上 = a × 広告費 + b
重回帰分析	2つ以上	売上 = a1 × 広告費 + a2 × 店舗数 + b

つまり、重回帰分析は線形回帰の一種で、より多くの要因を同時に扱えるのが特徴です。

ロジスティック回帰分析と線形回帰分析の違いは何ですか？

線形回帰とロジスティック回帰は、目的変数の種類が大きく異なります。

比較項目	線形回帰分析	ロジスティック回帰分析
目的変数の型	連続値（数値）	離散値（二値：例「購入する or しない」）
出力の形式	実数値	確率（0〜1）
主な用途	売上予測、金額推定など	顧客の行動予測、分類問題（スパムか否かなど）

たとえば、「ユーザーが購買するか否か」といった分類問題では、ロジスティック回帰が適しています。

まとめ

線形回帰分析は、データに基づいて物事を予測・評価するための基本でありながら強力な手法です。シンプルなモデル構造と高い解釈性を持ち、多くのビジネス課題に応用できます。ただし、前提条件や指標の正しい理解が欠かせません。データ分析やマーケティングを学ぶうえで、まず線形回帰から習得することで、応用力のある知識が身につくでしょう。