有意水準とは？p値との違いや0.05を基準にする理由をわかりやすく解説

はじめに

統計的仮説検定を実施すると、「p＜0.05のため有意差あり」という表現をよく目にします。

t検定、分散分析（ANOVA）、χ二乗検定など、多くの統計手法ではp値を計算し、その値を基準として統計的な差の有無を判断します。

しかしその一方で、「なぜ0.05なのか？」「0.05より小さいと何を意味しているのか？」を正しく説明できるでしょうか。

この”0.05″という判断基準が有意水準（significance level：α）です。

有意水準を理解することで、単にExcelや統計ソフトから出力されたp値を見るだけではなく、検定結果を正しく解釈できるようになります。

本記事では、

・有意水準αとは何か
・なぜ0.05がよく使われるのか
・第1種の過誤・第2種の過誤との関係

について、初心者にもわかりやすく解説します。
(統計初心者から中級者に向けての内容です）

---

統計的仮説検定における考え方

有意水準を理解するために、まず統計的仮説検定の基本的な流れを確認しましょう。

統計的仮説検定では、検定手法によらず基本的に以下のステップで進めます。

例えば、新薬Aが従来薬より効果があるか確認する場合を考えてみましょう。
ここでは、「新薬Aによって治療効果に変化があるか？」を統計的仮説検定によって判断します。

先ほど説明した検定の流れに沿って考えていきます。

○STEP1：帰無仮説（H₀）と対立仮説（H₁）を設定する

まず、検定では最初に確認したい内容を帰無仮説と対立仮説として設定します。

今回の場合、

・帰無仮説H₀：新薬Aと従来薬に効果の差はない
・対立仮説H₁：新薬Aと従来薬には効果の差がある

となります。

統計的仮説検定では、まず「差はない」という帰無仮説H₀を基準として考え、取得したデータから帰無仮説を否定できるかを確認していきます。

---

○STEP2：有意水準αを設定する

次に、検定を実施する前に判断基準となる有意水準αを設定します。

今回は一般的によく使用される、有意水準α＝0.05（5％）として考えます。

これは、「本当は差がないにも関わらず、誤って差があると判断してしまうリスクを5％まで許容する」という意味になります。

---

○STEP3：データを取得する

次に、実際にデータを取得します。

例えば、

・新薬Aを使用した患者群
・従来薬を使用した患者群

について治療結果を測定し、2つの群に差があるかを確認します。
(取得したデータは、以下のようなイメージです）

ただし、取得したデータに差が見えたとしても、それが本当に薬の効果なのか、単なる偶然のばらつきなのかは判断できません。

そこで、STEP4の統計解析を実施します。

---

○STEP4：統計解析を実施してp値を計算する

取得したデータに対して適切な検定を行い、p値を計算します。
(この事例ではχ二乗検定 or Fischerの正確検定を用います）

例えば、解析結果として、p＝0.03が得られたとします。

このp値は、「帰無仮説H₀（新薬Aと従来薬に差がない）が正しいと仮定した場合に、今回得られたような差以上の結果が偶然観察される確率」を意味します。

---

○STEP5：p値と有意水準αを比較して判断する

最後に、計算されたp値と事前に設定した有意水準αを比較します。

今回の場合、比較すると下表のようになります。

つまり、p値（0.03）＜ 有意水準α（0.05）となるため、
帰無仮説H₀を棄却しその結果「新薬Aと従来薬では統計的に有意な効果の差がある」と判断できます。

つまり、今回確認された差は偶然のばらつきだけでは説明しにくく、新薬Aと従来薬の効果に違いがある可能性が高いという結論になります。

このように、検定結果を判断するために事前に設定する基準が有意水準αです。

---

有意水準αとは？

有意水準とは、「本当は差がないにも関わらず、誤って差があると判断してしまう確率をどこまで許容するか決めた値」です。

例えば、有意水準α=0.05で検定する場合、本当は帰無仮説が正しい（差がない）にも関わらず、5％の確率で誤って、「有意差あり」と判断するリスクを許容していることになります。

この誤りを統計学では、第1種の過誤（TypeⅠ error）と呼びます。

---

有意水準αを小さくするとどうなる？

有意水準を小さくすると、統計的に有意差が認められるための条件は厳しくなります。

例えば、有意水準α=0.05の場合は、5％未満の確率でしか起こらないような結果を「偶然では説明しにくい」と判断します。

一方、有意水準α=0.01に設定した場合は、1％未満というさらに低い確率でしか起こらない結果でなければ有意差ありとは判断しません。

つまり、有意水準を小さく設定するほど、

・誤って「差がある」と判断するリスク（第1種の過誤）は小さくなる
・しかし、本当に存在する差を見逃してしまう可能性（第2種の過誤）は高くなる

という特徴があります。

そのため、有意水準は単純に小さくすれば良いというものではなく、解析の目的や結果を誤判定した場合の影響を考慮して設定することが重要です。

例えば、医療・製薬分野など誤った判断が大きなリスクにつながる領域では、より厳しいα=0.01が使用される場合があります。

一方で、探索的な研究や初期検討では、新しい可能性を見逃さないことを重視してα=0.10を使用するケースもあります。

一般的に使用される有意水準の目安を以下に示します。

---

参考：検定における2種類の誤り

統計的仮説検定では、必ず判断ミスの可能性があります。

代表的なものが、

・第1種の過誤（α）
・第2種の過誤（β）

です。

検定結果を表に整理すると以下になります。

---

○第1種の過誤とは？

第1種の過誤とは、本当は差がないにもかかわらず、統計検定の結果「差がある」と判断してしまう誤りのことです。

統計検定では、サンプルデータを用いて母集団の違いを推測します。しかし、サンプルには必ずばらつき（偶然の影響）が含まれるため、実際には差がなくても、たまたま差があるように見えることがあります。

このような誤った判断が第1種の過誤（αエラー）です。有意水準αは、この第1種の過誤が起こる確率をあらかじめ制限するために設定します。

例えば、有意水準を5%（α=0.05）に設定した場合、「本当は差がないにもかかわらず、有意差ありと判断してしまう確率を最大5%まで許容する」という意味になります。

---

○第2種の過誤とは？

第2種の過誤とは、本当は差があるにもかかわらず、統計検定の結果「差がない」と判断してしまう誤りのことです。

統計検定では、得られたサンプルデータをもとに「本当に差があると言えるか」を判断します。しかし、データ数が少なかったり、測定結果のばらつきが大きかったりすると、実際に存在する差を検出できないことがあります。

このような誤った判断が第2種の過誤（βエラー）です。

第2種の過誤が発生すると、本来発見できるはずだった効果や違いを見逃してしまう可能性があります。

第2種の過誤βを小さくするためには、例えば以下の方法があります。

・サンプルサイズを増やす
→ データ量が増えることで偶然の影響が小さくなり、小さな差でも検出しやすくなる

・測定ばらつきを小さくする
→ データのノイズが減り、本来の差が見えやすくなる

また、第2種の過誤βと関連する重要な指標として、1−βがあります。これを検出力（power）と呼び、「実際に差がある場合に、正しく『差がある』と判断できる確率」を意味します。

例えば検出力80%（power=0.8）の場合、「本当に差が存在するとき、80%の確率でその差を検出できる」という意味になります。このことは検定におけるサンプルサイズ設計を行う際に非常に重要な指標です。

---

まとめ

本記事では、有意水準αについて解説しました。

ポイントをまとめると、

✅有意水準αは検定前に設定する判断基準
✅一般的にはα=0.05がよく使用される
✅αは「本当は差がないのに差があると判断するリスク」を表す
✅この誤りを第1種の過誤という
✅有意水準を小さくすると判定は厳しくなる

となります。統計的仮説検定における「p＜0.05なので有意差あり」という判断には、明確な統計的意味があります。

有意水準やp値の意味を理解したうえで、t検定・分散分析・χ二乗検定など各種検定手法を学ぶことで、より正しく統計解析を活用できます。

ぜひ他の記事も参考にして、目的に応じた検定手法の選択方法を学んでみてください。